Neural Network Toolbox dalam Matlab

Sejarah sederhana menjadi sebuah sistemTiruanmeningkat Jaringan Saraf neural akan kombinasi beberapa neuron
kan kemampuan komputasinya. Bobot dalam jaringan diatur untuk melakukan fungsi logi ka sederhana. Fungsi aktivasi yang dipakai adalah fungsi threshold. Tahun 1958 Rosenblatt

Tahun 1943

McCulloch dan Pitts

memperkenalkan dan mulai mengembangkan model jaringan yang disebut Percep tron. Metode pelatihan diperkenalkan untuk mengoptimalkan hasil iterasinya.

Tahun 1960

Widrow dan Hoff

mengembangkan perceptron dengan memperkenalkan aturan pelatihan jaringan, yang dikenal sebagai aturan delta (kuadrat ratarata terke cil). Aturan ini akan mengubah bobot perceptron apabila keluaran yang dihasilkan tidak sesuai dengan target yang diinginkan.

Kohonen (1972), Hopfield (1982), dll. Pengembangan yang ramai dibicarakan sejak ta hun 1990an adalah aplikasi modelmodel jaringan syaraf tiruan untuk menyelesaikan berbagai masalah di dunia nyata.

Jaringan Syaraf Tiruan berkembang secara pesat pada beberapa tahun terakhir. Jaringan Syaraf Tiruan telah dikembangkan sebelum adanya suatu computer konvension al yang canggih dan terus berkembang walaupun pernah mengalami masa vakum selama beber apa tahun.

 Neural Network (NN) merupakan suatu model yang dibuat untuk meniru fungsi belajar yang dimiliki otak manusia. Neuron adalah unit pemroses informasi yang menjadi dasar dalam pengoperasian jaringan syaraf tiruan. Kumpulan dari neuron dibuat menjadi sebuah jaringan yang akan berfungsi sebagai alat komputasi. Jumlah neuron dan struktur jaringan untuk setiap problema yang akan diselesaikan adalah berbeda.

Neuron terdiri dari 3 elemen pembentuk : 1. Himpunan unit-unit yang dihubungkan dengan jalur koneksi. Jalur-jalur tersebut memiliki bobot/kekuatan yang berbeda-beda. Bobot yang bernilai positif akan memperkuat sinyal dan yang negatif akan memperlemah sinyal yang dibawanya. Jumlah, struktur dan pola hubungan antar unit-unit tersebut akan membentuk arsitektur jaringan. 2. Suatu unit yang akan menjumlahkan input-input sinyal yang sudah dikalikan dengan bobotnya. Misal x1,x2, . . . , xn adalah unit-unit input dan wj1,wj2, , wjm adalah bobot penghubung dari unit-unit tersebut ke unit keluaran Yj maka unit penjumlah akan memberikan keluaran sebesar uj= x1wj1 + x2wj2 + + xm wjm. 3. Fungsi aktifasi yang akan menentukan apakah sinyal dari input neuron diteruskan ke neuron lain ataukah tidak.

JST dibentuk sebagai generalisasi model matematik a dari jaringan syaraf biologi, dengan asumsi bahwa: Pemrosesan informasi terjadi pada banyak elem en sederhana (neuron). Sinyal dikirimkan diantara neuronneuron melalui penghubung-penghubung. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal.

Model Otak Manusia Dalam Prespektif Biologi.

struktur ideal NN

Informasi dialirkan antar neuron dalam bentuk stimulasi listrik sepanjang dendrites. Informasi masuk yang mencapai dendrites dikuatkan, kemudian dibawah sepanjang axon untuk mencapai dendrites di ujungnya, dimana informasi tersebut akan diteruskan ke neuron lainnya jika sinyal stimulasi melewati threshold.

Informasi (sebagai input) dikirim ke neuron melalui suatu pembobotan input. Input ini diproses oleh suatu fungsi propagation yang menaikan nilai bobot input. Hasilnya kemudian dibandingkan dengan threshold oleh activation function.

Cara Kerja Neural Network

Jaringan syaraf tiruan merupakan algoritma komputasi yang meniru cara kerja sel syaraf. Semua sinyal yang masuk dikalikan dengan bobot yang ada pada tiap masukan, oleh sel neuron, semua sinyal yang sudah dikalikan dengan bobot dijumlahkan kemudian ditambah lagi dengan bias. Hasil penjumlahan ini diinputkan ke suatu fungsi (fungsi aktifasi) menghasilkan keluaran dari neuron (di sini digunakan fungsi aktifasi linier). Selama proses pembelajaran, bobot-bobot dan bias selalu diperbaharui menggunakan algoritma belajar.

Gambar 1. Sel neuron ketika sedang melakukan proses belajar

Untuk proses identifikasi, bobot-bobot yang yang secara langsung memboboti masukan inilah yang dinamakan sebagai parameter yang dicari, seperti terlihat pada Gambar 1, parameter yang dicari adalah harga w1, w2, w3 dan w4.

Sejumlah sinyal masukan a dikalikan dengan masing-masing penimbang yang bersesuaian w. Kemudian dilakukan penjumlahan dari seluruh hasil perkalian tersebut dan keluaran yang dihasilkan dilakukan kedalam fungsi pengaktif untuk mendapatkan tingkatan derajat sinyal keluarannya F (a,w).

Gambar 2 Model Otak Manusia Dalam Prespektif Biologi.

Gambar 1 Model tiruan sebuah Neuron

Walaupun masih jauh dari sempurna, namun kinerja dari tiruan neuron ini identik dengan kinerja dari sel biologi yang kita kenal saat ini.

Karakteristik network 1. Arsitektur Jaringan yaitu pola keterhubungan antar neuron 2. Algoritma jaringan (pelatihan, pembelajaran), metoda untuk menentukan bobot keluaran. 3. Fungsi Aktifasi, menentukan nilai keluaran berdasarkan total masukkannya.

Beberapa arsitektur jaringan yang sering dipakai dalam jaringan syaraf tiruan antara lain :

1. Jaringan Layar Tunggal (single layer network) dalam jaringan ini, sekumpulan input neuron dihubungkan langsung dengan sekumpulan outputnya. 2. Jaringan Layar Jamak (multi layer network) Jaringan Layar Jamak merupakan perluasan dari layar tunggal. Dalam jaringan ini, selain unit input dan output, ada unit lain yang berada diantara keduanya atau sering disebut layar tersembunyi. Sama seperti pada unit input atau output, unit-unit pada layar tersembunyi tidak saling berhubungan. 3. Jaringan Reccurent Mirip dengan jaringan tunggal ataupun ganda, hanya ada neuron output yang memberikan sinyal pada unti input (feedback loop)

Kapan Neural Network digunakan? Neural Network digunakan saat berhadapan dengan masalah-masalah non linear atau masalah yang sensitif yang tidak memungkinkan memmakai pemrograman konvensional.

Kegunaan Neural Network

Menyimpan dan memanggil data (pola) Mengklasifikasi pola Melakukan pemetaan dari pola-pola masukan ke dalam pola-pola keluaran Pemetaan berdasarkan pola-pola sejenis Menyelesaikan masalah optimasi terbatas

Fungsi Aktivasi
Fungsi aktivasi merupakan fungsi yang digunakan pada jaringan syaraf untuk mengaktifkan atau tid ak mengaktifkan neuron. Seperti terlihat pad gam bar 3 sebuah neuron akan mengolah N input (x1, x2, ..,xN) yang masingmasing memiliki bobot w1, w2, w3, ..,wN) dan b obot bias b, dengan rumus : Kemudian fungsi aktivasi F akan mengaktivasi a m enjadi output jaringan y.

Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan. Fungsi aktivasi yang disediakan pada toolbox matlab, antara lain: 1. Fungsi undak biner (hardlim) Fungsi undak biner (step function) sering digunak an pada jaringan dengan lapisan tunggal untuk m engkonversi input dari suatu variabel yang bernila i kontinu ke suatu output biner (0 atau 1) dengan syntax: Y = hardlim(a).

2. Fungsi bipolar (hardlims) Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner, hanya saja output yang dih asilkan berupa 1 atau 1. Pada matlab fungsi ini lebih dikenal dengan nama hardlims, dengan syntax: Y = hardlim(a).

3. Fungsi linier (purelin) Fungsi linier memiliki nilai output yang sama de ngan nilai inputnya. Pada matlab fungsi aktiva si linier (identitas) dikenal dengan nama pureli n, dengan syntax : Y = purelin(a).

4.Fungsi saturating linier (satlin) Fungsi ini akan bernilai 0 jika inputnya kurang da ri , dan akan bernilai 1 jika inputnya lebih dari . Sedangkan jika nilai input terletak antara dan , maka outputnya akan bernilai sama dengan nilai input ditambah . Pada matlab sy ntax yang digunakan adalah: Y = satlin(a).

5. Fungsi symetric saturating linier (satlins) Fungsi ini akan bernilai 1 jika inputnya kurang da ri 1, dan akan bernilai 1 jika inputnya lebih dari 1 . Sedangkan jika nilai input terletak antara 1 dan 1, maka outputnya akan bernilai sama d engan nilai inputnya. Pada matlab syntax yang digunakan adalah: Y = satlins(a).

6. Fungsi sigmoid biner (logsig) Fungsi ini digunakan untuk jaringan syaraf yang dilat ih dengan menggunakan metode backpropagatio n. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digu nakan untuk jaringan syaraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1, namun fungsi ini juga dapat digunakan oleh jari ngan syaraf yang nilai outputnya 0 atau 1. Syntax yang digunakan pada matlab adalah: Y = logsig(a).

7. Fungsi sigmoid bipolar (tansig) Fungsi sigmoid bipolar hampir sama dengan fun gsi sigmoid biner, hanya saja output dari fungs i ini memiliki range antara 1 sampai 1. Syntax yang digunakan pada matlab adalah: Y = tansig(a).

Kelebihan dan Kekurangan NNT Matlab