5. Jaringan Syaraf Tiruan.ppt

  

  Kemampuan manusia dalam memproses informasi, mengenal wajah, tulisan, dsb.

  

  Kemampuan manusia dalam mengidentifikasi wajah dari sudut pandang yang belum pernah dialami sebelumnya.

   Bahkan anak-anak dapat melakukan hal tsb. 

  Kemampuan melakukan pengenalan meskipun tidak tahu algoritma yang digunakan.

  

  Proses pengenalan melalui penginderaan berpusat pada otak sehingga menarik untuk mengkaji struktur otak manusia

  

Dipercayai bahwa

kekuatan komputasi otak terletak pada

  ◦

  hubungan antar sel- sel syaraf

  ◦

  hierarchical organization

  ◦

  firing characteristics

  ◦

  banyaknya jumlah hubungan

   _ Neuron adalah satuan unit pemroses terkecil pada otak _ Bentuk standard ini mungkin dikemudian hari akan berubah ₁₃ Jaringan otak manusia tersusun tidak kurang dari 10 buah ₁₅ neuron yang masing-masing terhubung oleh sekitar 10 buah _ dendrite

  Fungsi dendrite adalah sebagai penyampai sinyal dari neuron _ tersebut ke neuron yang terhubung dengannya Sebagai keluaran, setiap neuron memiliki axon, sedangkan _ bagian penerima sinyal disebut synapse _ Sebuah neuron memiliki 1000-10.000 synapse Penjelasan lebih rinci tentang hal ini dapat diperoleh pada _ disiplin ilmu biology molecular Secara umum jaringan saraf terbentuk dari jutaan (bahkan lebih) struktur dasar neuron yang terinterkoneksi dan terintegrasi antara satu dengan yang lain sehingga dapat melaksanakan aktifitas secara teratur dan terus menerus

  

  McCulloch & Pitts (1943) dikenal sebagai orang yang pertama kali memodelkan Neural Network. Sampai sekarang ide- idenya masih tetap digunakan, misalnya:

  ◦ bertemuanya beberapa unit input akan memberikan computational power

  ◦ Adanya threshold 

  Hebb (1949) mengembangkan pertama kali learning rule (dengan alasan bahwa jika 2 neurons aktif pada saat yang bersamaan maka kekuatan antar mereka akan bertambah)

   Antara tahun 1950-1960an beberapa peneliti melangkah sukses pada pengamatan tentang perceptron

   Mulai tahun 1969 merupakan tahun

kematian pada penelitian seputar Neural

Networks hampir selama 15 tahun (Minsky & Papert)

   Baru pada pertengahan tahun 80-an (Parker & LeCun) menyegarkan kembali

  

  Sejumlah sinyal masukan x dikalikan dengan masing-masing penimbang yang bersesuaian W

  

  Kemudian dilakukan penjumlahan dari seluruh hasil perkalian tersebut dan keluaran yang dihasilkan dilalukan kedalam fungsi pengaktip untuk mendapatkan tingkatan derajad sinyal keluarannya F(x.W)

  

  Walaupun masih jauh dari sempurna, namun kinerja dari tiruan neuron ini identik dengan kinerja dari sel otak yang kita kenal saat ini

  

  Misalkan ada n buah sinyal masukan dan n buah penimbang, fungsi keluaran dari neuron adalah seperti persamaan berikut:

  F(x,W) = f(w x + … +w x ) _{1 1 n n}

  

  Dipakai untuk menentukan keluaran suatu neuron

  

  Merupakan fungsi yang menggambarkan hubungan antara tingkat aktivasi internal (summation function) yang mungkin berbentuk linier atau nonlinear.

  

  Beberapa fungsi aktivasi JST diantaranya hard limit, purelin, dan sigmoid.

  

  Fungsi biner (hard limit)

  

  Fungsi biner (threshold)

  

  Fungsi bipolar

  

  Fungsi bipolar dengan threshold

  

  Fungsi Linier (identitas)

  

  Fungsi Sigmoid biner

  

  Single Layer

  ◦

Hanya memiliki satu lapisan dengan bobot-bobot

terhubung.

  ◦ Langsung menerima input dan mengolahnya menjadi output tanpa menggunakan hidden layer

  

  Multi Layer

  ◦ Memiliki satu atau lebih lapisan input, satu atau lebih lapisan output, dan lapisan tersembunyi

  ◦ Dapat menyelesaikan masalah yang lebih kompleks karena lebih akurat

  ◦ Fungsi pembelajarannya lebih rumit 

  Kompetitive Model / Recurrent Model

  ◦

Hubungan antar neuron tidak diperlihatkan secara

langsung pada arsitektur

  ◦ Hubungan antar neuron dapat digambarkan sebagai

   Single Layer

• ^• Multi Layer
• ^• Competitive Layer /

  Recurrent

  

  JST Feed Forward

  ◦ Tidak mempunyai loop

  ◦ Contoh: single layer perceptron, mutilayer perceptron, radial basis function

  

  JST Feed Backward (Recurrent)

  ◦ Memiliki loop, lapisan output akan memberi input lagi bagi lapisan input

  ◦ Contoh: competitive networks, kohonen, hopfield, ART

  

  Tahapan learning (pembelajaran) tahapan ini berfungsi untuk mengenalkan objek / model kepada mesin

  

  Tahapan Testing (pengujian) tahapan ini berfungsi untuk mengukur ketepatan mesin mengenal objek baru

  

  Pada pembelajaran ini kumpulan input yang digunakan, output-outputnya telah diketahui.

  

  Perbedaan antara output-output aktual dengan output-output yang diinginkan digunakan untuk mengoreksi bobot JST agar JST dapat menghasilkan jawaban sedekat (semirip) mungkin dengan jawaban yang benar yang telah diketahui oleh JST.

  

  Contoh : Hebbian, Perceptron, Adaline, Back Propagation, LVQ (Learning Vector Quantization)

  ◦ Pada pembelajaran ini, JST mengorganisasi dirinya sendiri untuk membentuk vektor-vektor input yang serupa, tanpa menggunakan data atau contoh-contoh pelatihan.

  ◦ Struktur menggunakan dasar data atau korelasi antara pola-pola data yang dieksplorasi.

  ◦ Contoh : Kohonen, ART

  1. Merupakan kombinasi dari kedua pembelajaran tersebut.

  2. Sebagian dari bobot-bobotnya ditentukan melalui pembelajaran terawasi dan sebagian lainnya melalui pembelajaran tak terawasi.

  Aerospace : autopilot pesawat terbang, • simulasi jalur penerbangan, sistem kendali pesawat, perbaikan autopilot, simulasi komponen pesawat

   Otomotif : sistem kendali otomatis mobil

  

Keuangan dan perbankan : pendeteksian

uang palsu, evaluator aplikasi kredit, pengidentifikasian pola-pola data pasar saham

   Militer : Pengendali senjata, pendeteksi bom, penelusuran target, pembedaan objek, pengendali sensor, sonar, radar, dan pengolahan sinyal citra yang meliputi kompresi data, ekstraksi bagian istimewa,

dan penghilangan derau, pengenalan sinyal

atau citra.

   Elektronik : Pembuatan perangkat keras

yang bisa mengimplementasikan JST secara

efisien, machine vision, pengontrol gerakan

  

  Broadcast : pencarian klip berita melalui pengenalan wajah

  

  Keamanan : JST digunakan untuk mengenali mobil dan mengenali wajah oknum

  

  Medis : analisis sel kanker

  

  Pengenalan suara : pengenalan percakapan, klasifikasi suara

  

  Pengenalan tulisan : pengenalan tulisan tangan, penerjemahan tulisan ke dalam tulisan latin

  

  Matematika : alat pemodelan masalah dimana bentuk eksplisit dari hubungan antara variabel-variabel tertentu tidak diketahui

  

  Pengenalan benda bergerak : selain pola dari citra diam, JST juga bisa digunakan untuk mendeteksi citra bergerak dari video seperti citra orang yang bergerak, dll.

  

  JST digunakan sebagai detektor virus komputer, penginderaan bau, dll

  

  Fungsi aktivasi biner

  

  Besar bobotnya sama

  

  Memiliki threshold yang sama Contoh buat fungsi logika “and”, input X1 dan X2, dan Y = 1 jika dan hanya jika inputan 1

  X1 X2 Y

  1

  1

  1

  1

  1 Ternyata BERHASIL mengenali pola _X1 X2 ^{Y 2 1} ₁ X1 X2 w

  1

  1

  1 1 1.1 + 1.1 = 2

  1

  1

  1 1 1.1 + 0.1 = 1

  1

  1 1 0.1 + 1.1 = 1

  1 1 0.1 + 0.1 = 0 Ternyata BERHASIL mengenali pola _X1 X2 ^{Y 1 1} X1 X2 w

  1 w2 F(x) = ∑ (w * x) Y

  1

  1

  1 1 1.1 + 1.1 = 2

  1

  1

  1 1 1.1 + 0.1 = 1

  1

  1

  1 1 0.1 + 1.1 = 1

  1

  1 1 0.1 + 0.1 = 0 Ternyata BERHASIL mengenali pola _X1 Y ₂ ² X1 X2 w

  1 w2 F(x) = ∑ (w * x) Y

  1

  1 2 -1 1.2 + 1.-1 = 1

  1 2 -1 1.2 + 0.-1 = 2

  1

  1 2 -1 0.2 + 1.-1 = -1 2 -1 0.2 + 0.-1 = 0