SISTEM CERDAS Jaringan Syaraf Tiruan Kuliah 8

Pengantar Jaringan saraf tiruan (neural network) telah berhasil diterapkan untuk menyelesaikan masalah-masalah dalam dunia nyata dalam berbagai bidang Fungsi JST adalah untuk menentukan pola masukan baru yang belum diketahui kategori klasnya menggunakan pengetahuan dari pembelajaran terbimbing sebelumnya. Contoh aplikasi JST: Pengenalan pola Optimasi Kendali Forecasting

Pengertian Jaringan Saraf Tiruan Jaringan saraf merupakan salah satu representasi buatan dari otak manusia yang berusaha mensimulasikan proses pembelajaran pada otak manusia tersebut. Tiruan, karena jaringan saraf ini diimplementasikan dengan menggunakan program komputer.

Jaringan syaraf biologi

Konsep Dasar Jaringan Saraf Tiruan ilustrasi analogi dari jaringan saraf biologi dan jaringan saraf tiruan sebuah neuron memiliki tiga komponen: synapsis (w1, w2, ..., wn) alat penambah (adder) fungsi aktivasi (f)

Analogi jaringan saraf biolog dan tiruan Biological Artificial Soma Neuron Dendrites Input Axon Output Synapse Weight

Konsep... Hubungan antara ketiga komponen ini dirumuskan dengan persamaan: Sinyal x berupa vektor berdimensi n (x1, x2, ..., xn)T. Jumlah dari penguatan tersebut akan mengalami tranformasi oleh fungsi aktifasi f. Fungsi f ini membandingkan, bila hasil penjumlahan penguatan sinyal itu telah melampaui batas nilai /nilai ambang (threshold) tertentu, maka sel neuron tersebut akan diaktifkan atau dalam kondisi ”1”

Konsep... Sebuah jaringan saraf tiruan dapat dianalisa dari dua sisi: bagaimana neuron-neuron itu dirangkaikan dalam satu jaringan (arsitektur) bagaimana jaringan tersebut dilatih agar memberikan output sesuai dengan yang diharapkan (algoritma pembelajaran).

Arsitektur JST Lapis Tunggal

JST sederhana

JST sederhana

Operasi JST

Operasi JST

Arsitektur JST Banyak Lapis

JST lapis banyak Nilai keluaran dari lapis tersembunyi mempunyai persamaan: dan Nilai keluaran dari lapis keluaran

Fungsi aktivasi

Algoritma Pembelajaran Tujuan pembelajaran adalah membuat agar sistem ber”pengetahuan”. Proses pembelajaran pada dasarnya adalah pengaturan terhadap bobot-bobot yang ada pada jaringan saraf tiruan, sehingga diperoleh bobot akhir yang sesuai dengan pola data yang dilatihkan.

Pembelajaran Hebb Rule L0. Inisialisasi semua bobot: dengan i= 1,2,...,n L1. Untuk setiap pasangan vektor pembelajaran input-output lakukan langkah 2 - 4. L2. Tetapkan aktivasi unit input: L3. Tetapkan aktivasi unit output: L4. Atur bobot: Atur bias:

Implementasi dalam progam MATLAB function [w,b]=lhebb(pm,pt) %Input : pm = pola-pola masukan % pt = pola-pola target %Output : bobot % inisialisasi semua bobot nol w= rand(1,length(pm(1,:))); w= w-w b=0; for k=1:length(pm(:,1)) disp('data ke'),k s= pm(k,:); x=s; t=pt(k,:); y=t'; % Perbarui bobot w = w + (y * x) b = b + y end

Contoh 1 Daerah tanggapan fungsi AND Masukan Keluaran x1 x2 t 1 1 1 1 1 1 1 -1 -1 -1 1 -1 -1 -1 -1

Tanggapan Contoh batas keputusan linier Batas keputusan: Bobot: b=-1, w1=1, dan w2=1

Implementasi dalam program MATLAB %contoh1.m %Data pelatihan Clear; pm=[1 1;1 -1;-1 1;-1 -1]; pt=[1;-1;-1;-1]; %Mode training % inisialisasi semua bobot nol w= rand(1,length(pm(1,:))); w=w-w; b=0; for k=1:length(pm(:,1)) s= pm(k,:); x=s; t=pt(k,:); y=t'; % Perbarui bobot w= w + (y * x) b=b+y end;

Implementasi dalam program MATLAB %Mode testing %---------------------- Px=input('Masukkan pola data yang diujikan: ') yin=b+Px*w' if yin >= 0 yin= 1; else yin=-1; end y=yin

Memahami fungsi aktivasi Fungsi bipolar dengan threshold (θ) function y=bipolar2(x,th) if x > th y=1; elseif x < -1*th y=-1; else y=0; end

Tugas Buatlah fungsi aktivasi untuk a) b)