11 Jaringan Syaraf Tiruan

5/26/2018 11 Jaringan Syaraf Tiruan

1/29

Pengantar Kecerdasan Buatan (AK045218)

Jaringan Syaraf Tiruan1 /25


2/29

Jaringan Syaraf Tiruan

Pendahuluan

Otak Manusia

Sejarah

Komponen Jaringan SyarafArisitektur Jaringan Fungsi

Aktivasi

Proses Pembelajaran

Pembelajaran TeraasiJaringan Kohonen


3/29


P!"#A$%&%A"' Jaringan Syaraf Tiruan adalah(

merupakan salah satu representasi

buatan dari otak manusia yangselalu men)oba untuk

mensimulasikan proses

pembelajaran pada otak manusia

tersebut* +stilah buatan digunakankarena jaringan syaraf ini

diimplementasikan dengan

menggunakan program komputer

yang mampu menyelesaikansejumlah proses perhitungan

selama proses pembelajaranJaringan Syaraf Tiruan3 /25


4/29


OTAK MA"%S+A' Otak manusia berisi berjuta,

juta sel syaraf yang bertugas

untuk memproses informasi*

' Setiap sel syaraf -neuron. akan

memiliki satu inti sel/ inti sel iniyang akan bertugas untuk

melakukan pemrosesan

informasi*



5/29


S!JA0A$' Tahun 1234,an/ para ilmuan

menemukan baha psikologi

otak sama dengan modepemrosesan yang dilakukanoleh komputer

' Tahun 1235/ M)6ullo)h dan

Pitts meran)ang model formalyang pertama kali sebagaiperhitungan dasar neuron

' Tahun 1273/ Farley dan 6larkmensetup model,model untukrelasi adaptif stimulus,respon



6/29


dalam jaringan random

Jaringan Syaraf Tiruan /25


7/29


' Tahun 1278/ 0osenblatt

mengembangkan konsepdasar tentang per)eption untukklasifikasi pola

' Tahun 1294/ :idro dan $offmengembangkan A#A&+"!yang dilatih denganpembelajaran Least MeanSquare -&MS.

' Tahun 12;3/ :erbosmemperkenalkan algoritmabackpropagation

' Tahun 12;7/ &ittle dan Shamenggambarkan jaringansyaraf dengan probabilistik

Jaringan Syaraf Tiruan! /25


8/29


' Tahun 128AM.

' Tahun 1288/ dikembangkan fungsi



9/29


radial bebas

Jaringan Syaraf Tiruan" /25


10/29


KOMPO"!" JA0+"=A"S@A0AF

' "euron/ sel syaraf yang akan

mentransformasikan informasi yangditerima melalui sambungan

keluarnya menuju neuron,neuron

yang lain*

' Pada jaringan syaraf/ hubunganantar neuron,neuron dikenal

dengan nama bobot*



11/29


' Pada jaringan syaraf/ neuron,

neuron akan dikumpulkan dalamlapisan,lapisan -layer. yang disebutdengan lapisan neuron (neuronlayers)

' +nformasi yang diberikan padajaringan syaraf akan dirambatkanlapisan ke lapisan/ mulai darilapisan input sampai ke lapisanoutput melalui lapisan yang

lainnya/ yang dikenal denganlapisan tersembunyi (hidden layer),tergantung pada algoritmapembelajarannya/ bisa jadiinformasi tersebut akandirambatkan se)ara mundur padajaringan*



12/29


Arsitektur Jaringan' Faktor terpenting untuk

menentukan kelakuan suatu

neuron adalah fungsi aktivasi dan

pola bobotnya*' Ada beberapa arsitektur jaringan

syaraf/ antara lain (

a* Jaringan dengan lapisan tunggal

(single layer net)

$anya memiliki satu lapisan dengan

bobot,bobot terhubung

Jaringan ini hanya menerima input

kemudian se)ara langsung akan

mengolahnya menjadi output tanpa

harus melalui lapisan tersembunyi*Jaringan Syaraf Tiruan12 /25


13/29


b* Jaringan dengan banyak lapisan(multilayer net)

, Memiliki 1 atau lebih lapisan yang

terletak diantara lapisan input dan

lapisan output

, Ada lapisan yang berbobot yang

terletak antara < lapisan yang

bersebelahanJaringan Syaraf Tiruan13 /25


14/29


' Jaringan dengan lapisankompetitif (compotitive layer

net)Jaringan Syaraf Tiruan14 /25


15/29


, $ubungan antar neuron padalapisan kompetitif tidakdiperlihatkan pada diagram

arsitektur

1

, B 1A

1

A

m

, B

, B

, B



16/29


Ai, B

1

Aj1



17/29

Fungsi Aktivasia* Fungsi %ndak >iner (Hard

Limit)

Jaringan dengan lapisantunggal sering menggunakan

fungsi undak untuk

menkonversi input dari suatuvariabel yang bernilai kontinu

ke suatu output biner

Fungsi hard limit dirumuskan

4/ jika C D 4@ E 1/ jika C 4


18/29

b* Fungsi %ndak >iner (hreshold)Fungsi undak biner denganmenggunakan nilai ambangsering disebut fungsi nilaiambang atau fungsi $eaviside*

#irumuskan (

4/ jika C G H

@ E

1/ jika C I H

)* Fungsi >ipolar$ampir sama dengna fungsiundak biner/ hanya saja output

yang dihasilkan berupa 1/ 4 atau,1


19/29

Fungsi Symetric Hard Limitdirumuskan sebagai (

1/ jik C 4

@ E 4/ jik C E 4

,1/ jik C G 4

d* Fungsi >ipolar -denganhreshold.

Fungsi yang menghasilkan

output berupa 1/ 4 atau ,1

1/ jika C I H@ E

,1/ jika C G H


20/29

e* Fungsi &inear -identitas.Fungsi linear memiliki nilaioutput yang sama dengannilai input

#irumuskan ( y E Cf* Fungsi Sturating &inear

Fungsi ini akan bernilai 4 jikainputnya kurang dari ,/ dan

akan bernilai 1 jika inputnyalebih dari * Sedangkan jikanilai input terletak antara ,dan / maka outputnya akan

bernilai sama dengan nilaiinput ditambah *


21/29

Fungsi saturating lineardirumuskan(

1 jika C I 4

@ E

C L 4/7jika ,4/7 D C D 4/7

4 jika C D 4

g* Fungs Symetric Saturating

Linear ini akan bernilai ,1inputnya kurang dari ,1*Sedangkan jika nilai input

terletak antara ,1 dan 1/maka outputnya akan bernilaisama dengan nilai inputnya*


22/29

Fungsi Symetri) Saturating&inear dirumuskan (

1 jika C I 1

@ E

C jika ,1 D C D 1

,1 jika C D ,1

h* Fungsi Sigmoid >iner#igunakan untuk jaringan

syaraf yang dilatih dengan

menggunakan metode

backpropagation* Memilikinilai pada range 4 sampai 1*


23/29

Fungsi sigmoid biner

dirumuskan (1

y E f-C. E ,,,,,,,,,,,,,

-1 L e C.i* Fungsi Sigmoid >ipolar

, Output dari fungsi ini

memiliki range antara 1sampai ,1

Fungsinya dirumuskan (

1 , e ,C

y E f-C. E ,,,,,,,,,,,,,

-1 L e ,C.


24/29

Proses Pembelajarana* Pembelajaran Teraasi

-supervised learning.

Metode pembelajaran padajaringan syaraf disebut teraasijika output yang diharapkan telahdiketahui sebelumnya*

b* Pembelajaran Tak Teraasi

-unsupervised learning.Pada metode pembelajaran takteraasi ini tidak memerlukantarget output* Tujuan metode ini

adalah pengelompokan unit,unityang hampir sama dalam suatuarea tertentu*


25/29

Pembelajaran Teraasi1* $ebb 0ule

Metode pembelajaran yang

paling sederhana/pembelajaran dilakukandengan )ara memperbaikinilai bobot sedemikian rupa

sehingga jika ada < neuronyang terhubung dankeduanya dalam kondisi Nonpada saat yang sama/ maka

bobot antara keduanyadinaikkan


26/29

iasanya digunakan untukmengklasifikasikan suatu tipepola tertentu yang seringdikenal dengan pemisahanse)ara linear*

Algoritma yang digunakanakan mengatur parameter,

parameter bebasnya melaluiproses pembelajaran

5* #elta 0ule

Mengubah bobot yangmenghubungkan antarajaringan input ke unit outputdengan nilai target*


27/29

3* >a)kpropagationAlgoritma pembelajaran yangteraasi dan biasanyadigunakan oleh per)eptiondengan banyak lapisan untukmengubah bobt,bobot yangterhubung dengan neuron,neuron yang ada padalapisan tersembunyi

7* $etroasso)iative Memory

Jaringan yang bobot,bobotnya ditentukan

sedemikian rupa sehinggajaringan tersebut dapatmenyimapan kumpulan pola*


28/29

9* >idire)tional Asso)iative MemoryModel jaringan syaraf yangmemiliki < lapisan dan terhubungpenuh dari satu lapisan kelapisan lainnya* Pada jaringan inidimungkinkan adanya hubungantimbal balik antara lapisan inputdan lapisan output*

;* &earning ve)tor uanti?ation

Suatu metode untuk melakukanpembelajaran pada lapisankompetitif yang teraasi* Suatulapisan kompetitif akan se)araotomatis belajar untukmengklasifikasikan vektor,vektorinput* Kelas,kelas yangdidapatkan sebagai hasil hanyatergantung pada jarak antara

vektor,vektor input


29/29

Pembelajaran TakTeraasi -Jaringan

Kohonen.

' Jaringan kohonen pertama kalidiperkenalkan oleh Prf* TeuvoKohonen tahun 128

11 Jaringan Syaraf Tiruan

Documents

Transcript of 11 Jaringan Syaraf Tiruan