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