JaRINGAN SARAF TIRUAN (Neural Network) Praktikum 9 JaRINGAN SARAF TIRUAN (Neural Network)
Pendahuluan Jaringan syaraf tiruan (JST) merupakan sistem pemprosesan informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologis. JST merupakan generalisasi model matematik pada jaringan syaraf biologis
JST Asumsi JST Pemprosesan informasi terjadi pada banyak elemen sederhana (neuron) Sinyal dikirim antara neuron melalui penghubung-penghubung (pautan) Penghubung antar pautan memiliki bobot yang dapat memperkuat atau memperlemah sinyal Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi
JST JST ditentukan oleh 3 hal : Arsitektur jaringan (pola hubungan antar neuron) Metode untuk menentukan bobot penghubung (metode training) Fungsi Aktivasi
Aplikasi JST Pengenalan Pola (huruf, suara, angka, tanda tangan) Signal Processing (JST model ADALINE) Peramalan berdasarkan kejadian masa lalu
Perceptron dalam Matlab Sistem default dalam matlab : Masukan dan target tidak harus biner/bipolar Threshold yang dipakai adalah nol Fungsi aktivasi memiliki output biner Tidak ada laju penambahan
Perceptron dalam Matlab Format : net = newp(PR, S, TF, LF) net.IW{i,j} % inisialisasi bobot awal dari layer ke j ke layer ke I (bobot awal) PR: matriks Rx2, dengan R buah inputan S : jumlah neuron target TF : fungsi biner (default ‘hardlim’) LF : fungsi latihan (default ‘learnp’)
Contoh Perceptron Bentuklah perceptron untuk mengenali pola logika “dan” dari 2 variable! >> net = newp([0 1; 0 1],1); >> net.IW{1,1}=[-1 1]; >> net.b{1}=[1]; >> p=[[1 ; 1] [1 ; 0 ] [ 0 ; 1] [0 ; 0]]; >> t=[ 1 0 0 0]; >> a= sim (net,p) ===== lanjut contoh mfile
Backpropagation dengan Matlab net= newff(PR, [s1 s2…. sn],{tf1 tf2…tfn},BTF,BLF,PF) PR = matriks ordo Rx2 Si = jumlah unit pada layer ke I tf i= fungsi aktivasi yang digunakan pada layer I BTF= fungsi latihan jaringan, default tansig(sigmoid bipolar) BLF = fungsi perubahan bobot/biar , default learngdm PF = fungsi error, default mse
Contoh Lanjut Minggu depan saja ya…..