Professional Documents
Culture Documents
ARTIFICIAL NEURAL
NETWORKS (ANN)
- JARINGAN SYARAF TIRUAN -
Jaringan Syaraf
Tiruan
KOMPONEN JARINGAN
SYARAF
Neuron/sel syaraf yang akan
mentransformasikan informasi yang
diterima melalui sambungan keluarnya
menuju neuron-neuron yang lain.
Pada jaringan syaraf, hubungan antar
neuron-neuron dikenal dengan nama
bobot.
KOMPONEN JARINGAN
SYARAF
KOMPONEN JARINGAN
SYARAF
Informasi yang diberikan pada jaringan
syaraf akan dirambatkan lapisan ke
lapisan, mulai dari input sampai ke
lapisan output melalui lapisan yang
lainnya, yang dikenal dengan lapisan
tersembunyi (hidden layer), tergantung
pada algoritma pembelajarannya, bisa
jadi informasi tersebut akan
dirambatkan secara mundur pada
jaringan.
ARSITEKTUR
JARINGAN
Jaringan dengan lapisan tunggal
(single layer net)
Jaringan dengan banyak lapisan
(multilayer net)
Jaringan dengan lapisan kompetitif
(compotitive layer net)
FUNGSI AKTIVASI
Fungsi aktivasi merupakan fungsi yang
digunakan pada jaringan syaraf untuk
mengaktifkan atau tidak mengaktifkan
neuron. Seperti terlihat pad gambar sebuah
neuron akan mengolah N input (x1, x2, ..,xN)
yang masing-masing memiliki bobot w1, w2,
w3, ..,wN) dan bobot bias b.
Fungsi Aktivasi
Fungsi Undak Biner (Hard Limit)
Jaringan dengan lapisan tunggal sering
menggunakan fungsi undak untuk
menkonversi input dari suatu variabel
yang bernilai kontinu ke suatu output
biner.
Fungsi hard limit dirumuskan
Fungsi Aktivasi
Fungsi Undak Biner (Threshold)
Fungsi undak biner dengan
menggunakan nilai ambang sering
disebut fungsi nilai ambang atau fungsi
Heaviside.
Dirumuskan:
Fungsi Aktivasi
Fungsi Bipolar
Hampir sama dengan fungsi undak
biner, hanya saja output yang
dihasilkan berupa1, 0 atau-1
Fungsi Aktivasi
Fungsi Bipolar (dengan Threshold)
Fungsi yang menghasilkan output
berupa 1, 0 atau -1
Fungsi Aktivasi
FungsiLinear (identitas)
Fungsi linear memiliki nilai output yang
sama dengan nilai input
Dirumuskan: y= x
Fungsi Aktivasi
Fungsi SturatingLinear
Fungsi ini akan bernilai 0 jika inputnya
kurang dari -, dan akan bernilai 1 jika
inputnya lebih dari . Sedangkan jika
nilai input terletak antara- dan ,
maka outputnya akan bernilai sama
dengan nilai input ditambah .
Fungsi Aktivasi
Fungsi Symetric Saturating Linear
Fungsi ini akan bernilai -1 jika inputnya
kurang dari-1. Sedangkan jika nilai
input terletak antara -1 dan 1, maka
outputnya akan bernilai sama dengan
nilai inputnya.
Fungsi Aktivasi
Fungsi Sigmoid Biner
Digunakan untuk jaringan syaraf yang
dilatih dengan menggunakan metode
backpropagation. Memiliki nilai pada
range 0 sampai 1
Fungsi Aktivasi
Fungsi Sigmoid Bipolar
Output dari fungsi ini memiliki range
antara 1 sampai -1
Fungsinya dirumuskan:
Proses Pembelajaran
Belajar adalah suatu proses dimana parameterparameter bebas JST diadaptasikan melalui
suatu proses perangsangan berkelanjutan oleh
lingkungan di mana jaringan berada.
Metode belajar, yaitu:
Supervised learning (belajar dengan
pengawasan)
Unsupervised learning (belajar tanpa
pengawasan)
Hibrida learning (Gabungan Supervised
dan Unsupervised)
Proses Pembelajaran
Pembelajaran Terawasi (supervised
learning)
Metode pembelajaran pada jaringan syaraf
disebut terawasi jika output yang diharapkan
telah diketahui sebelumnya.
Pembelajaran Tak Terawasi(unsupervised
learning)
Pada metode pembelajaran tak terawasi ini
tidak memerlukan target output. Tujuan
metode ini adalah pengelompokan unit-unit
yang hampir sama dalam suatu area tertentu.
PEMBELAJARAN TERAWASI
(SUPERVISED LEARNING)
Hebb Rule
Metode pembelajaran
yang paling sederhana,
pembelajaran dilakukan
dengan cara memperbaiki
nilai bobot sedemikian
rupa sehingga jika ada 2
neuron yang terhubung
dan keduanya dalam
kondisi on pada saat
yang sama, maka bobot
antara keduanya
dinaikkan
PERCEPTION
Biasanya digunakan
untuk
mengklasifikasikan
suatu tipe pola
tertentu yang sering
dikenal dengan
pemisahan secara
linear.
Algoritma yang
digunakanakan
mengatur
parameterparameter bebasnya
melalui proses
pembelajaran
Delta Rule
Mengubah bobot yang menghubungkan
antara jaringan input ke unit output
dengan nilai target.
Backpropagation
Algoritma ini biasanya digunakan oleh
perception dengan banyak lapisan untuk
mengubah bobot-bobot yang terhubung
dengan neuron-neuron yang ada pada
lapisan tersembunyi
Bidirectional Associative
Memory
Model jaringan syaraf
yang memiliki 2 lapisan
dan terhubung penuh dari
satu lapisan ke lapisan
lainnya.
Pada jaringan ini
dimungkinkan adanya
hubungan timbal balik
antara lapisan input dan
lapisan output.
Learning vector
Quantization
Suatu metode untuk
melakukan pembelajaran
pada lapisan kompetitif
yang terawasi.
Suatu lapisan kompetitif
akan secara otomatis
belajar untuk
mengklasifikasikan vektorvektor input. Kelas-kelas
yang didapatkan sebagai
hasil hanya tergantung
pada jarak antara vektorvektor input.
PEMBELAJARAN TAK
TERAWASI
(UNSUPERVISED
LEARNING)
CONTOH
LATIHAN
- HEBB RULE -
Hebb Net
Hebb mengusulkan pembelajaran dengan
memodifikasi bobot sedemikian shg dua
hubungan neuron on dalam waktu yang
bersamaan, kemudian bobot diantara kedua
neuron tersebut bertambah.
keterangan :
Wi : bobot data input ke-i
xi : input data ke-i
y : output data
Hebb Net
Contoh pengenalan pola dengan
algoritma Hebb
Diketahui dua buah pola seperti huruf
T dan U seperti gambar . Gunakan
jaringan Hebb untuk mengenali pola
tersebut :
Algoritma pelatihan
Hebb
Algoritma pelatihan
Hebb
Diperoleh nilai Pola 1
w1 =1 w2 =1 w3=1 w4=-1 w5=1 w6=1 w7=-1 w8=1 w9= -1 dan bias b= 1
diperoleh nilai Pola 2:
w1 =0 w2 = 2 w3= 1 w4= -2 w5= 2
w6= -2 w7= -2 w8=0 w9= -2 dan bias
b= 0
Pengenalan Pola
Pengenalan Pola
Pola 1
- - - -1 = 10
Y= f(net) = f(10) = 1
Y = 1 (sesuai target) : mengenali pola
Pengenalan Pola
Pola 2
- = -11
Y= f(net) = f(-11) = -1
Y = -1 (sesuai target) : mengenali pola
LATIHAN
Buatlah manual atau implementasi dari
pengenalan kedua pola berikut:
Hebb Net
Untuk merepresentasikan kasus
tersebut dalam jaringan Hebb, tiap
karakter pola dianggap sebagai sebuah
unit masukan.
Misalkan
karakter # dalam pola bernilai = 1,
dan
karakter . dalam pola benilai = 0
NEXT
ALGORITMA
GENETIKA