Aplikasi Matlab untuk Jaringan Syaraf Tiruan

Presentasi berjudul: "Aplikasi Matlab untuk Jaringan Syaraf Tiruan"— Transcript presentasi:

1 Aplikasi Matlab untuk Jaringan Syaraf Tiruan
Contoh Penggunaan Multi Layer Perceptron (MLP) Aplikasi Matlab untuk Jaringan Syaraf Tiruan

2 Kegunaan JST JST bisa digunakan untuk menyelesaikan berbagai masalah, seperti: klasifikasi, optimasi, kompresi, peramalan (forecasting), sistem kontrol, sistem pendeteksian kecurangan dsb.

3 Contoh masalah

4 I. Membuat Jaringan (Network) dengan MLP-JST 1
I. Membuat Jaringan (Network) dengan MLP-JST 1. Menentukan matrik input dan matrik target

5 Masukan Input data dan target Data
Input data merupakan beberapa himpunan observasi yang bisa terdiri dari beberapa inputan. Pada contoh ini ada 3 input data (IPK, Psikologi, Wawancara). Target data merupakan himpunan data yang merupakan keputusan dari hasil inputan data. Pada contoh ini berupa keputusan diterima atau ditolak. Proses data input dan target dimasukan seperti gambar berikut.

6 Langkah di Matlab (Menentukan matrik input dan matrik target)
Ketik nntool di command window, kemudian enter. Maka akan muncul:

7

8 2. Menentukan parameter JST pada Jaringan
Setelah menentukan matrik masukan (matrik P) dan matrik target (matrik T). Kemudian menentukan parameter belajar dan menjalankan proses belajar terhadap JST, yakni: Implementasi jenis JST yang digunakan Multilayer Perceptron (MLP), dengan metode Feed forward backpropagation. Arsitektur yang digunakan 3-2-1, artinya 3 node masukan (psikotes, ipk, wawwancara), 2 neuron pada hidden layer dan 1 neuron pada output layer. Sebagai kondisi berhenti adalah nilai ambang Mean Square Error (MSE) sebesar 10-5 atau maksimum iterasi sebanyak 5000 epoch.

9 Langkah di Matlab (Menentukan parameter JST)
Klik Rekrutmen pada kolom networks dua kali

10 3. Pelatihan Jaringan (Network Training)
Pelatihan jaringan menggunakan algoritma propagasi balik (back forward backpropagation) untuk melatih model Multi Layer Perceptron (MLP). Hasil pelatihan jaringan dilakukan sampai dihasilkan Mean Square Error (MSE) yang diharapkan kecil dan nilai R mendekati 1. Setelah nilai MSE dan R sudah didapatkan sesuai kriteria, maka pelatihan jaringan (Network training) dihemtikan. Sehingga akan dihasilkan nilai bobot sinaptik dari proses pelatihan adalah matrik W1 (bobot sinaptik antara input dengan hidden neuron) dan W2 (bobot sinaptik antara hidden neuron dengan output.

11 Langkah di Matlab (Pelatihan Jaringan)
Klik train network

12

13 Perhitungan mendapatkan output berdasarkan bobot sipnastik dan bias yang didapatkan dari model MLP JST diatas

14 II.Contoh aplikasi MLP-JST pada peramalan (regression)
Ketik nftool

15 Hasil plot regression Nilai koeefisien determinasi (R) cukup bagus = 0,769 Persamaan : Output=0,67*Target + 0,33

16 Kriteria model peramalan bagus dapat dilihat dari hasil sbb
Nilai Mean Square Error = , mendekati nol ( sangat kecil)

17 II.Contoh aplikasi MLP-JST pada pengklasifikasian
Masih menggunakan input data tes calon karyawan dan hasilnya akan diklasifikasikan diterima atau tidak diterima. 1. Ketik nprtool pada comand window, akan muncul toolbox sbb:

18

19 %E = 0, menunjukan tidak ada salah dalam pengklasifikasian nya ( not misclassification)

20 Selamat Belajar