JARINGAN SARAF TIRUAN

(NEURAL NETWORK)
Praktikum 9
Pendahuluan
Jaringan syaraf tiruan (JST) merupakan
sistem pemprosesan informasi yang memiliki
karakteristik mirip dengan jaringan syaraf
biologis.
JST merupakan generalisasi model
matematik pada jaringan syaraf biologis
JST
Asumsi JST
Pemprosesan informasi terjadi pada banyak
elemen sederhana (neuron)
Sinyal dikirim antara neuron melalui penghubung-
penghubung (pautan)
Penghubung antar pautan memiliki bobot yang
dapat memperkuat atau memperlemah sinyal
Untuk menentukan output, setiap neuron
menggunakan fungsi aktivasi
JST
JST ditentukan oleh 3 hal :
Arsitektur jaringan (pola hubungan antar neuron)
Metode untuk menentukan bobot penghubung
(metode training)
Fungsi Aktivasi
Aplikasi JST
Pengenalan Pola (huruf, suara, angka, tanda
tangan)
Signal Processing (JST model ADALINE)
Peramalan berdasarkan kejadian masa lalu
Perceptron dalam Matlab
Sistem default dalam matlab :
Masukan dan target tidak harus biner/bipolar
Threshold yang dipakai adalah nol
Fungsi aktivasi memiliki output biner
Tidak ada laju penambahan
Perceptron dalam Matlab
Format :
net = newp(PR, S, TF, LF)
net.IW{i,j} % inisialisasi bobot awal dari layer
ke j ke layer ke I (bobot awal)
PR: matriks Rx2, dengan R buah inputan
S : jumlah neuron target
TF : fungsi biner (default hardlim)
LF : fungsi latihan (default learnp)
Contoh Perceptron
Bentuklah perceptron untuk mengenali pola
logika dan dari 2 variable!
>> net = newp([0 1; 0 1],1);
>> net.IW{1,1}=[-1 1];
>> net.b{1}=[1];
>> p=[[1 ; 1] [1 ; 0 ] [ 0 ; 1] [0 ; 0]];
>> t=[ 1 0 0 0];
>> a= sim (net,p)
===== lanjut contoh mfile
Backpropagation dengan
Matlab
net= newff(PR, [s1 s2. sn],{tf1
tf2tfn},BTF,BLF,PF)
PR = matriks ordo Rx2
Si = jumlah unit pada layer ke I
tf i= fungsi aktivasi yang digunakan pada layer I
BTF= fungsi latihan jaringan, default
tansig(sigmoid bipolar)
BLF = fungsi perubahan bobot/biar , default
learngdm
PF = fungsi error, default mse
Contoh
Lanjut Minggu depan saja ya..