Praktikum Metkuan Jaringan Syaraf Tiruan Propagasi Balik

Presentasi berjudul: "Praktikum Metkuan Jaringan Syaraf Tiruan Propagasi Balik"— Transcript presentasi:

1 Praktikum Metkuan Jaringan Syaraf Tiruan Propagasi Balik

2 Jaringan Syaraf Tiruan
Perceptron Single Layer JST Multi Layer Perceptron (MLP) JST Propagasi Balik

3 Multiple Layer 1 bias v01 1 v11 X1 w01 Z1 w11 v12 Y1 v21 w21 X2 Z2 v22
Output Layer v02 1 input Layer Hidden Layer

4 Review Perceptron : AND
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

5 Review Perceptron : 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

6 Review Perceptron : 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

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

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

9 Tabel

10 JST Propagasi Balik 3 tahapan :
1. Feedforward pola pelatihan yang diinput 2. perhitungan dan propagasi balik kesalahan 3. penyesuaian bobot (weight). Untuk mendapatkan bobot akhir yang bisa memetakan output dengan tepat, diperlukan 3 tahapan di atas

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

12 Fungsi Aktivasi Fungsi bipolar Fungsi bipolar dengan threshold

13 Fungsi Aktivasi Fungsi Linier (identitas) Fungsi Sigmoid biner

14 Contoh Kasus Misal akan dibuat arsitektur JST Back Propagation mengenali angka 1-9 dengan 5 neuron pada hidden layer dengan fungsi tansig (tan sigmoid) dan 4 neuron pada output dengan fungsi purelin (pure linear)

15 function NN() %ada 15 baris karena grid 3x5 rangeinput=[0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1 ]; %bikin feedforward net=newff(rangeinput,[5 4],{'tansig' 'purelin'}); % 5 neouron hidden dengan tansig, 4 neuron output dengan purelin %inisialisasi net=init(net);

16 angka1=[0; 1; 0; 1; 1; 0; 0; 1; 0; 1; 1; 1]; angka2=[1; 1; 1; 0; 0; 1; 0; 1; 1; angka3=[1; 1; 1; 1; 1; 1; angka4=[1; 0; 1; 1; 0; 1; 0; 0; 1];

17 angka5=[1; 1; 1; 1; 0; 0; 1; 1; 1; 0; 0; 1; 1; 1; 1];
p=[angka1 angka2 angka3 angka4 angka5 angka6 angka7 angka8 angka9]; t=[ ; ; ; ; ; ; ; ; ]; %9x9 karena data trainingnya ada 9

18 t=t'; %training net= train(net, p, t); %testing %a=sim(net, datatesting) %melihat nilai semua bobot dari lapisan input ke layer disp('net.IW{1,1}-->'); net.IW{1,1} %melihat nilai semua bobot dari layer 1 ke layer 2 disp('net.LW{2,1}-->'); net.LW{2,1} disp('net.b{1}-->'); net.b{1} disp('net.b{2}-->'); net.b{2} datatesting=[0; 1; 0; 1; 1; 0; 0; 1; 0; 0; 1; 0; 1; 1; 1]; a=sim(net,datatesting)

19 Latihan Input training data

20 Input testing data

21 neuron Input : 15 neurons Hidden layer : 5 neurons
Output layer : 4 neurons Hidden layer : purelin (linear) Output layer : tansig (sigmoid)