05a-Neural Network-Intro PDF
05a-Neural Network-Intro PDF
g Syaraf
y
Tiruan
(Artificial Neural Network)
Intelligent Systems
Pembahasan
Latar belakang
Jaringan syaraf biologis
Konsep jaringan syaraf tiruan
Model neuron
Arsitektur jaringan
Training
Fungsi Aktivasi
Aplikasi
A lik i JST
Kelebihan dan kelemahan JST
Latar Belakang
Manusia dapat bereaksi secara cepat dan adaptif
terhadap perubahan pada lingkungannya. Mereka
menggunakan sistem syarafnya untuk melakukan
perilaku ini
Jaringan syaraf tiruan (artificial neural network)
mencoba untuk meniru sistem syaraf manusia agar
dapat menghasilkan respon dan perilaku yang sama
dengan jaringan syaraf biologis
Sistem jaringan syaraf dibangun oleh suatu unit-unit
sederhana yaitu sel syaraf
sederhana,
syaraf. Perilaku dan fungsi sel
syaraf biologis dimodelkan dalam jaringan syaraf tiruan
Kemampuan
p
Otak
Diantaranya :
Mengenali pola
Melakukan
M l k k perhitungan
hit
Mengontrol organ-organ tubuh
Semuanya dilakukan dengan kecepatan sangat tinggi
dibandingkan komputer digital
Contoh :
Pengenalan wajah seseorang yang sedikit berubah
(memakai topi, jenggot tambahan)
Dendrit
Menerima sinyal kimia
listrik dari neuron lain
Soma
Soma
(cell body)
Menjumlahkan semua
sinyal yang masuk
Jika
Jik hasil
h il penjumlahan
j l h
sinyal cukup kuat atau
melebihi threshold, sinyal
akan diteruskan ke sel lain
melalui axon
Axon
Axon
Mengirimkan sinyal ke
neuron lain
dendrit
sinapsis
Pengiriman
g
sinyal
y / informasi terjadi
j
pada
p
sinapsis
p
Sinapsis memperkuat atau memperlemah sinyal yang
hendak dikirimkan
Model Neuron
x1
x2
x3
w1
w2
w3
Model Neuron
x1
x2
x3
w1 net=(x1w1+x2w2+x3w3)
w2
w3
y=f(net)=f(x1w1+x2w2+x3w3)
Karakteristik JST
Ditentukan oleh :
Arsitektur jaringan (pola hubungan antar neuron)
Jaringan layer tunggal, jaringan layer jamak
Fungsi aktivasi
Hard limit, sigmoid
Arsitektur Jaringan
Jaringan layer tunggal (single layer network)
Sekumpulan neuron masukan dihubungkan langsung dengan
sekumpulan keluarannya
x1
w
xi
w11
wj
y1
m1
yj
w w
1n
j w
jn
xn
mn
ym
Arsitektur Jaringan
Jaringan layer jamak (multi layer network)
Selain unit input dan output, terdapat unit lain (disebut layer
tersembunyi atau hidden layer)
x1
y1
w11
wp
z1
xi
yj
zp
w
xn
1n
wp
n
w
jp
w
mp
ym
Dimungkinkan
terdapat beberapa
hidden layer
Dapat menyelesaikan
masalah yang lebih
kompleks, walau
proses pelatihan lebih
lama dan rumit
Training
Training adalah proses belajar dengan cara mencari
nilai bobot-bobot yang menghubungkan keseluruhan
neuron sehingga data input dapat menghasilkan
neuron,
keluaran yang diinginkan
Training dilakukan secara iteratif hingga diperoleh bobot
yang paling optimal
Training
Dengan supervisi (supervised)
Terdapat sejumlah pasangan data (masukan-target
keluaran) yang dipakai untuk melatih jaringan hingga
diperoleh bobot yang diinginkan.
Pada setiap tahap pelatihan :
Suatu input diberikan ke jaringan
Jaringan memproses dan mengeluarkan keluaran
Selisih antara keluaran jaringan dan target adalah kesalahan
yang terjadi
Jaringan memodifikasi bobot sesuai kesalahan tersebut, ulangi
proses di atas
Training
Tanpa supervisi (unsupervised)
Tidak ada pasangan data yang mengarahkan proses
pelatihan
Pada setiap tahap pelatihan :
Perubahan bobot jaringan dilakukan berdasarkan parameter
tertentu
Jaringan dimodifikasi menurut ukuran parameter tersebut
Training
Dengan supervisi vs tanpa supervisi
Model pelatihan dengan supervisi lebih banyak
digunakan dan terbukti cocok dipakai dalam berbagai
aplikasi.
Kelemahan
K l
h utama
t
pelatihan
l tih d
dengan supervisi
i i:
Pertumbuhan waktu komputasi berorde eksponensial
Untuk data p
pelatihan yyang
g cukup
p banyak,
y
p
prosesnya
y
menjadi lambat
Fungsi
g Aktivasi
Fungsi Aktivasi
Fungsi Step
Persamaan fungsi
aktivasi step :
0; x 0
f (x ) =
1; x > 0
Digunakan pada awal
pengembangan JST
Tidak dapat
menyelesaikan masalah
yang tidak linier
Fungsi Aktivasi
Fungsi Sigmoid
Persamaan fungsi
aktivasi sigmoid :
1
f (x ) =
1 + ex
Cocok untuk
menyelesaikan
y
masalah
yang tidak linier
Fungsi Aktivasi
Fungsi identitas
Persamaan fungsi
aktivasi
kti
i id
identitas
tit :
f (x ) = x
Seringkali digunakan
pada neuron keluaran
Taksonomi JST
Terdapat lebih dari 20 jenis jaringan syaraf tiruan
Masing-masing menggunakan arsitektur, fungsi
aktivasi
kti
id
dan perhitungan
hit
proses yang b
berbeda.
b d
Jenis jaringan syaraf tiruan :
Hebbian, Perceptron, ADALINE, Boltzman, Hopfield,
Adaptive Resonance Theory (ART), Multi-layer Perceptron
(MLP)
Kohonen, Learning Vector Quantization (LVQ), Neocognitron
dll
Aplikasi JST
Pengenalan pola (pattern recognition)
Peramalan (forecasting)
Pengenalan
P
l P
Pola
l
ART, LVQ, Neocognitron, MLP
Peramalan
ADALINE, MADALINE, MLP
Optimisasi
ADALINE, Hopfield, Boltzman, MLP
Sejarah JST
Tahun
T
h 1949
1949, D
D.O.
O H
Hebb
bb memperkenalkan
k
lk cara menghitung
hi
bobot dan bias secara iteratif yang dikenal sebagai model Hebb
Model tertua dengan aturan supervisi
Sejarah JST
Tahun
T
h 1958
1958, R
Rosenblatt
bl tt memperkenalkan
k
lk model
d l jjaringan
i
P
Perceptron
t
Terdapat metoda pelatihan untuk mengoptimalkan hasil iterasi
Kelemahan
K l
h :
Ketidakakuratan hasil yang diperoleh
Bekerja berdasarkan pola yang terbentuk pada inputnya