Jaringan Syaraf Tiruan

Presentasi berjudul: "Jaringan Syaraf Tiruan"— Transcript presentasi:

1 Jaringan Syaraf Tiruan
PKB - Antonie

2 Biological Inspiration
Animals are able to react adaptively to changes in their external and internal environment, and they use their nervous system to perform these behaviours. The nervous system is build by relatively simple units, the neurons, so copying their behavior and functionality should be the solution.

3 Human Brain Bertugas untuk memproses informasi
Seperti prosesor sederhana Masing-masing cell tersebut berinteraksi mendukung kinerja otak Setiap sel (neuron) memiliki satu nukleus (soma), bertugas memproses informasi, informasi diterima oleh dendrit, dan disebarkan melalui akson Pertemuan informasi antar syaraf berada di sinapsis

4 Human Brain Manusia memiliki krg lbh 10^12 neuron! Dan 6x10^18 sinapsis! Informasi yang dikirimkan berupa rangsangan dengan sebuah batas ambang (threshold) Pada batas tertentu, syaraf lain akan teraktifasi dan merespon Hubungan antar syaraf terjadi secara dinamis Otak manusia memiliki kemampuan untuk belajar dan beradaptasi Mampu mengenali pola, wajah, mengkontrol organ tubuh!

5 Human Neuron Dendrites Soma (cell body) Axon

6 Human Neuron (Detail) dendrites axon synapses

7 Human Brain Neuron merupakan sistem yang fault tolerance
Dapat mengenali sinyal input yang berbeda dari sebelumnya Dapat mengenali orang yg blm pernah ditemui hanya dengan melihat dari foto Dapat mengenali orang yang berubah krn tua misalnya Tetap dapat bekerja walau beberapa neuronnya rusak, neuron lain dapat tumbuh dan dilatih

8 Learning in biological systems
Learning = learning by adaptation The young animal learns that the green fruits are sour, while the yellowish/reddish ones are sweet. The learning happens by adapting the fruit picking behavior. At the neural level the learning happens by changing of the synaptic strengths, eliminating some synapses, and building new ones.

9 Learning as optimisation
The objective of adapting the responses on the basis of the information received from the environment is to achieve a better state. E.g., the animal likes to eat many energy rich, juicy fruits that make its stomach full, and makes it feel happy. In other words, the objective of learning in biological organisms is to optimise the amount of available resources, happiness, or in general to achieve a closer to optimal state.

10 JST Suatu sistem pemrosesan informasi yang mencoba meniru kinerja otak manusia Merupakan generalisasi model matematis dengan asumsi: Pemrosesan informasi terjadi pada elemen sederhana (=neuron) Sinyal dikirimkan diantara neuron-neuron melalui penghubung (=dendrit dan akson) Penghubung antar elemen memiliki bobot yang akan menambah atau mengurangi sinyal Untuk menentukan output, setiap neuron memiliki fungsi aktivasi (biasanya non linier) yang dikenakan pada semua input Besar output akan dibandingkan dengan threshold

11 JST Baik tidaknya suatu model JST ditentukan oleh:
Pola antar neuron (arsitekur jaringan) Metode untuk menentukan dan mengubah bobot (disebut metode learning) Fungsi aktivasi JST disebut juga: brain metaphor, computational neuroscience, parallel distributed processing

12 JST JST dapat belajar dari pengalaman!
Biasanya berhubungan dengan angka (numerik) sehingga data yang tidak numerik harus dibuat ke numerik Tidak ada rumus yang tetap (fixed) sehingga disebut dengan free-estimator! JST disebut black box atau tidak transparan karena tidak mampu menjelaskan bagaimana suatu hasil didapatkan! JST mampu menyelesaikan permasalahan yang tidak terstruktur dan sulit didefinisikan!

13 Kelebihan JST Mampu mengakuisisi pengetahuan walau tidak ada kepastian
Mampu melakukan generalisasi dan ekstraksi dari suatu pola data tertentu JST dapat menciptakan suatu pola pengetahuan melalui pengaturan diri atau kemampuan belajar (self organizing) Memiliki fault tolerance, gangguan dapat dianggap sebagai noise saja Kemampuan perhitungan secara paralel sehingga proses lebih singkat

14 JST mampu: Klasifikasi: memilih suatu input data ke dalam kategori tertentu yang sudah ditetapkan Asosiasi: menggambarkan suatu obyek secara keseluruhan hanya dengan bagian dari obyek lain Self organizing: kemampuan mengolah data-data input tanpa harus mempunyai target Optimasi: menemukan suatu jawaban terbaik sehingga mampu meminimalisasi fungsi biaya

15 Kelemahan JST Kurang mampu untuk melakukan operasi operasi numerik dengan presisi tinggi Kurang mampu melakukan operasi algoritma aritmatik, operasi logika dan simbolis Lamanya proses training yang mungkin terjadi dalam waktu yang sangat lama untuk jumlah data yang besar

16 Aplikasi JST Pengenalan pola (pattern recognition) Signal Processing
Huruf, tanda tangan, suara, gambar yang sudah sedikit berubah (mengandung noise) Identifikasi pola saham Pendeteksian uang palsu, kanker Signal Processing Menekan noise pada saluran telepon Peramalan Peramalan saham Autopilot dan simulasi Kendali otomatis otomotif

17 Aplikasi JST Tasks to be solved by artificial neural networks:
controlling the movements of a robot based on self-perception and other information (e.g., visual information); deciding the category of potential food items (e.g., edible or non-edible) in an artificial world; recognizing a visual object (e.g., a familiar face); predicting where a moving object goes, when a robot wants to catch it.

18 Sejarah 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

19 Sejarah 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

20 Model Neuron JST Bobot Y1 = X1.W1 + X2.W2 + X3.W3; dst… X1 X2 X3 Y1 Y2
Fungsi aktivasi Masukkan Keluaran Bobot Y1 = X1.W1 + X2.W2 + X3.W3; dst…

21 Model Neuron Pada JST, neuron-neuron akan dikumpulkan dalam lapisan lapisan yang disebut dengan layers Neuron dalam satu lapisan akan dihubungkan dengan neuron pada lapisan lainnya Kadang muncul juga layer tersembunyi (hidden layer) untuk menambah keakuratan pelatihan Informasi tersebut bisa dirambatkan secara forward ataupun backward

22 Istilah dalam JST 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

23 JST dengan 3 layer

24 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

25 Model JST Single Layer Multi Layer Competitive Layer / Recurrent

26 Pengelompokkan JST JST Feed Forward JST Feed Backward (Recurrent)
Tidak mempunyai loop Contoh: single layer perceptron, mutilayer perceptron, radial basis function JST Feed Backward (Recurrent) Memiliki loop, lapisan output akan memberi input lagi bagi lapisan input Contoh: competitive networks, kohonen, hopfield, ART

27 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 Hibrida Learning Gabungan antara unsupervised dan supervised

28 Algoritma Pembelajaran Umum
Dimasukkan n data pelatihan Inisialisasi bobot-bobot jaringan, set i = 1 Masukkan contoh ke-i ke dalam input Cari tingkat aktivasi unit output menggunakan algoritma yang ditetapkan If memenuhi kriteria output then exit else: Update bobot2 menggunakan fungsi galat error, Bobot baru = bobot lama + delta If i=n then reset i=1, else i=i+1

29 JST dan Aplikasi Klasifikasi: ADALINE, Backpropagation
Pengenalan Pola: ART, Backpropagation Peramalan: ADALINE, MADALINE, Backpropagation Optimasi: ADALINE, Hopfield, Boltzman, Backpropagation

30 Fungsi Aktivasi Fungsi undak biner (hard limit)
Fungsi undak biner (threshold) 

31 Fungsi Aktivasi Fungsi bipolar Fungsi bipolar dengan threshold

32 Fungsi Aktivasi Fungsi Linier (identitas) Fungsi Sigmoid biner

33 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

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

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

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

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

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

39 Tabel

40 Jaringan HEBB Menggunakan iterasi untuk menghitung bobot dan bias
Dalam setiap iterasi, bobot dan bias diubah berdasarkan rumus tertentu W = bobot Wbaru = Wlama + X1Y1 Algoritma: Init, semua bobot wi = 0 Untuk semua input: Set fungsi aktivasi xi = si Set output y=t Perbaiki bobot: w(baru) = w(lama) + delta w, dengan delta w = xi*y Perbaiki bias, b(baru) = b(lama) + y

41 To Be Continued Jaringan HEBB Jaringan Perceptron
Jaringan Back Propagation Hybrid JST