Jaringan Syaraf Tiruan Artificial Neural Networks ANN 3
- Slides: 39
Jaringan Syaraf Tiruan Artificial Neural Networks (ANN) 3 SKS Dosen: Muhammad Fachrie, M. Cs. JST - Pertemuan 2 1
Outline • Aplikasi MLP untuk Klasifikasi – Klasifikasi data multivariat – Klasifikasi objek/ gambar • Aplikasi MLP untuk Prediksi – Prediksi data multivariat – Prediksi data timeseries JST - Pertemuan 2 2
MLP untuk Klasifikasi • Klasifikasi merupakan suatu metode untuk mengelompokkan sejumlah data ke dalam kelas-kelas tertentu sesuai dengan ciri/ feature dari setiap data. • Contoh: – Klasifikasi tipe mahasiswa berdasarkan IPK, aktivitas organisasi, lama studi, dan moral: • Mahasiswa unggulan: IPK > 3. 5, jumlah organisasi > 3, lama studi <= 4 tahun, moral = baik. • Mahasiswa baik: IPK > 3, jumlah organisasi > 2, lama studi <= 4 tahun, moral = baik. • Mahasiswa biasa: 2. 75< IPK <3, jumlah organisasi > 1, lama studi <= 6 tahun, moral = biasa. • Mahasiswa buruk: IPK < 2. 75, jumlah organisasi > 0, lama studi > 6 tahun, moral = buruk. JST - Pertemuan 2 3
MLP untuk Klasifikasi • Contoh: – Klasifikasi level harga rumah berdasarkan harga jual, luas tanah, dan luas bangunan: • Rumah murah: harga jual < 300 juta, luas tanah > 80, luas bangunan > 36 • Rumah medium: 300 juta < harga jual < 500 juta, luas tanah > 80, luas bangunan > 45 • Rumah mahal: harga jual > 500 juta, luas tanah < 100, luas bangunan < 60 JST - Pertemuan 2 4
Klasifikasi Data Multivariat • Data Multivariat adalah data yang terdiri dari banyak variable. • Contoh: Data Diagnosis Kanker Payudara No. Single Clump Uniformity of Marginal Bare Bland Normal CLASS Mitoses Epithelial Thickness Cell Size Cell Shape Adhesion Nuclei Chromatin Nucleoli (TARGET) Cell Size 5 8 4 5 8 7 2 10 7 6 3 10 7 4 5 3 199 200 1 3 3 2 1 1 2 2 10 4 3 7 10 10 8 3 5 5 7 8 7 1 6 10 1 1 1 2 0 0 3 1 2 1 1 1 . . . 1 2 3 4 2 2 JST - Pertemuan 2 2 1 5 3 5
Klasifikasi Data Multivariat • Feature data multivariate = input MLP. • Pastikan setiap feature berisi data numerik (bukan string ataupun char). Jika ada feature yang berisi data non-numerik, konversi dahulu menjadi data numerik. • Jika ada 9 feature pada data, maka input MLP pun ada 9. JST - Pertemuan 2 6
Klasifikasi Data Multivariat b 1 Clump of Thickness x 1 Uniformity of Cell Size x 2 Uniformity of Cell Shape x 3 Marginal Adhesion x 4 Single Epithelial Cell Size x 5 Bare Nuclei x 6 Bland Chromatin x 7 Normal Nucleoli x 8 Mitoses x 9 b 2 z 1 y 1 z 2 z 3 JST - Pertemuan 2 7
Klasifikasi Data Multivariat • Banyaknya kelas/ kelompok pada data menentukan banyaknya neuron yang akan digunakan pada output layer MLP. • Contoh, Pada data kanker sebelumnya, data dikelompokkan ke dalam dua kelas: malign (negative kanker) dan benign (positif kanker). Maka neuron pada output layer yang digunakan cukup satu buah (satu neuron bisa menghasilkan salah satu dari dua nilai, yakni 0 atau 1). • Nilai 0 mewakili malign, dan nilai 1 mewakili benign JST - Pertemuan 2 8
Klasifikasi Data Multivariat • Namun, jika kelas/ kelompok data lebih dari dua, maka jumlah neuron pada output layer juga akan lebih banyak. • Contoh: Jika terdapat 6 kelas pada data, kita bisa menggunakan beberapa opsi output layer berikut: – 3 neuron (001, 010, 011, 100, 101, 110), atau – 6 neuron (000001, 000010, 000100, 001000, 010000, 100000) JST - Pertemuan 2 9
Klasifikasi Objek/ Gambar • Ingat, gambar (image) = matriks 2 dimensi • Pada dasarnya, setiap pixel pada image bisa menjadi input MLP. Namun, hal ini tidak efisien jika ukuran image-nya besar. • Cara paling mudah mengurangi dimensi image yang besar adalah dengan membuat sub-sub image yang terdiri dari mxn pixel image. • Contoh, jika terdapat image berukuran 30 x 20 pixel (600 pixel), maka image tersebut dapat dibagi ke dalam 6 sub image dengan masing-masing sub image berukuran 10 x 10 pixel. JST - Pertemuan 2 10
JST - Pertemuan 2 1 2 3 4 5 6 11
Klasifikasi Objek/ Gambar • Setiap sub image dihitung nilai rata-rata dari semua nilai pixelnya (pixel hitam = 1, pixel putih = 0). • Contoh: Sub Image no. 1 0 0 0 0 0 1 1 0 0 0 0 1 1 1 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 JST - Pertemuan 2 = 23 / 100 = 0. 23 12
Klasifikasi Objek/ Gambar b 1 Sub Image 1 x 1 Sub Image 2 x 2 Sub Image 3 y 1 z 1 y 2 x 3 Sub Image 4 x 4 Sub Image 5 x 5 Sub Image 6 b 2 z 2 y 3 y 4 z 3 x 6 JST - Pertemuan 2 13
Klasifikasi Objek/ Gambar • Dengan cara yang sama dengan sebelumnya, kita juga bisa menggunakan ekstraksi ciri dengan membuat sub image dengan jumlah yang lebih banyak. Misal, 30 sub image dengan masing-masing sub image berukuran 5 x 4 pixel. • Jumlah sub image yang terlalu sedikit cenderung membuat JST sulit menemukan keunikan untuk masing-masing pola, sehingga akurasi cenderung rendah. • Sebaliknya, terlalu banyak sub image membuat arsitektur JST semakin besar, sehingga waktu komputasi semakin lama. JST - Pertemuan 2 14
JST - Pertemuan 2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 15
Prediksi Data Multivariat • Prediksi adalah suatu cara untuk menentukan sebuah nilai berdasarkan beberapa parameter. • Istilah prediksi ini biasa disebut dengan regression. • Prediksi menggunakan JST akan menghasilkan satu buah nilai keluaran saja (satu buah output) yang bernilai real. • Contoh kasus prediksi: – Prediksi harga rumah – Prediksi usia seseorang – Prediksi pemenang lomba – Prediksi pemenang pilkada JST - Pertemuan 2 16
Prediksi Data Multivariat • Pada contoh kasus “Prediksi harga rumah”, proses prediksi bias dilakukan berdasarkan beberapa parameter: – – – Luas tanah Luas bangunan Jumlah kamar tidur Jumlah kamar mandi Lokasi rumah • Sekumpulan data training yang merupakan histori data penjualan terdahulu mutlak dibutuhkan untuk keperluan training. JST - Pertemuan 2 17
Prediksi Data Multivariat Data Mentah No. LB (m^2) LT (m^2) JKT JKM Lokasi Harga (rupiah) 1 45 100 2 1 Umbulharjo Rp 425. 000 2 50 90 3 1 Jombor Rp 500. 000 3 45 120 2 1 Godean Rp 400. 000 4 70 120 3 2 Jombor Rp 725. 000 5 75 150 2 1 Gedongkuning Rp 750. 000 . . . 999 100 220 4 2 Ngaglik 1000 75 150 3 1 Piyungan JST - Pertemuan 2 Rp 1. 200. 000 Rp 550. 000 18
Prediksi Data Multivariat • Data pada tabel sebelumnya adalah data mentah yang harus diolah terlebih dahulu agar bisa digunakan pada JST. • Data yang harus diolah pada table tersebut adalah data “Lokasi” dan data “Harga”. • Data “Lokasi” ubah menjadi numerical • Data “Harga” dinormalisasi dalam rentang (0, 1] dimana: x’ = data hasil normalisasi x = data yang dinormalisasi Max= sebuah nilai yang besar JST - Pertemuan 2 19
Prediksi Data Multivariat • Data “Lokasi” ubah menjadi numerical No Kecamatan Kode 1 Umbulharjo 1 2 Gedongkuning 2 3 Kotagede 3 4 Gedongkuning 4 … … … 8 Jombor 8 … … … 11 Godean 11 …. … … 27 Piyungan 27 … … … Ngaglik 35 35 JST - Pertemuan 2 20
Prediksi Data Multivariat • Data “Harga” dinormalisasi dalam rentang (0, 1] Misal, Harga rumah = Rp 425. 000, maka harga barunya setelah dinormalisasi menjadi (Anggap bahwa harga rumah termahal di Jogja adalah Rp 3 Milyar): x’ = 425. 000 / 3. 000 = 0. 142 JST - Pertemuan 2 21
Prediksi Data Multivariat Data Normalisasi No. LB (m^2) LT (m^2) JKT JKM Lokasi Harga (rupiah) 1 45 100 2 1 1 0. 142 2 50 90 3 1 8 0. 167 3 45 120 2 1 11 0. 133 4 70 120 3 2 8 0. 242 5 75 150 2 1 4 0. 250 . . . 999 100 220 4 2 34 0. 4 1000 75 150 3 1 27 0. 183 JST - Pertemuan 2 22
Prediksi Data Multivariat b 1 LB b 2 x 1 z 1 LT x 2 y 3 JKT x 3 JKM x 4 z 2 z 3 Lokasi x 5 JST - Pertemuan 2 23
Prediksi Data Multivariat • Output dari neuron pada output layer masih dalam rentang (0, 1). • Oleh karena itu, harus didenormalisasi dahulu agar menghasilkan nilai harga rumah yang valid. • Contoh: Jika output JST = 0. 34, maka nilai harga rumahnya adalah: x = 0. 34 x 3. 000 = Rp 1. 020. 000 JST - Pertemuan 2 24
Prediksi Data Time Series • Data Time Series adalah data yang saling terkait waktu, artinya data yang satu waktu memiliki pengaruh terhadap data di waktu berikutnya. • Data pada waktu ke-n, misalnya, dipengaruhi oleh data-data pada waktu ke-(n-1), (n-2), (n-3), dst. • Contoh data time series: – – – Kurs mata uang Harga emas dan perak Konsumsi listrik Cuaca Harga saham JST - Pertemuan 2 25
Prediksi Data Time Series • Data Time Series adalah data yang saling terkait waktu, artinya data yang satu waktu memiliki pengaruh terhadap data di waktu berikutnya. • Data pada waktu ke-n, misalnya, dipengaruhi oleh data-data pada waktu ke-(n-1), (n-2), (n-3), dst. • Contoh data time series: – – – Kurs mata uang Harga emas dan perak Konsumsi listrik Cuaca Harga saham JST - Pertemuan 2 26
Grafik History Harga Emas (IDR) JST - Pertemuan 2 27
Prediksi Data Time Series • Dengan menggunakan data time series, kita dapat mengetahui nilai suatu data pada satu waktu. • Misal, memprediksi harga emas 1 minggu atau bahkan 1 bulan kemudian, sehingga investor bisa memprediksi kapan sebaiknya dia menjual atau membeli emas. • Contoh lain, memprediksi cuaca esok hari atau beberapa hari ke depan. • Hal ini dapat dilakukan karena data time series memiliki pola naik-turun yang dapat diprediksi. JST - Pertemuan 2 28
Prediksi Data Time Series Tanggal Harga Emas (IDR) 1 -Nov-16 480784 2 -Nov-16 600434 3 -Nov-16 500101 4 -Nov-16 702023 5 -Nov-16 534244 6 -Nov-16 ? JST - Pertemuan 2 29
Prediksi Data Time Series Harga Emas (IDR) 750000 700000 ? 650000 600000 5500000 450000 400000 350000 300000 1 -Nov-16 2 -Nov-16 3 -Nov-16 4 -Nov-16 5 -Nov-16 6 -Nov-16 Harga Emas (IDR) Berapa perkiraan harga emas pada tanggal 6 November 2016? JST - Pertemuan 2 30
Grafik History Harga Emas (IDR) JST - Pertemuan 2 31
History Harga Emas 10 Tahun (IDR) Tanggal Harga (Rp) 01 -Jan-07 180. 091 25 -Nov-16 520. 291 02 -Jan-07 188. 102 26 -Nov-16 550. 102 03 -Jan-07 181. 242 27 -Nov-16 555. 242 04 -Jan-07 190. 645 28 -Nov-16 543. 564 05 -Jan-07 190. 001 29 -Nov-16 534. 330 06 -Jan-07 187. 939 30 -Nov-16 578. 345 07 -Jan-07 193. 666 1 -Des-16 575. 434 08 -Jan-07 199. 534 2 -Des-16 523. 354 09 -Jan-07 183. 654 3 -Des-16 510. 212 10 -Jan-07 176. 644 4 -Des-16 552. 121 11 -Jan-07 188. 373 5 -Des-16 578. 900 12 -Jan-07 183. 434 6 -Des-16 500. 210 . . . JST - Pertemuan 2 32
Pembagian Data Latih dan Data Uji Data Latih Data Uji JST - Pertemuan 2 33
Pemrosesan Data Latih Time Series Misal, N = 3. No. N-3 N-2 N-1 N Tanggal Harga (Rp) 01 -Jan-07 180. 091 02 -Jan-07 188. 102 03 -Jan-07 181. 242 04 -Jan-07 190. 645 1 180. 091 188. 102 181. 242 190. 645 2 188. 102 181. 242 190. 645 190. 001 3 181. 242 190. 645 190. 001 187. 939 05 -Jan-07 190. 001 4 190. 645 190. 001 187. 939 193. 666 06 -Jan-07 187. 939 5 190. 001 187. 939 193. 666 199. 534 07 -Jan-07 193. 666 6 187. 939 193. 666 199. 534 183. 654 08 -Jan-07 199. 534 7 193. 666 199. 534 183. 654 176. 644 09 -Jan-07 183. 654 10 -Jan-07 176. 644 11 -Jan-07 188. 373 12 -Jan-07 183. 434 dan seterusnya… JST - Pertemuan 2 34
Normalisasi Data Latih No. N-3 N-2 N-1 N 1 0. 300152 0. 313503 0. 30207 0. 317742 0. 316668 0. 313232 4 0. 317742 0. 316668 0. 313232 0. 322777 5 0. 316668 0. 313232 0. 322777 0. 332557 6 0. 313232 0. 322777 0. 332557 0. 30609 7 0. 322777 0. 332557 0. 30609 0. 294407 dan seterusnya… JST - Pertemuan 2 35
Prediksi Data Time Series b 1 No. N-3 N-2 N-1 N 1 0. 300152 0. 313503 0. 30207 0. 317742 0. 316668 0. 313232 4 0. 317742 0. 316668 0. 313232 0. 322777 5 0. 316668 0. 313232 0. 322777 0. 332557 6 0. 313232 0. 322777 0. 332557 0. 30609 7 0. 322777 0. 332557 0. 30609 0. 294407 N-1 x 1 b 2 z 1 y 3 N-2 x 2 z 2 N-3 x 3 JST - Pertemuan 2 36
Pemrosesan Data Latih Time Series Misal, N = 5. No. N-5 N-4 N-3 N-2 N-1 N Tanggal Harga (Rp) 01 -Jan-07 180. 091 02 -Jan-07 188. 102 03 -Jan-07 181. 242 1 180. 091 188. 102 181. 242 190. 645 190. 001 187. 939 2 188. 102 181. 242 190. 645 190. 001 187. 939 193. 666 04 -Jan-07 190. 645 3 181. 242 190. 645 190. 001 187. 939 193. 666 199. 534 05 -Jan-07 190. 001 4 190. 645 190. 001 187. 939 193. 666 199. 534 183. 654 06 -Jan-07 187. 939 5 190. 001 187. 939 193. 666 199. 534 183. 654 176. 644 07 -Jan-07 193. 666 6 187. 939 193. 666 199. 534 183. 654 176. 644 188. 373 08 -Jan-07 199. 534 7 193. 666 199. 534 183. 654 176. 644 188. 373 183. 434 09 -Jan-07 183. 654 10 -Jan-07 176. 644 11 -Jan-07 188. 373 12 -Jan-07 183. 434 dan seterusnya… JST - Pertemuan 2 37
Prediksi Data Time Series b 1 N-1 b 2 x 1 z 1 N-2 x 2 y 3 N-3 x 3 N-4 x 4 z 2 z 3 N-5 x 5 JST - Pertemuan 2 38
Contoh Pengujian MLP untuk Prediksi Harga Emas 2010 2011 2012 2013 2014 JST - Pertemuan 2 2015 2016 39
- Contoh soal jaringan hebb
- Substansia alba
- Nn craniales
- Contoh media tiruan
- Papan tiruan
- Artificial neural network conclusion
- Pengertian artificial neural network
- Artificial neural network in data mining
- Artificial neural network terminology
- Perceptron xor
- Deep neural networks and mixed integer linear optimization
- The wake-sleep algorithm for unsupervised neural networks
- Fuzzy logic lecture
- Few shot learning with graph neural networks
- Newff matlab toolbox
- Audio super resolution using neural networks
- Rnn andrew ng
- Csrmm
- Convolutional neural network
- Audio super resolution
- Netinsights
- Visualizing and understanding convolutional networks
- Deep forest towards an alternative to deep neural networks
- Neural networks for rf and microwave design
- Convolutional neural networks for visual recognition
- Predicting nba games using neural networks
- On the computational efficiency of training neural networks
- Least mean square algorithm in neural network
- Convolutional neural network alternatives
- Lmu cis
- Vc dimension of neural networks
- Convolutional neural networks
- 11-747 neural networks for nlp
- Efficient processing of deep neural networks pdf
- Leon gatys
- Neural networks and learning machines
- Tlu in neural network
- Pixel rnn
- Neuraltools neural networks
- Merzenich et al (1984) ib psychology