Bab5AI Jaringan Syaraf Tiruan

JARINGAN SYARAF TIRUAN
Jaringan syaraf tiruan (JST) dibuat orang

dengan diilhami oleh struktur dan cara kerja otak
dan sel syaraf manusia (neuron)
Otak manusia mempunyai :


Skema dasar neuron digambarkan sbb :
volume 1.500 cm3

1011 neuron
1014 sinapsis.
sinapsis.
Suatu neuron terdiri atas :

Badan sel yg didalamnya ada inti sel (nucleus)

Dendrit
Akson
Sinapsis
1
Pengolahan sinyal dilakukan pada badan sel,

sel, di
mana sinyal2 dari neuron lain akan dijumlahkan.
dijumlahkan.
Dendrit berfungsi sebagai saluran masukan
sinyal ke badan sel.
sel.
Akson berfungsi sebagai saluran keluaran sinyal
dari badan sel.
sel.
Sinapsis berfungsi sebagai penghubung dengan
neuron2 lainnya.
lainnya.
Satu neuron berhubungan dg setidaknya 10.000
neuron lainnya.
lainnya.

Komputasi Neuron
Banyak pekerjaan2 yg masih belum atau tdk
mungkin mempunyai algoritma.
algoritma.
Pekerjaan2 tsb tdk dpt dituliskan sbg deretan
langkah logis & aritmatis walaupun beberapa
pekerjaan tsb dpt digambarkan dg tegas,
tegas,
bahkan contoh pelaksanaannya dpt diberikan.
diberikan.
Contohnya :

Otopilot mobil
Pembaca tulisan tangan
Penerjemahan bhs lisan
dll

pekerjaan2
Ada 3 ciri dari

tadi,
tadi, yaitu :
Manusia dpt melakukannya

Dpt diberikan contoh pelaksanaan pekerjaan
tsb

Pemetaan benda dari suatu himpunan ke
himpunan lainnya
Pekerjaan2 tsb merupakan komputasi yg
dilakukan neuron. Pola kerja neuron lalu
ditirukan dan hal ini disebut sbg komputasi
neuron.
neuron.
Komputasi neuron adalah disiplin dlm rekayasa

yg berkenaan dg sistem pengolah informasi
adaptif tak terprogram,
terprogram, yaitu JST,
JST, yg
membangun pola pemetaan antar objek dlm
kaitannya dg lingkungan objek yg dipetakan.
dipetakan.
JST membangkitkan sendiri aturan pemetaan
tsb & memperbaiki aturan yg ada dg membanmembandingkannya dg contoh yg tersedia.
tersedia.
Melalui proses trial and error,
error, JST mengajar
dirinya sendiri bgmn melakukan pemetaan yg
dilatihkan.
dilatihkan.
6

Di manapun JST diterapkan,

diterapkan, kemampuan
pengolahan informasi yg sama sekali baru dpt
dikembangkan,
dikembangkan, dg biaya & waktu yg seringkali
sangat menyusut.
menyusut.
Komputasi neuron menyelesaikan masalah
tanpa menyingkap aturan yg dipakai dlm
penyelesaiannya.
penyelesaiannya.
Cara kerja neuron :

Dendrit menerima sinyal dari neuron2 lain lalu
dikalikan dengan bobot sinapsis masing2
Badan sel menjumlahkan sinyal lalu hasilnya
dikonversikan oleh fungsi aktivasi tertentu
Akson meneruskan sinyal hasil pengolahan
badan sel ke neuron2 lainnya lagi

Model neuron
X1
X2
w1
w2
Karakteristik JST ditentukan oleh :

Arsitektur jaringan (pola hubungan antar
neuron)
w3
X3

Metode pelatihan (metoda menentukan bobot

penghubung)
penghubung)
Y menerima masukan dari ketiga neuron dg

bobot sinapsis masing2 w1, w2, dan w3.
Sinyal ketiga neuron dijumlahkan lalu dimasukdimasukkan ke dlm fungsi aktivasi f menghasilkan nilai
y = f(x1w1+x2w2+x3w3)
Jaringan lapis tunggal,

tunggal, jaringan lapis jamak,
jamak, jaringan
reccurent,
reccurent, dll
Supervisi (diawasi) atau tanpa supervisi
Fungsi aktivasi

Hard limit, sigmoid, dll
10
Sejarah JST :
JST sederhana pertama kali diperkenalkan oleh
McCulloh dan Pitts tahun 1943

Menyimpulkan bahwa kombinasi beberapa
neuron sederhana menjadi sebuah sistem
neuron akan meningkatkan kemampuan
komputasinya

Bobot dalam jaringan diatur untuk melakukan
fungsi logika sederhana

Fungsi aktivasi yang digunakan adalah fungsi
threshold
11
Tahun 1958, Rosenblatt memperkenalkan

model jaringan perceptron

Terdapat metoda pelatihan untuk mengopmengoptimalkan hasil iterasi
Widrow dan Hoff (1960) mengembangkan
perceptron dengan memperkenalkan aturan
pelatihan jaringan

Disebut aturan Delta (kuadrat rata2 terkecil)

Mengubah bobot perceptron apabila keluaran
yang dihasilkan tidak sesuai dengan target
yang diinginkan
12

peneliti2
Apa yang dilakukan

terdahulu hanya
menggunakan jaringan lapis tunggal (single
layer)
Rumelhart (1986) mengembangkan perceptron
menjadi Backpropagation

Jaringan diproses menjadi beberapa lapis
Beberapa JST terkenal lainnya : Neocognotion,
Neocognotion,
Adaptive Resonance Theory (ART), Self
Organizing Map (SOM), Hopfield, Bidirectional
Associative memory (BAM), Mesin Boltmann,
Boltmann,
Mesin Cauchy, dll
13
Aplikasi JST :
Pengenalan pola (pattern recognition) :

Mengenali huruf,
huruf, angka,
angka, suara,
suara, tanda tangan
yang sudah sedikit berubah

Mengenali orang yang sudah beberapa waktu
tidak dijumpai (wajah/bentuk tubuh sedikit
berubah)
berubah)
Pengolahan sinyal (signal processing) :

Menekan noise dalam sinyal
Peramalan (forecasting) :

Meramal kejadian masa datang berdasarkan
pola kejadian yang ada di masa lampau
14
Jaringan McCullochMcCulloch-Pitts
merupakan jaringan syaraf pertama yang dibuat
berdasarkan syaraf tiruan
menyimpulkan bahwa kombinasi beberapa
neuron sederhana menjadi suatu sistem neuron
dapat meningkatkan kemampuan komputasi
digunakan untuk melakukan fungsi logika
sederhana
banyak prinsipnya yang masih digunakan pada
JST saat kini
Karakteristik model neuron McCullochMcCulloch-Pitts :

Fungsi aktivasi neuron dalam biner :

Neuron meneruskan sinyal : aktivasi bernilai 1

Neuron tidak meneruskan sinyal : aktivasi
bernilai 0
Setiap neuron pada jaringan dihubungkan dg
jalur terarah yang memiliki bobot tertentu :

Jika bobot jalur bernilai positif, jalur diperkuat

Jika bobot jalur bernilai negatif,
negatif, jalur
diperlemah
15
16

Seluruh jalur bernilai positif yang terhubung ke

neuron tertentu, memiliki bobot sama

Bobot koneksi yang berbeda dapat terhubung
ke neuron lain

Setiap neuron memiliki nilai threshold tetap
Jika net input ke neuron lebih besar dari
threshold, neuron akan meneruskan sinyal (fire)

Threshold di-set sedemikian sehingga setiap
masukan yang memperlemah akan
mencegah neuron meneruskan sinyal
17
18
Jaringan Hebb
Jaringan lapis tunggal dg satu neuron keluaran

Seluruh neuron masukan terhubung langsung
dengan neuron keluaran,
keluaran, ditambah dengan
sebuah bias
D.O Hebb (1949) memperkenalkan cara
menghitung bobot dan bias secara iteratif
Model jaringan Hebb adalah model pertama
yang dapat belajar
Konsep Dasar Jaringan Hebb

Apabila dua buah neuron yang dihubungkan
dengan sinapsis memiliki bobot w sama
(keduanya positif atau keduanya negatif),
negatif), maka
kekuatan sinapsisnya meningkat
Sebaliknya,
Sebaliknya, apabila kedua neuron aktif secara
tidak sinkron (salah satu bobot w bernilai positif
dan yang lain bernilai negatif),
negatif), maka kekuatan
sinapsisnya akan melemah
19
Algoritma Pelatihan Hebb

Inisialisasi semua bobot : b = wi = 0 (i=1, , n)
Untuk semua vektor masukan s dan target t :

Set aktivasi unit masukan : xi = si (i=1, , n)

Set aktivasi unit keluaran : y = t

Perbaiki bobot menurut persamaan :
wi(baru)
(baru)=wi(lama)+delta wi (i=1, , n),
dimana delta wi= xiy

Perbaiki bias menurut persamaan :
b(baru)
b(baru) = b(lama)
b(lama) + y
21

TarTarget
bias
t
s1
s2
x1
w1
w2
x2
Kasus 1 Fungsi Logika AND

Buat jaringan Hebb yang dapat menyatakan
fungsi logika AND
Representasi masukan/keluaran yg digunakan :

Masukan dan keluaran biner (0 atau 1)

Masukan biner dan keluaran bipolar

Masukan dan keluaran bipolar ((-1 atau 1)
Contoh ini memperlihatkan masalah yang
seringkali timbul untuk fungsi aktivasi threshold

Kadangkala jaringan dapat menentukan pola
secara benar jika menggunakan representasi
bipolar saja
22
Tabel Masukan dan Target fungsi AND

Input
20
Proses belajar :
=0
Perhitungan bobot dan bias :

wi(baru)=wi(lama)+ dwi, dg dwi=xiy (i=1, , n)
b(baru)
b(baru) = b(lama)
b(lama) + db,
db, dg db=y
Masukan biner
Target keluaran biner
Hasil pembelajaran : w1 =1, w2=1, dan b=1

23
24
Hasil eksekusi :

Input
f(net)
f(net) tidak sama dg target yg
diinginkan pd fungsi AND
JST tdk dpt mengerti
mengerti
pola yang dimaksud
TarTarget
bias
t
s1
s2
-1
-1
-1
x1
w1
w2
x2
Masukan biner
Target keluaran bipolar
25
=0
26

Hasil eksekusi :
Proses belajar :
f(net)
f(net) tidak sama dg target yg
JST tdk dpt mengerti
mengerti
pola yang dimaksud

b(baru)
b(baru) = b(lama)
b(lama) + db,
db, dg db=y
Hasil pembelajaran : w1 =0
=0, w2=0
w2=0, dan b=b=-2
27

Input

TarTarget
bias
t
s1
s2
-1
-1
-1
-1
-1
-1
-1
x1
w1
w2
x2
28
Proses belajar :
=0

b(baru)
b(baru) = b(lama)
b(lama) + db,
db, dg db=y
Masukan bipolar
Target keluaran bipolar
Hasil pembelajaran : w1 =2
=2, w2=2
w2=2, dan b=b=-2
29
30
Hasil eksekusi :
Kasus 2 : Pengenalan Pola

Diberikan 2 pola menyerupai huruf X dan O
#
f(net)
f(net) sama dg target yg
JST dpt mengerti
mengerti
Pola 1
pola yang dimaksud
#
#
#
#
#
#
#
#
Pola 2
31
32
Setiap karakter pola dianggap sbg unit masukan :

karakter # diberi nilai 1, karakter . diberi nilai -1
Representasi masukan dan target :
Pola terdiri dari 5 baris dan 5 kolom : Jaringan Hebb

terdiri dari 25 unit masukan (x1 s/d x25) dan bias = 1.
Target : Keluaran jaringan bernilai 1 jika diberi masukan

pola 1 (X) dan bernilai -1 jika diberi masukan pola 2 (0).
33
Pembelajaran JST :

b(baru)
b(baru) = b(lama)
b(lama) + db,
db, dg db=y
34
Hasil eksekusi :
Keluaran JST = target, JST dpt mengenali pola

35
36

Arsitektur Perceptron
Jaringan satu lapisan
beberapa neuron masukan
dihubungkan langsung dg
sebuah neuron keluaran
ditambah satu bias
Fungsi aktivasi memiliki nilai
1, net >
f(net)
f(net) = 0, - net
-1, net < -
Jaringan Perceptron
Menyerupai arsitektur jaringan Hebb
Diperkenalkan oleh Rosenblatt (1962) dan
MinskyMinsky-Papert (1969)
Model dengan aplikasi dan pelatihan yang
terbaik pada masa tersebut

X1
W1
W2
X2
.
Y
.
Wn
Xn
b
1
37
38
Algoritma pelatihan perceptron :

Inisialisasi semua bobot,
bobot, bias dan learning rate
wi = 0 (i=1, , n), b=0, learning rate = antara 0 s/d 1
Selama ada elemen masukan s yang keluarankeluarannya tidak sama dengan target t, lakukan :


Hitung respon unit keluaran net dan y = f(net)

Bila yt, perbaiki bobot & bias menurut pers :
wi(baru)=wi(lama)+delta w (i=1, , n),
dg delta w = txi
b(baru)
b(baru) = b(lama)
b(lama) + t
Iterasi dilakukan terus menerus hingga seluruh

keluaran sama dg target yang ditentukan

Perubahan bobot hanya dilakukan bila keluaran

jaringan tdk sama dg target : y = f(net)
f(net) t
Kecepatan iterasi ditentukan learning rate (
()

Jaringan sudah memahami pola

Pada Hebb,
Hebb, iterasi berhenti setelah semua pola
dimasukkan
Umumnya : 0 < < 1, besar maka jml iterasi sedikit

Bila terlalu besar dpt merusak pola yg sudah benar
Satu siklus pelatihan yg melibatkan semua pola

disebut epoch : Pada Hebb,
Hebb, pelatihan hanya 1 epoch.
39
Kelebihan perceptron :
Seluruh pola yang dimasukkan dibandingkan
dengan target yang sesungguhnya

Kasus :
Buat perceptron yg dpt menyatakan fungsi logika
AND
Representasi masukan/keluaran yg digunakan :

Masukan dan keluaran bipolar ((-1 atau 1)

Masukan biner (0 atau 1) dan keluaran
bipolar ((-1 atau 1)
Inisialisasi :

Bobot dan bias awal wi = 0, b = 0

Learning rate = 1 (penyederhanaan
(penyederhanaan))

Threshold
Jika terdapat perbedaan,

perbedaan, bobot akan dimodifikasi
Bobot tidak selalu dimodifikasi pada setiap iterasi
Modifikasi bobot menggunakan laju pelatihan

yang nilainya dapat diatur :
40
Modifikasi bobot tidak hanya ditentukan oleh

perkalian antara target dan masukan saja
Pelatihan dilakukan secara terus menerus

hingga jaringan dapat mengerti pola yang
ditentukan
41
42
A. Representasi Bipolar
Masukan dan target fungsi AND :
Fungsi aktivasi utk = 0:

0:
y = f(net)
f(net) =
Epoch pertama : terdiri dari 4 iterasi
1, net > 0
0, net = 0
-1, net < 0
43
44
Epoch kedua :
Arsitektur jaringan perceptron yg diperoleh :

fungsi aktivasi utk = 0 :
1, net > 0
y = f(net)
0, net = 0
f(net) =
-1, net < 0
45
Representasi biner bipolar

Masukan dan target fungsi AND
Fungsi aktivasi utk = 0,2

y = f(net)
f(net) =
46
Epoch pertama
Dipilih = 1, = 0,2
1, net > 0,2
0, -0,2 net 0,2
-1, net < -0,2
47
48
Epoch kedua
Epoch ke 10 (akhir
(akhir))
-2
49
50
Jaringan perceptron yag diperoleh :

Fungsi aktivasi utk = 0,2 :
1, net > 0,2
y = f(net)
f(net) = 0, -0,2
0,2net
net0,2
-1, net < -0,2
JST ADALINE
ADALINE = Adaptive Linear Neuron
Arsitektur menyerupai perceptron

Neuron masukan dihubungkan langsung
dengan sebuah keluaran
Terdapat pengembangan pada modifikasi bobot

Bobot dimodifikasi dengan aturan delta (least
mean square)
51
Arsitektur JST Adaline

Jaringan 1 lapisan
52
Modifikasi bobot
Bobot dimodifikasi sedemikian hingga error
yang terjadi minimum
Error adalah kuadrat selisih antara target t dan
keluaran jaringan y = f(net) :
Error = e = (t - f(net))2 = (t ( xiwi + b))2
Kecepatan penurunan error :
e/
e/wi = -2(t - ( xiwi + b))xi = -2(t y) xi
Perubahan bobot :
wi = (t y) xi
dg bil pos bernilai kecil ( umumnya = 0,1)
Beberapa neuron masukan

dihubungkan langsung dg
sebuah neuron keluaran
Ditambah 1 bias
Fungsi aktivasi selama

tahap pelatihan memakai
fungsi identitas :
net = xiwi + b
y = f(net) = net = xiwi + b
53
54
Algoritma pelatihan Adaline

Inisialisasi bobot,
bobot, bias, learning rate dan
toleransi kesalahan
Selama max wi > batas toleransi,
toleransi, lakukan


Hitung respon unit keluaran :
net dan y = f(net) = net

Bila y t, perbaiki bobot dan bias dg pers :
wi(baru)
(baru) = wi(lama)
wi(lama) + wi
dg wi = (t y)xi
b(baru)
b(baru) = b(lama)
b(lama) + (t y)
Tahap Pengenalan Pola

Setelah proses pelatihan selesai,
selesai, ADALINE
dapat digunakan untuk pengenalan pola
Fungsi aktivasi yg digunakan umumnya bipolar
Proses pengenalan pola memakai ADALINE :

Inisialisasi bobot dan bias sesuai hasil pelatihan

Untuk setiap masukan x, lakukan :
Set aktivasi unit masukan : x i = si (i=1, , n)
Hitung respon unit keluaran : net = xiwi + b
Kenakan fungsi aktivasi :
1, net 0
y = f(net)
f(net) =
-1, net<0
55
56
Kasus : ADALINE utk mengenali pola fungsi AND
Tabel masukanmasukan-target
Arsitektur JST
Initialisasi :
Representasi masukan dan keluaran bipolar
Bobot sinapsis dan bobot bias awal wi=0, b=0
Batas toleransi kesalahan = 0,05
Learning rate = 0,1
Threshold = 0
Parameter pelatihan :
Learning rate = 0,1
Batas toleransi = 0,05
57
58
Tahap pelatihan : epoch pertama
Tahap pelatiahan : epoch kedua
59
60
10
Tahap pengenalan pola :

Arsitektur JST
Tabel masukanmasukan-target
MADALINE ( many ADALINE)

Gabungan beberapa
ADALINE membentuk
JST dg 1 lapisan
tersembunyi
61
62

Keterbatasan diatasi dg
menambahkan lapisan
tersembunyi (hidden
layer) utk dpt
menyelesaikan
masalah yg lebih rumit.
rumit.
Akibatnya waktu
pelatihan lebih lama.
JST satu lapis mempunyai

keterbatasan dalam
pengenalan pola
63
64
Arsitektur JST Back Propagation
Fase pelatihan JST Back Propagation :

Fase 1 : Fase Maju
Pola masukkan dihitung mulai dari input layer sampai
ouput layer. Keluaran jaringan dibandingkan dengan
target yang harus dicapai
Fase 2 : Fase Mundur

Error yang terjadi dipropagasi mundur yang dimulai
dari output layer sampai ke input layer
Fase 3 : Fase Perubahan Bobot

Memodifikasi bobot untuk menurunkan kesalahan
yang terjadi
input layer
hidden layer
output layer
65
66
11
Algoritma Pelatihan Back Propagation

Simbol2 yg dipakai :
ul,j = keluaran simpul ke j pd lapisan ke l
wl,j,i = bobot yg menghubungkan simpul ke i pd
lapisan ke l-1 ke simpul ke j pd lapisan ke l
{xp} = sampel pelatihan ke p
uo,j = komponen ke j vektor masukan
dj{xp} = keluaran yg diinginkan dari simpul ke j
utk sampel pelatihan ke p {x
{xp}
Nl = jml simpul pd lapisan ke l
L = jml lapisan
67
P = jml pola pelatihan
Utk perjanjian tanda,

tanda, maka :
uo,j = xj = (Lapisan
(Lapisan ke 0 = vektor masukan)
masukan)
u1,0 = 1 (simpul
(simpul ke 0 tiap lapisan = 1)
Keluaran simpul pd lapisan ke l :
Nl-1
ul,j = f ( wl,j,i ul-1,i)
i=0
di mana : f(
f() = fungsi aktivasi
68
Algoritma Back Propagation

Procedure BACK_PROP
pilih bobot awal;
awal;
repeat
pilih pasangan pola pelatihan (x,d)
x,d) dan uo=x;
FEED_FORWARD;
COMPUTE_GRADIENT;
UPDATE_WEIGHTS;
until kriteria penghentian dipenuhi;
dipenuhi;
End;
Subroutine FEED_FORWARD
for layer = 1 to L do
for node = 1 to Nlayer do
Nlayerlayer-1
ulayer,node = f( wlayer,node,i ulayerlayer-1,i)

i=0
end for;
end for;
end;
69
70

Subroutine COMPUTE_GRADIENT;
for layer = 1 to L do
for node = 1 to Nlayer do
if layer = L then
eL,node = uL,node dnode;
else
N
Subroutine UPDATE_WEIGHTS
for all wl,j,I do
wl,j,i(k+1) = wl,j,i(k)
(k) gl,i;
end for;
end;
elayer,node = elayer+1,m wlayer+1,m,node

m=1
Nl-1
f ( wl+1,j,m ul-1,m);
end if;
end for;
71
m=0
72
12
for all weghts in layer do

glayer,j,i = elayer,julayerlayer-1,i
NL-1
f ( wl,j,muL-1,m);
m=0
end for;
end for;
end;
73
Initialisasi Bobot Awal

Pada awal pelatihan,
pelatihan, JST perlu diberi bobot
awal.
awal. Umumnya bobot awal merupakan bil acak
antara -1 dan 1.
Banyak metode utk memilih bobot awal dg
tujuan mempercepat pelatihan.
pelatihan. Salah satunya
metode NguyenNguyen-Widrow (1986) dg rumus :
W = (2MW nr)/[I(Zmax-Zmin)]
B = MBr W(Zmax+Zmin)/2
M = Ks1/r
dg W = matriks bobot utk initialisasi
B = nilai awal bias
74
W nr = matriks acak normal baris,

baris, yaitu matriks yg
elemen2nya bil acak seragam antara -1 dan 1 yg
diolah sehingga vektor2 barisnya memiliki arah
acak dg besar 1 satuan
I = vektor kolom yg elemenya bil 1 dan ukuranya
sama dg dimensi baris W
Zmax = vektor kolom nilai max masukan yg pd
pelatihan dikalikan dg w
Zmin = vektor kolom nilai min masukan yg pd
pelatihan dikalikan dg w
Br = vektor kolom acak seragam
K = konstanta yg bergantung pd fungsi aktivasi,

aktivasi,
yaitu 0,7 utk tangentangen-sigmoid dan 2,8 utk logistiklogistiksigmoid
s = dimensi baris matriks bobot
r = dimensi kolom matriks bobot
75
Contoh penggunaan JST :

Prediksi molaritas air teh
M(gr/l)
M(gr/l) = masa daun teh (gr)
gr) / volume air (l)
Penentuan kadar tanah dalam air

Di sini digunakan metode ultrasonik untuk
menentukan kecepatan rambat gelombang dan
atenuasi gelombang pada air yg mengandung
tanah
Kecepatan turun jika kadar tanah naik,
naik, sedang
atenuasi naik jika kadar tanah naik.
naik.
JST dilatih dg pasangan data

Input : kecepatan dan atenuasi

Output : kadar tanah
Kamera
CCD
Gelas
teh
lampu
76
PC dg frame
grabber
JST dilatih dg pasangan data :

input : koordinat warna
output : molaritas
77
78
13
Sistem kontrol feedback & feedforward

feedforward
controller
+
planning
desired
response
feedback
controller
Identifikasi plant dg JST

u(k)
output
yp(k)
plant
TDL
plant
TDL
JST
bisa menggunakan JST sbb:

sbb:
JST
p(k)
p(k+1)
Z-1
output
plant
e
ei(k)
TDL = tapped delay line, di mana outputnya sama

dg delayed values of the input
JST
79
80
Direct adaptive control dg JST
Indirect adaptive control

ym
reference model
r
ec
u
plant
reference model
u
JST
plant
TDL
ec
yp
ec
yp
ym
ym
reference model
ec
controller
controller
identification
model ()
ei
plant
+
-
yp
ei
TDL
81
82

Indirect adaptive control dg JST
reference model
ym
-
ei
r
z-1
JST, Ni
TDL
TDL
plant
+
+
TDL
u
JST, Nc
ec
p
ei
-
yp
TDL
83
14

Bab5AI Jaringan Syaraf Tiruan

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Bab5AI Jaringan Syaraf Tiruan

Diunggah oleh

Hak Cipta:

Format Tersedia

JARINGAN SYARAF TIRUAN

Jaringan syaraf tiruan (JST) dibuat orang

JARINGAN SYARAF TIRUAN

volume 1.500 cm3

Suatu neuron terdiri atas :

Badan sel yg didalamnya ada inti sel (nucleus)

JARINGAN SYARAF TIRUAN

JARINGAN SYARAF TIRUAN

Pengolahan sinyal dilakukan pada badan sel,

JARINGAN SYARAF TIRUAN

JARINGAN SYARAF TIRUAN

Ada 3 ciri dari

Komputasi neuron adalah disiplin dlm rekayasa

JARINGAN SYARAF TIRUAN

JARINGAN SYARAF TIRUAN

Di manapun JST diterapkan,

Cara kerja neuron :

JARINGAN SYARAF TIRUAN

JARINGAN SYARAF TIRUAN

Karakteristik JST ditentukan oleh :

Metode pelatihan (metoda menentukan bobot

Y menerima masukan dari ketiga neuron dg

Jaringan lapis tunggal,

Supervisi (diawasi) atau tanpa supervisi

Hard limit, sigmoid, dll

JARINGAN SYARAF TIRUAN

JARINGAN SYARAF TIRUAN

Tahun 1958, Rosenblatt memperkenalkan

JARINGAN SYARAF TIRUAN

JARINGAN SYARAF TIRUAN

Apa yang dilakukan

Pengolahan sinyal (signal processing) :

JARINGAN SYARAF TIRUAN

JARINGAN SYARAF TIRUAN

Karakteristik model neuron McCullochMcCulloch-Pitts :

JARINGAN SYARAF TIRUAN

JARINGAN SYARAF TIRUAN

Seluruh jalur bernilai positif yang terhubung ke

JARINGAN SYARAF TIRUAN

JARINGAN SYARAF TIRUAN

Konsep Dasar Jaringan Hebb

JARINGAN SYARAF TIRUAN

JARINGAN SYARAF TIRUAN

Algoritma Pelatihan Hebb

JARINGAN SYARAF TIRUAN

Kasus 1 Fungsi Logika AND

JARINGAN SYARAF TIRUAN

Tabel Masukan dan Target fungsi AND

Perhitungan bobot dan bias :

Hasil pembelajaran : w1 =1, w2=1, dan b=1

JARINGAN SYARAF TIRUAN

JARINGAN SYARAF TIRUAN

Tabel Masukan dan Target fungsi AND

pola yang dimaksud

JARINGAN SYARAF TIRUAN

JARINGAN SYARAF TIRUAN

Perhitungan bobot dan bias :

JARINGAN SYARAF TIRUAN

JARINGAN SYARAF TIRUAN

Tabel Masukan dan Target fungsi AND

Perhitungan bobot dan bias :

JARINGAN SYARAF TIRUAN

JARINGAN SYARAF TIRUAN

Kasus 2 : Pengenalan Pola