Sc
(sigit.adinu@ub.ac.id)
OUTLINE
1. Model Jaringan Syaraf Tiruan
2. Fungsi aktivasi
3. Decision boundary
4. Proses pembelajaran
5. Arsitektur JST
6. Pemrosesan pada neuron
MODEL JARINGAN SYARAF TIRUAN
•Semua model JST terdiri dari sekumpulan neuron.
•Neuron merupakan bagian yang memproses data
•Neuron terdiri dari 3 komponen utama :
1. Sinapsis : Berfungsi menerima input. Sinapsis memiliki nilai bobot, yang menjadi faktor pengali dari
input yang diterima. Terdapat pula sebuah bias, yaitu input yang selalu bernilai 1.
2. Penjumlah (adder) : Berfungsi menjumlahkan semua input dan bias yang ada, sesuai dengan bobot
masing-masing input.
3. Fungsi aktivasi : Berfungsi menentukan output dari suatu neuron
MODEL JARINGAN SYARAF TIRUAN
input bias
1
Fungsi
!" '" - aktivasi output
!# '#
% (
)(() ,
.
.
.
. '$ adder
$
!$ , = )(()
( = % !/ '/ + -
/0"
CONTOH SOAL
) = 1 ∗ 0.75 + 2 ∗ 2 + 7 ∗ 0.5 + 4 ∗ 0.1
= 8.65
1
x1 x2 y/target
!" &" = 1 5 = -1.5 1 0 0
0 1 0
!# &# = 1 '
1, ./ ! ≥ 0 1 1 1
$ sgn ! = ,
0, ./ ! < 0 4 0 0 0
Output layer
Hidden layer
Input layer
MULTI-LAYER FEEDFORWARD NETWORK
•Terdiri dari satu layer input dan satu layer output
•Memiliki satu atau lebih hidden layer
•Setiap neuron pada suatu layer akan terhubung ke setiap neuron di layer berikutnya
•Tidak ada hubungan antara neuron pada layer yang sama
RECURRENT NEURAL NETWORK
PEMROSESAN PADA NEURON
1. Recall
Proses menghitung output dari suatu input pada JST.
Bertujuan mendapatkan output dari suatu input, setelah dilakukan proses training pada JST
2. Autoassociation
JST diberi input yang mirip dengan data latih yang diberikan, dan selanjutnya memberikan output
data yang mirip dengan input
Bertujuan mendapatkan data dengan input yang mengandung noise
3. Heteroassociation
JST mendapatkan kelas dari input yang diberikan
PEMROSESAN PADA NEURON
Memory
Input
autoassociation
PEMROSESAN PADA NEURON
Memory
Input
MAMALIA
Heteroassociation
MAMALIA MAMALIA
AVES
PEMROSESAN PADA NEURON
4. Klasifikasi
•Sekumpulan pola telah terbagi menjadi beberapa kategori (kelas).
•Ketika sebuah pola input diterima oleh neuron, neuron mengambil informasi mengenai
kelas yang sesuai dengan input yang diterima.
•Kelas dikodekan pada output layer menggunakan vektor biner, oleh karena itu fungsi
aktivasi yang digunakan adalah fungsi step
•Merupakan bentuk khusus dari heteroassociation
5. Pengenalan (Recognition)
Terjadi ketika input tidak berhubungan secara langsung dengan informasi yang
disimpan
PEMROSESAN PADA NEURON
Memory
Input
[1,1]
Klasifikasi
[1,1] [1,1]
[0,1]
PEMROSESAN PADA NEURON
6. Clustering
•Model klasifikasi unsupervised dari objek yang tidak diketahui kelasnya
•Neuron harus dapat menemukan pola yang tersembunyi