Jaringan Syaraf Tiruan

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

1 Jaringan Syaraf Tiruan
Pertemuan 13 Jaringan Syaraf Tiruan

2 SUB TOPIK BAHASAN Pengertian JST Komponen JST Arsitektur JST
Fungsi Aktivasi

3 Pengertian JST Jaringan syaraf merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut Buatan karena di implementasikan dengan program komputer

4 KOmponen Jaringan Syaraf
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

5 Arsitektur Jaringan 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

6 a. Single Layer net

7 b. Multiple Layer Net

8 Fungsi aktivasi Masukan pada jaringan akan diproses oleh suatu fungsi yang akan menjumlahkan nilai-nilai semua bobot dan bias. Hasil dari penjumlahan akan dibandingkan dengan suatu nilai ambang (threshold) melalui fungsi aktivasi setiap neuron.

9 Hard Limit (undak Biner)

10 Symetric Hard Limit (Bipolar)

11 Fungsi Linier (Identitas)
y = x

12 Symetric Saturating Linear

13 Sigmoid Biner

14 Sigmoid Bipolar

15 Proses Pembelajaran Supervised learning UnSupervised learning

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

17 a. Supervised learning 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

18 B Unsupervised learning
Tidak memerlukan target output Tidak dapat 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 mengelompokkan unit-unit yang hampir sama dalam satuan area tertentu Cocok untuk pengelompokan pola

19 Penerapan Jaringan Syaraf Tiruan

20 Model Hebb Diusulkan oleh Donald Olding Hebb pada th 1949
Metode pengembangan dari metode McCulloch-Pitts Menentukan bobot dan bias secara analitik (manual) Pembelajaran dilakukan dengan memperbaiki nilai bobot secara continue

21 Model Hebb Perbaikan bobot diperoleh dengan cara
wi(baru) = wi(lama) + xi*y b(baru) = b(lama) + y dengan: wi = bobot data input ke-i xi = input data ke-i y = output data b = nilai bias

22 algoritma Inisialisasi semua bobot :
wij =0; dengan i=1,2,...,n; j=1,2,...,m Untuk setiap pasangan input-output (s-t), lakukan langkah sbb: set input dengan nilai sama dengan vektor input: xi = si ; (i =1,2,..,n) Set output dengan nilai sama dengan vektor output: yj = tj ; (j =1,2,..,m) Perbaiki bobot: wij = wij + xiyi ; (i =1,2,..,n); dan (j =1,2,..,m)

23 Kasus OR {-1,-1,-1} w1 = 0 + (-1)(-1) = 1 w2 = 0 + (-1)(-1) = 1
b = 0 + (-1) = -1 {-1,1,1} w1 = 1 + (-1)(1) = 0 w2 = 1 + (1)(1) = 2 b = -1 + (1) = 0 {1,-1,1} w1 = 0 + (1)(1) = 1 w2 = 2 + (-1)(1) = 1 b = 0 + (1) = 1 {1,1,1} w1 = 1 + (1)(1) = 2 b = 1 + (1) = 2 Kasus OR X1 X2 t -1 1

24 Akhir pembelajaran, diperoleh bobot akhir w1 = 2, w2=2, b=2 Pengujian : x1 = -1 dan x2 = 1 , maka : y = (2)(-1) + ( 2) (1) + 2 = 2 Dengan fungsi bipolar , maka diperoleh output y =F(2) =1  karena 2 > 1 Sehingga y = t

25 Model Perceptron Digunakan untuk mengklasifikasikan suatu tipe pola tertentu Mengatur parameter2 melalui proses pembelajaran. Pembelajaran utk mendapatkan bobot akhir dilakukan secara berulang sampai sdh tdk ada error (output = target) Namun jika msh ada error maka proses dihentikan  maksimum epoh. Epoh ; proses pengulangan utk melatih semua pasangan data.

26 Arsitektur perceptron

27 Algoritma Pelatihan Inisialisasi laju pembelajaran (α), nilai ambang (𝛉), bobot, bias Menghitung Jika y ≠ target, lakukan update bobot dan bias Wi baru = Wlama + α.t.Xi b baru = b lama + α.t Ulang dari langkah 2 sampai tidak ada update bobot lagi

28 {0,0,0} y = 0 + ( ) = 0 {0,1,1} y = 0 + ( ) = 0 y ≠ t, maka update bobot dan bias W1baru = = 0 W2baru = = 1 bias baru = = 1 y = 1 + ( ) = 2, output = 1 {1,0,1} y = 1 + ( ) = 1, output = 1 {1,1,1} y = 1 + ( ) = 2, output = 1 Kasus OR X1 X2 t 1 Inisialisasi: α = 1, 𝛉 = 0,1 w = 0, b = 1 Input dan target berbentuk biner

29 {0,0,0} y = 1 + ( ) = 1 y ≠ t, maka update bobot dan bias W1baru = = 0 W2baru = = 1 bias baru = = 2 y = 2 + ( ) = 2, output=1 terjadi stagnasi walaupun bobot dan bias diupdate terus. maka input dan target biner tdk cocok utk kasus OR.

30 Kasus OR {-1,-1,-1} y = 0 + (0.-1 + 0.-1) = 0
y ≠ t, maka update bobot dan bias W1baru = = 1 W2baru = = 1 bias baru = = -1 y = -1 + ( ) = -3, output = -1 {-1,1,1} y = -1 + ( ) = -1 W1baru = = 0 W2baru = = 2 bias baru = = 0 Kasus OR X1 X2 t -1 1

31 y = 0 + ( ) = 2, ouput = 1 {1,-1,1} y = 0 + ( ) = -2 y ≠ t, maka update bobot dan bias W1baru = = 1 W2baru = = 1 bias baru = = 1 y = 1 + ( ) = 1 {1,1,1} y = 1 + ( ) = 3, output=1

32 Pada akhir pembelajaran diperoleh w1=1, w2 = 1, dan b=1.
Pengujian data : Input : x1 = -1, dan x2 = 1 maka; y = 1 + ( ) = 1  y = t