Jaringan Syaraf Tiruan Artificial Neural Networks ANN 3
- Slides: 58
Jaringan Syaraf Tiruan Artificial Neural Networks (ANN) 3 SKS Dosen: Muhammad Fachrie, M. Cs. JST - Pertemuan 2 1
Outline • Pengantar Perceptron • Perceptron untuk Klasifikasi • Algoritma Belajar Perceptron JST - Pertemuan 2 2
Pengantar Perceptron • Perceptron adalah satu model jaringan syaraf tiruan generasi awal yang memiliki kemampuan mengklasifikasikan pola/ data yang terpisah secara linear (linearly separable). JST - Pertemuan 2 3
Linearly Separable – p OR q 1 0 1 1 0 0 0 1 0 JST - Pertemuan 2 1 4
Linearly Separable – p AND q 1 0 0 1 1 1 0 0 0 0 1 0 JST - Pertemuan 2 1 5
Linear atau Non Linear? p q p XOR q 1 0 1 1 1 0 0 0 JST - Pertemuan 2 6
Non Linearly Separable – p XOR q 1 0 1 1 1 0 0 0 1 0 JST - Pertemuan 2 1 7
Non Linearly Separable – p XOR q 1 0 1 1 1 0 0 0 1 0 JST - Pertemuan 2 1 8
Linear atau Non Linear? p q Target 1 2 1 1 0 1 -1 1 0 0 -1 0 2 1 1 2 2 1 -1 -2 0 JST - Pertemuan 2 9
Linear atau Non Linear? p q Target 1 2 1 1 0 1 -1 1 0 0 -1 0 2 1 1 2 2 1 -1 -2 2 1 -2 -1 1 2 -1 -2 0 JST - Pertemuan 2 10
Arsitektur Perceptron – 1 Output x 1 x 2 1 Input Layer w 11 w 21 Y b dimana: Output Layer JST - Pertemuan 2 11
Arsitektur Perceptron – n Output x 1 w 12 Y 1 w 21 x 2 w 22 b 1 1 Input Layer dimana: Y 2 b 2 Output Layer JST - Pertemuan 2 12
Klasifikasi dengan Perceptron p q p AND q 1 1 0 0 0 1 0 0 p x 1 q x 2 1 JST - Pertemuan 2 2 3 Y ? -4 13
Klasifikasi dengan Perceptron Target dikonversi dulu ke dalam rentang nilai bipolar [1, -1], karena fungsi aktivasi yang digunakan adalah hard limit bipolar. p q p AND q 1 1 1 1 0 0 1 0 -1 0 0 1 -1 0 0 0 -1 JST - Pertemuan 2 14
Klasifikasi dengan Perceptron p q p AND q 1 1 0 -1 0 1 -1 0 0 -1 p x 1 q x 2 1 JST - Pertemuan 2 2 3 Y ? -4 15
Learning pada Perceptron • Agar perceptron mampu mengklasifikasikan data/ pola dengan benar, maka perceptron harus memiliki bobot jaringan yang tepat/ optimal. • Bobot jaringan yang optimal tersebut diperoleh melalui proses pembelajaran (learning). • Proses learning biasanya dilakukan dalam beberapa kali iterasi (tergantung kerumitan dan banyaknya data latih). Iterasi dalam proses learning Jaringan Syaraf Tiruan biasa disebut dengan epoch. JST - Pertemuan 2 16
Fungsi Aktivasi • Fungsi aktivasi adalah fungsi yang digunakan untuk mengaktifkan nilai keluaran (output) dari sebuah neuron. • Pada perceptron, fungsi aktivasi hanya terdapat pada neuron yang berada di output layer. • Fungsi aktivasi yang dipakai pada perceptron adalah hard limit bipolar. net JST - Pertemuan 2 17
Parameter Learning • Jumlah epoch Banyaknya iterasi learning (epoch) menentukan berapa lama proses learning yang dilakukan. Kecendrungannya, semakin besar epoch, semakin bagus akurasi sistem. • Learning rate (α) Laju belajar (learning rate) menentukan seberapa signifikan perubahan bobot jaringan selama proses learning. Umumnya learning rate diset antara 0 s. d. 1. JST - Pertemuan 2 18
Algoritma Learning Perceptron 1. Tentukan jumlah epoch dan nilai α (misal, α = 1) 2. Inisialisasi semua bobot jaringan (w dan b) Biasanya w dan b diset = 0. 3. Selama ada target yang tidak sama dengan output perceptron, lakukan: a. Hitung nilai keluaran (y) pada output layer: dimana: JST - Pertemuan 2 19
Algoritma Learning Perceptron b. Perbaiki bobot jaringan yang mengandung kesalahan (y ≠ target) dengan rumus: JST - Pertemuan 2 20
Learning Perceptron p q p AND q 1 1 0 -1 0 1 -1 0 0 -1 p x 1 q x 2 Maksimum epoch = 10 Learning rate = 1 1 JST - Pertemuan 2 w 11 = 0 w 21 = 0 Y b 1 = 0 21
Learning Perceptron – Inisialisasi Bobot Masukan x 1 x 2 B Target (t) y Perubahan Bobot ∆w 11 ∆w 21 INISIALISASI JST - Pertemuan 2 ∆b 1 Bobot baru w 11 w 21 b 0 0 0 22
Learning Perceptron – epoch 1 Masukan x 1 x 2 B Target (t) y Perubahan Bobot ∆w 11 ∆w 21 ∆b 1 INISIALISASI 1 1 0 Target ≠ y 1 1 1 Bobot baru w 11 w 21 b 0 0 0 1 1 1 PERBAIKI BOBOT! JST - Pertemuan 2 23
Learning Perceptron – epoch 1 Masukan x 1 x 2 B Target (t) y Perubahan Bobot ∆w 11 ∆w 21 ∆b 1 INISIALISASI Bobot baru w 11 w 21 b 0 0 0 1 1 1 1 0 1 -1 0 Target ≠ y PERBAIKI BOBOT! JST - Pertemuan 2 24
Learning Perceptron – epoch 1 Masukan x 1 x 2 B Target (t) y Perubahan Bobot ∆w 11 ∆w 21 ∆b 1 INISIALISASI Bobot baru w 11 w 21 b 0 0 0 1 1 1 1 0 1 -1 0 0 1 1 -1 1 0 -1 -1 0 0 -1 Target ≠ y PERBAIKI BOBOT! JST - Pertemuan 2 25
Learning Perceptron – epoch 1 Masukan x 1 x 2 B Target (t) y Perubahan Bobot ∆w 11 ∆w 21 ∆b 1 INISIALISASI Bobot baru w 11 w 21 b 0 0 0 1 1 1 1 0 1 -1 0 0 1 1 -1 1 0 -1 -1 0 0 1 -1 -1 0 0 0 -1 Target = y BOBOT TETAP JST - Pertemuan 2 26
Learning Perceptron – epoch 2 Masukan x 1 x 2 B Target (t) y Perubahan Bobot ∆w 11 ∆w 21 ∆b 1 BOBOT DARI EPOCH 1 JST - Pertemuan 2 Bobot baru w 11 w 21 b 0 0 -1 27
Learning Perceptron – epoch 2 Masukan x 1 x 2 B Target (t) y Perubahan Bobot ∆w 11 ∆w 21 ∆b 1 BOBOT DARI EPOCH 1 1 1 -1 Target ≠ y 1 1 1 Bobot baru w 11 w 21 b 0 0 -1 1 1 0 PERBAIKI BOBOT! JST - Pertemuan 2 28
Learning Perceptron – epoch 2 Masukan x 1 x 2 B Target (t) y Perubahan Bobot ∆w 11 ∆w 21 ∆b 1 BOBOT DARI EPOCH 1 Bobot baru w 11 w 21 b 0 0 -1 1 1 0 1 -1 0 1 -1 Target ≠ y PERBAIKI BOBOT! JST - Pertemuan 2 29
Learning Perceptron – epoch 2 Masukan x 1 x 2 B Target (t) y Perubahan Bobot ∆w 11 ∆w 21 ∆b 1 BOBOT DARI EPOCH 1 Bobot baru w 11 w 21 b 0 0 -1 1 1 0 1 -1 0 1 1 -1 0 0 -2 Target ≠ y PERBAIKI BOBOT! JST - Pertemuan 2 30
Learning Perceptron – epoch 2 Masukan x 1 x 2 B Target (t) y Perubahan Bobot ∆w 11 ∆w 21 ∆b 1 BOBOT DARI EPOCH 1 Bobot baru w 11 w 21 b 0 0 -1 1 1 0 1 -1 0 1 1 -1 0 0 -2 0 0 1 -1 -1 0 0 0 -2 Target = y BOBOT TETAP! JST - Pertemuan 2 31
Learning Perceptron – epoch 3 Masukan x 1 x 2 B Target (t) y Perubahan Bobot ∆w 11 ∆w 21 ∆b 1 BOBOT DARI EPOCH 2 JST - Pertemuan 2 Bobot baru w 11 w 21 b 0 0 -2 32
Learning Perceptron – epoch 3 Masukan x 1 x 2 B Target (t) y Perubahan Bobot ∆w 11 ∆w 21 ∆b 1 BOBOT DARI EPOCH 2 1 1 -1 Target ≠ y 1 1 1 Bobot baru w 11 w 21 b 0 0 -2 1 1 -1 PERBAIKI BOBOT! JST - Pertemuan 2 33
Learning Perceptron – epoch 3 Masukan x 1 x 2 B Target (t) y Perubahan Bobot ∆w 11 ∆w 21 ∆b 1 BOBOT DARI EPOCH 2 Bobot baru w 11 w 21 b 0 0 -2 1 1 1 1 -1 1 0 1 -1 0 1 -2 Target ≠ y PERBAIKI BOBOT! JST - Pertemuan 2 34
Learning Perceptron – epoch 3 Masukan x 1 x 2 B Target (t) y Perubahan Bobot ∆w 11 ∆w 21 ∆b 1 BOBOT DARI EPOCH 2 Bobot baru w 11 w 21 b 0 0 -2 1 1 1 1 -1 1 0 1 -1 0 1 -2 0 1 1 -1 -1 0 0 1 -2 Target = y BOBOT TETAP! JST - Pertemuan 2 35
Learning Perceptron – epoch 3 Masukan x 1 x 2 B Target (t) y Perubahan Bobot ∆w 11 ∆w 21 ∆b 1 BOBOT DARI EPOCH 2 Bobot baru w 11 w 21 b 0 0 -2 1 1 1 1 -1 1 0 1 -1 0 1 -2 0 1 1 -1 -1 0 0 1 -2 0 0 1 -1 -1 0 0 1 -2 Target = y BOBOT TETAP! JST - Pertemuan 2 36
Learning Perceptron – epoch 10 Masukan x 1 x 2 B Target (t) y Perubahan Bobot ∆w 11 ∆w 21 ∆b 1 BOBOT DARI EPOCH 9 Bobot baru w 11 w 21 b 2 3 -4 1 1 1 0 0 0 2 3 -4 1 0 1 -1 -1 0 0 0 2 3 -4 0 1 1 -1 -1 0 0 0 2 3 -4 0 0 1 -1 -1 0 0 0 2 3 -4 JST - Pertemuan 2 37
Testing Perceptron p q p AND q 1 1 0 -1 0 1 -1 0 0 -1 p x 1 q x 2 1 JST - Pertemuan 2 w 11 = 2 w 21 = 3 Y b 1 = -4 38
LATIHAN • Lakukan proses learning pada perceptron untuk bisa mengenali pola berikut ini: Masukan • Target x 1 x 2 x 3 t 1 1 1 0 -1 1 0 1 -1 0 1 1 -1 Set bobot awal dan bias = 0, learning rate = 1, dan Max. Epoch = 3. JST - Pertemuan 2 39
Learning Perceptron x 1 w 11 = 0 x 1 x 2 X 3 Target 1 1 1 0 -1 1 0 1 -1 0 1 1 -1 x 2 w 21 = 0 Y x 3 w 31 = 0 b 1 = 0 1 JST - Pertemuan 2 40
Learning Perceptron – Inisialisasi Bobot Masukan x 1 x 2 x 3 B Target (t) y Perubahan Bobot ∆w 11 ∆w 21 ∆w 31 INISIALISASI Bobot baru ∆b 1 w 11 w 21 w 31 0 JST - Pertemuan 2 0 0 b 0 41
Learning Perceptron – epoch 1 Masukan x 1 x 2 x 3 B Targe t (t) y Perubahan Bobot ∆w 11 ∆w 21 ∆w 31 Bobot baru ∆b 1 INISIALISASI 1 1 1 0 Target ≠ y 1 1 w 11 w 21 w 31 b 0 0 1 1 PERBAIKI BOBOT! JST - Pertemuan 2 42
Learning Perceptron – epoch 1 Masukan x 1 x 2 x 3 B Targe t (t) y Perubahan Bobot ∆w 11 ∆w 21 ∆w 31 Bobot baru ∆b 1 INISIALISASI w 11 w 21 w 31 b 0 0 1 1 1 1 1 0 1 -1 -1 0 0 1 0 Target ≠ y PERBAIKI BOBOT! JST - Pertemuan 2 43
Learning Perceptron – epoch 1 Masukan x 1 x 2 x 3 B Targe t (t) y Perubahan Bobot ∆w 11 ∆w 21 ∆w 31 Bobot baru ∆b 1 INISIALISASI w 11 w 21 w 31 b 0 0 1 1 1 1 1 0 1 -1 -1 0 0 1 0 1 1 -1 0 -1 -1 -1 0 0 -1 Target ≠ y PERBAIKI BOBOT! JST - Pertemuan 2 44
Learning Perceptron – epoch 1 Masukan x 1 x 2 x 3 B Targe t (t) y Perubahan Bobot ∆w 11 ∆w 21 ∆w 31 Bobot baru ∆b 1 INISIALISASI w 11 w 21 w 31 b 0 0 1 1 1 1 1 0 1 -1 -1 0 0 1 0 1 1 -1 0 -1 -1 -1 0 0 -1 0 1 1 1 -1 -1 0 0 -1 Target = y BOBOT TETAP! JST - Pertemuan 2 45
Learning Perceptron – epoch 2 Masukan x 1 x 2 x 3 B Targe t (t) y Perubahan Bobot ∆w 11 ∆w 21 ∆w 31 Bobot baru ∆b 1 BOBOT DARI EPOCH 1 JST - Pertemuan 2 w 11 w 21 w 31 -1 0 0 b -1 46
Learning Perceptron – epoch 2 Masukan x 1 x 2 x 3 B Targe t (t) y Perubahan Bobot ∆w 11 ∆w 21 ∆w 31 Bobot baru ∆b 1 BOBOT DARI EPOCH 1 1 1 1 -1 Target ≠ y 1 1 w 11 w 21 w 31 b -1 0 0 -1 0 1 1 0 PERBAIKI BOBOT! JST - Pertemuan 2 47
Learning Perceptron – epoch 2 Masukan x 1 x 2 x 3 B Targe t (t) y Perubahan Bobot ∆w 11 ∆w 21 ∆w 31 Bobot baru ∆b 1 BOBOT DARI EPOCH 1 w 11 w 21 w 31 b -1 0 0 -1 1 1 0 1 1 0 1 -1 -1 0 1 -1 Target ≠ y PERBAIKI BOBOT! JST - Pertemuan 2 48
Learning Perceptron – epoch 2 Masukan x 1 x 2 x 3 B Targe t (t) y Perubahan Bobot ∆w 11 ∆w 21 ∆w 31 Bobot baru ∆b 1 BOBOT DARI EPOCH 1 w 11 w 21 w 31 b -1 0 0 -1 1 1 0 1 1 0 1 -1 -1 0 1 -1 1 0 1 1 -1 -1 0 0 -1 0 1 -1 Target = y BOBOT TETAP! JST - Pertemuan 2 49
Learning Perceptron – epoch 2 Masukan x 1 x 2 x 3 B Targe t (t) y Perubahan Bobot ∆w 11 ∆w 21 ∆w 31 Bobot baru ∆b 1 BOBOT DARI EPOCH 1 w 11 w 21 w 31 B -1 0 0 -1 1 1 0 1 1 0 1 -1 -1 0 1 -1 1 0 1 1 -1 -1 0 0 -1 0 1 1 1 -1 0 0 -1 -1 -1 0 -2 Target = y BOBOT TETAP! JST - Pertemuan 2 50
Learning Perceptron – epoch 3 Masukan x 1 x 2 x 3 B Targe t (t) y Perubahan Bobot ∆w 11 ∆w 21 ∆w 31 Bobot baru ∆b 1 BOBOT DARI EPOCH 2 w 11 w 21 w 31 B -1 -1 0 -2 1 1 1 -1 1 1 0 0 1 -1 1 1 0 1 -1 -1 0 0 0 1 -1 1 0 1 1 -1 0 -1 -1 -1 0 0 -2 0 1 1 1 -1 -1 0 0 -2 JST - Pertemuan 2 51
Testing Perceptron x 1 x 2 X 3 Target 1 1 1 0 -1 1 0 1 -1 0 1 1 -1 x 2 w 11 = -1 w 21 = 0 Y x 3 w 31 = 0 x 1 x 2 X 3 Output 1 1 1 -1 1 1 0 -1 1 0 1 -1 0 1 1 -1 b 1 = -2 1 JST - Pertemuan 2 52
Learning Perceptron – epoch 26 Masukan x 1 x 2 x 3 B Targe t (t) y Perubahan Bobot ∆w 11 ∆w 21 ∆w 31 Bobot baru ∆b 1 BOBOT DARI EPOCH 25 w 11 w 21 w 31 B 2 3 4 -8 1 1 1 0 0 2 3 4 -8 1 1 0 1 -1 -1 0 0 2 3 4 -8 1 0 1 1 -1 -1 0 0 2 3 4 -8 0 1 1 1 -1 -1 0 0 2 3 4 -8 JST - Pertemuan 2 53
Testing Perceptron x 1 x 2 X 3 Target 1 1 1 0 -1 1 0 1 -1 0 1 1 -1 x 2 w 11 = 2 w 21 = 3 Y x 3 w 31 = 4 x 1 x 2 X 3 Output 1 1 1 0 -1 1 0 1 -1 0 1 1 -1 b 1 = -8 1 JST - Pertemuan 2 54
Perceptron untuk Mengenali Gambar • Bagaimana jika perceptron digunakan untuk mengenali sebuah gambar? JST - Pertemuan 2 55
Perceptron untuk Mengenali Gambar • • Warna hitam = 0; Warna putih = 1; Angka 1 diberi target 1 Angka 0 diberi target -1 JST - Pertemuan 2 56
Perceptron untuk Mengenali Gambar 0 1 1 1 0 JST - Pertemuan 2 0 0 0 1 1 0 57
Perceptron untuk Mengenali Gambar Masukan Target x 1 x 2 x 3 x 4 x 5 x 6 x 7 x 8 x 9 x 10 x 11 x 12 x 13 x 14 x 15 0 0 1 1 0 1 1 0 1 0 1 0 1 -1 0 0 1 0 0 -1 JST - Pertemuan 2 t 58
- Jaringan hebb
- Penampang melintang medulla spinalis
- Susunan syaraf pusat
- Papan tiruan
- Contoh media tiruan
- Artificial neural network in data mining
- Neural network terminology
- Artificial neural network conclusion
- Pengertian artificial neural network
- On the computational efficiency of training neural networks
- Least mean square algorithm in neural network
- Convolutional neural network alternatives
- Convolutional neural networks
- Lmu cis
- Liran szlak
- 11-747 neural networks for nlp
- Nvdla
- Style transfer
- Neural networks and learning machines
- Tlu in neural network
- Pixelrnn
- Neural networks ib psychology
- Neuraltools neural networks
- Perceptron xor
- Mippers
- The wake-sleep algorithm for unsupervised neural networks
- Neural networks and fuzzy logic
- Few shot learning with graph neural networks
- Introduction to neural networks using matlab
- Audio super resolution using neural networks
- Rnn andrew ng
- Csrmm
- Convolutional neural network presentation
- Audio super resolution
- Introduction to convolutional neural networks
- 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
- Davy crockett character traits
- Ann hathaway poem
- Backbone networks in computer networks
- Difference between datagram and virtual circuit switching
- Apa yang dimaksud dengan jaringan wireline
- Jaringan meristem
- Ilmu yang mempelajari tentang jaringan adalah
- Yang merupakan jaringan tumbuhan adalah
- Perbedaan jaringan akses dan jaringan transport
- Contoh soal jaringan hopfield
- Alat perkembangbiakan pada bunga
- Tic tac toe neural network
- Karafia
- Meshnet: mesh neural network for 3d shape representation
- Information theory and neural coding
- Neural and hormonal communication
- Tubo neural
- Matt damon
- Mesectoderme