pertemuan 13
DESCRIPTION
Pertemuan 13. Jaringan Syaraf Tiruan. SUB TOPIK BAHASAN. Pengertian JST Komponen JST Arsitektur JST Fungsi Aktivasi. Pengertian JST. - PowerPoint PPT PresentationTRANSCRIPT
PERTEMUAN 13
Jaringan Syaraf Tiruan
SUB TOPIK BAHASAN
Pengertian JST Komponen JST Arsitektur JST Fungsi Aktivasi
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
KOMPONEN JARINGAN SYARAF
Jaringan syaraf terdiri atas beberapa neuron
Ada hubungan antar neuron Neuron mentransformasikan informasi yg
diterima melalui sambungan keluarnya menuju neuron-neuorn yg lain
Pada jaringan syaraf hubungan ini dikenal dengan bobot
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
A. SINGLE LAYER NET
Nilai Input
X1 lapisan inputX3X2
Y1 Y2
Matriks bobot
Lapisan Output
Nilai Output
W11W12 W32W31
W22W21
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
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.
HARD LIMIT (UNDAK BINER)
1
Y
X0
y0,1
0,0
xjika
xjika
SYMETRIC HARD LIMIT (BIPOLAR)
y0,1
0,0
0,1
xjika
xjika
xjika1
Y
X0
-1
FUNGSI LINIER (IDENTITAS)
1
Y
X0
-1
1-1
y = x
SYMETRIC SATURATING LINEAR
SIGMOID BINER
SIGMOID BIPOLAR
PROSES PEMBELAJARAN
Supervised learning UnSupervised learning
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
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
B UNSUPERVISED LEARNING
Tidak memerlukan target output Tidak dapt 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 mengelempokkan unit-unit yang hampir sama dalam satua area tertentu
Cocok untuk pengelompokkan pola
PENERAPAN JARINGAN SYARAF TIRUAN
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
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
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)
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
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
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.
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
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
{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.
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
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
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