jst

JSTJaringan Saraf Tiruan

Tahapan JSTTahap pembelajaranTahap implementasi / testing

Paradigma PembelajaranTerawasi (Supervised Learning)

input dan output ditentukan, ada contoh untuk pelatihan.

Tak Terawasi (Unsupervised Learning)tak ada contoh pelatihan.

Gabungan antara Supervised dan Unsupervised (Hybrid)

PerceptronNeuron: Sel syaraf biologisPerceptron: Sel syaraf buatan

◦Fungsi Input◦Fungsi Aktivasi◦Output

Perceptron

PerceptronPerceptron = MODEL

SEDERHANA dari neuronApa yang bisa dilakukan oleh

satu perceptron?KlasifikasiPrediksiOptimasi, …

ANDx1 x2 y0 0 0

0 1 0

1 0 0

1 1 1

1

0v

vifvif

v01

)()(v

θ = 1,5

w = 1

w = 1

x1

x2

y

p

iiixwv

1

y

ORx1 x2 y0 0 0

0 1 1

1 0 1

1 1 1

θ = 0,5

w = 1

w = 1

x1

x2

y

1

0v

vifvif

v01

)()(v

p

iiixwv

1

y

XOR

θ = 0,5w = -1x1

y

w = -1x2

w = 1

w = 1 θ = 0,5

w = 1

w = 1

y

θ = 0,5

y

y

x1 x2 y0 0 0

0 1 1

1 0 1

1 1 0

Visualisasi 100 dimensi?Bisa dengan Perceptron?

Pola Pix1

Pix2

Pix3

Pix4

Pix5 … Pix

100E1 0 0 1 1 1 … 0F1 0 0 1 1 1 … 0G1 0 1 1 1 1 … 1O1 0 1 1 1 1 … 1..

O5 0 1 1 1 1 … 1

Input layerof source

node

Layer ofhidden

neurons

Layer ofoutput

neurons

Multi-Layer Perceptron (MLP)

Back Propagation(Propagasi balik)

Algoritma Belajar Propagasi BalikDefinisikan masalah

◦Matriks pola masukan (P) ◦matriks target (T)

Inisialisasi parameter jaringan◦Arsitektur jaringan (misalkan I-H-O)◦Bobot acak (atau dengan metode

tertentu)◦Learning rate (lr) laju belajar◦Threshold MSE untuk menghentikan

learning

Pola Pix1

Pix2

Pix3

Pix4

Pix5 … Pix

100E1 0 0 1 1 1 … 0F1 0 0 1 1 1 … 0G1 0 1 1 1 1 … 1O1 0 1 1 1 1 … 1E2 0 0 1 1 1 … 0… … … … … … … …O5 0 1 1 1 1 … 1

Pengenalan Karakter E, F, G, O

N1 N2 N3 N4 Kelas

1 0 0 0 E0 1 0 0 F0 0 1 0 G0 0 0 1 O1 0 0 0 E… … … … …0 0 0 1 O

Matriks P Matriks T

0.71

-0.21

0.33

0.97

-0.18

0.62

0.55

-0.12

0.75

W1

-0.52

0.91

0.29

0.97-0.18

0.62

0.55

-0.12

-0.12

0.68

W2

-0.21

-0.53

0.58

0.320.25

-0.17

-0.93

0.45

0.88

0.87

W2-0.54

0.15

-0.49

0.68

-0.24

-0.95

-0.37

0.89

0.34

W1

0.9

0.1

0.4

0.3

A21

0

0

0

T 0.1

-0.1

-0.4

-0.3

ETrainingW1 & W2:

Random

9.5

4.3

8.7

A1

F2, G2, O2, …dan seterusnyahingga pola O5

0.01

-0.83

0.19

0.34

0.22

0.62

0.60

-0.53

-0.38

W1

0.31

-0.38

0.35

0.87-0.18

0.30

0.03

-0.09

0.98

0.74

W2

0.8

0.2

0.1

0.2

A21

0

0

0

Kelas

Testing

W1 & W2: Trained

Strategi penggunaan ANN Cara memandang masalah:

◦ Klasifikasi◦ Sekuriti◦ Prediksi◦ Optimasi

Teknik learning: Supervised/Unsupervised Desain Arsitektur

◦ Jumlah layer◦ Jumlah neuron◦ Pemetaan output

Strategi learning◦ Penyiapan data: filterisasi data, pembagian data (training, validasi, test)◦ Parameter: inisialisasi (acak atau memakai algoritma), laju belajar, dsb.◦ Penghentian learning

Kasus 1 Verifikasi tandatangan

OFFLINE atau ONLINE?Citra: 100 x 100 pixel grayscaleSatu juta tandatangan?

Input & Output?P dan T?Struktur dan parameter MLP?Perlu preprocessing?

Kasus 2: Sistem keamanan

Satu ruangan hanya 10 orang yang boleh masuk

Setiap orang yang akan masuk ruangan harus menempelkan ibu jari untuk diverifikasi sidik jarinya

Citra: 300 x 300 pixels

Input & Output?P dan T?Struktur dan parameter MLP?Perlu preprocessing?

Kasus 3: Prediksi pelanggan PSTN

Data riil dari PT TelkomJumlah pelanggan bulanan selama

7 tahunError harus < 1 %

Input & Output?P dan T?Struktur dan parameter MLP? Perlu preprocessing?

Kasus 4: Spam FilteringEmail spam

◦Email sampah atau email yang tidak diperlukan user

◦Contoh: Instant messaging spam Web search engine spam Blogs spam Mobile phone messaging spam, dsb.

◦Jumlahnya mencapai 90 milyar per hari

Tujuan SpamPenipuan (lotre, silahkan hubungi

kami di alamat ...)Money laundring (menawarkan

transaksi pekerjaan yang berhubungan dengan rekening bank)

Promosi produk (seperti produk obat-obatan)

Menyebarkan virus, trojan, worm, dsb.

From: DOUGLAS M ROBIN douglas_markrobin@yahoo.co.ukSubject: COMPLETE THE FORM WITH YOUR PASSPORT PHOTO ATTACHEDThe National LotteryPAYMENT/PROCESSING OFFICE, LONDON, UK.3240 RIDGE-WAY,LONDON NW71RN. 00447040112422 Batch/074/05/ZY3Ticket/ 5647600545188Serial No /5073-11 Dear (), l acknowledge the receipt of your mail, as regard your request the reason is that over the years we have

had cases of double claim of winnings and with the help of the verification form its earlier to detect the winners in various category.

Your information is need to process other vital document before your cash prize can be release to you for claim. 

l need those vital information alongside passport photo to proceed with the processing of your winnings.l need urgent response in 24 hrs because you have less 2 weeks . 

Regards,Douglas Robin.(FIDUCIARY OFFICER)

Discovery ChallengeMerupakan kompetisi tingkat

internasional tentang Personalised Spam Filtering yang diselengarakan di Humboldt-Universität zu Berlin, Jerman.

Menemukan daftar aturan atau strategi yang dapat membedakan suatu email sebagai spam atau bukan.

Data 4000 email sebagai training set untuk proses pelatihan

(learning). 2000 spam dan 2000 non-spam. 4000 email sebagai tune set (validation set) untuk

proses validasi hasil learning. 2000 spam dan 2000 non-spam.

2500 email sebagai validation set untuk proses validasi hasil learning. Data ini diambil dari suatu inbox pengguna yang berisi 1250 spam dan 1250 non-spam.

7500 email sebagai test set yang belum ada labelnya: spam atau non-spam. Data ini diambil dari 3 inbox, dimana masing-masing inbox berisi 2500 email.

Aturan Agar kompetisi berjalan adil, 18.000 email tersebut

dikodekan ke dalam angka-angka. Pertama, dibuat daftar semua kata yang pernah muncul

pada semua email tersebut (sering kita sebut dengan wordlist atau dictionary). Dari semua email tersebut, ternyata dihasilkan dictionary yang berisi lebih dari 200.000 kata.

Kedua, setiap email akan diparsing dan setiap kata yang ditemukan diganti dengan nomor kata pada dictionary yang sudah dibuat tadi dan dihitung juga frekuensi kemunculan setiap kata dalam email tersebut.

Email spam diberi kode 1, email non-spam diberi kode -1, dan email yang belum diketahui spam atau non-spam diberi kode 0.

Misal: Wordlist (Dictionary)

No Kata1 attached2 document3 form4 lottery5 national 6 open7 passport 8 ticket… …

200.000 urgent

From: DOUGLAS M ROBIN douglas_markrobin@yahoo.co.ukSubject: COMPLETE THE FORM WITH YOUR PASSPORT PHOTO ATTACHEDThe National LotteryPAYMENT/PROCESSING OFFICE, LONDON, UK.3240 RIDGE-WAY,LONDON NW71RN. 00447040112422 Batch/074/05/ZY3Ticket/ 5647600545188Serial No /5073-11 Dear (), l acknowledge the receipt of your mail, as regard your request the reason is that over the years we have

had cases of double claim of winnings and with the help of the verification form its earlier to detect the winners in various category.

Your information is need to process other vital document before your cash prize can be release to you for claim. 

l need those vital information alongside passport photo to proceed with the processing of your winnings.l need urgent response in 24 hrs because you have less 2 weeks . 

Regards,Douglas Robin.(FIDUCIARY OFFICER)

Contoh: Spam Email 1 35:1 73:1 77:1 206:1 16176:1 1 2058:1 27162:1 49588:1 1 9:3 94:1 109:1 163:1 405:1 406:1 415:2 416:1 435:3 436:3 437:4 440:4 450:3 456:1 457:1 461:1 466:1 467:1 477:1 478:1 751:1 1015:1 1034:14 1041:1 1216:1 1226:1 1231:1 1666:1 2344:1 2345:1 2505:1 2528:1 3498:1 4339:1 4463:1 7480:1 8143:1 15050:1 17176:1 19051:1 20895:1 22963:1 35908:1 48253:1 49469:1 60004:1 78684:1 84924:1 85550:1 93429:1 95839:1 106782:1 106783:4 106784:2 106785:2 106786:1 106788:1 106802:1 106803:1

Contoh: Non-Spam Email -1 9:1 82:1 92:1 104:1 231:1 308:1 338:1 351:1 390:1 440:2 693:1 933:1 975:1 984:1 1631:1 2404:2 2560:2 2589:2 3361:1 3630:1 4042:1 4059:1 6515:1 7851:1 8762:1 10427:1 16178:1 37517:1 44973:1 53347:1 109089:2 109090:1 110944:1 111668:1 133323:1 140060:1 155590:1

Contoh: Email Tak Berlabel 0 94:1 204:1 257:1 582:1 4898:1 6371:1

Teknik Klasifikasi?ID3Bayesian LearningAlgoritma GenetikaSupport Vector MachineANN: MLPAtau teknik lainnya

Training Set

Email ke- K1 K2 K3 K4 K5 K6 … K200000 Kelas1 3 9 0 0 0 2 … 1 12 7 3 0 2 0 1 … 0 -13 2 0 17 1 0 8 … 0 14 9 2 4 16 5 7 … 8 15 1 0 2 6 0 5 … 16 -16 7 0 0 0 0 0 … 0 17 0 3 0 0 0 8 … 0 -18 5 12 3 1 0 0 … 0 19 6 8 0 18 0 0 … 5 1… … … … … … … … … …

4000 8 2 0 23 0 1 … 9 -1

Supervised Unsupervised

Klasifikasi Clustering

Kelas harus diketahui Kelas tidak harus diketahui

Waktu training lambat Waktu training cepat

Supervised vs Unsupervised

Supervised vs UnsupervisedSupervised Klasifikasi

◦Jumlah kelas diketahui◦Tersedia data latih yang VALID

Unsupervised Clustering◦Jumlah kelas bisa tidak diketahui◦Tidak tersedia data latih yang VALID

User mengajari ANN

ANN memberitahu user

ANNKlasifikasi atau ClusteringMudah implementasiAkurasi tinggi Tahan noiseImplementasi hardaware (CHIP)Harus tersedia data latih dengan kelas

yang jelasWaktu training lamaTraining ulangPenalarannya tidak bisa dijelaskan

(Weights)