Jaringan saraf tiruan: Perbedaan antara revisi

Dari Wikipedia bahasa Indonesia, ensiklopedia bebas
Jelajahi riwayat secara interaktif
← Revisi sebelumnya
Konten dihapus Konten ditambahkan
VisualTeks wiki
Tidak ada ringkasan suntingan
InternetArchiveBot (bicara | kontrib)
Bot
653.583 suntingan
Rescuing 1 sources and tagging 0 as dead.) #IABot (v2.0.8
 
(40 revisi perantara oleh 23 pengguna tidak ditampilkan)
Baris 1: Baris 1:
[[Berkas:Artificial neural network.svg|jmpl|Jaringan saraf tiruan merupakan jaringan dari unit pemroses kecil yang saling terhubung, yang dimodelkan berdasar jaringan saraf ([[neuron]]) [[manusia|jaringan saraf]].]]
{{wikify}}
'''Jaringan saraf tiruan (JST)''' ({{lang-en|artificial neural network}}; ANN, atau ''simulated neural network'' (SNN), atau ''neural network'' (NN)), adalah [[jaringan]] dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan [[sistem saraf]] manusia. JST merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Oleh karena sifatnya yang adaptif, JST juga sering disebut dengan jaringan adaptif.<ref>{{Cite journal|last=Nasution|first=Darmeli|last2=Harumy|first2=T. Henny F.|last3=Haryanto|first3=Eko|last4=Fachrizal|first4=Ferry|last5=Julham|last6=Turnip|first6=Arjon|date=2015-10|year=2015|title=A classification method for prediction of qualitative properties of multivariate EEG-P300 signals|url=http://dx.doi.org/10.1109/icacomit.2015.7440180|journal=2015 International Conference on Automation, Cognitive Science, Optics, Micro Electro-Mechanical System, and Information Technology (ICACOMIT)|publisher=IEEE|volume=|issue=|pages=|doi=10.1109/icacomit.2015.7440180|isbn=978-1-4673-7408-8}}</ref>
[[Berkas:Artificial neural network.svg|thumb|300px|Jaringan saraf tiruan merupakan jaringan dari unit pemroses kecil yang saling terhubung, yang dimodelkan berdasar jaringan saraf ([[neuron]]) [[manusia|jaringan saraf]].]]
'''Jaringan saraf tiruan (JST)''' ([[Bahasa Inggris]]: ''artificial neural network (ANN)'', atau juga disebut ''simulated neural network (SNN)'', atau umumnya hanya disebut ''neural network (NN)''), adalah [[jaringan]] dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan [[jaringan saraf manusia]]. JST merupakan sistem adaptif yang dapat merubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut.


Secara sederhana, JST adalah sebuah alat pemodelan [[data]] [[statistik]] non-linier. JST dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data.
Secara sederhana, JST adalah sebuah alat pemodelan [[data]] [[statistik]] non-linier. JST dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data. Menurut suatu teorema yang disebut "teorema penaksiran universal", JST dengan minimal sebuah lapis tersembunyi dengan fungsi aktivasi non-linear dapat memodelkan seluruh fungsi terukur Boreal apapun dari suatu dimensi ke dimensi lainnya.<ref>Kurt Hornik, Maxwell Stinchcombe, Halbert White, Multilayer feedforward networks are universal approximators, Neural Networks, Volume 2, Issue 5, 1989, Pages 359-366, ISSN 0893-6080, <nowiki>http://dx.doi.org/10.1016/0893-6080(89)90020-8</nowiki>. (<nowiki>http://www.sciencedirect.com/science/article/pii/0893608089900208</nowiki>) Keywords: Feedforward networks; Universal approximation; Mapping networks; Network representation capability; Stone-Weierstrass Theorem; Squashing functions; Sigma-Pi networks; Back-propagation networks</ref>


== Sejarah ==
== Sejarah ==
Saat ini bidang [[kecerdasan buatan]] dalam usahanya menirukan [[intelegensi]] [[manusia]], belum mengadakan pendekatan dalam bentuk fisiknya melainkan dari sisi yang lain. Pertama-tama diadakan studi mengenai teori dasar mekanisme proses terjadinya intelegensi. Bidang ini disebut ''‘Cognitive Science’''. Dari teori dasar ini dibuatlah suatu model untuk disimulasikan pada [[komputer]], dan dalam perkembangannya yang lebih lanjut dikenal berbagai sistem kecerdasan buatan yang salah satunya adalah jaringan saraf tiruan. Dibandingkan dengan bidang ilmu yang lain, jaringan saraf tiruan relatif masih baru. Sejumlah literatur menganggap bahwa konsep jaringan saraf tiruan bermula pada makalah [[Waffen McCulloch]] dan [[Walter Pitts]] pada tahun [[1943]]. Dalam makalah tersebut mereka mencoba untuk memformulasikan model matematis [[sel]]-sel [[otak]]. Metode yang dikembangkan berdasarkan sistem [[saraf]] [[biologi]] ini, merupakan suatu langkah maju dalam industri komputer.
Saat ini bidang [[kecerdasan buatan]] dalam usahanya menirukan [[intelegensi]] [[manusia]], belum mengadakan pendekatan dalam bentuk fisiknya melainkan dari sisi yang lain. Pertama-tama diadakan studi mengenai teori dasar mekanisme proses terjadinya intelegensi. Bidang ini disebut ''Cognitive Science''. Dari teori dasar ini dibuatlah suatu model untuk disimulasikan pada [[komputer]], dan dalam perkembangannya yang lebih lanjut dikenal berbagai sistem kecerdasan buatan yang salah satunya adalah jaringan saraf tiruan. Dibandingkan dengan bidang ilmu yang lain, jaringan saraf tiruan relatif masih baru. Sejumlah literatur menganggap bahwa konsep jaringan saraf tiruan bermula pada makalah [[Waffen McCulloch]] dan [[Walter Pitts]] pada tahun [[1943]]. Dalam makalah tersebut mereka mencoba untuk memformulasikan model matematis [[sel]]-sel [[otak]]. Metode yang dikembangkan berdasarkan sistem saraf [[biologi]] ini, merupakan suatu langkah maju dalam industri komputer.


== Pengertian Dasar ==
== Model ==
Model pada JST pada dasarnya merupakan fungsi model matematika yang mendefinisikan fungsi <math>f: X \rightarrow Y</math>. Istilah "jaringan" pada JST merujuk pada interkoneksi dari beberapa ''neuron'' yang diletakkan pada lapisan yang berbeda. Secara umum, lapisan pada JST dibagi menjadi tiga bagian:
Tidak ada dua otak manusia yang sama, setiap otak selalu berbeda. Beda dalam ketajaman, ukuran dan pengorganisasiannya. Salah satu cara untuk memahami bagaimana otak bekerja adalah dengan mengumpulkan [[informasi]] dari sebanyak mungkin scan otak manusia dan memetakannya. Hal tersebut merupakan upaya untuk menemukan cara kerja rata-rata otak manusia itu. Peta otak manusia diharapkan dapat menjelaskan misteri mengenai bagaimana otak mengendalikan setiap tindak tanduk manusia, mulai dari penggunaan [[bahasa]] hingga gerakan.
* Lapis masukan (''input layer'') terdiri dari ''neuron'' yang menerima data masukan dari variabel X. Semua ''neuron'' pada lapis ini dapat terhubung ke ''neuron'' pada lapisan tersembunyi atau langsung ke lapisan luaran jika jaringan tidak menggunakan lapisan tersembunyi.
* Lapisan tersembunyi (''hidden layer'') terdiri dari ''neuron'' yang menerima data dari lapisan masukan.
* Lapisan luaran (''output layer'') terdiri dari ''neuron'' yang menerima data dari lapisan tersembunyi atau langsung dari lapisan masukan yang nilai luarannya melambangkan hasil kalkulasi dari X menjadi nilai Y.


Secara matematis, ''neuron'' merupakan sebuah fungsi yang menerima masukan dari lapisan sebelumnya <math>g_i(x)</math> (lapisan ke-<math>i</math>). Fungsi ini pada umumnya mengolah sebuah vektor untuk kemudian diubah ke nilai skalar melalui komposisi ''nonlinear weighted sum,'' dimana <math>f(x) = K(\sum_i w_i g_i(x))</math>, <math>K</math> merupakan fungsi khusus yang sering disebut dengan fungsi aktivasi dan <math>w</math> merupakan beban atau ''weight''.
Walaupun demikian kepastian cara kerja otak manusia masih merupakan suatu misteri. Meski beberapa aspek dari prosesor yang menakjubkan ini telah diketahui tetapi itu tidaklah banyak. Beberapa aspek-aspek tersebut, yaitu :


== Lihat pula ==
a. Tiap bagian pada otak manusia memiliki alamat, dalam bentuk [[formula]] [[kimia]], dan sistem saraf manusia berusaha untuk mendapatkan alamat yang cocok untuk setiap [[akson]] (saraf penghubung) yang dibentuk.
{{Wikibooks|Artificial Neural Networks}}
* [[20Q]]
* [[Artificial life]]
* [[Autoassociation memory]]
* [[Autoencoder]]
* [[Biological neural network]]
* [[Biologically-inspired computing]]
* [[Clinical decision support system]]
* [[Connectionist expert system]]
* [[Decision tree]]
* [[Sistem pakar]]
* [[Logika Fuzzy]]
* [[Algoritme genetik]]
* [[Gnod]], a Kohonen network application
* [[Linear discriminant analysis]]
* [[Regresi logistik]]
* [[Multilayer perceptron]]
* [[Nearest neighbor (pattern recognition)]]
* [[Jaringan saraf]]
* [[Neuroevolution]], [[NeuroEvolution of Augmented Topologies]] (NEAT)
* [[Neural network software]]
* [[Ni1000]] chip
* [[Jaringan saraf optik]]
* [[Particle swarm optimization]]
* [[Perceptron]]
* [[Predictive analytics]]
* [[Principal components analysis]]
* [[Regression analysis]]
* [[Simulated annealing]]
* [[Systolic array]]
* [[Systolic automaton]]
* [[Time delay neural network]] (TDNN)


== Daftar pustaka ==
b. Melalui pembelajaran, pengalaman dan interaksi antara sistem maka struktur dari otak itu sendiri akan mengatur fungsi-fungsi dari setiap bagiannya.
* {{cite book|author=Bar-Yam, Yaneer|title = [http://necsi.org/publications/dcs/Bar-YamChap2.pdf Dynamics of Complex Systems, Chapter 2]|year = 2003|}}
* {{cite book|author=Bar-Yam, Yaneer|title = [http://necsi.org/publications/dcs/Bar-YamChap3.pdf Dynamics of Complex Systems, Chapter 3]|year = 2003|}}
* {{cite book|author=Bar-Yam, Yaneer|title = [http://necsi.org/publications/mtw/ Making Things Work]|year = 2005|}} Please see Chapter 3
* Bhagat, P.M. (2005) ''Pattern Recognition in Industry'', Elsevier. ISBN 0-08-044538-1
* Bishop, C.M. (1995) ''Neural Networks for Pattern Recognition'', Oxford: Oxford University Press. ISBN 0-19-853849-9 (hardback) or ISBN 0-19-853864-2 (paperback)
* Duda, R.O., Hart, P.E., Stork, D.G. (2001) ''Pattern classification (2nd edition)'', Wiley, ISBN 0-471-05669-3
* Gurney, K. (1997) ''An Introduction to Neural Networks'' London: Routledge. ISBN 1-85728-673-1 (hardback) or ISBN 1-85728-503-4 (paperback)
* Haykin, S. (1999) '' Neural Networks: A Comprehensive Foundation'', Prentice Hall, ISBN 0-13-273350-1
* Fahlman, S, Lebiere, C (1991). ''The Cascade-Correlation Learning Architecture'', created for [[National Science Foundation]], Contract Number EET-8716324, and [[Defense Advanced Research Projects Agency]] (DOD), ARPA Order No. 4976 under Contract F33615-87-C-1499. [http://www.cs.iastate.edu/~honavar/fahlman.pdf electronic version] {{Webarchive|url=https://web.archive.org/web/20130503184045/http://www.cs.iastate.edu/~honavar/fahlman.pdf |date=2013-05-03 }}
* Hertz, J., Palmer, R.G., Krogh. A.S. (1990) ''Introduction to the theory of neural computation'', Perseus Books. ISBN 0-201-51560-1
* Lawrence, Jeanette (1994) ''Introduction to Neural Networks'', California Scientific Software Press. ISBN 1-883157-00-5
* Masters, Timothy (1994) ''Signal and Image Processing with Neural Networks'', John Wiley & Sons, Inc. ISBN 0-471-04963-8
* Ness, Erik. 2005. [http://www.conbio.org/cip/article61WEB.cfm SPIDA-Web] {{Webarchive|url=https://web.archive.org/web/20071211170455/http://www.conbio.org/cip/article61WEB.cfm |date=2007-12-11 }}. ''Conservation in Practice'' 6(1):35-36. On the use of artificial neural networks in species taxonomy.
* [[Brian D. Ripley|Ripley, Brian D]]. (1996) ''Pattern Recognition and Neural Networks'', Cambridge
* Smith, Murray (1993) ''Neural Networks for Statistical Modeling'', Van Nostrand Reinhold, ISBN 0-442-01310-8
* Wasserman, Philip (1993) ''Advanced Methods in Neural Computing'', Van Nostrand Reinhold, ISBN 0-442-00461-3


== Referensi ==
c. Axon-axon pada daerah yang berdekatan akan berkembang dan mempunyai bentuk fisik mirip, sehingga terkelompok dengan arsitektur tertentu pada otak.
<references />


== Pranala luar ==
d. Axon berdasarkan arsitekturnya bertumbuh dalam urutan [[waktu]], dan terhubung pada struktur otak yang berkembang dengan urutan waktu yang sama.
* [http://www.learnartificialneuralnetworks.com/ Selayang pandang Algoritme Jaringan Saraf Tiruan]
* [http://dmoz.org/Computers/Artificial_Intelligence/Neural_Networks/ Pranala Open Directory] {{Webarchive|url=https://web.archive.org/web/20071231085949/http://www.dmoz.org/Computers/Artificial_Intelligence/Neural_Networks/ |date=2007-12-31 }}
* [http://www.neurosecurity.com/articles.php Artikel tentang Jaringan Saraf Tiruan] {{Webarchive|url=https://web.archive.org/web/20071113143131/http://www.neurosecurity.com/articles.php |date=2007-11-13 }}


[[Kategori:Jaringan saraf tiruan| ]]
Berdasarkan keempat aspek tersebut di atas dapat ditarik suatu kesimpulan bahwa otak tidak seluruhnya terbentuk oleh proses [[genetika|genetis]]. Terdapat proses lain yang ikut membentuk fungsi dari bagian-bagian otak, yang pada akhirnya menentukan bagaimana suatu informasi diproses oleh otak.
[[Kategori:Kecerdasan buatan]]

[[Kategori:Artikel yang perlu diperbaiki bertopik teknologi informasi]]
Elemen yang paling mendasar dari jaringan saraf adalah sel saraf. Sel-sel saraf inilah membentuk bagian kesadaran manusia yang meliputi beberapa kemampuan umum. Pada dasarnya sel saraf biologi menerima masukan dari sumber yang lain dan mengkombinasikannya dengan beberapa cara, melaksanakan suatu operasi yang non-linear untuk mendapatkan hasil dan kemudian mengeluarkan hasil akhir tersebut.

Dalam [[tubuh]] manusia terdapat banyak variasi tipe dasar sel saraf, sehingga proses berpikir manusia menjadi sulit untuk direplikasi secara [[elektrik]]. Sekalipun demikian, semua sel saraf alami mempunyai empat komponen dasar yang sama. Keempat komponen dasar ini diketahui berdasarkan nama biologinya yaitu, [[dendrit]], [[soma]], [[akson]], dan [[sinapsis]]. Dendrit merupakan suatu perluasan dari soma yang menyerupai [[rambut]] dan bertindak sebagai saluran masukan. Saluran masukan ini menerima masukan dari sel saraf lainnya melalui sinapsis. Soma dalam hal ini kemudian memproses nilai masukan menjadi sebuah output yang kemudian dikirim ke sel saraf lainnya melalui akson dan sinapsis.

Penelitian terbaru memberikan bukti lebih lanjut bahwa sel saraf biologi mempunyai struktur yang lebih kompleks dan lebih canggih daripada sel saraf buatan yang kemudian dibentuk menjadi jaringan saraf buatan yang ada sekarang ini. Ilmu biologi menyediakan suatu pemahaman yang lebih baik tentang sel saraf sehingga memberikan keuntungan kepada para perancang jaringan untuk dapat terus meningkatkan sistem jaringan saraf buatan yang ada berdasarkan pada pemahaman terhadap otak biologi.

Sel saraf-sel saraf ini terhubung satu dengan yang lainnya melalui sinapsis. Sel saraf dapat menerima rangsangan berupa [[sinyal]] [[elektrokimia]]wi dari sel saraf-sel saraf yang lain. Berdasarkan rangsangan tersebut, sel saraf akan mengirimkan [[sinyal]] atau tidak berdasarkan kondisi tertentu. Konsep dasar semacam inilah yang ingin dicoba para ahli dalam menciptakan sel tiruan.

== Definisi ==
Suatu jaringan saraf tiruan memproses sejumlah besar informasi secara paralel dan terdistribusi, hal ini terinspirasi oleh model kerja otak biologis. Beberapa definisi tentang jaringan saraf tiruan adalah sebagai berikut di bawah ini.

''[[Hecht-Nielsend]] ([[1988]]) mendefinisikan sistem saraf buatan sebagai berikut:''

"Suatu neural network (NN), adalah suatu struktur pemroses informasi yang terdistribusi dan bekerja secara paralel, yang terdiri atas elemen pemroses (yang memiliki [[memori]] lokal dan beroperasi dengan informasi lokal) yang diinterkoneksi bersama dengan alur sinyal searah yang disebut koneksi. Setiap elemen pemroses memiliki koneksi keluaran tunggal yang bercabang (fan out) ke sejumlah koneksi kolateral yang diinginkan (setiap koneksi membawa sinyal yang sama dari keluaran elemen pemroses tersebut). Keluaran dari elemen pemroses tersebut dapat merupakan sebarang jenis persamaan matematis yang diinginkan. Seluruh proses yang berlangsung pada setiap elemen pemroses harus benar-benar dilakukan secara lokal, yaitu keluaran hanya bergantung pada nilai masukan pada saat itu yang diperoleh melalui koneksi dan nilai yang tersimpan dalam memori lokal".

''Menurut [[Haykin, S.]] ([[1994]]), Neural Networks: A Comprehensive Foundation, NY, Macmillan, mendefinisikan jaringan saraf sebagai berikut:''

“Sebuah jaringan saraf adalah sebuah [[prosesor]] yang terdistribusi paralel dan mempuyai kecenderungan untuk menyimpan pengetahuan yang didapatkannya dari pengalaman dan membuatnya tetap tersedia untuk digunakan. Hal ini menyerupai kerja otak dalam dua hal yaitu:
1. Pengetahuan diperoleh oleh jaringan melalui suatu proses belajar.
2. Kekuatan hubungan antar sel saraf yang dikenal dengan bobot sinapsis digunakan untuk menyimpan pengetahuan.

''Dan menurut [[Zurada, J.M.]] ([[1992]]), Introduction To Artificial Neural Systems, Boston: PWS Publishing Company, mendefinisikan sebagai berikut:''

“Sistem saraf tiruan atau jaringan saraf tiruan adalah sistem selular fisik yang dapat memperoleh, menyimpan dan menggunakan pengetahuan yang didapatkan dari pengalaman”.

DARPA Neural Network Study (1988, AFCEA International Press, p. 60) mendefinisikan jaringan syaraf buatan sebagai berikut :

Sebuah jaringan syaraf adalah sebuah sistem yang dibentuk dari sejumlah elemen pemroses sederhana yang bekerja secara paralel dimana fungsinya ditentukan oleh stuktur jaringan, kekuatan hubungan, dan pegolahan dilakukan pada komputasi elemen atau nodes

Revisi terkini sejak 7 Juli 2021 20.00

Jaringan saraf tiruan merupakan jaringan dari unit pemroses kecil yang saling terhubung, yang dimodelkan berdasar jaringan saraf (neuron) jaringan saraf.

Jaringan saraf tiruan (JST) (bahasa Inggris: artificial neural network; ANN, atau simulated neural network (SNN), atau neural network (NN)), adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan sistem saraf manusia. JST merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Oleh karena sifatnya yang adaptif, JST juga sering disebut dengan jaringan adaptif.[1]

Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-linier. JST dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data. Menurut suatu teorema yang disebut "teorema penaksiran universal", JST dengan minimal sebuah lapis tersembunyi dengan fungsi aktivasi non-linear dapat memodelkan seluruh fungsi terukur Boreal apapun dari suatu dimensi ke dimensi lainnya.[2]

Sejarah[sunting | sunting sumber]

Saat ini bidang kecerdasan buatan dalam usahanya menirukan intelegensi manusia, belum mengadakan pendekatan dalam bentuk fisiknya melainkan dari sisi yang lain. Pertama-tama diadakan studi mengenai teori dasar mekanisme proses terjadinya intelegensi. Bidang ini disebut Cognitive Science. Dari teori dasar ini dibuatlah suatu model untuk disimulasikan pada komputer, dan dalam perkembangannya yang lebih lanjut dikenal berbagai sistem kecerdasan buatan yang salah satunya adalah jaringan saraf tiruan. Dibandingkan dengan bidang ilmu yang lain, jaringan saraf tiruan relatif masih baru. Sejumlah literatur menganggap bahwa konsep jaringan saraf tiruan bermula pada makalah Waffen McCulloch dan Walter Pitts pada tahun 1943. Dalam makalah tersebut mereka mencoba untuk memformulasikan model matematis sel-sel otak. Metode yang dikembangkan berdasarkan sistem saraf biologi ini, merupakan suatu langkah maju dalam industri komputer.

Model[sunting | sunting sumber]

Model pada JST pada dasarnya merupakan fungsi model matematika yang mendefinisikan fungsi . Istilah "jaringan" pada JST merujuk pada interkoneksi dari beberapa neuron yang diletakkan pada lapisan yang berbeda. Secara umum, lapisan pada JST dibagi menjadi tiga bagian:

  • Lapis masukan (input layer) terdiri dari neuron yang menerima data masukan dari variabel X. Semua neuron pada lapis ini dapat terhubung ke neuron pada lapisan tersembunyi atau langsung ke lapisan luaran jika jaringan tidak menggunakan lapisan tersembunyi.
  • Lapisan tersembunyi (hidden layer) terdiri dari neuron yang menerima data dari lapisan masukan.
  • Lapisan luaran (output layer) terdiri dari neuron yang menerima data dari lapisan tersembunyi atau langsung dari lapisan masukan yang nilai luarannya melambangkan hasil kalkulasi dari X menjadi nilai Y.

Secara matematis, neuron merupakan sebuah fungsi yang menerima masukan dari lapisan sebelumnya (lapisan ke-). Fungsi ini pada umumnya mengolah sebuah vektor untuk kemudian diubah ke nilai skalar melalui komposisi nonlinear weighted sum, dimana , merupakan fungsi khusus yang sering disebut dengan fungsi aktivasi dan merupakan beban atau weight.

Lihat pula[sunting | sunting sumber]

Wikibooks memiliki buku di:

Daftar pustaka[sunting | sunting sumber]

Referensi[sunting | sunting sumber]

  1. ^ Nasution, Darmeli; Harumy, T. Henny F.; Haryanto, Eko; Fachrizal, Ferry; Julham; Turnip, Arjon (2015-10). "A classification method for prediction of qualitative properties of multivariate EEG-P300 signals". 2015 International Conference on Automation, Cognitive Science, Optics, Micro Electro-Mechanical System, and Information Technology (ICACOMIT). IEEE. doi:10.1109/icacomit.2015.7440180. ISBN 978-1-4673-7408-8. 
  2. ^ Kurt Hornik, Maxwell Stinchcombe, Halbert White, Multilayer feedforward networks are universal approximators, Neural Networks, Volume 2, Issue 5, 1989, Pages 359-366, ISSN 0893-6080, http://dx.doi.org/10.1016/0893-6080(89)90020-8. (http://www.sciencedirect.com/science/article/pii/0893608089900208) Keywords: Feedforward networks; Universal approximation; Mapping networks; Network representation capability; Stone-Weierstrass Theorem; Squashing functions; Sigma-Pi networks; Back-propagation networks

Pranala luar[sunting | sunting sumber]

Diperoleh dari "https://wiki-indonesia.club/w/index.php?title=Jaringan_saraf_tiruan&oldid=18626607"