pertemuan 13
DESCRIPTION
Pertemuan 13. Jaringan Syaraf Tiruan. SUB TOPIK BAHASAN. Pengertian JST Komponen JST Arsitektur JST Fungsi Aktivasi. Pengertian JST. - PowerPoint PPT PresentationTRANSCRIPT
![Page 1: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/1.jpg)
PERTEMUAN 13
Jaringan Syaraf Tiruan
![Page 2: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/2.jpg)
SUB TOPIK BAHASAN
Pengertian JST Komponen JST Arsitektur JST Fungsi Aktivasi
![Page 3: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/3.jpg)
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
![Page 4: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/4.jpg)
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
![Page 5: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/5.jpg)
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
![Page 6: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/6.jpg)
A. SINGLE LAYER NET
Nilai Input
X1 lapisan inputX3X2
Y1 Y2
Matriks bobot
Lapisan Output
Nilai Output
W11W12 W32W31
W22W21
![Page 7: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/7.jpg)
B. MULTIPLE LAYER NETNilai Input
X1 lapisan inputX3X2
Z1 Z2
Matriks bobot Pertama
Lapisan Tersembunyi
Matriks Bobot kedua
V11V12 V32V31
V22V21
Y Lapisan Output
Nilai Output
W1 W2
![Page 8: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/8.jpg)
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.
![Page 9: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/9.jpg)
HARD LIMIT (UNDAK BINER)
1
Y
X0
y0,1
0,0
xjika
xjika
![Page 10: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/10.jpg)
SYMETRIC HARD LIMIT (BIPOLAR)
y0,1
0,0
0,1
xjika
xjika
xjika1
Y
X0
-1
![Page 11: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/11.jpg)
FUNGSI LINIER (IDENTITAS)
1
Y
X0
-1
1-1
y = x
![Page 12: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/12.jpg)
SYMETRIC SATURATING LINEAR
![Page 13: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/13.jpg)
SIGMOID BINER
![Page 14: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/14.jpg)
SIGMOID BIPOLAR
![Page 15: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/15.jpg)
PROSES PEMBELAJARAN
Supervised learning UnSupervised learning
![Page 16: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/16.jpg)
A. SUPERVISED LEARNING
Pembelajaran terawasi jika output yang diharapkan telah diketahui sebelumnya
Contoh : Pengenalan pola , misal pada operasi AND
Input Output0 0 00 1 0
1 0 0 1 1 1
![Page 17: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/17.jpg)
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
A. SUPERVISED LEARNING
![Page 18: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/18.jpg)
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
![Page 19: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/19.jpg)
PENERAPAN JARINGAN SYARAF TIRUAN
![Page 20: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/20.jpg)
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
![Page 21: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/21.jpg)
Perbaikan bobot diperoleh dengan cara
wi(baru) = wi(lama) + xi*yb(baru) = b(lama) + y
dengan:wi = bobot data input ke-ixi = input data ke-iy = output datab = nilai bias
Model Hebb
![Page 22: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/22.jpg)
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)
![Page 23: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/23.jpg)
KASUS OR
X1 X2 t
-1 -1 -1
-1 1 1
1 -1 1
1 1 1
{-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
w2 = 1 + (1)(1) = 2
b = 1 + (1) = 2
![Page 24: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/24.jpg)
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 outputy =F(2) =1 karena 2 > 1
Sehingga y = t
![Page 25: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/25.jpg)
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.
![Page 26: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/26.jpg)
ARSITEKTUR PERCEPTRON
X1
Xi
Xn
y
1
W1
W i
Wn
W0...
.
.
.
![Page 27: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/27.jpg)
ALGORITMA PELATIHAN Inisialisasi laju pembelajaran (α), nilai ambang
(𝛉), bobot, bias Menghitung
Menghitung
Jika y ≠ target, lakukan update bobot dan biasWi baru = Wlama + α.t.Xib baru = b lama + α.t
Ulang dari langkah 2 sampai tidak ada update bobot lagi
![Page 28: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/28.jpg)
KASUS OR
X1 X2 t
0 0 0
0 1 1
1 0 1
1 1 1
{0,0,0}y = 0 + (0.0 + 0.0) = 0
{0,1,1}y = 0 + (0.0 + 0.1) = 0y ≠ t, maka update bobot dan biasW1baru = 0 + 1.1.0 = 0 W2baru = 0 + 1.1.1 = 1bias baru = 0 + 1.1 = 1{0,1,1} y = 1 + (0.0 + 1.1) = 2, output = 1
{1,0,1}y = 1 + (0.1 + 1.0) = 1, output = 1
{1,1,1} y = 1 + (0.1 + 1.1) = 2, output = 1
Inisialisasi:α = 1,
𝛉 = 0,1w = 0, b = 1
Input dan target berbentuk biner
![Page 29: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/29.jpg)
{0,0,0}y = 1 + (0.0 + 1.0) = 1 y ≠ t, maka update bobot dan biasW1baru = 0 + 1.1.0 = 0 W2baru = 1 + 1.1.0 = 1bias baru = 1 + 1.1 = 2{0,0,0} y = 2 + (0.0 + 1.0) = 2, output=1 y ≠ t, maka update bobot dan biasterjadi stagnasi walaupun bobot dan bias diupdate terus.maka input dan target biner tdk cocok utk kasus OR.
![Page 30: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/30.jpg)
KASUS ORX1 X2 t
-1 -1 -1
-1 1 1
1 -1 1
1 1 1
{-1,-1,-1}y = 0 + (0.-1 + 0.-1) = 0y ≠ t, maka update bobot dan biasW1baru = 0 + 1.-1.-1 = 1 W2baru = 0 + 1.-1.-1 = 1bias baru = 0 + 1.-1 = -1{-1,-1,-1} y = -1 + (1.-1 + 1.-1) = -3, output = -1
{-1,1,1}y = -1 + (1.-1 + 1.1) = -1y ≠ t, maka update bobot dan biasW1baru = 1 + 1.1.-1 = 0 W2baru = 1 + 1.1.1 = 2bias baru = -1+ 1.1 = 0
![Page 31: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/31.jpg)
y = 0 + (0.-1 + 2.1) = 2, ouput = 1 {1,-1,1}
y = 0 + (0.1 + 2.-1) = -2y ≠ t, maka update bobot dan biasW1baru = 0 + 1.1.1 = 1 W2baru = 2 + 1.1.-1 = 1bias baru = 0+ 1.1 = 1y = 1 + (1.1 + 1.-1) = 1
{1,1,1}y = 1 + (1.1 + 1.1) = 3, output=1
![Page 32: Pertemuan 13](https://reader035.vdokumen.com/reader035/viewer/2022062222/56814e3c550346895dbba53f/html5/thumbnails/32.jpg)
Pada akhir pembelajaran diperoleh w1=1, w2 = 1, dan b=1.
Pengujian data :Input : x1 = -1, dan x2 = 1 maka;
y = 1 + (-1.1 + 1.1) = 1 y = t