Jaringan Syaraf Tiruan

A.    Pengertian

Jaringan Syaraf Tiruan adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistim sel syaraf manusia yang berfungsi untuk memproses suatu informasi. Elemen mendasar dari paradigma tersebut adalah struktur yang baru dari sistem pemrosesan informasi. Jaringan Syaraf Tiruan, seperti manusia, bisa belajar dari suatu contoh yang ada. Jaringan Syaraf Tiruan dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran.

Berikut pendapat beberapa ahli mengenai jaringan syaraf tiruan:

Hecht-Nielsend (1988) mendefinisikan sistem syaraf buatan sebagai berikut:

Suatu neural network (NN), adalah suatu struktur pemroses informasi yangterdistribusi 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).

Hecht-Nielsend (1988) mendefinisikan sistem syaraf buatan sebagai berikut (lanjutan)

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 syaraf sebagai berikut : 

“Sebuah jaringan syaraf 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:

• Pengetahuan diperoleh oleh jaringan melalui suatu proses belajar.
• Kekuatan hubungan antar sel syaraf yang dikenal dengan bobot sinapsis digunakan untuk menyimpan pengetahuan.

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

“Sistem syaraf tiruan atau jaringan syaraf 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

B.     Sejarah Jaringan Syaraf Tiruan

Saat ini bidang kecerdasan buatan sedang berusaha untuk menirukan intelegensi manusia, bukam melalui pendekatan dalam bentuk fisik 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 syaraf tiruan.

Dibandingkan dengan bidang ilmu yang lain, jaringan syaraf tiruan relatif masih baru. Sejumlah literatur menganggap bahwa konsep jaringan syaraf 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 syarafbiologi ini, merupakan suatu langkah maju dalam industri komputer.

C.    Inspirasi Biologi

Jaringan Syaraf Tiruan keluar dari penelitian kecerdasan buatan, terutama percobaan untuk menirukan fault-tolerence dan kemampuan untuk belajar dari system syaraf biologi dengan model struktur low-level dari otak.

Otak terdiri dari sekitar (10.000.000.000) sel syaraf yang saling berhubungan. Selsyaraf mempunyai cabang struktur input (dendrites), sebuah inti sel dan percabangan struktur output (axon). Axon dari sebuah sel terhubung dengan dendrites yang lainmelalui sebuah synapse. Ketika sebuah sel syaraf aktif, kemudian menimbulkan suatu signal electrochemical pada axon. Signal ini melewati synapses menuju ke sel syaraf yang lain. Sebuah sel syaraf lain akan mendapatkan signal jika memenuhi batasan tertentu yang sering disebut dengan nilai ambang atau (threshold).

Jaringan syaraf biologis merupakan kumpulan sel-sel syaraf (neuron). Neuron mempunyai tugas mengolah informasi. Komponen-komponen utama dari sebuah neuron dapat dikelompokkan menjadi tiga bagian, yaitu:

·         Dendrit. Dendrit bertugas untuk menerima informasi.

·         Badan sel (soma). Badan sel berfungsi sebagai tempat pengolahan informasi.

·          Akson (neurit). Akson mengirimkan impuls-impuls ke sel syaraf lainnya.

D.    Perbandingan Jaringan Syaraf Tiruan dengan Konvensional

Jaringan Syaraf Tiruan memiliki pendekatan yang berbeda untuk memecahkan masalah bila dibandingkan dengan sebuah komputer konvensional.Umumnya computer konvensional menggunakan pendekatan algoritma (komputer konvensional menjalankan sekumpulan perintah untuk memecahkan masalah).Jika suatu perintah tidak diketahui oleh komputer konvensional maka komputer konvensional tidak dapat memecahkan masalah yang ada. Sangat penting mengetahui bagaimana memecahkan suatu masalah pada komputer konvensional dimana komputer konvensional akan sangat bermanfaat jika dapat melakukan sesuatu dimana pengguna belum mengatahui bagaimana melakukannya.

Jaringan Syaraf Tiruan dan suatu algoritma komputer konvensional tidak saling bersaing namun saling melengkapi satu sama lain. Pada suatu kegiatan yang besar, sistim yang diperlukan biasanya menggunakan kombinasi antara keduanya (biasanya sebuah komputer konvensional digunakan untuk mengontrol Jaringan Syaraf Tiruan untuk menghasilkan efisiensi yang maksimal. Jaringan Syaraf Tiruan tidak memberikan suatu keajiban tetapi jika digunakan secara tepat akan menghasilkan sasuatu hasil yang luarbiasa.

E.     Model Dasar Jaringan Syaraf Tiruan

Mengadopsi esensi dasar dari system syaraf biologi, syaraf tiruan digambarkan sebagai berikut : Menerima input atau masukan (baik dari data yang dimasukkan atau dari output sel syaraf pada jaringan syaraf. Setiap input datang melalui suatu koneksi atau hubungan yang mempunyai sebuah bobot (weight). Setiap sel syaraf mempunyai sebuah nilai ambang. Jumlah bobot dari input dan dikurangi dengan nilai ambang kemudian akan mendapatkan suatu aktivasi dari sel syaraf (post synaptic potential, PSP, dari sel syaraf). Signal aktivasi kemudian menjadi fungsi aktivasi / fungsi transfer untuk menghasilkan output dari sel syaraf.

Jika tahapan fungsi aktivasi digunakan ( output sel syaraf = 0 jika input <0 dan 1 jika input >= 0) maka tindakan sel syaraf sama dengan sel syaraf biologi yang dijelaskan diatas (pengurangan nilai ambang dari jumlah bobot dan membandingkan dengan 0 adalah sama dengan membandingkan jumlah bobot dengan nilai ambang). Biasanya tahapan fungsi jarang digunakan dalan Jaringan Syaraf Tiruan. Fungsi aktivasi (f(.)) dapat dilihat pada Gambar 3.

Bagaimana sel syaraf saling berhubungan? Jika suatu jaringan ingin digunakan untuk berbagai keperluan maka harus memiliki input (akan membawa nilai dari suatu variabel dari luar) dan output (dari prediksi atau signal kontrol). Input dan output sesuai dengan sensor dan syaraf motorik seperti signal datang dari mata kemudian diteruskan ke tangan, Dalam hal ini terdapat sel syaraf atau neuron pada lapisan tersembunyi berperan pada jaringan ini. Input, lapisan tersembunyi dan output sel syaraf diperlukan untuk saling terhubung satu sama lain. Berikut ilustrasi jaringan syaraf tiruan

 

Berdasarkan dari arsitektur (pola koneksi), Jaringan Syaraf Tiruan dapat dibagi kedalam dua katagori :

Struktur feedforward

Sebuah jaringan yang sederhana mempunyai struktur feedforward dimana signal bergerak dari input kemudian melewati lapisan tersembunyi dan akhirnya mencapai unitoutput (mempunyai struktur perilaku yang stabil).

Tipe jaringan feedforward mempunyai sel syaraf yang tersusun dari beberapa lapisan. Lapisan input bukan merupakan sel syaraf. Lapisan ini hanya memberi pelayanan dengan mengenalkan suatu nilai dari suatu variabel. Lapisan tersembunyi dan lapisan output sel syaraf terhubung satu samalain dengan lapisan sebelumnya. Kemungkinan yang timbul adalah adanya hubungan dengan beberapa unit dari lapisan sebelumnya atau terhubung semuanya (lebih baik).

Yang termasuk dalam struktur feedforward :

-          Single-layer perceptron

-          Multilayer perceptron

-          Radial-basis function networks

-          Higher-order networks

-          Polynomial learning networks

Struktur recurrent (feedback)

Jika suatu jaringan berulang (mempunyai koneksi kembali dari output ke input) akan menimbulkan ketidakstabilan dan akan menghasilkan dinamika yang sangatkompleks. Jaringan yang berulang sangat menarik untuk diteliti dalam Jaringan Syaraf Tiruan, namun sejauh ini structure feedforward sangat berguna untuk memecahkan masalah. Yang termasuk dalam stuktur recurrent (feedback) :

-          Competitive networks

-          Self-organizing maps

-          Hopfield networks

-          Adaptive-resonanse theory models

Ketika sebuah Jaringan Syaraf digunakan. Input dari nilai suatu variable ditempatkan dalam suatu input unit.dan kemudian unit lapisan tersembunyi dan lapisan output menjalankannya. Setiap lapisan tersebut menghitung nilai aktivasi dengan mengambil jumlah bobot output dari setiap unit dari lapisan sebelumnya dan kemudian dikurangi dengan nilai ambang. Nilai aktifasi kemudian melalui fungsi aktifasi untuk menghasilakan output dari sel syaraf. Ketika semua unit pada Jaringan Syaraf telah dijalankan maka aksi dari lapisan output merupakan output dari seluruh jaringan syaraf.

F.     Lapisan pada Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan biasanya mempunyai 3 group atau lapisan yaitu unit-unit :lapisan input yang terhubung dengan lapisan tersembunyi yang selanjutnya terhubung dengan lapisan output. Aktifitas unit-unit lapisan input menunjukkan informasi dasar yang kemudian digunakan dalam Jaringan Syaraf Tiruan. Aktifitas setiap unit-unit lapisan tersembunyi ditentukan oleh aktifitas dari unitunit input dan bobot dari koneksi antara unit-unit input dan unit-unit lapisantersembunyi. Karakteristik dari unit-unit output tergantung dari aktifitas unit-unit lapisantersembunyi dan bobot antara unit-unit lapisan tersembunyi dan unit-unit output.

G.    Cara Kerja Jaringan Syaraf Tiruan

Ada beberapa tipe jaringan syaraf tiruan, tetapi hampir semuanya memiliki komponen yang sama. Sama halnya seperti otak manusia, jaringan syaraf juga terdiri dari beberapa neuron, dan ada hubungan antara neuron tersebut. Neuron-neuron tersebut akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain. Pada JST hubungan ini dikenal dengan nama bobot. Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut.

Informasi (disebut dengan input) akan dikirim ke neuron dengan bobot kedatangan tertentu. Input ini akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot yang datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan suatu nilai ambang (threshold) tertentu melalui fungsi aktivasi setiap neuron. Apabila input tersebut melewati suatu nilai ambang tertentu , maka neuron tersebut akan diaktifkan, tetapi jika tidak maka neuron tersebut tidak akan diaktifkan. Apabila neuron tersebut diaktifkan, maka neuron tersebut akan mengirimkan output melalui bobot-bobot output-nya ke semua neuron yang berhubungan dengannya. Hal ini dilakukan secara terus menerus.

Pada jaringan syaraf, neuron-neuron akan dikumpulkan dalam lapisan-lapisan (layer) yang disebut dengan lapisan neuron (neuron layers). Biasanya neuron-neuron pada satu lapisan akan dihubungkan dengan lapisan-lapisan sebelum dan sesudahnya (kecuali lapisan input dan lapisan output). Informasi yang diberikan pada jaringan syaraf akan dirambatkan dari lapisan ke lapisan, mulai dari lapisan input sampai ke lapisan output melalui lapisan yang lainnya, yang sering dikenal dengan nama lapisan tersembunyi (hidden layer), tergantung pada algoritma pembelajarannya, bisa jadi informasi tersebut akan dirambatkan secara mundur pada jaringan.

Beberapa jaringan syaraf ada juga yang tidak memiliki lapisan tersembunyi, dan ada juga yang neuron-neuronnya disusun dalam bentuk matriks.

H.    Perceptron

Perceptron termasuk kedalam salah satu bentuk Jaringan Syaraf Tiruan yangsederhana.Perceptron biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu yang sering dikenal dengan istilah pemisahan secara linear.Pada dasarnya perceptron pada Jaringan Syaraf dengan satu lapisan memiliki bobot yang bisa diatur dan suatu nilai ambang. Algoritma yang digunakan oleh aturan perceptron ini akan mengatur parameter-parameter bebasnya melalui proses pembelajaran. Fungsi aktivasi dibuat sedemikian rupa sehingga terjadi pembatasan antara daerah positif dan daerah negatif.

Perceptron dapat dilihat di gambar 6

I.       Fungsi Transfer

Karakter dari Jaringan Syaraf Tiruan tergantung atas bobot dan fungsi inputoutput(fungsi transfer) yang mempunyai ciri tertentu untuk setiap unit. Fungsi ini terdiri dari 3 katagori yaitu :
linear units, Aktifitas output adalah sebanding dengan jumlah bobot output.
threshold units, Output diatur satu dari dua tingkatan tergantung dari apakah jumlah input adalah lebih besar atau lebih kecil dari nilai ambang.
sigmoid units, Output terus menerus berubah-ubah tetapi tidak berbentuk linear. Unit ini mengandung kesamaan yang lebih besar dari sel syaraf sebenarnya dibandingkan dengan linear dan threshold unit, namun ketiganya harus dipertimbangkan dengan perkiraan kasar.

Untuk membuat Jaringan Syaraf Tiruan untuk melakukan beberapa kerja khusus.Harus dipilih bagaimana unit-unit dihubungkan antara satu dengan yang lain dan harus mengatur bobot dari hubungan tersebut secara tepat. Hubungan tersebut menentukan apakah mungkin suatu unit mempengaruhi unit yang lain. Bobot menentukan kekuatan dari pengaruh tersebut.

Dapat dilakukan pembelajaran terhadap 3 lapisan pada Jaringan Syaraf Tiruan untukmelakukan kerja khusus dengan menggunakan prosedure dibawah ini :

• Memperkenalkan Jaringan Syaraf Tiruan dengan contoh pembelajaran yang terdiri dari sebuah pola dari aktifitas untuk unit-unit input bersama dengan pola yang diharapkan dari aktifitas untuk unit-unit output.
• Menentukan seberapa dekat output sebenarnya dari Jaringan Syaraf Tiruan sesuaidengan output yang diharapkan.
• Mengubah bobot setiap hubungan agar Jaringan Syaraf Tiruan menghasilkan suatu perkiraan yang lebih baik dari output yang diharapkan.

Ilustrasi dari prosedure pembelajaran diatas dapat dilihat dibawah ini :

Diasumsikan bahwa suatu Jaringan Syaraf Tiruan dapat mengenali digit daritulisan tangan.Dapat digunakan suatu array dengan 256 sensor, setiap sensor merekam ada tidaknya tinta pada suatu digit. Jaringan Syaraf Tiruan memerlukan 256 unit-unit input (satu untuk setiap sensor), 10 unit-unit output (satu untuk setiap digit) dan sebuah nomor dari unit-unit tersembunyi.

Untuk setiap digit yang direkam oleh sensor, Jaringan Syaraf Tiruan akanmenghasilkan aktifitas yang tinggi pada unit output yang cocok dan aktifitas yang rendah pada unit-unit output yang lain.

Untuk pembelajaran Jaringan Syaraf Tiruan, ditampilkan sebuah gambar darisebuah digit dan membandingkan aktifitas sebenarnya dari 10 unit-unit output dengan aktifitas yang diharapkan. Kemudian menghitung error, dimana ditentukan sebagai persegi yang berbeda antara aktifitas sebenarnya dan aktifitas yang diharapkan.Selanjutnya mengubah bobot setiap hubungan untuk mengurangi error.Hal ini dilakukan berulang-ulang dengan banyak gambar yang berbeda.

Untuk mengimplementasikan prosedure ini diperlukan perhitungan error derivativeuntuk bobot (EW) supaya perubahan bobot oleh sebuah jumlah yang sesuai pada nilaidimana error berubah karena bobot diubah. Suatu cara untuk menghitung EW adalahmengubah bobot sedikit dan meneliti bagaimana error dapat berubah. Namun metode inikurang efisien karena membutuhkan gangguan yang berbeda untuk setiap dari sekianbanyak bobot.

Cara lain yang sering digunakan untuk menghitung EW adalah denganmenggunakan algoritma back-propagation. Saat ini merupakan metode yang penting untuk pembelajaran Jaringan Syaraf Tiruan. Metode ini dikembangkan secara mandiri oleh 2 tim yaitu Fogelman-Soulie, Gallinari dan Le Cun dari Prancis dan Rumelhart, Hinton dan Williams dari Amerika.

J.      Faktor Keberhasilan Jaringan Syaraf Tiruan

Syaraf Tiruan mengalami “booming” dan diminati beberapa tahunterakhir ini, dan sangat sukses digunakan untuk memecahkan berbagai masaalah dalam berbagai disiplin ilmu seperti : bidang finansial, kedokteran, teknik, geologi dan fisika. Lebih jauh lagi, bahwa sesuatu masaalah dengan menggunakan Jaringan Syaraf Tiruan dapat diprediksi, dikelompokkan dan dikontrol.

Ada beberapa faktor yang mendukung keberhasilan tersebut antara lain :

·         Handal

Jaringan Syaraf Tiruan adalah teknik pemodelan yang sangat memuaskan yang dapat membuat model suatu fungsi yang sangat kompleks.Khususnya Jaringan Syaraf Tiruan nonlinear.Sejak beberapa tahun, model linear umumnya digunakan dimana model linear dikenal dengan strategi optimasi.Jaringan Syaraf Tiruan juga menggunakanmodel nonlinear dengan berbagai variabel.

·         Mudah digunakan

Jaringan Syaraf Tiruan dipelajari dengan contoh. Pengguna Jaringan Syaraf Tiruan mengumpulkan data dan melakukan pembelajaran algoritma untuk mempelajari secara otomatis struktur data, sehingga pengguna tidak memerlukan pengetahuan khusus mengenai bagaimana memilih dan mempersiapkan data, bagaimana memilih Jaringan Syaraf Tiruan yang tepat, bagaimana membaca hasil, tingkatan pengetahuan yang diperlukan untuk keberhasilan Menggunakan Jaringan Syaraf Tiruan tidak lebih dari pemecahan masalah yang menggunakan metode statistik nonlinear yang telah dikenal.

K.    Pemanfaatan Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan mampu menggambarkan setiap situasi adanya sebuahhubungan antara variabel predictor (independents, inputs) dan variabel predicted(dependents, outputs), ketika hubungan tersebut sangat kompleks dan tidak mudah untuk menjelaskan kedalam istilah yang umum dari “correlations” atau “differences betweengroups”. Beberapa contoh permasalahan yang dapat dipecahkan secara baik oleh Jaringan Syaraf Tiruan antara lain :

a.       Deteksi Fenomena Kedokteran.

Berbagai indikasi yang berhubungan dengan kesehatan (kombinasi dari denyutjantung, tingkatan dan berbagai substansi dalam darah, dll) dapat dimonitoring.Seranganpada kondisi kesehatan tertentu dapat dihubungan dengan perubahan kombinasi yangsangat kompeks (nonlinear dan interaktif) pada subset dari variabel, dapat dimonitoring.Jaringan Syaraf Tiruan telah digunakan untuk mengenali pola yang diperkirakan sehinggaperlakuan yang tepat dapat dilakukan.

b.      Untuk mendeteksi golongan darah manusia

Dengan menggunakan pengolahan citra. Manusia berusaha keras dengan segalakemampuannya untuk menirukan kehebatan yang mereka miliki, misalnya seorang dokterdengan keahliannya dapat membedakan golongan darah manusia antara A, B, AB, dan O.Dengan pendekatan kecerdasan buatan, manusia berusaha menirukan bagaimana polapoladibentuk. Jaringan Syaraf Tiruan telah dikembangkan sebagai generalisasi modelmatematik dari pembelajaran manusia.

c.       Prediksi Pasar Saham.

Fluktuasi dari harga saham dan index saham adalah contoh lain yang kompleks,multidimesi tetapi dalam beberapa kondisi tertentu merupakan phenomena yang dapatprediksi. Jaringan Syaraf Tiruan telah digunakan oleh analis teknik untuk membuatprediksi tentang pasar saham yang didasarkan atas sejumlah faktor seperti keadaan masalalu bursa yang lain dan berbagai indikator ekonomi.

d.      Perjanjian Kredit.

Berbagai informasi biasanya didapat dari seorang peminjam seperti umur,pendidikan, pekerjaan dan berbagai data lain. Setelah pembelajaran dari Jaringan SyarafTiruan tentang data peminjam, analisis Jaringan Syaraf Tiruan dapat mengidentifikasikaraktersetik peminjam sehingga dapat digunakan untuk mengklasifikasikan peminjamterhadap resiko peminjam dalam kategori baik atau buruk

e.       Monitoring Kondisi Mesin.

Jaringan Syaraf Tiruan dapat digunakan untuk memangkas biaya denganmemberikan keahlian tambahan untuk menjadwalkan perawatan mesin.Jaringan SyarafTiruan dapat dilatih untuk membedakan suara sebuah mesin ketika berjalan normal (“false alarm”) dengan ketika mesin hampir mengalami suatu masalah. Setelah periodepembelajaran, keahlian dari Jaringan Syaraf Tiruan dapat digunakan untukmemperingatkan seorang teknisi terhadap kerusakan yang akan timbul sebelum terjadiyang akan menyebabkan biaya yang tidak terduga.

f.       Pemeliharaan Mesin.

Jaringan Syaraf Tiruan telah digunakan untuk menganalisis input dari sebuahsensor pada sebuah mesin. Dengan mengontrol beberapa parameter ketika mesin sedangberjalan, dapat melakukan fungsi tertentu misalnya meminimalkan penggunaan bahan bakar.

DAFTAR PUSTAKA

• Haykin, S. (1999) Neural Networks: A Comprehensive Foundation, Prentice Hall
• Wasserman, Philip (1993) Advanced Methods in Neural Computing, Van Nostrand Reinhold
• An Introduction to Neural Networks, 2003 Prof. Leslie Smith, Centre for Cognitiveand Computational Neuroscience Department of Computing and MathematicsUniversity of Stirling. lss@cs.stir.ac.uk
• Artificial Neural Network Theory and Applications, Dan W. Patterson, John Wileyand Sons, Inc. 1995.
• Dan W. Patterson, Artificial Neural Network Theory and Applications, John Wileyand Sons, Inc. 1995.
• Membangun Jaringan Syaraf Tiruan, Sri Kusumadewi, 2004, Graha Ilmu,Yogyakarta
• M.G.Pened., Computer_aided Diagnosis: A Neural-Network-Based Approach toLung Nodule Detection,IEEE Transc.on Medical Imaging, 17(6) 1998, Hal.872-880.
• Introduction to Neural Network by K. Gurney.  http://www.shef.ac.uk/psychology/gurney/notes/contents.html
• Neural Network by Christos Stergiou and Dimitrios Siganos, http://www.doc.ic.ac.uk/~nd/surprise_96/ journal/vol4/cs11/report.html - 79k
• Neural Network by Nikolay Nikolaef http://homepages.gold.ac.uk/nikolaef/cis311.html.course_outline_for_fall_2004

Share on Google Plus

About Stevanina

This is a short description in the author block about the author. You edit it by entering text in the "Biographical Info" field in the user admin panel.