Artificial Neural Network (ANN) merupakan salah satu contoh model non linear yang mempunyai bentuk fungsional fleksibel dan mengandung beberapa parameter yang tidak dapat diinterpretasikan seperti pada model parametrik. ANN juga dikenal dengan kotak hitam (Black Box Technology) atau tidak transparan (opaque) karena tidak dapat menerangkan bagaimana suatu hasil didapatkan. Hal inilah yang membuat ANN mampu digunakan untuk menyelesaikan persoalan yang tidak terstruktur dan sulit didefinisikan.
Wutsqa (2006) dalam laporan penelitiannya menyebutkan bahwa ANN terbentuk dari suatu pengembangan model matematika yang mensimulasikan suatu teknologi intelegensi manusia dengan didasari oleh beberapa asumsi berikut:
a. Proses informasi terjadi pada banyak elemen sederhana yang disebut neuron.
b. Sinyal-sinyal dikirim antar neuron melalui connection-links (sinapsis).
c. Setiap sinapsis mempunyai bobot tertentu, tergantung tipe ANN.
d. Setiap neuron menggunakan fungsi aktivasi yang merupakan penjumlahan dari sinyal-sinyal input untuk menentukan sinyal-sinyal output.
Suhartono (2007) menyatakan bahwa secara umum, aplikasi non linear least squares pada ANN terbagi dalam dua pendekatan untuk meng-update bobot-bobot, yaitu yang dikenal dengan adaptasi off-line dan on-line. Pada adaptasi off-line, bobot-bobot di-update pada setiap pasangan input-output, sedangkan adaptasi on-line atau yang dikenal dengan batch mode, bobot-bobot hanya di-update setelah seluruh pasangan data input-output pada data training terproses.
Wutsqa (2006) menambahkan, ANN merupakan model regresi non linear dimana kompleksitas modelnya dapat diubah-ubah. Pada level kompleksitas yang rendah, ANN hanya terdiri dari satu lapisan input dan satu lapisan output. ANN memungkinkan untuk mengubah kompleksitas jaringan sehingga dapat mengakomodasi efek non linear. Hal ini dilakukan dengan menambahkan satu atau lebih hidden layer pada jaringan.
Tidak ada komentar:
Posting Komentar