Anda di halaman 1dari 28

Jaringan Syaraf Tiruan

Artificial
Intelligence
Oleh

@Melania
2011SM
1

PENDAHULUAN
Jaringan

Syaraf Manusia

Terdiri 1000 milyar neuron


Koneksi neuron (sinapsis) 6.1018 koneksi
oleh jutaan sel
Mampu membentuk sendiri aturanatuan/pola berdasarkan pengalaman yang
diterima
2 tahun pertama umur manusia dapat
terbentuk 1 juta sinapsis/detik
2

Representasi Struktur biologis Jaringan


Syaraf
Soma

inti dari sel

neuron
Dendrite ada dlm
tubuh sel tempat soma
berada penghubung
neuron satu dgn yg lain
Axon penghubung
neuron satu dg yg lain
melalui koneksi output
neuron
3

Fault Tolerant dalam 2 hal


Manusia dapat mengenali sinyal
input yang agak berbeda dari yang
pernah diterima sebelumnya
2. Otak manusia mampu bekerja
walaupun beberapa neuronnya
tidak mampu bekerja dengan baik
1.

Jaringan Syaraf Tiruan

Algoritma yang mempunyai kemampuan yang


sama dengan sel syaraf manusia yaitu dapat
beradaptasi dengan respon input yang diberikan
sebelumnya dan dengan respon ini dapat
melakukan pembelajaran
Sistem pemroses informasi yang memiliki
karakteristik mirip dengan jaringan syaraf biologi
Dibentuk sebagai generalisasi model matematika
darijaringan syaraf biologi

Asumsi pembentukan model :


Pemrosesan

informasi terjadi pada


banyak elemen sederhana (neuron)
Sinyal dikirimkan diantara neuron2
melalui penghubung-penghubung.
Penghubung antar neuron memiliki
bobot yang akan memperkuat atau
memperlemah sinyal
Untuk menentukan output setiap neuron
menggunakan fungsi aktivasi.
6

JST ditentukan oleh 3 hal :


Pola hubungan antar neuron
2. Metode menentukan bobot
penghubung (disebut metoda
training/learning/algoritma)
3. Fungsi aktivasi
1.

Model Neuron dalam JST


input
U1

Bobot sinapsis
W1
W2

U2
.
.
.
.

Fungsi aktivasi
Output

F()

Wn

Un

Bobot bias

y f ( W jU
j 1

b
8

Sejarah JST

1943, McCulloch dan Pitts.


kombinasi beberapa neuron
sederhana menjadi sebuah sistem
neural akan meningkatkan
kemampuan komputasinya
Bobot jaringan yg diusulkan fungsi
logika sederhana
Fungsi aktivasi fungsi threshold
1958, Rosnblatt: mengembangkan
model jaringan yg disebut perceptron.
Metode pelatihan diperkenalkan untuk
mengoptimalkan hasil iterasi
9

1960, Widrow dan Hoff mengembangkan


perceptron dengan memperkenalkan aturan
pelatiha jaringan. Mengubah bobot apabila
keluaran yang dihasilkan tidak sesuai dengan
target yang diinginkan
1986, Rumelhart mengembangkan
perceptron menjadi backpropagation, yang
memungkinkan jaringan diproses melalui
beberapa layer
Beberapa nama pengembang JST
1972 Kohonen
1982 Hopfield
10

APLIKASI JST

Pengenalan Pola (Pattern


Recognition)
Signal Processing
dll

11

Dasar-dasar matematika
1. Vektor
Perkalian vektor dengan skalar
Penjumlahan 2 buah vektor
Hasil kali titik 2 vektor
Norma vektor
Ketergantungan linier

2. Matrik
Jenis-jenis matrik
Operasi pada matrik
12

Model Neuron

Neuron adalah unit pemroses informasi


yang menjadi dasar dalam
pengoperasian JST
Neuron terdiri dari 3 elemen pembentuk:
1.

2.
3.

Himpunan unit-unit yg dihubungkan dengan jalur koneksi.


Jumlah, struktur dan pola hubunan antar unit2 tsb akan
menentukan arsitektur jaringan
Unit penjumlah yang akan menjumlahkan input-input sinyal
yang sudah dikalikan dengan bobotnya.
Fungsi aktivasi yang akan menentukan apakah sinyal dari
input neuron akan diteruskan ke neuron lain atau tidak.
13

ARSITEKTUR JARINGAN

Jaringan Layar Tunggal (Single


Layer Network)
Jaringan Layar Jamak (Multi Layer
Network)
Jaringan Reccurent
W j11

W jk10

Ik(n)

W j21

Y(n)

Xj(n)

z(n)
Sj(n)
W j1b

14

STRUKTUR JARINGAN SARAF TIRUAN


Fungsi
Aktifasi
Layer
Keluaran

Layar
Masukan

Layer
Bias

Layer
Bias

Layar
Tersembunyi
Pembobo
t

Fungsi Aktivasi
Digunakan untuk menentukan keluaran suatu neuron

Beberapa Fungsi Aktivasi :


a. Fungsi Threshold (batas ambang)
b. Fungsi sigmoid
c.
Fungsi identitas

16

Bias dan Thresold


Nilainya selalu = 1
Berfungsi untuk mengubah threshold menjadi = 0 (bukan a)

17

Model2
1.
2.
3.
4.
5.
6.
7.
8.

Perceptron klasifikasi & pengenalan pola (8)


Adaline regresi(2)
Multi Layer Perceptron (MLP)pendekatan fungsi (7)
Radial Basis Function (RBF) Interpolasi, Regresi &
klasifikasi
Hopfieldoptimasi &CAM ((6)
Adaptive resonance klaster&klasifikasi
Boltmann machine optimasi (1)
Suport vektor machine klasifikasi & regresi
18

Pelatihan
Pelatihan ada 2 macam yaitu :
1.

2.

Supervisi sejumlah pasangan data (input output)


yang dipakai untuk melatih jaringan hingga
mendapatkan bobot yang diinginkan
Tanpa Supervisi tak ada pasangan data untuk
latihan. Dalam pelatihannya perubahan jaringan
dilakukan berdasarkan parameter tertentu dan jaringan
dimodifikasi menurut parameter tersebut

19

ALGORITMA BACKPROPAGATION

20

Cara kerja jaringan propagasi balik (1)


1.
2.
3.
4.
5.

6.

7.

mula-mula jaringan diinisialisasikan dengan bobot yang diset


dengan bilangan acak.
contoh-contoh pelatihan dimasukkan ke dalam jaringan. Alur
kerja jaringan propagasi balik dapat dilihat pada Gambar 2.7.
C
ontoh pelatihan terdiri dari pasangan vektor input dan vektor
output target.
Keluaran dari jaringan berupa sebuah vektor output aktual.
Selanjutnya vektor output aktual jaringan dibandingkan
dengan vektor output target untuk mengetahui apakah output
jaringan sudah sesuai dengan harapan (output aktual sudah
sama dengan output target) (Puspitaningrum, 2006).
Error yang timbul akibat perbedaan antara output aktual
dengan output target tersebut kemudian dihitung dan
digunakan untuk meng-update bobot-bobot yang relevan
dengan jalan mempropagasikan kembali error.
Setiap perubahan bobot yang terjadi diharapkan dapat
mengurangi besar error.
21

Cara kerja jaringan propagasi balik (2)


1. Epoch (siklus setiap pola pelatihan) seperti ini dilakukan
pada semua set pelatihan sampai untuk kerja jaringan
mencapai tingkat yang diinginkan atau sampai kondisi
berhenti terpenuhi.
2. Setelah proses pelatihan selesai, barulah diterapkan
algoritma aplikasi.
3. Biasanya sebelum digunakan untuk aplikasi yang
sebenarnya, pengujian untuk kerja jaringan dilakukan
dengan cara memasukkan set pengujian (set tes) ke
dalam jaringan.
4. Karena bersifat untuk menguji, set pengujian hanya
berupa input saja.
5. Dari respon jaringan dapat dinilai kemampuan
memorisasi dan generalisasi jaringan dalam menebak
output berdasarkan pada apa yang telah dipelajarinya
selama ini.
22

Fungsi Aktivasi
1.
2.

Fungsi Linier
Suatu fungsi linier menggunakan konsep superposisi, memiliki
nilai output yang sama dengan nilai inputnya. Persamaan
matematika fungsi linier dapat dituliskan sebagai berikut

3.
4.
5.
6.
7.
8.

Kemiringan (slope) fungsi linier y = f(x) dengan simbol . Jika


Slope =1, maka fungsi aktivasi linier dinamakan fungsi
identity. Fungsi keluaran sama dengan fungsi masukannya..
Fungsi Sigmoid biner
Sigmoid Biner sering dipakai karena nilai fungsinya yang
terletak antara 0 dan 1, dan didefinisikan sebagai
dengan turunan :
2.17
23

Taksonomi Jaringan Syaraf


Tiruan
Hingga kini sangat lebih dari 20 model JST.
JST berdasarkan pembelajaran,aplikasi, dan jenis
arsitektur :
Pengenalan pola:

ART (Adaaptive Resonance Theory)

Backpropagation
Peramalan

Backpr

Adaline
Optimasi

BP
24

Neuron McCulloch-Pitts
Karakter Neuron McCulloch-Pitts :
1. Fungsi aktivasi biner
2. Semua garis yg memperkuat sinyal (bobot
positif) kearah suatu neuron memiliki
kekuatan(besar bobot) yang sama. Hal yang
sama untuk garis yg memperlmah sinyal
3. Setiap neuron memiliki batas ambang
(threshold) yang sama. Jika total inputke
neuron tsb memiliki threshold, maka neuron
akan meneruskan sinyal
25

Model Hebb
Dasar algoritma Hebb:
Jika 2 neuron yang dihubungkan
dengan sinapsis secara serentak
menjadi aktif (sama2 bernilai + atau
-), maka kekuatan sinapsisnya
meningkat.
Persamaan bobot :
Wi(baru) = Wi(lama) +xiy
26

Algoritma pelatihan Hebb


1.
2.

Inisialisasi semua bobot wi = 0 (i = 1n)


Untuk semua vektor input s dan unit target t, lakukan
a.
b.
c.

Set aktivasi unit masukan xi =si


Set aktivasi unit keluaran y=t
Perbaiki bobot menurut

d.

Wi(baru) = wi (lama) + dw
dw = xi y

Perbaiki bias menurut persamaan


b(baru) = b(lama) +y

Kendala jaringan Hebb:

Tidak semua model dapat direpresentasikan dengan fungsi


aktivasi threshold
Dalam Menentukan menentukan representasi data I/O untuk
fungsi aktivasi threshold
27

Fungsi Logika dan dengan 2 masukan x1 dan x2


akan memiliki keluaran y=1 bila dan hanya bila
kedua masukannya = 1
Buatlah model neuron McCulloch-Pitts untuk menyatakan
fungsi logika dan

28