JARINGAN SYARAF TIRUAN SISTEM BERBASIS PENGETAHUAN DISUSUN OLEH: Tuniyah haryanti (1308021) nila puspitasari(1308022) rinella naiborhu(1308024) nurul rizal(1308030) angga aditya N (1308031) agung wibisono()

Jaringan syaraf tiruan Jaringan Syaraf Tiruan adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistim sel syaraf biologi, sama seperti otak yang memproses suatu informasi. Elemen mendasar dari paradigma tersebut adalah struktur yang baru dari sistim pemrosesan informasi. Jaringan Syaraf Tiruan, seperti manusia, belajar dari suatu contoh. Jaringan Syaraf Tiruan dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran. Jaringan Syaraf Tiruan berkembang secara pesat pada beberapa tahun terakhir. Jaringan Syaraf Tiruan telah dikembangkan sebelum adanya suatu komputer konvensional yang canggih dan terus berkembang walaupun pernah mengalami masa vakum selama beberapa tahun.

Otak manusia Tiap bagian pada otak manusia memiliki alamat, dalam bentuk formula kimia, dan sistem saraf manusia berusaha untuk mendapatkan alamat yang cocok untuk setiap akson (saraf penghubung) yang dibentuk. Melalui pembelajaran, pengalaman dan interaksi antara sistem maka struktur dari otak itu sendiri akan mengatur fungsi-fungsi dari setiap bagiannya. Axon-axon pada daerah yang berdekatan akan berkembang dan mempunyai bentuk fisik mirip, sehingga terkelompok dengan arsitektur tertentu pada otak. Axon berdasarkan arsitekturnya bertumbuh dalam urutan waktu, dan terhubung pada struktur otak yang berkembang dengan urutan waktu yang sama.

4 komponen dasar sel syaraf alami: Dendrit : cabang dari neuron (sel-sel syaraf di otak) Soma : sel dari axon-axon saraf tulang belakang yang membawa informasi sensoris ke otak dan sumsum tulang belakang Akson adalah sel yang panjang, tipis dan membawa impuls elektrikal sel tubuh neuron atau soma Sinapsis adalah titik temu antara terminal akson salah satu neuron dengan neuron lain

Inspirasi biologi jaringan syaraf tiruan Jaringan Syaraf Tiruan keluar dari penelitian kecerdasan buatan, terutama percobaan untuk menirukan fault-tolerence dan kemampuan untuk belajar dari sistem syaraf biologi dengan model struktur low-level dari otak. Otak terdiri dari sekitar (10.000.000.000) sel syaraf yang saling berhubungan. Sel syaraf mempunyai cabang struktur input (dendrites), sebuah inti sel dan percabangan struktur output (axon). Axon dari sebuah sel terhubung dengan dendrites yang lain melalui sebuah synapse. Ketika sebuah sel syaraf aktif, kemudian menimbulkan suatu signal electrochemical pada axon. Signal ini melewati synapses menuju ke sel syaraf yang lain. Sebuah sel syaraf lain akan mendapatkan signal jika memenuhi batasan tertentu yang sering disebut dengan nilai ambang atau (threshold).

Sejarah jaringan syaraf tiruan Model JST formal pertama diperkenalkan oleh McCulloch dan Pitts (1943) 1949, Hebb mengusulkan jaringan Hebb 1958, Rosenblatt mengembangkan perceptron untuk klasifikasi pola 1960, Widrow dan Hoff mengembangkan ADALINE dengan aturan pembelajaran Least Mean Square (LMS) 1974, Werbos memperkenalkan algoritma backpropagation untuk perceptron banyak lapisan

1982, Kohonen mengembangkan learning unsupervised untuk pemetaan 1982, Grossberg dan Carpenter mengembangkan Adaptive Resonance Theory (ART, ART2, ART3) 1982, Hopfield mengembangkan jaringan Hopfield untuk optimasi 1985, Algoritma Boltzmann untuk jaringan syaraf probabilistik 1987, dikembangkan BAM (Bidirectional Associative Memory) 1988, dikembangkan Radial Basis Function

Perbandingan Jaringan Syaraf Tiruan dengan Konvensional Umumnya komputer konvensional menggunakan pendekatan algoritma (komputer konvensional menjalankan sekumpulan perintah untuk memecahkan masalah). Jika suatu perintah tidak diketahui oleh komputer konvensional maka komputer konvensional tidak dapat memecahkan masalah yang ada. Sangat penting mengetahui bagaimana memecahkan suatu masalah pada komputer konvensional dimana komputer konvensional akan sangat bermanfaat jika dapat melakukan sesuatu dimana pengguna belum mengatahui bagaimana melakukannya.

Komponen jAringan syaraf Neuron: sel syaraf tiruan yang merupakan elemen pengolah JST Jaringan: bentuk arsitektur JST, kumpulan neuron yang saling berhubungan dan membentuk lapisan Input: sebuah nilai input yang akan diproses menjadi nilai output Output: solusi dari nilai input Hidden layer: lapisan yang tidak terkoneksi secara langsung dengan lapisan input atau output, memperluas kemampuan JST Bobot: nilai matematis dari sebuah koneksi antar neuron Fungsi aktivasi: fungsi yang digunakan untuk mengupdate nilai-nilai bobot per-iterasi dari semua nilai input. Fungsi aktivasi sederhana adalah mengakalikan input dengan bobotnya dan kemudian menjumlahkannya (disebut penjumlahan sigma) Berbentuk linier atau tidak linier, dan sigmoid Paradigma pembelajaran: bentuk pembelajaran, supervised learning, atau unsupervised learning

Arsitektur jaringan Single Layer Multi 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 jaring yang rumit

Fungsi Aktivasi Fungsi Linier (identitas) Fungsi Sigmoid biner

McCulloch Pitts 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 0 0 0 1 0 0 0 0

Jawab X1 X2 net Y, 1 jika net >=2, 0 jika net < 2 1 1 1.1+1.1=2 1 1 0 1.1+0.1=1 0 0 1 0.1+1.1=1 0 0 0 0.1+0.1=0 0 Ternyata BERHASIL mengenali pola X1 X2 Y 2 1

Problem “OR” X1 X2 net Y, 1 jika net >=1, 0 jika net < 1 1 1 1.1+1.1=2 1 1 0 1.1+0.1=1 1 0 1 0.1+1.1=1 1 0 0 0.1+0.1=0 0 Ternyata BERHASIL mengenali pola X1 X2 Y 1

Problem “X1 and not(X2)” X1 X2 net Y, 1 jika net >=2, 0 jika net < 2 1 1 1.2+1.-1=1 0 1 0 1.2+0.-1=2 1 0 1 0.2+1.-1=-1 0 0 0 0.2+0.-1=0 0 Ternyata BERHASIL mengenali pola X1 X2 Y 2 -1

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

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

Tabel

Paradigma pembelajaran Supervised Learning Kumpulan input berusaha membentuk target output yang sudah diketahui sebelumnya Perbedaan antara output yang masih salah dengan output yang diharapkan harus sekecil mungkin Biasanya lebih baik daripada unsupervised Kelemahan: pertumbuhan waktu komputasi eksponensial, data bnyk berarti semakin lambat Unsupervised Learning JST mengorganisasikan dirinya untuk membentuk vektor-vektor input yang serupa tanpa menggunakan data atau contoh-contoh pelatihan, biasanya ke dalam suatu kategori/kelompok2 tertentu

Sekian n terimakasihh.. ^^v Present by: Kel IV