(Jaringan Syaraf Tiruan) ANN (Artificial Neural Network)

Presentasi berjudul: "(Jaringan Syaraf Tiruan) ANN (Artificial Neural Network)"— Transcript presentasi:

1 (Jaringan Syaraf Tiruan) ANN (Artificial Neural Network)
JST (Jaringan Syaraf Tiruan) ANN (Artificial Neural Network)

2 Bagaimana Manusia Belajar
Menangis? Berjalan? Berbahasa? Berpikir? Merasakan?

3

4 Outline Otak Manusia Jaringan Saraf Tiruan (JST) Konsep Dasar JST
Komponen JST Arsitektur JST Fungsi Aktivasi JST

5 Otak Manusia

6 Otak Manusia Kemampuan manusia dalam memproses informasi, mengenal wajah, tulisan, dsb. Kemampuan manusia dalam mengidentifikasi wajah dari sudut pandang yang belum pernah dialami sebelumnya, Bahkan anak-anak dapat melakukan hal tsb. Kemampuan melakukan pengenalan meskipun tidak tahu algoritma yang digunakan. Proses pengenalan melalui peninderaan berpusat pada otak sehingga menarik untuk mengkaji struktur otak manusia

7 Otak Manusia

8 Otak Manusia © 2000 John Wiley & Sons, Inc.

9 Otak Manusia Bertugas untuk memproses informasi
Seperti prosesor sederhana? (rumit?) 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 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!

10 Jaringan Saraf Tiruan (JST)

11 JST - Pengertian Jaringan syaraf tiruan adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut Tiruan karena di implementasikan dengan program komputer

12 JST - Sejarah 1940 : llmuwan menemukan bahwa psikologi otak manusia sama dengan pemrosesan komputer 1943 : McCulloch dan Pitts merancang model pertama kali sebagai perhitungan dasar neuron 1949 : Hebb menyatakan bahwa informasi dapat disimpan dalam koneksi-koneksi dan mengusulkan adanya skema pembelajaran untuk memperbaiki koneksi-koneksi antar neuron tersebut

13 JST - Sejarah 1954 : Farley dan Clark mensetup model- model untuk relasi adaptif stimulus-respon dalam jaringan random 1958 : Rosenblatt mengembangkan konsep dasar tentang perceptron untuk klasifikasi pola 1960 : Widrow dan Hoff mengembangkan ADALINE untuk kendali adaptip dan pencocokan pola yang dilatih dengan aturan pembelajaran Least Mean Square

14 JST - Sejarah 1974 : Werbos memperkenalkan algoritma backpropagation untuk melatih perceptron dengan banyak lapisan 1975 : Little dan Shaw menggambarkan jaringan syaraf menggunakan model probalistik 1982 : KOhonen mengembangkan metode pembelajaran jaringan syaraf yang tidak terawasi (unsupervised learning) untuk pemetaan

15 JST - Sejarah 1982 : Grosberg mengembangkan teori jaringan yang terinspirasi oleh perkembangan psikologi. Bersama Carpenter mereka mengenalkan sejumlah arsitektur jaringan, Adaptive Resonance Theory (ART), ART2 dan ART3 1982 : Hopfield mengembangkan jaringan syaraf recurrent yang dapat digunakan untuk menyimpan informasi dan optimasi

16 JST - Sejarah 1985 : Algoritma pembelajaran dengan menggunakan mesin Boltzmann yang menggunakan model jaringan syaraf probabilistik mulai dikembangkan 1987 : kosko mengembangkan jaringan Adaptive Bidirectional Associative Memory (BAM) 1988 : mulai dikembangkan fungsi radial basis

17 Konsep Dasar JST

18 10 - 100 Milyar neuron 10 - 100 Trilyun koneksi Store & retrieve?
Unlimited capacity? How we learn? [Sumber: Digital Studio – Paris, Perancis]

19 Konsep Dasar JST

20 Konsep Dasar JST Sejumlah sinyal masukan x dikalikan dengan masing-masing penimbang yang bersesuaian W Kemudian dilakukan penjumlahan dari seluruh hasil perkalian tersebut dan keluaran yang dihasilkan dilalukan kedalam fungsi pengaktip untuk mendapatkan tingkatan derajad sinyal keluarannya F(x.W) Walaupun masih jauh dari sempurna, namun kinerja dari tiruan neuron ini identik dengan kinerja dari sel otak yang kita kenal saat ini Misalkan ada n buah sinyal masukan dan n buah penimbang, fungsi keluaran dari neuron adalah seperti persamaan berikut: F(x,W) = f(w1x1 + … +wnxn)

21 Komponen JST Jaringan syaraf terdiri atas beberapa neuron
Ada hubungan antar neuron Neuron mentransformasikan informasi yg diterima melalui sambungan keluarnya menuju neuron-neuron yg lain Pada jaringan syaraf hubungan ini dikenal dengan bobot

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 Arsitektur JST Neuron-neuron dikelompokkan dalam lapisan-lapisan
Neuron yang terletak pada lapisan yang sama akan memiliki keadaan yang sama Kelakuan neuron ditentukan oleh fungsi aktivasi dan pola bobotnya

24 Arsitektur JST Para ahli memodelkan sel syaraf otak manusia ke dalam berbagai arsitektur ANN (susunan neuron) yang berbeda- beda. Masing-masing arsitektur menggunakan algoritma belajar khusus.

25 Single-Layer Feedforward Networks

26 Multi-Layer Feedforward Networks

27 Recurrent Networks (dengan hidden neurons)

28 Lattice Structure (satu dimensi, 3 neurons)

29 Lattice Structure (dua dimensi, 3x3 neurons)

30 Fungsi Aktivasi Hard Limit Threshold Linear (Identity) Sigmoid
Radial Basis Function (RBF) …

31 Hard Limit

32 Treshhold

33 Symetric Hard Limit

34 Bipolar Treshold

35 Linear (Identity)

36 Piecewise Linear

37 Symetric Piecewise Linear

38 Sigmoid

39 Symetric (Bipolar) Sigmoid

40 Radial Basis Function (RBF)