Pengenalan Pola secara Neural PPNeur Kuliah 7 1

Pengenalan Pola secara Neural (PPNeur) Kuliah 7 1

Pengantar n n n Jaringan saraf tiruan (neural network) telah berhasil diterapkan untuk menyelesaikan masalah-masalah dalam dunia nyata terutama dalam bidang pengenalan pola. Fungsi JST adalah untuk menentukan pola masukan baru yang belum diketahui kategori klasnya menggunakan pengetahuan dari pembelajaran terbimbing sebelumnya. Contoh aplikasi pengenalan: tulisan tangan angka/huruf, suara detak jantung, sinyal ECG, citra awan, dll 2

Konsep Dasar Jaringan Saraf Tiruan n ilustrasi analogi dari jaringan saraf biologi dan jaringan saraf tiruan sebuah neuron memiliki tiga komponen: • synapsis (w 1, w 2, . . . , wn) • alat penambah (adder) • fungsi aktivasi (f) 3

Konsep. . . n n Hubungan antara ketiga komponen ini dirumuskan dengan persamaan: Sinyal x berupa vektor berdimensi n (x 1, x 2, . . . , xn)T. Jumlah dari penguatan tersebut akan mengalami tranformasi oleh fungsi aktifasi f. Fungsi f ini membandingkan, bila hasil penjumlahan penguatan sinyal itu telah melampaui batas nilai /nilai ambang (threshold) tertentu, maka sel neuron tersebut akan diaktifkan atau dalam kondisi ” 1” 4

Konsep. . . Sebuah jaringan saraf tiruan dapat dianalisa dari dua sisi: • bagaimana neuron-neuron itu dirangkaikan dalam satu jaringan (arsitektur) • bagaimana jaringan tersebut dilatih agar memberikan output sesuai dengan yang diharapkan (algoritma pembelajaran). 5

Arsitektur JST Lapis Tunggal 6

Arsitektur JST Banyak Lapis 7

JST lapis banyak n Nilai keluaran dari lapis tersembunyi mempunyai persamaan: dan n Nilai keluaran dari lapis keluaran dan 8

Fungsi aktivasi 9

Algoritma Pembelajaran n n Tujuan pembelajaran adalah membuat agar sistem ber”pengetahuan”. Proses pembelajaran pada dasarnya adalah pengaturan terhadap bobot-bobot yang ada pada jaringan saraf tiruan, sehingga diperoleh bobot akhir yang sesuai dengan pola data yang dilatihkan. 10

Pembelajaran Hebb Rule L 0. Inisialisasi semua bobot: dengan i= 1, 2, . . . , n L 1. Untuk setiap pasangan vektor pembelajaran input-output lakukan langkah 2 - 4. L 2. Tetapkan aktivasi unit input: dengan i= 1, 2, . . . , n L 3. Tetapkan aktivasi unit output: L 4. Atur bobot: dengan i= 1, 2, . . . , n Atur bias: 11

Implementasi dalam progam MATLAB n n n n n function [w, b]=lhebb(pm, pt) %Input : pm = pola-pola masukan % pt = pola-pola target %Output : bobot % inisialisasi semua bobot nol w= rand(1, length(pm(1, : ))); w= w-w b=0; for k=1: length(pm(: , 1)) disp('data ke'), k s= pm(k, : ); x=s; t=pt(k, : ); y=t'; % Perbarui bobot w = w + (y * x) b=b+y end 12

Contoh 1 Daerah tanggapan fungsi AND Masukan Keluaran x 1 x 2 t 1 1 -1 -1 -1 13

Tanggapan n Contoh batas keputusan linier n Batas keputusan: Bobot: b=-1, w 1=1, dan w 2=1 14

Implementasi dalam program MATLAB n n n n n %contoh 1. m %Data pelatihan Clear; pm=[1 1; 1 -1; -1 -1]; pt=[1; -1; -1]; %Mode training % inisialisasi semua bobot nol w= rand(1, length(pm(1, : ))); w=w-w; b=0; for k=1: length(pm(: , 1)) s= pm(k, : ); x=s; t=pt(k, : ); y=t'; % Perbarui bobot w= w + (y * x) b=b+y end; 15

Implementasi dalam program MATLAB n n n n n %Mode testing %-----------Px=input('Masukkan pola data yang diujikan: ') yin=b+Px*w' if yin >= 0 yin= 1; else yin=-1; end y=yin 16

Memahami fungsi aktivasi Fungsi bipolar dengan threshold (θ) n n n n n function y=bipolar 2(x, th) if x > th y=1; elseif x < -1*th y=-1; else y=0; end 17

Tugas n Buatlah fungsi aktivasi untuk a) b) 18