PERTEMUAN 13 Jaringan Syaraf Tiruan SUB TOPIK BAHASAN

PERTEMUAN 13 Jaringan Syaraf Tiruan

SUB TOPIK BAHASAN Pengertian JST Komponen JST Arsitektur JST Fungsi Aktivasi

PENGERTIAN JST Jaringan syaraf merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut Buatan karena di implementasikan dengan program komputer

KOMPONEN JARINGAN SYARAF Jaringan syaraf terdiri atas beberapa neuron Ada hubungan antar neuron Neuron mentransformasikan informasi yg diterima melalui sambungan keluarnya menuju neuron-neuorn yg lain Pada jaringan syaraf hubungan ini dikenal dengan bobot

ARSITEKTUR JARINGAN Neuron-neuron dikelompokkan dalam lapisan-lapisan Neuron yang terletak pada lapisan yang sama akan memiliki keadaan yang sama Kelakuan neuron ditentukan oleh fungsi aktivasi dan pola bobotnya

A. SINGLE LAYER NET

B. MULTIPLE LAYER NET

FUNGSI AKTIVASI Masukan pada jaringan akan diproses oleh suatu fungsi yang akan menjumlahkan nilai-nilai semua bobot dan bias. Hasil dari penjumlahan akan dibandingkan dengan suatu nilai ambang (threshold) melalui fungsi aktivasi setiap neuron.

HARD LIMIT (UNDAK BINER)

SYMETRIC HARD LIMIT (BIPOLAR)

FUNGSI LINIER (IDENTITAS) y=x

SYMETRIC SATURATING LINEAR

SIGMOID BINER

SIGMOID BIPOLAR

PROSES PEMBELAJARAN Supervised learning Un. Supervised learning

A. SUPERVISED LEARNING Pembelajaran terawasi jika output yang diharapkan telah diketahui sebelumnya Contoh : Pengenalan pola , misal pada operasi AND Input Output 0 0 1 1 1

A. SUPERVISED LEARNING Jika terjadi perbedaan antara pola output hasil pembelajaran dengan pola target maka akan muncul error Jika nilai error masih besar, maka perlu banyak dilakukan pembelajaran lagi

B UNSUPERVISED LEARNING Tidak memerlukan target output Tidak dapt ditentukan hasil yang seperti apakah yang diharapkan selama proses pembelajaran Selama proses pembelajaran, nilai bobot disusun dalam suatu range tertentu tergantung nilai input yang diberikan Tujuan adalah untuk mengelempokkan unit yang hampir sama dalam satua area tertentu Cocok untuk pengelompokkan pola

PENERAPAN JARINGAN SYARAF TIRUAN

Model Hebb • • Diusulkan oleh Donald Olding Hebb pada th 1949 Metode pengembangan dari metode Mc. Culloch-Pitts Menentukan bobot dan bias secara analitik (manual) Pembelajaran dilakukan dengan memperbaiki nilai bobot secara continue

Model Hebb Perbaikan bobot diperoleh dengan cara wi(baru) = wi(lama) + xi*y b(baru) = b(lama) + y dengan: wi = bobot data input ke-i xi = input data ke-i y = output data b = nilai bias

ALGORITMA Inisialisasi semua bobot : wij =0; dengan i=1, 2, . . . , n; j=1, 2, . . . , m Untuk setiap pasangan input-output (s-t), lakukan langkah sbb: • set input dengan nilai sama dengan vektor input: xi = si ; (i =1, 2, . . , n) • Set output dengan nilai sama dengan vektor output: yj = tj ; (j =1, 2, . . , m) • Perbaiki bobot: wij = wij + xiyi ; (i =1, 2, . . , n); dan (j =1, 2, . . , m)

Akhir pembelajaran, diperoleh bobot akhir w 1 = 2, w 2=2, b=2 Pengujian : x 1 = -1 dan x 2 = 1 , maka : y = (2)(-1) + ( 2) (1) + 2 = 2 Dengan fungsi bipolar , maka diperoleh output y =F(2) =1 karena 2 > 1 Sehingga y = t

MODEL PERCEPTRON Digunakan untuk mengklasifikasikan suatu tipe pola tertentu Mengatur parameter 2 melalui proses pembelajaran. Pembelajaran utk mendapatkan bobot akhir dilakukan secara berulang sampai sdh tdk ada error (output = target) Namun jika msh ada error maka proses dihentikan maksimum epoh. Epoh ; proses pengulangan utk melatih semua pasangan data.

ALGORITMA PELATIHAN Inisialisasi laju pembelajaran (α), nilai ambang (�� ), bobot, bias Menghitung Jika y ≠ target, lakukan update bobot dan bias Wi baru = Wlama + α. t. Xi b baru = b lama + α. t Ulang dari langkah 2 sampai tidak ada update bobot lagi

KASUS OR X 1 X 2 t 0 0 1 1 1 0 1 1 Inisialisasi: α = 1, �� = 0, 1 w = 0, b=1 Input dan target berbentuk biner {0, 0, 0} y = 0 + (0. 0 + 0. 0) = 0 {0, 1, 1} y = 0 + (0. 0 + 0. 1) = 0 y ≠ t, maka update bobot dan bias W 1 baru = 0 + 1. 1. 0 = 0 W 2 baru = 0 + 1. 1. 1 = 1 bias baru = 0 + 1. 1 = 1 {0, 1, 1} y = 1 + (0. 0 + 1. 1) = 2, output = 1 {1, 0, 1} y = 1 + (0. 1 + 1. 0) = 1, output = 1 {1, 1, 1} y = 1 + (0. 1 + 1. 1) = 2, output = 1

{0, 0, 0} y = 1 + (0. 0 + 1. 0) = 1 y ≠ t, maka update bobot dan bias W 1 baru = 0 + 1. 1. 0 = 0 W 2 baru = 1 + 1. 1. 0 = 1 bias baru = 1 + 1. 1 = 2 {0, 0, 0} y = 2 + (0. 0 + 1. 0) = 2, output=1 y ≠ t, maka update bobot dan bias terjadi stagnasi walaupun bobot dan bias diupdate terus. maka input dan target biner tdk cocok utk kasus OR.

KASUS OR X 1 X 2 t -1 -1 1 1 {-1, -1} y = 0 + (0. -1 + 0. -1) = 0 y ≠ t, maka update bobot dan bias W 1 baru = 0 + 1. -1 = 1 W 2 baru = 0 + 1. -1 = 1 bias baru = 0 + 1. -1 = -1 {-1, -1} y = -1 + (1. -1 + 1. -1) = -3, output = -1 {-1, 1, 1} y = -1 + (1. -1 + 1. 1) = -1 y ≠ t, maka update bobot dan bias W 1 baru = 1 + 1. 1. -1 = 0 W 2 baru = 1 + 1. 1. 1 = 2 bias baru = -1+ 1. 1 = 0

y = 0 + (0. -1 + 2. 1) = 2, ouput = 1 {1, -1, 1} y = 0 + (0. 1 + 2. -1) = -2 y ≠ t, maka update bobot dan bias W 1 baru = 0 + 1. 1. 1 = 1 W 2 baru = 2 + 1. 1. -1 = 1 bias baru = 0+ 1. 1 = 1 y = 1 + (1. 1 + 1. -1) = 1 {1, 1, 1} y = 1 + (1. 1 + 1. 1) = 3, output=1

Pada akhir pembelajaran diperoleh w 1=1, w 2 = 1, dan b=1. Pengujian data : Input : x 1 = -1, dan x 2 = 1 maka; y = 1 + (-1. 1 + 1. 1) = 1 y = t