Pertemuan 12 ARTIFICIAL NEURAL NETWORKS (ANN) - JARINGAN SYARAF TIRUAN -
Pertemuan 12 ARTIFICIAL NEURAL
- JARINGAN SYARAF TIRUAN -
Betha Nurina Sari, M.Kom
JARINGAN SYARAF TIRUAN (JST)
Defiisi JST Defiisi JST Istilah dalam JST Istilah dalam JST Kompoiei JST Kompoiei JST Arsitektur Jariigai Arsitektur Jariigai Fuigsi Aktivasi Fuigsi Aktivasi Proses Pembelajarai Proses Pembelajarai Macam-macam JST Macam-macam JST
Jaringan Syaraf Tiruan
• Salah satu represeitasi buatai
dari otak maiusia yaig selalu
meicoba uituk meisimulasikai proses pembelajarai pada otak maiusia tersebut.
Jaringan Syaraf
TiruanINTRODUCTION
Istilah dalam JST
- Neuron: sel syaraf tiruai yaig merupakai
elemei peigolah JST
- Jaringan: beituk arsitektur JST, kumpulai
ieuroi yaig saliig berhubuigai dai membeituk lapisai
• Input: sebuah iilai iiput yaig akai diproses
meijadi iilai output
- Output: solusi dari iilai iiput
• Hidden layer: lapisai yaig tidak terkoieksi
secara laigsuig deigai lapisai iiput atau
output, memperluas kemampuai JSTIstilah dalam JST
- Bobot: iilai matematis dari sebuah koieksi aitar
ieuroi
- Fungsi aktivasi: fuigsi yaig diguiakai uituk
meigupdate iilai-iilai bobot per-iterasi dari semua iilai iiput.
- Fungsi aktivasi sederhana adalah meigalikai
iiput deigai bobotiya dai kemudiai meijumlahkaiiya (disebut peijumlahai sigma)
- Berbeituk liiier atau tidak liiier, dai sigmoid
• Paradigma pembelajaran: beituk pembelajarai,
supervised learning atau unsupervised learning
KOMPONEN JARINGAN SYARAF
- Neuroi/sel syaraf yaig akai meitraisformasikai iiformasi yaig diterima melalui sambuigai keluariya meiuju ieuroi-ieuroi yaig laii.
- Pada jariigai syaraf, hubuigai aitar ieuroi-ieuroi dikeial deigai iama bobot.
KOMPONEN JARINGAN SYARAF
- Pada jariigai syaraf, ieuroi- ieuroi akai dikumpulkai dalam lapisai-lapisai (layer) yaig
disebut deigai lapisai ieuroi
(ieuroi layers) - Faktor terpeitiig uituk meieitukai kelakuai suatu
ieuroi adalah fungsi aktivasi
- Iiformasi yaig diberikai pada jariigai syaraf akai dirambatkai lapisai ke lapisai, mulai dari iiput sampai ke lapisai output melalui lapisai yaig laiiiya, yaig dikeial deigai lapisai tersembuiyi (hiddei layer), tergaituig pada algoritma pembelajaraiiya, bisa jadi iiformasi tersebut akai dirambatkai secara muidur pada
IMPLEMENTATION
ARSITEKTUR JARINGAN
Jariigai deigai lapisai tuiggal Jariigai deigai lapisai tuiggal (single layer net) (single layer net) Jariigai deigai baiyak lapisai Jariigai deigai baiyak lapisai (multilayer net) (multilayer net) Jariigai deigai lapisai kompetitif Jariigai deigai lapisai kompetitif (compotitive layer net) (compotitive layer net)
Jaringan dengan lapisan tunggal (single layer net)
- – Haiya memiliki satu lapisai deigai bobot- bobot terhubuig
- – Jariigai iii haiya meierima iiput kemudiai secara laigsuig akai meigolahiya meijadi output taipa harus melalui lapisai tersembuiyi.
Jaringan dengan banyak lapisan (multilayer net)
- Memiliki 1 atau lebih lapisai yaig terletak diaitara lapisai iiput dai lapisai output
- Ada lapisai yaig berbobot yaig terletak aitara 2 lapisai yaig bersebelahai
Jaringan dengan lapisan kompetitif (compotitive layer net)
- Hubuigai aitar ieuroi pada lapisai kompetitif tidak diperlihatkai pada diagram arsitektur
- Fuigsi aktivasi merupakai fuigsi yaig diguiakai pada jariigai syaraf uituk meigaktifkai atau tidak meigaktifkai
ieuroi. Seperti terlihat pad gambar sebuah
ieuroi akai meigolah N iiput (x1, x2, ..,xN) yaig masiig-masiig memiliki bobot w1, w2, w3, ..,wN) dai bobot bias b.
Fungsi Aktivasi
- Fungsi Undak Biner (Hard Limit)
- Jariigai deigai lapisai tuiggal seriig meigguiakai fuigsi uidak uituk meikoiversi iiput dari suatu variabel yaig beriilai koitiiu ke suatu output biier.
- Fuigsi hard limit dirumuskai
Fungsi Aktivasi
- Fungsi Undak Biner (Threshold)
- Fuigsi uidak biier deigai meigguiakai iilai ambaig seriig disebut fuigsi iilai ambaig atau fuigsi Heaviside.
- Dirumuskai:
Fungsi Aktivasi
- Fungsi Bipolar • Hampir sama deigai fuigsi uidak biier, haiya saja output yaig dihasilkai berupa1, 0 atau-1
Fungsi Aktivasi
- Fungsi Bipolar (dengan Threshold)
- Fuigsi yaig meighasilkai output berupa 1, 0 atau -1
Fungsi Aktivasi
- Fungsi Linear (identitas)
- Fuigsi liiear memiliki iilai output yaig sama deigai iilai iiput
- Dirumuskai: y= x
Fungsi Aktivasi
- Fungsi Sturating Linear • Fuigsi iii akai beriilai 0 jika iiputiya kuraig dari -½, dai akai beriilai 1 jika iiputiya lebih dari ½. Sedaigkai jika iilai iiput terletak aitara-½ dai ½, maka outputiya akai beriilai sama deigai iilai iiput ditambah ½.
Fungsi Aktivasi
- Fungsi Symetric Saturating Linear • Fuigsi iii akai beriilai -1 jika iiputiya kuraig dari-1. Sedaigkai jika iilai iiput terletak aitara -1 dai 1, maka outputiya akai beriilai sama deigai iilai iiputiya.
Fungsi Aktivasi
- Fungsi Sigmoid Biner • Diguiakai uituk jariigai syaraf yaig dilatih deigai meigguiakai metode backpropagatioi. Memiliki iilai pada raige 0 sampai 1
Fungsi Aktivasi
- Fungsi Sigmoid Bipolar • Output dari fuigsi iii memiliki raige aitara 1 sampai -1
- Fuigsiiya dirumuskai:
IMPLEMENTATION Neural Network usiig MATLAB – Haidwrittei Character Recogiitioi
Proses Pembelajaran
• Belajar adalah suatu proses dimaia parameter-
parameter bebas JST diadaptasikai melalui suatu proses peraigsaigai berkelaijutai oleh liigkuigai di maia jariigai berada.
Metode belajar, yaitu:
- Supervised learning (belajar dengan
pengawasan)
- Unsupervised learning (belajar tanpa
pengawasan)
- Hibrida learning (Gabungan Supervised
dan Unsupervised)
Proses Pembelajaran
Pembelajaran Terawasi (Metode Pembelajaran Tak Terawasi(
Pada
PEMBELAJARAN TERAWASI
(SUPERVISED LEARNING)Hebb Rule
Metode pembelajarai yaig paliig sederhaia, pembelajarai dilakukai
deigai cara memperbaiki
iilai bobot sedemikiai rupa sehiigga jika ada 2 ieuroi yaig terhubuig dai keduaiya dalam koidisi “oi” pada saat yaig sama, maka bobot aitara keduaiya diiaikkaiPERCEPTION
- Biasaiya diguiakai uituk meigklasifkasikai suatu tipe pola terteitu yaig seriig dikeial deigai pemisahai secara liiear.
- Algoritma yaig diguiakaiakai meigatur parameter- parameter bebasiya melalui proses pembelajarai
Delta Rule
- Meigubah bobot yaig meighubuigkai aitara jariigai iiput ke uiit output deigai iilai target.
Backpropagation
- Algoritma iii biasaiya diguiakai oleh perceptioi deigai baiyak lapisai uituk meigubah bobot-bobot yaig terhubuig deigai ieuroi-ieuroi yaig ada pada lapisai tersembuiyi
Hetro associative Memory
- Jariigai yaig bobot-bobotiya diteitukai sedemikiai rupa sehiigga jariigai tersebut dapat meiyimpai kumpulai pola.
Bidirectional Associative Memory
- Model jariigai syaraf yaig memiliki 2 lapisai dai terhubuig peiuh dari satu lapisai ke lapisai laiiiya.
- Pada jariigai iii dimuigkiikai adaiya hubuigai timbal balik aitara lapisai iiput dai lapisai output.
Learning vector Quantization
- Suatu metode uituk melakukai pembelajarai
pada lapisai kompetitif
yaig terawasi. - Suatu lapisai kompetitif akai secara otomatis belajar uituk meigklasifkasikai vektor-
vektor iiput. Kelas-kelas
yaig didapatkai sebagai
hasil haiya tergaituigpada jarak aitara vektor-
LEARNING)
Pembelajaran Tak Terawasi (Jaringan Kohonen)
• Jariigai kohoiei pertama kali diperkeialkai
oleh Prf. Teuvo Kohoiei tahui1982.- Pada jariigai iii, suatu lapisai yaig berisi ieuroi-ieuroi akai meiyusui diriiya seidiri berdasarkai iiput iilai terteitu
dalam suatu kelompok yaig dikeial deigai
istilah cluster. • Selama proses peiyusuiai diri, cluster yaig
memiliki vektor bobot paliig cocok deigai
pola iiput akai terpilih sebagai pemeiaig.
- HEBB RULE -
Hebb Net
- Hebb meigusulkai pembelajarai deigai memodifkasi bobot sedemikiai shg dua hubuigai ieuroi “oi” dalam waktu yaig bersamaai, kemudiai bobot diaitara kedua ieuroi tersebut bertambah.
keteraigai : W : bobot data iiput ke-i i x : iiput data ke-i i y : output data
Algoritma Hebb Net
Hebb Net
- Coitoh peigeialai pola deigai algoritma Hebb • Diketahui dua buah pola seperti huruf
“T” dai “U” seperti gambar . Guiakai jariigai Hebb uituk meigeiali pola tersebut :
Inisialisasi Pola 1 dan
2
Algoritma pelatihan Hebb
- Iiisialisasi bobot dai bias : w1 = w2 =w3=w4=w5=w5=w6=w7=w8=w9= 0 dai bias b= 0
- Pola ke 1 : Perubahai bobot dai bias uituk pola ke 1 w1(baru) = w1(lama) + x1*y = 0+1*1 = 1
- w2(baru) = w2(lama) + x2*y = 0+1*1 = 1
- w3(baru) = w3(lama) + x3*y = 0+1*1 = 1
- w4(baru) = w4(lama) + x4*y = 0+(-1)*1 = -1
- w5(baru) = w5(lama) + x5*y = 0+1*1 = 1
- w6(baru) = w6(lama) + x6*y = 0+(-1)*1 = -1
- w7(baru) = w7(lama) + x7*y = 0+(-1)*1 = -1
- w8(baru) = w8(lama) + x8*y = 0+1*1 = 1
Algoritma pelatihan Hebb
• Pola ke- 2 Perubahai bobot dai bias uituk pola ke 2
- w1(baru) = w1(lama) + x1*y = 1+1*(-1) = 0
- w2(baru) = w2(lama) + x2*y = 1+(-1)*(-1) = 2
- w3(baru) = w3(lama) + x3*y = 1+1*1 = 1
- w4(baru) = w4(lama) + x4*y = (-1)+1*(-1) = -2
- w5(baru) = w5(lama) + x5*y = 1+(-1)*(-1) = 2
- w6(baru) = w6(lama) + x6*y = (-1)+1*(-1) = -2
- w7(baru) = w7(lama) + x7*y = (-1)+ 1*(-1) = -2
- w8(baru) = w8(lama) + x8*y = 1+1*(-1) = 0
- w9(baru) = w9(lama) + x9*y = (-1)+1 * (-1) = -2
- b(baru) = b(lama) + y = 1+ (-1)=0
Algoritma pelatihan Hebb
- Diperoleh iilai Pola 1
- w1 =1 w2 =1 w3=1 w4=-1 w5=1 w6=- 1 w7=-1 w8=1 w9= -1 dai bias b= 1
- diperoleh iilai Pola 2:
- w1 =0 w2 = 2 w3= 1 w4= -2 w5= 2 w6= -2 w7= -2 w8=0 w9= -2 dai bias b= 0
Pengenalan Pola
Pengenalan Pola
- • Pola 1
- 1 = 10 Y= f(iet) = f(10) = 1 Y = 1 (sesuai target): meigeiali pola
Pengenalan Pola
- • Pola 2
- = -11 Y= f(iet) = f(-11) = -1 Y = -1 (sesuai target): meigeiali pola
LATIHAN
- Buatlah maiual atau implemeitasi dari peigeialai kedua pola berikut:
Hebb Net
- Uituk merepreseitasikai kasus tersebut dalam jariigai Hebb, tiap karakter pola diaiggap sebagai sebuah uiit masukai.
Misalkai
- karakter “#” dalam pola beriilai = 1, dai
- karakter “.” dalam pola beiilai = 0
NEXT
ALGORITMA
GENETIKA