Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Praktikum Metkuan Jaringan Syaraf Tiruan Propagasi Balik

Presentasi serupa


Presentasi berjudul: "Praktikum Metkuan Jaringan Syaraf Tiruan Propagasi Balik"— Transcript presentasi:

1 Praktikum Metkuan Jaringan Syaraf Tiruan Propagasi Balik

2 Jaringan Syaraf Tiruan
Perceptron Single Layer JST Multi Layer Perceptron (MLP) JST Propagasi Balik

3 Multiple Layer 1 bias v01 1 v11 X1 w01 Z1 w11 v12 Y1 v21 w21 X2 Z2 v22
Output Layer v02 1 input Layer Hidden Layer

4 Review Perceptron : AND
X1 X2 net Y, 1 jika net >=2, 0 jika net < 2 =2 1 =1 0 =1 0 =0 0 Ternyata BERHASIL mengenali pola X1 X2 Y 2 1

5 Review Perceptron : OR X1 X2 net Y, 1 jika net >=1, 0 jika net < 1 =2 1 =1 1 =1 1 =0 0 Ternyata BERHASIL mengenali pola X1 X2 Y 1

6 Review Perceptron : X1 and not(X2)
X1 X2 net Y, 1 jika net >=2, 0 jika net < 2 =1 0 =2 1 =-1 0 =0 0 Ternyata BERHASIL mengenali pola X1 X2 Y 2 -1

7 Problem “XOR” X1 X2 Y 1 1 0 1 0 1 0 1 1 0 0 0 GAGAL! F(1,1) = 0
GAGAL!

8 Solusi XOR = (x1 ^ ~x2) V (~x1 ^ x2)
Ternyata dibutuhkan sebuah layer tersembunyi -> Multi Layer Perceptron X1 X2 Z1 Z2 Y 2 -1 1

9 Tabel

10 JST Propagasi Balik 3 tahapan :
1. Feedforward pola pelatihan yang diinput 2. perhitungan dan propagasi balik kesalahan 3. penyesuaian bobot (weight). Untuk mendapatkan bobot akhir yang bisa memetakan output dengan tepat, diperlukan 3 tahapan di atas

11 Fungsi Aktivasi Fungsi undak biner (hard limit)
Fungsi undak biner (threshold)

12 Fungsi Aktivasi Fungsi bipolar Fungsi bipolar dengan threshold

13 Fungsi Aktivasi Fungsi Linier (identitas) Fungsi Sigmoid biner

14 Contoh Kasus Misal akan dibuat arsitektur JST Back Propagation mengenali angka 1-9 dengan 5 neuron pada hidden layer dengan fungsi tansig (tan sigmoid) dan 4 neuron pada output dengan fungsi purelin (pure linear)

15 function NN() %ada 15 baris karena grid 3x5 rangeinput=[0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1 ]; %bikin feedforward net=newff(rangeinput,[5 4],{'tansig' 'purelin'}); % 5 neouron hidden dengan tansig, 4 neuron output dengan purelin %inisialisasi net=init(net);

16 angka1=[0; 1; 0; 1; 1; 0; 0; 1; 0; 1; 1; 1]; angka2=[1; 1; 1; 0; 0; 1; 0; 1; 1; angka3=[1; 1; 1; 1; 1; 1; angka4=[1; 0; 1; 1; 0; 1; 0; 0; 1];

17 angka5=[1; 1; 1; 1; 0; 0; 1; 1; 1; 0; 0; 1; 1; 1; 1];
p=[angka1 angka2 angka3 angka4 angka5 angka6 angka7 angka8 angka9]; t=[ ; ; ; ; ; ; ; ; ]; %9x9 karena data trainingnya ada 9

18 t=t'; %training net= train(net, p, t); %testing %a=sim(net, datatesting) %melihat nilai semua bobot dari lapisan input ke layer disp('net.IW{1,1}-->'); net.IW{1,1} %melihat nilai semua bobot dari layer 1 ke layer 2 disp('net.LW{2,1}-->'); net.LW{2,1} disp('net.b{1}-->'); net.b{1} disp('net.b{2}-->'); net.b{2} datatesting=[0; 1; 0; 1; 1; 0; 0; 1; 0; 0; 1; 0; 1; 1; 1]; a=sim(net,datatesting)

19 Latihan Input training data

20 Input testing data

21 neuron Input : 15 neurons Hidden layer : 5 neurons
Output layer : 4 neurons Hidden layer : purelin (linear) Output layer : tansig (sigmoid)


Download ppt "Praktikum Metkuan Jaringan Syaraf Tiruan Propagasi Balik"

Presentasi serupa


Iklan oleh Google