jaringan-saraf-tiruan

Pengant Peng antar ar Kecerdasa Kecerdasan n Buatan (AK0 (AK0452 45218) 18)

Jar i ngan Sy ar af T i r uan Pendahuluan Otak Manusia Sejarah Komponen Jaringan Syaraf Arisitektur Jaringan Fungsi Aktivasi Proses Pembelajaran Pembelajaran Terawasi Jaringan Kohonen Referensi Sri Kusumadewi – bab 8 Jaringan Syaraf Tiruan

1/25


PENDAHULUAN • Jaringan Syaraf Tiruan adalah: merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan digunakan karena jaringan syaraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran Jaringan Syaraf Tiruan

2/25


OTAK MANUSIA • Otak manusia manusia berisi berisi berjutaberjuta juta sel syaraf yang bertugas untuk memproses informasi. • Setiap Setiap sel syaraf syaraf (neuron) (neuron) akan memiliki satu inti sel, inti sel ini yang akan bertugas untuk melakukan pemrosesan informasi.

Jaringan Syaraf Tiruan

3/25


SEJARAH • Tahun 1940-an, 1940-an, para ilmuwan ilmuwan menemukan bahwa psikologi otak sama dengan mode pemrosesan yang dilakukan oleh komputer • Tahun 1943, McCulloch McCulloch dan Pitts merancang model formal yang pertama kali sebagai perhitungan dasar neuron • Tahun 1954, Farley Farley dan Clark mensetup model-model untuk relasi adaptif stimulus-respon dalam jaringan random Jaringan Syaraf Tiruan

4/25


• Tahun 1958, Rosenblatt mengembangkan konsep dasar tentang perception untuk klasifikasi pola • Tahun 1960, Widrow Widrow dan Hoff mengembangkan ADALINE yang dilatih dengan pembelajaran Least Mean Square (LMS) • Tahun Tahun 1974, 1974, Werbos Werbos memperkenalkan algoritma backpropagation • Tahun 1975, Little Little dan Shaw menggambarkan jaringan syaraf dengan probabilistik Jaringan Syaraf Tiruan

5/25


• Tahun Tahun 1982, 1982, Kohone Kohonen n mengembangkan metode pembelajaran jaringan syaraf yang tidak terawasi untuk pemetaan • Tahun Tahun 1982, 1982, Grossbe Grossberg rg mengembangkan teori jaringan • Tahun Tahun 1982, 1982, Hopfie Hopfield ld mengembangkan jaringan syaraf reccurent • Tahun Tahun 1985, 1985, algori algoritma tma pembelajaran dengan mensin Boltzmann • Tahun Tahun 1987, Kosko mengemban mengembanggkan jaringan Adaptive Bidirectional Associative Memory (BAM) • Tahun 1988, dikembangka dikembangkan n fungsi radial bebas Jaringan Syaraf Tiruan

6/25


KOMPONEN JARINGAN SYARAF • Neuron Neuron,, sel syaraf syaraf yang akan akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju neuron-neuron yang lain. • Pada jaringan jaringan syaraf, hubungan hubungan antar neuron-neuron dikenal dengan nama bobot.


7/25


• Pada jaringan jaringan syaraf, neuronneuronneuron akan dikumpulkan dalam lapisan-lapisan (layer) yang disebut dengan lapisan neuron (neuron layers) • Inform Informasi asi yang yang diberik diberikan an pada pada jaringan syaraf akan dirambatkan lapisan ke lapisan, mulai dari lapisan 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. Jaringan Syaraf Tiruan

8/25


Arsitektur Jaringan •

Fakto ktor terpentin ting untuk menentukan kelakuan suatu neuron adalah fungsi aktivasi dan pola bobotnya.

•

Ada Ada bebe bebera rapa pa arsi arsite tekt ktur ur jari jaring ngan an syaraf, antara lain :

a. Jaringa Jaringan n dengan dengan lapisan lapisan tungga tunggall (single layer net) –

Hany Hanya a memi memililiki ki satu satu lapi lapisa san n deng dengan an bobot-bobot terhubung

–

Jari Jaring ngan an ini ini hany hanya a mener menerim ima a inpu inputt kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi. Jaringan Syaraf Tiruan

9/25


b. Jarin Jaringa gan n deng dengan an bany banyak ak lapi lapisan san (multilayer net) -

Memi Memililiki ki 1 atau atau lebi lebih h lapi lapisa san n yang yang terletak diantara lapisan input dan lapisan output

-

Ada Ada lapi lapisa san n yang yang berb berbob obot ot yang yang terletak antara 2 lapisan yang bersebelahan Jaringan Syaraf Tiruan

10/25


• Jaringan dengan lapisan kompetitif (com compo pottitiv itive e laye layer r net) Jaringan Syaraf Tiruan

11/25


- Hubungan Hubungan antar neuron pada lapisan kompetitif tidak diperlihatkan pada diagram arsitektur 1 A1

-η

Am

1

-η -η

-η -η Ai

-η

A j

1

1


12/25


Fungsi Aktivasi a. Fung Fungsi si Unda Undak k Bine Biner r (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 Y=

0,

jika x ≤ 0

1,

jika x > 0


13/25


b. Fung Fungsi si Unda Undak k Bine Biner r (Threshold) Fungsi undak biner dengan menggunakan nilai ambang sering disebut fungsi nilai ambang atau fungsi Heaviside. Dirumuskan : 0, jika x < θ

Y= 1,

jika x ≥ θ

c. Fungsi Bipo ipolar lar Hampir sama dengna fungsi undak biner, hanya saja output yang dihasilkan berupa 1, 0 atau -1 Jaringan Syaraf Tiruan

14/25


Fungsi Syme Symetr tric ic Ha Hard rd Limi Limit t dirumuskan sebagai : Y=

1,

jika x > 0

0,

jika x = 0

-1,

jika x < 0

d. Fungsi Fungsi Bipola Bipolarr (denga (dengan n Threshold ) Fungsi yang menghasilkan output berupa 1, 0 atau -1 Y=

1,

jika x ≥ θ

-1,

jika x < θ


15/25


e. Fungsi Fungsi Linear Linear (ident (identita itas) s) Fungsi linear memiliki nilai output yang sama dengan nilai input Dirumuskan : y = x f. Fung Fungsi si Stur Sturat atin ing g Line Linear ar Fungsi ini akan bernilai 0 jika inputnya kurang dari -½, dan akan bernilai 1 jika inputnya lebih dari ½. Sedangkan jika nilai input terletak antara -½ dan ½, maka outputnya akan bernilai sama dengan nilai input ditambah ½. Jaringan Syaraf Tiruan

16/25


Fungsi saturating linear dirumuskan: 1; jika x ≥ 0 x + 0,5;jika -0,5 ≤ x ≤ 0,5 Y= 0; jika x ≤ 0 g. Fungsi Syme Symetr tric ic Satu Satura rati ting ng 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. Jaringan Syaraf Tiruan

17/25


Fungsi Symetric Saturating Linear dirumuskan : Y=

1;

jika x ≥ 1

x;

jika -1 ≤ x ≤ 1

-1;

jika x ≤ -1

h. Fung Fungsi si Sigm Sigmoi oid d Bine Biner r Digunakan untuk jaringan syaraf yang dilatih dengan menggunakan metode backpropagation . Memiliki nilai pada range 0 sampai 1. Jaringan Syaraf Tiruan

18/25


i.

Fungsi sigmoid biner dirumuskan : 1 y = f(x) = ------------(1 + e άx) Fung Fungsi si Sigm Sigmoi oid d Bipo Bipola lar r - Output dari fungsi ini memiliki range antara 1 sampai -1 Fungsinya dirumuskan : -x 1-e y = f(x) = ------------(1 + e -x) Jaringan Syaraf Tiruan

19/25


Proses Pembelajaran a. Pemb Pembel elaja ajaran ran Tera Terawa wasi si (supervised learning ) Metode pembelajaran pada jaringan syaraf disebut terawasi jika output yang diharapkan telah diketahui sebelumnya. b. Pemb Pembel elaj ajara aran n Tak Tak Tera Terawa wasi si (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. Jaringan Syaraf Tiruan

20/25


Pembelajaran Terawasi 1. 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 Jaringan Syaraf Tiruan

21/25


2. Perc Percep epti tion on Biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu yang sering dikenal dengan pemisahan secara linear. Algoritma yang digunakan akan mengatur parameterparameter bebasnya melalui proses pembelajaran 3. Delt elta Rule ule Mengubah bobot yang menghubungkan antara jaringan input ke unit output dengan nilai target. Jaringan Syaraf Tiruan

22/25


4. Back Backpr prop opag agat atio ion n Algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perception dengan banyak lapisan untuk mengubah bobt-bobot yang terhubung dengan neuronneuron yang ada pada lapisan tersembunyi 5. Hetroa Hetroasso ssocia ciativ tive e Memory Memory Jaringan yang bobotbobotnya ditentukan sedemikian rupa sehingga jaringan tersebut dapat menyimapan kumpulan pola. Jaringan Syaraf Tiruan

23/25


6. Bidire Bidirectio ctional nal Associa Associative tive Memory 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. 7. Lear Learni ning ng vecto vectorr Quan Quantiz tizat atio ion n Suatu metode untuk melakukan pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor input. Kelas-kelas yang didapatkan sebagai hasil hanya tergantung pada jarak antara vektor-vektor input Jaringan Syaraf Tiruan

24/25


Pembelajaran Tak Terawasi (Jaringan Kohonen) • Jaringa Jaringan n kohonen kohonen pertam pertama a kali kali diperkenalkan oleh Prf. Teuvo Kohonen tahun 1982. • Pada jaringan jaringan ini, suatu lapisan yang berisi neuron-neuron akan menyusun dirinya sendiri berdasarkan input nilai tertentu dalam suatu kelompok yang dikenal dengan istilah cluster • Selama Selama proses penyusunan penyusunan diri, cluster yang memiliki vektor bbot paling cocok dengan pola input akan terpilih sebagai pemenang Jaringan Syaraf Tiruan

25/25

jaringan-saraf-tiruan

Recommend Documents