Neural Network.

Presentasi berjudul: "Neural Network."— Transcript presentasi:

1 Neural Network

2 Proses Pembelajaran Jaringan syaraf mencoba mensimulasikan kemampuan otak manusia untuk belajar Nilai yang menunjukkan seberapa besar nilai koneksi antar neuron dsb bobot Perubahan yang terjadi selama proses pembelajaran adalah perubahan nilai bobot Nilai bobot bertambah jika informasi yang diberikan neuron yang bersangkutan tersampaikan

3 Nilai akan berkurang jika informasi tidak disampaikan
Saat pembelajaran dilakukan pada input yang berbeda maka nilai bobot akan diubah secara dinamis hingga mencapai suatu nilai yang seimbang Jika nilai telah tercapai mengindikasikan bahwa tiap-tiap input telah berhubungan dengan output yang diharapkan

4 a. Supervised learning Pembelajaran terawasi jika output yang diharapkan telah diketahui sebelumnya Contoh : Pengenalan pola , misal pada operasi AND Input Output

5 Pada proses pembelajaran, satu pola input akan diberikan ke satu neuron pada lapisan input
Pola ini akan dirambatkan sepanjang jalur syaraf hingga sampai ke neuron pada lapisan output. Lapisan output ini akan membangkitkan pola output yang nantinya akan dicocokkan dengan pola output targetnya

6 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

7 Unsupervised learning
Tidak memerlukan target output Tidak dapt 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 mengelempokkan unit-unit yang hampir sama dalam satua area tertentu Cocok untuk pengelompokkan pola

8 Supervised learning Hebb Rule Perceptron Delta Rule Backpropagation
Heteroassociative Memory Bidirectional Associative Memory Learning Vector Quantization

9 Hebb Rule Pembelajaran dilakukan dengan cara memperbaiki nilai bobot sedemikian rupa sehingga jika nika ada 2 neuron yang terhubung dan keduanya pada kondisi hidup pada saat yang sama, maka bobot antara keduanya dinaikkan. Perbaikan bobotnya

10 wi = bobot data input ke-i
xi = input data ke – I y = output data Misalkan kita gunakan pasangan vektor input s dan vektor output sebagai pasangan vektor yang akan dilatih. Sedangkan vektor yang hendak digunakan untuk testing adalah vektor x

11 Algoritma 0. Inisialilasi semua bobot
wij =0; dengan I = 1,2,…,n dan j=1,2,..m 1. Untuk setiap pasangan input-output (s-t), lakukan langkah-langkah sebagi berikut : Set input dengan nilai sama dengan vektor input : xi = si ; (i=1,2,3,..n) b. Set output dengan nilai sama dengan vektor output Perbaiki bobot yj = tj (j=1,2,3,..m) wij(baru) = wij (lama) + xi*yj; (i = 1,2,3,..n dan j = 1,2,3,..m) Nilai bias selalu 1

12 b. Perceptron Digunakan untuk mengklasifikasikan suatu tipe terntentu dsb pemisahan secara linier Perceptron pada jaringan syaraf dengan satu lapisan memiliki bobot yang bisa diatur dan suatu nilai ambang (threshold) Algoritma akan mengatur parameter-parameter bebasnya melalaui proses pembelajaran Nilai threshold (Θ) pada fungsi aktivasi adalah non negatif

13 Gbr. Pembatasan linier dengan perceptron

14 Garis pemisah antara daerah positip dan daerah nol memiliki pertidaksamaan
w1x1 + w2x2 + b >Θ Garis pemisah antara daerah negatif dengan daerah nol memiliki pertidaksamaan Misalkan kita gunakan pasangan vektor input s dan vektor output sebagai pasangan vektor yang akan dilatih

15 Algoritmanya 0. inisialisasi semua bobot dan bias :
(untuk sederhananya set semua bobot dan bobot bias sama dengan nol) set learning rate α (0<α≤1) (untuk sederhananya set sama dengan 1) 1. Selama kondisi berhenti bernilai false, lakukan langkah-langkah sebagai berikut :

16 Untuk setiap pasangan pembelajaran s-t, kerjakan
a. set input dengan nilai sama vektor input : xi = si b. Hitung respon untuk unit output 1, jika y_in >Θ Y = 0, jika -0 ≤ y_in ≤ Θ -1, jika y_in<Θ

17 c. Perbaiki bobot dan bias jika terjadi error
Jika y ≠ t maka : wi(baru) =wj(lama) + α*t*xi b(baru) = b(lama) + α*t Jika tidak, maka: wi(baru) = wi(lama) b(baru) = b(lama)

18 ii. Tes kondisis berhenti: jika tidak terjadi perubahan bobot (i) maka kondisi berhenti true, namun jika masih terjadi perubahan maka kondisi berhenti false

19 c. Delta Rule Mengubah bobot yang menghubungkan antara jaringan input ke unit output (y_in) dengan nilai target (t) Ini dilakukan untuk meminimalkan error selama pelatihan pola Delta rule untuk memperbaiki bobot ke-I (utk setiap pola) adalah ∆wi = α(t – y_in) *xi

20 x = vektor input y_in = input jaringan ke unit output Y T = Target (output) Nilai w yang baru diperoleh dari nilai w lama ditambah dengan ∆w wi = wi + ∆wi