Neural Net
1
Materi
2
Model Neuron JST
n
X1 z wi xi ; y H ( z ) Y1
W1 i 1
X2
Y2
W2
Fungsi aktivasi
X3 W3 Y3
Bobot
Masukkan Keluaran
4
Istilah dalam JST
Neuron: sel syaraf tiruan yang merupakan elemen
pengolah JST
Jaringan: bentuk arsitektur JST, kumpulan neuron yang
saling berhubungan dan membentuk lapisan
Input: sebuah nilai input yang akan diproses menjadi nilai
output
Output: solusi dari nilai input
Hidden layer: lapisan yang tidak terkoneksi secara
langsung dengan lapisan input atau output, memperluas
kemampuan JST
Bobot: nilai matematis dari sebuah koneksi antar neuron
Fungsi aktivasi: fungsi yang digunakan untuk mengupdate
nilai-nilai bobot per-iterasi dari semua nilai input.
Fungsi aktivasi sederhana adalah mengakalikan input dengan
bobotnya dan kemudian menjumlahkannya (disebut penjumlahan
sigma)
Berbentuk linier atau tidak linier, dan sigmoid
Paradigma pembelajaran: bentuk pembelajaran, 5
supervised learning, atau unsupervised learning
JST dengan 3 Layer
6
Arsitektur Jaringan
8
Multilayer Feedforward Net
Kelas kedua dari
feedforward
neural network
adalah jaringan
dengan satu
atau lebih lapis
tersembunyi
(hidden layer).
9
Recurrent Networks
10
Recurrent Networks
11
Recurrent Networks
12
Lattice Structure
13
Lattice Structure
14
Pengelompokan JST
X1 X2 Y
1 1 1 n
1 0 0 z wi xi ; y H ( z )
0 1 0 i 1
0 0 0
16
McCulloch Pitts
X1 X2 Y
1 1 1 n
1 0 1 z wi xi ; y H ( z )
0 1 1 i 1
0 0 0
17
Learning
18
Supervised Learning
22
Bias dan Threshold
Bias
Threshold
23
Linear Separability
Output “yes” 1
Output “no” -1
Decision Boundary
24
Hebb Net
25
Algoritma Hebb Net
1. Inisialisasi bobot
26
Fungsi AND (biner input & target)
Decision Boundary
Proses
27
Fungsi AND (biner input & bipolar target)
Decision Boundary
Proses
28
Pemilihan pola pembelajaran memberikan peranan penting!
Fungsi AND (bipolar input & target)
Decision Boundary
Proses
29
Latihan
Buatlah manual atau implementasi
dari pengenalan kedua pola berikut:
30