Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

P ERTEMUAN 13 Jaringan Syaraf Tiruan. SUB TOPIK BAHASAN Pengertian JST Komponen JST Arsitektur JST Fungsi Aktivasi.

Presentasi serupa


Presentasi berjudul: "P ERTEMUAN 13 Jaringan Syaraf Tiruan. SUB TOPIK BAHASAN Pengertian JST Komponen JST Arsitektur JST Fungsi Aktivasi."— Transcript presentasi:

1 P ERTEMUAN 13 Jaringan Syaraf Tiruan

2 SUB TOPIK BAHASAN Pengertian JST Komponen JST Arsitektur JST Fungsi Aktivasi

3 P ENGERTIAN 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

4 KO MPONEN J ARINGAN S YARAF Jaringan syaraf terdiri atas beberapa neuron Ada hubungan antar neuron Neuron mentransformasikan informasi yg diterima melalui sambungan keluarnya menuju neuron-neuron yg lain Pada jaringan syaraf hubungan ini dikenal dengan bobot

5 A RSITEKTUR J ARINGAN 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

6 A. S INGLE L AYER NET

7 B. M ULTIPLE L AYER N ET

8 F UNGSI 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.

9 H ARD L IMIT ( UNDAK B INER )

10 S YMETRIC H ARD L IMIT (B IPOLAR )

11 F UNGSI L INIER (I DENTITAS ) y = x

12 S YMETRIC S ATURATING L INEAR

13 S IGMOID B INER

14 S IGMOID B IPOLAR

15 P ROSES P EMBELAJARAN Supervised learning UnSupervised learning

16 A. S UPERVISED LEARNING Pembelajaran terawasi jika output yang diharapkan telah diketahui sebelumnya Contoh : Pengenalan pola, misal pada operasi AND InputOutput

17 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 A. S UPERVISED LEARNING

18 B U NSUPERVISED LEARNING Tidak memerlukan target output Tidak dapat 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 mengelompokkan unit-unit yang hampir sama dalam satuan area tertentu Cocok untuk pengelompokan pola

19 P ENERAPAN J ARINGAN S YARAF T IRUAN

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

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

22 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: x i = s i ; (i =1,2,..,n) Set output dengan nilai sama dengan vektor output: y j = t j ; (j =1,2,..,m) Perbaiki bobot: w ij = w ij + x i y i ; (i =1,2,..,n); dan (j =1,2,..,m)

23 K ASUS OR X1X2t {-1,-1,-1} w 1 = 0 + (-1)(-1) = 1 w 2 = 0 + (-1)(-1) = 1 b = 0 + (-1) = -1 {-1,1,1} w 1 = 1 + (-1)(1) = 0 w 2 = 1 + (1)(1) = 2 b = -1 + (1) = 0 {1,-1,1} w 1 = 0 + (1)(1) = 1 w 2 = 2 + (-1)(1) = 1 b = 0 + (1) = 1 {1,1,1} w 1 = 1 + (1)(1) = 2 w 2 = 1 + (1)(1) = 2 b = 1 + (1) = 2

24 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

25 M ODEL P ERCEPTRON Digunakan untuk mengklasifikasikan suatu tipe pola tertentu Mengatur parameter2 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.

26 A RSITEKTUR PERCEPTRON

27 A LGORITMA P ELATIHAN 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

28 K ASUS OR X1X2t {0,0,0} y = 0 + ( ) = 0 {0,1,1} y = 0 + ( ) = 0 y ≠ t, maka update bobot dan bias W1baru = = 0 W2baru = = 1 bias baru = = 1 {0,1,1} y = 1 + ( ) = 2, output = 1 {1,0,1} y = 1 + ( ) = 1, output = 1 {1,1,1} y = 1 + ( ) = 2, output = 1 Inisialisasi: α = 1, = 0,1 w = 0, b = 1 Input dan target berbentuk biner

29 {0,0,0} y = 1 + ( ) = 1 y ≠ t, maka update bobot dan bias W1baru = = 0 W2baru = = 1 bias baru = = 2 {0,0,0} y = 2 + ( ) = 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.

30 K ASUS OR X1X2t {-1,-1,-1} y = 0 + ( ) = 0 y ≠ t, maka update bobot dan bias W1baru = = 1 W2baru = = 1 bias baru = = -1 {-1,-1,-1} y = -1 + ( ) = -3, output = -1 {-1,1,1} y = -1 + ( ) = -1 y ≠ t, maka update bobot dan bias W1baru = = 0 W2baru = = 2 bias baru = = 0

31 y = 0 + ( ) = 2, ouput = 1 {1,-1,1} y = 0 + ( ) = -2 y ≠ t, maka update bobot dan bias W1baru = = 1 W2baru = = 1 bias baru = = 1 y = 1 + ( ) = 1 {1,1,1} y = 1 + ( ) = 3, output=1

32 Pada akhir pembelajaran diperoleh w1=1, w2 = 1, dan b=1. Pengujian data : Input : x1 = -1, dan x2 = 1 maka; y = 1 + ( ) = 1  y = t


Download ppt "P ERTEMUAN 13 Jaringan Syaraf Tiruan. SUB TOPIK BAHASAN Pengertian JST Komponen JST Arsitektur JST Fungsi Aktivasi."

Presentasi serupa


Iklan oleh Google