View
225
Download
0
Category
Preview:
Citation preview
JARINGAN SARAF TIRUAN
(ARTIFICIAL NEURAL NETWORK)
ERWIEN TJIPTA WIJAYA, ST, M.KOM
INTRODUCTION
Jaringan Saraf Tiruan atau JST adalah
merupakan salah satu representasi tiruan dari otak
manusia yang selalu mencoba untuk
mensimulasikan proses pembelajaran pada otak
manusia.
Istilah Tiruan / Buatan digunakan karena JST ini
diimplementasi pada program komputer yang
mampu menyelesaikan proses penghitungan
selama proses pembelajaran.
HUMAN BRAIN
Bertugas untuk memproses informasi Seperti prosesor sederhana.
Masing-masing cell tersebut berinteraksi mendukung kinerja otak
Setiap sel (neuron) memiliki satu nukleus (soma), bertugas memproses informasi, informasi diterima oleh dendrit, dan disebarkan melalui akson
Pertemuan informasi antar syaraf berada di sinapsis
CONTINUE HUMAN BRAIN
axon
cell body
synapse
nucleus
dendrites
CONTINUE HUMAN BRAIN
Manusia memiliki +10^12 neuron Dan 6x10^18 sinapsis
Informasi yang dikirimkan berupa rangsangan dengan sebuah batas ambang (threshold) Pada batas tertentu, syaraf lain akan teraktifasi
dan merespon
Hubungan antar syaraf terjadi secara dinamis
Otak manusia memiliki kemampuan untuk belajar dan beradaptasi Mampu mengenali pola, wajah, mengkontrol
organ tubuh
CONTINUE HUMAN BRAIN
Neuron merupakan sistem yang fault tolerance
Dapat mengenali sinyal input yang berbeda dari sebelumnya Dapat mengenali orang yang belum pernah ditemui hanya
dengan melihat dari foto.
Dapat mengenali orang yang berubah karena tua.
Tetap dapat bekerja walau beberapa neuronnya rusak, neuron lain dapat tumbuh dan dilatih
HISTORY OF ARTIFICIAL NEURAL NETWORK
Sejak ditemukan, JST telah mengalami tahap-tahap perkembangan diantaranya adalah :
1940, Para ilmuwan menemukan bahwa psikologi dari otak sama dengan mode pemrosesan yang dilakukan oleh peralatan komputer.
1943, McCulloch dan Pitts merancang model formal yang pertama kali sebagai perhitungan dasar neuron.
1949, Hebb menyatakan bahwa informasi dapat disimpan dalam koneksi – koneksi dan mengusulkan adanya skema pembelajaran untuk memperbaiki koneksi – koneksi antar neuron tersebut.
1954, Farley dan Clark mensetup model-model untuk relasi adaptif stimulus-respon dan jaringan random.
1958, Rosenblat mengembangkan konsep dasar Perceptron untuk klasifikasi pola.
1960, Widrow dan Hoff mengembangkan ADALINE untuk kendali adaptif dan pencocokan pola yang dilatih dengan aturan pembelajaran Least Mean Square (LSM)
1974, Werbos mengenalkan algoritma Backpropagation untuk melatih Perceptron dengan banyak lapisan.
1975, Little dan Shaw menggambarkan jaringan saraf dengan menggunakan probabilistik.
1982, Kohonen mengembangkan metode pembelajaran jaringan saraf yang tidak terawasi (Unsupervised Learning) untuk pemetaan.
1982, Grossberg dan Carpenter mengembangkan teori jaringan yang di inspirasi oleh perkembangan psikologi. Arsitektur jaringan tersebut diberi nama antara lain : Adaptive Resonance Theory (ART), ART2 dan ART3
1982, Hopfield mengembangkan jaringan syaraf reccurent yang dapat digunakan untuk menyimpan informasi dan optimasi.
1985, Algoritma Boltzmann untuk jaringan syaraf probabilistik.
1987, dikembangkan BAM (Bidirectional Associative Memory).
1988, dikembangkan Radial Basis Function.
Dan seterusnya...????
COMPONENT OF ANN
Ada macam – macam algoritma pada JST, tetapi semua jenis algoritma memiliki komponen yang sama antara satu dengan yang lainnya.
JST juga memiliki neuron dan saling terhubung antara neuron satu dengan neuron yang lainnya.
Neuron tersebut akan mentransformasikan informasi yang diterima melalui sambungan keluarnya (dendrit) melalui sinapsis menuju ke neuron – neuron yang lainnya.
Pada JST ini hubungan ini dikenal dengan istilah bobot / weight (w).
Informasi tersebut disimpan pada suatu nilai tertentu pada bobot.
GENERAL STRUCTURE NEURON OF ANN
∑ bobot
Input dari
neuron – neuron
yang lain
Fungsi aktivasi
output
bobot Output ke
neuron2 yang
lain
X1
X2
X3
Y1
Y2
Y3
W1
W2
W3
ACTIVATION
FUNCTION
INPUT OUTPUT
Y1 = X1.W1 + X2.W2 + X3.W3; dst…
DESCRIPTION STRUCTURE OF NEURON
Informasi (dari input) akan dikirim ke neuron dengan
nilai bobot.
Input diproses oleh fungsi perambatan yang akan
menjumlahkan nilai – nilai semua bobot yang datang.
Hasil penjumlahan ini kemudian akan dibandingkan
dengan nilai batas ambang (threshold) tertentu melalui
fungsi aktivasi setiap neuron.
Apabila input melewati suatu nilai ambang tertentu
maka neuron tersebut akan diaktifkan.
Apabila neuron tersebut diaktifkan, maka neuron
tersebut mengirimkan output melalui bobot-bobot
outputnya ke semua neuron yang berhubungan
dengannya.
NEURON LAYERS
Neuron pada lapisan input (Input Layer)
Neuron pada lapisan tersembunyi (Hidden Layer)
Neuron pada lapisan output (Output Layer)
ARSITEKTUR JARINGAN
Jaringan Dengan Lapisan Tunggal (Single Layer
Net)
X1
X2
X3
Y1
Y2
W11 W
32
W31
W22
W21
W12
Nilai Input
Lapisan Input
Matriks Bobot
Lapisan Output
Nilai Output
Jaringan Dengan Banyak Lapisan (Multi Layer Net)
Jaringan Dengan Lapisan Kompetitif (Competitive
Layer Net)
FUNGSI AKTIVASI / ACTIVATION FUNCTION
Fungsi Undak Biner (Hard Limit)
Jaringan dengan lapisan tunggal sering menggunakan
fungsi undak (step function) untuk mengkonversi input
dari suatu variabel yang bernilai continue ke suatu
output biner (0 atau 1).
Dapat dirumuskan sebagai berikut :
1
y
x0
0 x jika,1
0 x jika,0y
Fungsi Undak Biner (Threshold)
Fungsi undak biner dengan menggunakan batas
ambang sering juga disebut dengan nama fungsi nilai
ambang (threshold) atau fungsi Heaviside.
Dapat dirumuskan sebagai berikut :
0
1
y
x0
x jika,1
x jika,0y
Fungsi Bipolar (Symetric Hard Limit)
Fungsi bipolar hampir sama dengan fungsi undak biner.
Output yang dihasilkan terdiri – dari nilai 0,1 dan -1
Dapat dirumuskan sebagai berikut :
0
-1
x
1
y
0 x jika,1
0 x jika,0
0 x jika,1
y
Fungsi Bipolar (Dengan Threshold)
Fungsi bipolar hampir sama dengan fungsi undak biner
dengan nila batas ambang.
Output yang dihasilkan terdiri – dari nilai 0,1 dan -1
Dapat dirumuskan sebagai berikut :
0
-1
x
1
y
0
x jika,1
x jika,1y
Fungsi Linier (Identitas)
Fungsi linier memiliki nilai output sama dengan nilai
inputnya.
Dapat dirumuskan sebagai berikut :
0
-1
x
1
y
-1 1
y = x
Fungsi Saturating Linier
Fungsi ini akan bernilai 0, jika x > -0,5
Fungsi ini akan bernilai 1, jika x < 0,5
Jika nilai inputnya antara -0,5 ≤ x ≤ 0,5 maka outputnya
akan bernilai sama dengan nilai input ditambah 0,5 (y =
x + 0,5)
1
y
x0 0,5-0,5
0,5- x jika;0
0,5x0,5- jika0,5; x
0,5 x jika;1
y
Fungsi Symetric Saturating Linier
Fungsi akan bernilai -1, jika x < -1
Fungsi akan bernilai 1, jika x > 1
Jika nilai inputnya antara -1 ≤ x ≤ 1 maka outputnya
akan bernilai sama dengan nilai inputnya (y = x)
0
-1
x
1
y
-1 1
1 - x jika;1
1x 1 - jikax;
1 x jika;1
y
Fungsi Sigmoid Biner
Fungsi ini digunakan untuk JST yang dilatih dengan
menggunakan metode backpropagation.
Fungsi ini memiliki nilai 0 sampai dengan 1
Fungsi ini digunakan untuk JST yang memiliki nilai
output dengan interval 0 s/d 1
xe
xfy
1
1
xfxfxf 1'
Dengan
Fungsi Sigmoid Bipolar
Fungsi ini hampir sama dengan sigmoid biner.
Perbedaannya yaitu pada nilai outputnya mulai dari -1 ≤ x ≤ 1
= 1
= 2σ
σ
= 0,5σ
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
- 10 - 8 - 6 - 4 - 2 0 2 4 6 8 10
y
x
x
x
e
exfy
1
1)(
xfxfxf 112
'
Dengan
Fungsi ini dekat dengan hyperbolic tangen
keduanya memiliki range -1 s/d 1
xx
xx
ee
eexfy
)( x
x
e
exfy 2
2
1
1)(
xfxfxf 11'
Dengan
atau
LEARNING PROCESS
Pembelajaran Terawasi (Supervised Learning)
Metode Pembelajaran pada JST disebut terawasi jika output yang diharapkan telah diketahui sebelumnya.
Pada proses pembelajaran, satu pola input akan diberikan ke satu neuron pada lapisan input. Pola ini akan dirambatkan di sepanjang jaringan syaraf hingga sampai ke neuron lapisan output.
Lapisan output ini akan membangkitkan pola output yang nantinya akan dicocokan dengan pola output targetnya.
Apabila terjadi nilai perbedaan pada waktu proses pencocokan maka akan muncul nilai error.
Apabila nilai error masih terlalu besar maka perlu dilakukan proses pembelajaran lagi.
Contoh : Operator biner AND
Pembelajaran Tidak Terawasi (UnSupervised
Learning)
Metode ini tidak memerlukan target output.
Metode ini tidak dapat diharapkan outputnya seperti
pada waktu proses pembelajaran (training).
Pada proses pembelajaran, nilai bobot disusun dalam
suatu range tertentu tergantung pada nilai input yang
diberikan.
Tujuan pembelajaran adalah mengelompokan atau
peng-klasifikasian unit – unit yang hampir sama dalam
suatu area tertentu.
Biasanya digunakan untuk klasifikasi pola.
TERIMA KASIH
Recommended