Anda belum login :: 27 Nov 2022 18:16 WIB
Detail
ArtikelStudi Komparasi Terhadap Kapabilitas Generalisasi Dari Jaringan Saraf Tiruan Berbasis Incremental Projection Learning  
Oleh: Kusumoputro, Benyamin ; Murfi, Hendri
Jenis: Article from Journal - ilmiah nasional - tidak terakreditasi DIKTI
Dalam koleksi: Jurnal Teknik Elektro vol. 1 no. 2 (Sep. 2001), page 51-58.
Topik: Jaringan syaraf tiruan; metode pembelajaran dengan pengarahan (supervised learning); incremental projection learning; kapabilitas generalisasi; jaringan saraf tiruan; masalah aproksimasi fungsi
Fulltext: hendri murfi.pdf (1.28MB)
Ketersediaan
  • Perpustakaan Pusat (Semanggi)
    • Nomor Panggil: JJ113
    • Non-tandon: 1 (dapat dipinjam: 0)
    • Tandon: tidak ada
    Lihat Detail Induk
Isi artikelSalah satu hal yang penting dari suatu metode pembelajaran pada jaringan saraf tiruan adalah kapabilitas generalisasi. Yaitu kemampuan untuk memberikan hasil yang akurat terhadap data yang tidak diajarkan pada tahap pembelajaran. Salah satu metode pembelajaran yang memberikan jaminan secara teori diperolehnya kapabilitas generalisasi yang optimal adalah projection learning. Pada tulisan ini kami akan melakukan evaluasi eksperimental terhadap kapabilitas generalisasi dari jaringan saraf tiruan berbasis projection learning yang bersifat incremental, yang disebut projection generalizing neural networks, untuk memecahkan masalah aproksimasi fungsi. Kemudian melakukan studi komparasi dengan jaringan saraf tiruan yang sudah umum digunakan, yaitu back propagation networks dan radial basis functions networks. Berdasarkan hasil uji coba komputasi yang kami lakukan, projection generalizing neural networks tidak selalu memberikan kapabilitas generalisasi yang lebih baik. projection generalizing neural networks memberikan kapabilitas generalisasi yang lebih baik ketika jumlah data pembelajaran cukup kecil atau variansi noise dari data pembelajaran cukup besar. Selain dari dua kondisi tersebut, projection generalizing neural networks tidak selalu memberikan kapabilitas generalisasi yang lebih baik. Bahkan, untuk kondisi dimana jumlah data pembelajaran cukup besar dan variansi noise cukup kecil, projection generalizing neural networks memberikan kapabilitas generalisasi yang lebih buruk dari back propagation networks.
Opini AndaKlik untuk menuliskan opini Anda tentang koleksi ini!

Kembali
design
 
Process time: 0.03125 second(s)