0 penilaian0% menganggap dokumen ini bermanfaat (0 suara)
110 tayangan12 halaman
Ringkasan dokumen tersebut adalah:
1. Dokumen tersebut merupakan rangkuman ujian tengah semester mata kuliah Jaringan Syaraf Tiruan.
2. Jaringan Syaraf Tiruan adalah bentuk perhitungan yang meniru jaringan syaraf pada makhluk hidup untuk mengenali pola.
3. Terdapat beberapa metode pembelajaran terawasi seperti Hebb Rule dan Delta Rule untuk melatih jaringan syaraf tiruan.
Deskripsi Asli:
A task about Artificial Neural Network.
Judul Asli
Jaringan Syaraf Tiruan ( Artificial Neural Network )
Ringkasan dokumen tersebut adalah:
1. Dokumen tersebut merupakan rangkuman ujian tengah semester mata kuliah Jaringan Syaraf Tiruan.
2. Jaringan Syaraf Tiruan adalah bentuk perhitungan yang meniru jaringan syaraf pada makhluk hidup untuk mengenali pola.
3. Terdapat beberapa metode pembelajaran terawasi seperti Hebb Rule dan Delta Rule untuk melatih jaringan syaraf tiruan.
Ringkasan dokumen tersebut adalah:
1. Dokumen tersebut merupakan rangkuman ujian tengah semester mata kuliah Jaringan Syaraf Tiruan.
2. Jaringan Syaraf Tiruan adalah bentuk perhitungan yang meniru jaringan syaraf pada makhluk hidup untuk mengenali pola.
3. Terdapat beberapa metode pembelajaran terawasi seperti Hebb Rule dan Delta Rule untuk melatih jaringan syaraf tiruan.
MATA KULIAH : JARINGAN SYARAF TIRUAN DOSEN : IRWAN PRIBADI , M.Kom
JURUSAN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS LAMPUNG 2014
PENGERTIAN Artificial Neural Network (Jaringan Syaraf Tiruan / ANN) adalah sebuah bentuk perhitungan yang meniru bentuk jaringan syaraf pada makhluk hidup. Sama seperti pada jaringan syaraf asli, jaringan syaraf tiruan memiliki neuron untuk memproses input/output. ANN merupakan sistem yang adaptif, karena struktur sistemnya dapat berubah seiring dengan berubahnya informasi internal ataupun eksternal yang diproses pada saat learning phase (tahap pembelajaran). Pembuatan sistem ANN dimaksudkan agar komputer dapat mengenali suatu pola, bentuk, atau struktur tertentu karena komputer tidak mempunyai intelegensia, meskipun pada kenyataannya, sebuah komputer dapat melakukan operasi dalam waktu yang jauh lebih singkat daripada manusia.
KEMAMPUAN
Jaringan saraf tiruan harus diintegrasikan ke dalam sebuah sistem yang konsisten dengan keahlian teknik, khususnya pada masalah yang kompleks . Jaringan saraf tiruan menawarkan kemampuan sebagai berikut: 1. Nonlinearity. Sebuah neuron buatan yang bisa saja linear atau tidak linear. Jaringan saraf tiruan yang terdiri dari interkoneksi neuron yang nonlinear yang membuat jaringan saraf nonlinear. 2. Input-output mapping. Sebuah paradigma populer dari pembelajaran disebut learning with a teacher (belajar dengan guru) atau supervised learning (pembelajaran terbimbing) yang melibatkan modifikasi bobot sinapsis jaringan saraf tiruan dengan mengaplikasikan kumpulan sampel training. 3. Adaptivity. Neural network memiliki kemampuan untuk menyesuaikan bobot sinaptik terhadap perubahan pada lingkunganya. Secara khusus, jaringan saraf dilatih untuk beroperasi pada lingkungan tertentu dalam menghadapi perubahan kecil yang terjadi dalam kondisi lingkungan operasi. 4. Evidential Response. Dalam konteks klasifikasi pola, jaringan saraf dapat dirancang untuk memberikan informasi tidak hanya tentang pola yang khusus, tetapi juga kepercayaan (confidence) tentang keputusan yang dibuat. Informasi yang terakhir ini dapat digunakan untuk menolak pola ambigu, dengan demikian meningkatkan kinerja klasifikasi jaringan. 5. Contextual Information. Pengetahuan direpresentasikan oleh struktur dan aktivasi dari jaringan saraf. Setiap neuron dalam jaringan berpotensi dipengaruhi oleh aktivitas global semua neuron lain dalam jaringan. 6. VLSI Implementability. Sifat dasar dari jaringan saraf tiruan yang paralel membuatnya berpotensi untuk mengkomputasikan tugas-tugas tertentu dengan cepat. Fitur yang sama ini membuat jaringan saraf tiruan tepat pada implementasi penggunaan teknologi VLSI (very large scale integrated). 7. Uniformity of Analysis and Design. Pada dasarnya, jaringan saraf tiruan dikenal sebagai pemroses informasi. Dikatakan sama dengan notasi yang digunakan pada semua domain yang melibatkan aplikasi jaringan saraf tiruan. 8. Neurobiological Analogy. Rancangan jaringan saraf tiruan dianalogikan dengan otak manusia, yang merupakan bukti nyata bahwa toleransi terhadap kesalahan pada pemrosesan paralel tidak hanya mungkin tetapi juga cepat dan kuat.
KOMPONEN Neuron ,sel syaraf yang akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju neuron-neuron yang lain. Pada jaringan syaraf, hubungan antar neuron-neuron dikenal dengan nama bobot.
Gambar ( Jaringan syaraf ) Pada jaringan syaraf, neuron-neuron akan dikumpulkan dalam lapisan-lapisan (layer) yang disebut dengan lapisan neuron (neuron layers). Biasanya, sebuah model neuron untuk ANN terdiri atas tiga bagian berikut. 1. Synapsis (Jalur Penghubung) antara neuron yang masing-masing memiliki weight (bobot). Tiap Synapsis memiliki indeks tertentu untuk menunjukkan input mana yang akan diproses menjadi output. 2. Summing Unit untuk menghitung total input. 3. Activation Function (Fungsi Aktivasi) untuk membatasi output.
Informasi yang diberikan pada jaringan syaraf akan dirambatkan lapisan ke lapisan, mulai dari lapisan input sampai ke lapisan output melalui lapisan yang lainnya, yang dikenal dengan lapisan tersembunyi (hidden layer), tergantung pada algoritma pembelajarannya, bisa jadi informasi tersebut akan dirambatkan secara mundur pada jaringan.
ARSITEKTUR Faktor terpenting untuk menentukan kelakuan suatu neuron adalah fungsi aktivasi dan pola bobotnya. Ada beberapa arsitektur jaringan syaraf, antara lain : a. Jaringan dengan lapisan tunggal (single layer net) Hanya memiliki satu lapisan dengan bobot-bobot terhubung Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi.
Gambar ( Topologi jaringan lapis tunggal )
b. Jaringan dengan banyak lapisan (multilayer net) Memiliki1 atau lebih lapisan yang terletak diantara lapisan input dan lapisan output Ada lapisan yang berbobot yang terletak antara 2 lapisan yang bersebelahan.
Gambar ( Topologi jaringan banyak lapisan )
c. Jaringan dengan lapisan kompetitif (compotitive layer net) Hubungan antar neuron pada lapisan kompetitif tidak diperlihatkan pada diagram arsitektur. Arsitektur ini memiliki bentuk berbeda dari kedua arsitektur lainnya, di mana antar neuron saling dihubungkan. Jaringan ini sering disebut feedback loop karena unit output ada yang memberikan informasi terhadap unit masukan.
Gambar ( Topologi Jaringan lapisan kompetitif )
Struktur arsitektur dari neural network pada umumnya terdiri dari 3 layer yang menjadi ciri khas dari sistem ini yaitu : 1. Input layer Merupakan data yang kita masukkan sebagai data training pada sistem ANN. Banyaknya jumlah node pada input layer tergantung pada jumlah data input yang telah kita masukkan kedalam sistem 2. Hidden Layer Jumlah node pada hidden layer sangat bervariasi tergantung penggunaaannya.Semakin banyak hidden layer yang digunakan semakin baik hasilnya, tetapi training yang dibutuhkan juga semakin lama. Jumlah node yang yang terlalu sedikit menyebabkan jaringan tidak cukup fleksibel untuk mempelajari data dan jika jumlah hidden node terlalu besar akan terjadi overfitting. 3. Output Layer Banyaknya node pada output layer tergantung pada sistem ANN itu sendiri.Data output juga termasuk dari data training yang sebelumnya telah diberikan.
FUNGSI-FUNGSI AKTIVASI a. Fungsi Undak Biner ( Hard Limit ) Jaringan dengan lapisan tunggal sering menggunakan fungsi undak untuk menkonversi input dari suatu variabel yang bernilai kontinu ke suatu output biner. Fungsi hard limit dirumuskan :
Gambar ( Fungsi Hard Limit)
b. Fungsi Undak Biner ( Threshold ) Fungsi undak biner dengan menggunakan nilai ambang sering disebut fungsi nilai ambang atau fungsi Heaviside.
Gambar ( Undak Biner Threshold )
c. Fungsi Bipolar Hampir sama dengan fungsi undak biner, hanya saja output yang dihasilkan berupa1, 0 atau -1. Fungsi Symetric Hard Limit dirumuskan sebagai:
Gambar ( Fungsi Bipolar )
d. Fungsi Bipolar ( Threshold ) Fungsi yang menghasilkan output berupa1, 0 atau -1.
Gambar ( Fungsi Bipolar Threshold )
e. Fungsi Linear (identitas) Fungsi linear memiliki nilai output yang sama dengan nilai input . Dirumuskan: y = x.
Gambar ( Fungsi Linear )
f. Fungsi Saturating Linear Fungsi ini akan bernilai 0 jika inputnya kurang dari -, dan akan bernilai 1 jika inputnya lebih dari . Sedangkan jika nilai input terletak antara - dan , maka outputnya akan bernilai sama dengan nilai input ditambah . Fungsi saturating linear dirumuskan:
Gambar (Fungsi Saturating Linear )
g. Fungsi Symetric Saturating Linear Fungsi ini akan bernilai-1 jika inputnya kurang dari -1. Sedangkan jika nilai input terletak antara -1 dan 1, maka outputnya akan bernilai sama dengan nilai inputnya. Fungsi Symetric Saturating Linear dirumuskan:
Gambar ( Fungsi Symetric Saturating Linear )
h. Fungsi Sigmoid Biner Digunakan untuk jaringan syaraf yang dilatih dengan menggunakan metode back propagation. Memiliki nilai pada range 0 sampai 1. Fungsi sigmoid biner dirumuskan:
Gambar ( Fungsi Sigmoid Biner )
i. Fungsi Sigmoid Bipolar Output dari fungsi ini memiliki range antara1 sampai-1. Fungsinya dirumuskan:
Gambar ( Fungsi Sigmoid Bipolar )
PROSES PEMBELAJARAN
a. Pembelajaran Terawasi (supervised learning) Metode pembelajaran pada jaringan syaraf disebut terawasi jika output yang diharapkan telah diketahui sebelumnya. Terdapat beberapa metode diantaranya : 1. Hebb Rule Metode pembelajaran yang paling sederhana, pembelajaran dilakukan dengan cara memperbaiki nilai bobot sedemikian rupa sehingga jika ada 2 neuron yang terhubung dan keduanya dalam kondisi on pada saat yang sama, maka bobot antara keduanya dinaikkan. 2. Perception Biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu yang sering dikenal dengan pemisahan secara linear. Algoritma yang digunakan akan mengatur parameter-parameter bebasnya melalui proses pembelajaran. 3. Delta Rule Mengubah bobot yang menghubungkan antara jaringan input ke unit output dengan nilai target.
4. Backpropagation Algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perception dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyi. 5. Hetroassociative Memory Jaringan yang bobot bobotnya ditentukan sedemikian rupa sehingga jaringan tersebut dapat menyimapan kumpulan pola. 6. Bidirectional Associative Memory Model jaringan syaraf yang memiliki 2 lapisan dan terhubung penuh dari satu lapisan kelapisan lainnya. Pada jaringan ini dimungkinkan adanya hubungan timbal balik antara lapisan input dan lapisan output. 7. Learning vector Quantization Suatu metode untuk melakukan pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor input. Kelas-kelas yang didapatkan sebagai hasil hanya tergantung pada jarak antara vektor- vektor input
b. Pembelajaran Tak Terawasi (unsupervised learning) Pada metode pembelajaran tak terawasi ini tidak memerlukan target output. Tujuan metode ini adalah pengelompokan unit-unit yang hampir sama dalam suatu area tertentu. Pembelajaran Tak Terawasi (Jaringan Kohonen) Jaringan kohonen pertama kali diperkenalkan oleh Prof. Teuvo Kohonen tahun 1982. Padajaringan ini, suatu lapisan yang berisi neuron-neuron akan menyusun dirinya sendiri berdasarkan input nilai tertentu dalam suatu kelompok yang dikenal dengan istilah cluster. Selama proses penyusunan diri, cluster yang memiliki vektor bobot paling cocok dengan pola input akan terpilih sebagai pemenang.
REFERENSI
Kusumadewi, Sri. 2011. Pdf : Pengantar Kecerdasan Buatan.