SISTEM CERDAS Jaringan Syaraf Tiruan
2 Pengantar
Jaringan saraf tiruan (neural network) telah berhasil diterapkan untuk menyelesaikan masalah-masalah dalam dunia nyata dalam berbagai bidang
Fungsi JST adalah untuk menentukan pola masukan baru yang belum diketahui kategori klasnya menggunakan pengetahuan dari pembelajaran terbimbing sebelumnya.
Contoh aplikasi JST:
Pengenalan pola
Optimasi
Kendali
Forecasting
3 Pengertian Jaringan Saraf Tiruan
Jaringan saraf merupakan salah satu representasi buatan dari otak manusia yang berusaha mensimulasikan proses pembelajaran pada otak manusia tersebut.
Tiruan, karena jaringan saraf ini diimplementasikan dengan menggunakan program komputer.
4 Jaringan syaraf biologi
5 Konsep Dasar Jaringan Saraf Tiruan
ilustrasi analogi dari jaringan saraf biologi dan jaringan saraf tiruan
sebuah neuron memiliki tiga komponen:
synapsis (w1, w2, ..., wn)
alat penambah (adder)
fungsi aktivasi (f)
6 Analogi jaringan saraf biolog dan tiruan
Biological Artificial
Soma Neuron
Dendrites Input
Axon Output
Synapse Weight
7 Konsep...
Hubungan antara ketiga komponen ini dirumuskan dengan persamaan:
Sinyal x berupa vektor berdimensi n (x1, x2, ..., xn)T.
Jumlah dari penguatan tersebut akan mengalami tranformasi oleh fungsi aktifasi f.
Fungsi f ini membandingkan, bila hasil penjumlahan penguatan sinyal itu telah melampaui batas nilai /nilai ambang (threshold) tertentu, maka sel neuron tersebut akan diaktifkan atau dalam kondisi ”1”
8 Konsep... Sebuah jaringan saraf tiruan dapat dianalisa dari dua sisi:
bagaimana neuron-neuron itu dirangkaikan dalam satu jaringan (arsitektur)
bagaimana jaringan tersebut dilatih agar memberikan output sesuai dengan yang diharapkan (algoritma pembelajaran).
9 Arsitektur JST Lapis Tunggal
10 JST sederhana
11 JST sederhana
12 Operasi JST
13 Operasi JST
14 Arsitektur JST Banyak Lapis
15 JST lapis banyak
Nilai keluaran dari lapis tersembunyi mempunyai persamaan:
dan
Nilai keluaran dari lapis keluaran
16 Fungsi aktivasi
17 Algoritma Pembelajaran
Tujuan pembelajaran adalah membuat agar sistem ber”pengetahuan”.
Proses pembelajaran pada dasarnya adalah pengaturan terhadap bobot-bobot yang ada pada jaringan saraf tiruan, sehingga diperoleh bobot akhir yang sesuai dengan pola data yang dilatihkan.
18 Pembelajaran Hebb Rule
L0. Inisialisasi semua bobot:
dengan i= 1,2,...,n
L1. Untuk setiap pasangan vektor pembelajaran input-output lakukan langkah
L2. Tetapkan aktivasi unit input:
L3. Tetapkan aktivasi unit output:
L4. Atur bobot:
Atur bias:
19 Implementasi dalam progam MATLAB
function [w,b]=lhebb(pm,pt)
%Input : pm = pola-pola masukan
% pt = pola-pola target
%Output : bobot
% inisialisasi semua bobot nol
w= rand(1,length(pm(1,:)));
w= w-w
b=0;
for k=1:length(pm(:,1))
disp('data ke'),k
s= pm(k,:);
x=s;
t=pt(k,:);
y=t';
% Perbarui bobot
w = w + (y * x)
b = b + y
end
20 Contoh 1 Daerah tanggapan fungsi AND Masukan Keluaran x1 x2 t 1 1 1
21 Tanggapan Contoh batas keputusan linier
Batas keputusan: Bobot: b=-1, w1=1, dan w2=1
22 Implementasi dalam program MATLAB
%contoh1.m
%Data pelatihan
Clear;
pm=[1 1;1 -1;-1 1;-1 -1];
pt=[1;-1;-1;-1];
%Mode training
% inisialisasi semua bobot nol
w= rand(1,length(pm(1,:)));
w=w-w;
b=0;
for k=1:length(pm(:,1))
s= pm(k,:);
x=s;
t=pt(k,:);
y=t';
% Perbarui bobot
w= w + (y * x)
b=b+y
end;
23 Implementasi dalam program MATLAB
%Mode testing
%
Px=input('Masukkan pola data yang diujikan: ')
yin=b+Px*w'
if yin >= 0
yin= 1;
else
yin=-1;
end
y=yin
24 Memahami fungsi aktivasi
Fungsi bipolar dengan threshold (θ)
function y=bipolar2(x,th)
if x > th
y=1;
elseif x < -1*th
y=-1;
else
y=0;
end
sumber : https://slideplayer.info/