Artificial Neural Networks Jaringan Syaraf Tiruan 1 1

  • Slides: 16
Download presentation
Artificial Neural Networks Jaringan Syaraf Tiruan -1

Artificial Neural Networks Jaringan Syaraf Tiruan -1

1. Latar belakang � Dipercayai bahwa kekuatan komputasi otak terletak pada hubungan antar sel-sel

1. Latar belakang � Dipercayai bahwa kekuatan komputasi otak terletak pada hubungan antar sel-sel syaraf hierarchical organization firing characteristics banyaknya jumlah hubungan

2. Struktur Jaringan pada Otak Manusia � � � � Neuron adalah satuan unit

2. Struktur Jaringan pada Otak Manusia � � � � Neuron adalah satuan unit pemroses terkecil pada otak Bentuk standard ini mungkin dikemudian hari akan berubah Jaringan otak manusia tersusun tidak kurang dari 1013 buah neuron yang masing-masing terhubung oleh sekitar 1015 buah dendrite Fungsi dendrite adalah sebagai penyampai sinyal dari neuron tersebut ke neuron yang terhubung dengannya Sebagai keluaran, setiap neuron memiliki axon, sedangkan bagian penerima sinyal disebut synapse Sebuah neuron memiliki 1000 -10. 000 synapse Penjelasan lebih rinci tentang hal ini dapat diperoleh pada disiplin ilmu biology molecular Secara umum jaringan saraf terbentuk dari jutaan (bahkan lebih) struktur dasar neuron yang terinterkoneksi dan terintegrasi antara satu dengan yang lain sehingga dapat melaksanakan aktifitas secara teratur dan terus menerus sesuai dengan kebutuhan

Synapse

Synapse

A Neuron © 2000 John Wiley & Sons, Inc.

A Neuron © 2000 John Wiley & Sons, Inc.

3. Pengertian Jaringan Syaraf Tiruan (JST) �Sistem syaraf manusia bekerja degan mengenali berbagai macam

3. Pengertian Jaringan Syaraf Tiruan (JST) �Sistem syaraf manusia bekerja degan mengenali berbagai macam pola. Misalnya wajah si A dan si B yang sudah lama tidak berjumpa, meskipun pada periode tersebut sudah banyak menemui wajah-wajah baru lainnya. Bukan hanya wajah tapi ciri-ciri lainnya seperti suara, gesture bahkan irama ka langkah kaki, dsb. Mungkinkah kita bisa meniru fungsi sistem syaraf manusia. �JST merupakan salah satu upaya manusia dalam memodelkan cara kerja sistem syaraf manusia dalam melaksanakan tugas tertentu.

� JST menurut Alexander dan Morton adalah prosesor tersebar paralel yang sangat besar yang

� JST menurut Alexander dan Morton adalah prosesor tersebar paralel yang sangat besar yang memiliki kecenderungan menyimpan pengetahuan bersifat pengalaman dan membuatnya siap digunakan. � JST menyerupai otak manuasia dalam 2 hal yakni pengetahuan diperoleh jaringan melalui proses belajar, kedua yakni kekuatan hubungan antar sel syaraf (neuron) yang dikenal sebagai bobot-bobot sinapsis digunakan untuk menyimpan pengetahuan. Dengan kemampuan pemrosesan informasi ini, JST mampu menyelesaikan masalah-masalah yang sangat kompleks. � Dalam prakteknya, JST tidak bisa memberikan solusi dengan bekerja sendiri, tetapi perlu di integrasikan ke dalam pendekatan rekayasa sistem yang konsisten.

4. Model Syaraf (Model Neuron) JST � Sel syaraf (neuron) adalah unit pemrosesan informasi

4. Model Syaraf (Model Neuron) JST � Sel syaraf (neuron) adalah unit pemrosesan informasi yang merupakan dasar dari operasi JST. � Terdapat 3 elemen dasar dari model neuron, yaitu: 1. Sekumpulan sipnasis (jalur hubungan), dimana setiap sipnasis memiliki bobot (kekuatan) hubungan. 2. Suatu adder untuk menjumlahkan sinyal-sinyal input yang diberi bobot oleh sipnasis neuron yang sesuai. Operasi ini digambarkan dengan mengikuti aturan linier combiner. 3. Suatu fungsi aktivasi untuk membatasi amplitudo output dari setiap neuron dengan menggunakan Threshold. Dan sebaliknya menggunakan bias, apabila ingin memperbesar nilai input untuk fungsi aktivasi.

Model matematis non linier dari suatu neuron Sebuah neuron menerima serangkaian aliran sinyal masukan

Model matematis non linier dari suatu neuron Sebuah neuron menerima serangkaian aliran sinyal masukan x 1, x 2, . . . , xp. Sebuah neuron bisa memiliki banyak masukan, tetapi hanya satu keluaran yang bisa menjadi masukan bagi neuron lainnya. � Aliran masukan ini dikalikan dengan suatu penimbang (bobot) sipnasis Wk 1, Wk 2, . . . , Wkp, kemudian dilakukan penjumlahan terhadap semua masukan yang telah diboboti tadi. Hasil penjumlahan ini disebut keluaran dari The Linier Combiner Uk, kemudian dilakukan fungsi aktivasi, sehingga keluar output Yk. Secara matematis, persamaannya sbb: �

Fungsi Aktivasi �Fungsi aktivasi dinotasikan dengan μ(. ) mendefinisikan nilai output dari suatu neuron

Fungsi Aktivasi �Fungsi aktivasi dinotasikan dengan μ(. ) mendefinisikan nilai output dari suatu neuron dalam level aktivasi tertentu berdasarkan nilai output pengkombinasian linier Ui. �Ada beberapa macam fungsi aktivasi yang biasanya digunakan pada JST, yakni:

5. Arsitektur JST �Pengertian: Suatu pola dimana neuron- neuron pada JST disusun berhubungan erat

5. Arsitektur JST �Pengertian: Suatu pola dimana neuron- neuron pada JST disusun berhubungan erat dengan algoritma belajar yang digunakan untuk melatih jaringan. �Ada 4 macam arsitektur jaringan JST: 1. Singgle layer feedforward networks (Feedforward network dengan satu lapisan neuron). 2. Multi-layer feedforward networks 3. Recurrent Networks 4. Lattice Structure

Gambar singgle layer feedforward network

Gambar singgle layer feedforward network

Gambar multi layer feedforward networks

Gambar multi layer feedforward networks

Gambar recurrent networks

Gambar recurrent networks

Gambar Lattice Structure (a) (b)

Gambar Lattice Structure (a) (b)