02 Arsitektur Jaringan JST McCulloch Dan Hebb PDF
02 Arsitektur Jaringan JST McCulloch Dan Hebb PDF
Neural Net
Materi
1.
2.
3.
4.
5.
X1
W1
z wi xi ; y H ( z )
Y1
i 1
X2
Y2
W2
X3
W3
Fungsi aktivasi
Y3
Bobot
Masukkan
Keluaran
Arsitektur Jaringan
Pola di mana neuron-neuron pada JST
disusun berhubungan erat dengan
algoritma belajar yang digunakan untuk
melatih jaringan.
Secara umum arsitektur jaringan dapat
dibagi menjadi empat, yaitu:
Recurrent Networks
Recurrent neural network adalah jaringan
yang mempunyai minimal satu feedback
loop.
Sebagai contoh, suatu recurrent network
bisa terdiri dari satu lapisan neuron
tunggal dengan masing-masing neuron
memberikan kembali outputnya sebagai
input pada semua neuron yang lain
10
Recurrent Networks
11
Recurrent Networks
12
Lattice Structure
Sebuah lattice (kisi-kisi) terdiri dari array neuron
berukuran satu dimensi, atau dua dimensi, atau lebih.
Berikut adalah lattice satu dimensi dengan 3 neuron yang
mendapatkan masukan dari 3 node sumber.
13
Lattice Structure
Berikut adalah lattice dua dimensi dengan 3 kali 3 neuron
yang mendapatkan masukan dari 3 node sumber
14
Pengelompokan JST
JST Feed Forward
Tidak mempunyai loop
Contoh: single layer perceptron, mutilayer
perceptron, radial basis function
McCulloch Pitts
Fungsi aktivasi biner
Besar bobotnya sama
Memiliki threshold yang sama
Contoh buat fungsi logika and, input X1 dan X2,
dan Y = 1 jika dan hanya jika inputan 1
X1
1
1
0
0
X2
1
0
1
0
Y
1
0
0
0
z wi xi ; y H ( z )
i 1
16
McCulloch Pitts
Contoh buat fungsi logika or, input X1 dan X2,
dan Y = 0 jika dan hanya jika inputan 0
X1
1
1
0
0
X2
1
0
1
0
Y
1
1
1
0
z wi xi ; y H ( z )
i 1
17
Learning
Proses belajar dalam konteks JST dapat
didefinisikan sebagai berikut:
Belajar adalah suatu proses di mana parameterparameter bebas JST diadaptasikan melalui suatu
proses perangsangan berkelanjutan oleh
lingkungan di mana jaringan berada.
Supervised Learning
Supervised learning adalah proses belajar yang
membutuhkan guru, yaitu sesuatu yang memiliki
pengetahuan tentang lingkungan.
Guru bisa direpresentasikan sebagai sekumpulan
sampel input-output.
Pembangunan pengetahuan dilakukan oleh guru
dengan memberikan respons yang diinginkan kepada
JST.
Parameter-parameter jaringan berubah-ubah
berdasarkan vektor latih dan sinyal kesalahan, yaitu
perbedaan antara keluaran JST dan respons yang
diinginkan.
Proses perubahan dilakukan dalam bentuk iterasi.
19
UnSupervised Learning
Unsupervised Learning atau self-organized learning
tidak membutuhkan guru untuk membantu proses
belajar.
Dengan kata lain, tidak ada sekumpulan sampel
input-output atau fungsi tertentu untuk dipelajari oleh
jaringan.
JST mengorganisasikan dirinya untuk membentuk
vektor-vektor input yang serupa tanpa menggunakan
data atau contoh-contoh pelatihan, biasanya ke
dalam suatu kategori/kelompok2 tertentu
Salah satu contoh unsupervised learning adalah
competitive learning, di mana neuron-neuron saling
bersaing untuk menjadi pemenang.
20
exit
else:
Update bobot2 menggunakan fungsi galat error,
Bobot baru = bobot lama + delta
Simple Neuron
Arsitektur dasar dari
semua kemungkinan
model JST sederhana
(single-layer) ditunjukkan
pada gambar disamping
Terdiri dari sebuah layer
input dan sebuah output
22
Threshold
23
Linear Separability
Output yes 1
Output no -1
Decision Boundary
24
Hebb Net
Hebb mengusulkan pembelajaran dengan
memodifikasi bobot sedemikian shg dua
hubungan neuron on dalam waktu yang
bersamaan, kemudian bobot diantara kedua
neuron tersebut bertambah
25
26
Fungsi AND
State
Perhitungan bobot
Decision Boundary
Proses
27
Fungsi AND
State
Perhitungan bobot
Decision Boundary
Proses
28
Pemilihan pola pembelajaran memberikan peranan penting!
Fungsi AND
State
Perhitungan bobot
Decision Boundary
Proses
29
Latihan
Buatlah manual atau implementasi
dari pengenalan kedua pola berikut:
30