Jaringan Saraf Berulang (Recurrent Neural Network - RNN)
Jaringan Saraf Berulang (Recurrent Neural Network - RNN) adalah kelas jaringan saraf yang dirancang untuk memproses data sekuensial dengan mempertahankan keadaan tersembunyi (hidden state) yang membawa informasi lintas langkah waktu. Diperkenalkan dalam bentuk modernnya oleh Rumelhart et al. (1986) dan dibentuk lebih lanjut oleh Elman (1990), RNN menjadi arsitektur dominan untuk pemodelan sekuensial dalam NLP, ucapan, dan analisis deret waktu sebelum maraknya model berbasis perhatian (attention-based models).
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
+15 more
Sumber
- Elman, J. L. (1990). Finding structure in time. Cognitive Science, 14(2), 179–211. DOI: 10.1207/s15516709cog1402_1 ↗
- Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533–536. DOI: 10.1038/323533a0 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Recurrent Neural Network (RNN). ScholarGate. https://scholargate.app/id/deep-learning/recurrent-neural-network
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Klasifikasi Berbasis BERTPembelajaran Mendalam↔ compare
- Unit Berulang Bergerbang (GRU)Pembelajaran Mendalam↔ compare
- Long Short-Term Memory (LSTM)Pembelajaran Mendalam↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →