Artificial Intelligence
Minggu 7
Artificial Intelligence
LEARNING OUTCOMES
OUTLINE MATERI
• Teori Dasar
• Pembelajaran Terbimbing dan Tidak Terbimbing
• Jaringan Syarat Tiruan
• Support Vector Machines
• Mesin Learning
• Simpulan
Artificial Intelligence
ISI MATERI
1. Teori Dasar
Jaringan syaraf tiruan adalah model komputasi yang terinspirasi oleh sistem saraf
makhluk hidup. JST memiliki kemampuan untuk memperoleh dan mempertahankan
pengetahuan (berbasis informasi) dan dapat didefinisikan sebagai seperangkat unit
pengolahan, yang diwakili oleh neuron buatan, saling terkait oleh banyak
interkoneksi (sinapsis buatan), yang diterapkan oleh vektor dan matriks bobot
sinaptik. JST mempelajari hubungan antara sebab dan akibat atau mengatur sejumlah
besar data menjadi pola yang teratur dan informatif
a) Fitur Utama
1) Beradaptasi dari pengalaman
Parameter internal jaringan, biasanya bobot sinaptiknya, disesuaikan dengan
pemeriksaan contoh berturut-turut (pola, sampel, atau pengukuran) yang
berkaitan dengan perilaku proses, sehingga memungkinkan perolehan
pengetahuan berdasarkan pengalaman.
2) Kemampuan belajar
Dengan menggunakan metode pembelajaran, jaringan dapat mengekstrak
hubungan yang ada antara beberapa variabel aplikasi.
3) Kemampuan generalisasi
Setelah proses pembelajaran selesai, jaringan dapat menggeneralisasi
pengetahuan yang didapat, sehingga memungkinkan estimasi solusi sejauh ini
tidak diketahui.
4) Organisasi data
Berdasarkan informasi bawaan dari suatu proses tertentu, jaringan dapat
mengatur informasi ini, sehingga memungkinkan pengelompokan pola dengan
karakteristik umum.
5) Toleransi kesalahan
Berkat tingginya jumlah interkoneksi antara neuron buatan, jaringan syaraf
tiruan menjadi sistem fault-tolerant jika sebagian struktur internalnya rusak
sampai tingkat tertentu.
6) Penyimpanan terdistribusi
Pengetahuan tentang perilaku suatu proses tertentu yang dipelajari oleh
jaringan syaraf tiruan disimpan di masing-masing dari beberapa sinapsis antara
Artificial Intelligence
neuron buatan, sehingga meningkatkan ketahanan arsitektur jika terjadi
beberapa neuron.
7) Prototipe yang difasilitasi
Bergantung pada kekhasan aplikasi, sebagian besar arsitektur syaraf dapat
dengan mudah dibuat prototip pada perangkat keras atau perangkat lunak,
karena hasilnya, setelah proses pelatihan, biasanya diperoleh dengan beberapa
operasi matematika mendasar.
b) Historical
o Publikasi pertama yang berkaitan dengan tanggal neurocomputing dari tahun
1943, ketika McCulloch dan Pitts (1943) menyusun model matematis pertama
yang terinspirasi oleh neuron biologis, yang menghasilkan konsepsi pertama
neuron buatan.
o Pada tahun 1949, metode pertama untuk melatih jaringan syaraf tiruan
diajukan; itu bernama Hebb's rule dan didasarkan pada hipotesis dan
pengamatan sifat neuro-fisiologis (Hebb 1949).
Artificial Intelligence
6) Optimalisasi sistem
Tujuannya adalah untuk meminimalkan atau memaksimalkan fungsi biaya
(objektif) yang menaati kendala akhirnya untuk memetakan masalah dengan
benar. Di antara tugas optimasi yang bisa mendapatkan keuntungan dari
jaringan syaraf tiruan, yang terpenting adalah masalah optimasi yang dibatasi,
pemrograman dinamis, dan optimasi kombinasional.
7) Memori asosiatif
Tujuannya adalah untuk memulihkan pola yang benar bahkan ketika unsur
dalamnya tidak pasti atau tidak akurat. Beberapa contoh meliputi pengolahan
citra, transmisi sinyal, identifikasi karakter tertulis, dan lain sebagainya.
Untuk dapat melakukan hal tersebut, dapat digunakan algoritma pembelajaran. Disini
akan dibahas tiga algoritma pembelajaran yaitu:
Artificial Intelligence
3. Jaringan Syaraf Tiruan
Struktur jaringan syaraf tiruan dikembangkan dari model sistem saraf biologis yang
diketahui dan otak manusia itu sendiri. Komponen komputasi atau unit pengolahan,
yang disebut neuron buatan, adalah model neuron biologis yang disederhanakan.
Gambar Neuron Biologi
Pemodelan JST
Dimana,
𝜇 adalah jumlahan dari perkalian input dan bobotnya
y adalah variabel luaran jaringan
Artificial Intelligence
Fungsi aktivasi dapat dikategorikan menjadi dua kelompok fundamental,
a) Fungsi yang dapat didiferensiasi sebagian
Fungsi aktivasi yang terdiferensiasi sebagian adalah fungsi dengan titik yang
turunan orde pertama tidak ada. Tiga fungsi utama dari kategori ini adalah
sebagai berikut:
1) Step Function,
Hasil yang dihasilkan oleh fungsi langkah akan mengasumsikan nilai
positif kesatuan bila potensial aktivasi neuron lebih besar atau sama
nol; Jika tidak, hasilnya akan batal. Dengan demikian, kita memiliki:
Langkah aktivasi
fungsi
Fungsi aktivasi
langkah bipolar
Artificial Intelligence
b) Fungsi terdiferensiasi sepenuhnya
Fungsi aktivasi terdiferensiasi sepenuhnya adalah mereka yang turunanpesanan
pertamanya ada untuk semua titik domain definisi mereka.
Keempat fungsi utama dari kategori ini, yang dapat digunakan padajaringan
syaraf tiruan:
1) Fungsi Logistik,
The output result produced by the logistic function will always
assume real values between zero and one. Its mathematical
expression is given by:
Pengaruh parameter
dalam fungsi aktivasi
logistik
Artificial Intelligence
2) Garis Singgung Hiperbolik,
Hasil output, tidak seperti fungsi logistik, akan selalu
mengasumsikan nilai riil antara -1 dan 1, dengan ekspresi matematis
berikut:
Pengaruh parameter
pada fungsi aktivasi
singgung hiperblik
3) Fungsi Gaussian
Dalam kasus fungsi aktivasi Gaussian, output neuron akan
menghasilkan hasil yang sama untuk nilai potensial aktivasi {u}
yang ditempatkan pada jarak yang sama dari pusatnya (rata-rata).
Kurva simetris ke pusat ini dan fungsi Gaussian diberikan oleh:
Fungsi aktivasi
Gaussian
Artificial Intelligence
Fungsi aktivasi linier
4) Fungsi linear.
Fungsi aktivasi linier, atau fungsi identitas, menghasilkan hasil
keluaran sama dengan potensi aktivasi {u}, yang memiliki ekspresi
matematisnya yang diberikan oleh:
Artificial Intelligence
1) Arsitektur Feedforward Single-Layer
Jaringan syaraf tiruan ini hanya memiliki satu lapisan masukan dan satu lapisan
saraf tunggal, yang juga merupakan lapisan keluaran.
Artificial Intelligence
4) Arsitektur Mesh
Jaringan ini melayani berbagai aplikasi dan digunakan dalam masalah yang
melibatkan pengelompokan data, pengenalan pola, optimalisasi sistem, grafik, dan
lain-lain. Jaringan Kohonen adalah perwakilan utama arsitektur mesh, dan
pelatihannya dilakukan melalui proses yang kompetitif. Menggambarkan contoh
jaringan Kohonen dimana neuronnya disusun dalam ruang dua dimensi.
Jaringan Perceptron
Perceptron, dibuat oleh Rosenblatt, adalah konfigurasi sederhana dari jaringan syaraf
tiruan yang pernah dibuat, yang tujuannya adalah untuk menerapkan model komputasi
berdasarkan retina, yang bertujuan menjadi elemen persepsi elektronik. Salah satu
penerapan Perceptronadalah mengidentifikasi pola geometris.
Artificial Intelligence
Perhitungan tersebut diberikan dengan ungkapan berikut:
Jaringan MLP juga dikenal karena berbagai penerapannya dalam beberapa masalah dari
berbagai bidang pengetahuan dan juga dianggap sebagai salahsatu arsitektur paling
serbaguna terkait penerapannya. Di antara area potensial ini, yang terpenting adalah
sebagai berikut:
• Pendekatan fungsi universal (curve fitting).
• Pengenalan pola.
• Proses identifikasi dan kontrol.
• Peramalan deret waktu (prediksi).
• Optimalisasi sistem
Ilustrasi jaringan perceptron multilayer
Artificial Intelligence
4. Support Vector Machine
Support Vector Machine atau SVM saat ini merupakan pendekatan yang paling
populer untuk pembelajaran terawasi. SVM biasanya digunakan untuk klasifikasi dan
regresi. SVM digunakan untuk mencari hyperplane terbaik dengan memaksimalkan
jarak antar kelas. Hyperplane adalah fungsi yang dapat digunakan untuk memisah antar
kelas. Dalam bidang 2D fungsi yang digunakan untuk klasifikasi disebut line whereas,
sedangkan pada bidan 3D disebut plane similarly.
Dengan syarat :
yi(xi . w +b) -1 ≥ 0, i = 1,2,3,….,n
yi(x1.w1 + x2.w2 + b) ≥ 1
sehingga ditemukan persamaan sebagai berikut:
1. (𝑤1 + 𝑤2 + 𝑏 ) ≥ 1 untuk y1 = 1, x1=1, x2=1
2. (−𝑤1 + 𝑤2 − 𝑏 ) ≥ 1 untuk y2 = -1, x1=1, x2=-1
3. (𝑤1 − 𝑤2 − 𝑏 ) ≥ 1 untuk y3 = -1, x1=-1, x2=1
4. (𝑤1 + 𝑤2 − 𝑏 ) ≥ 1 untuk y1 = -1, x1=-1, x2=-1
Artificial Intelligence
5. Mesin Pembelajaran Praktis
Pada bagian ini, mari kita lihat dua aspek pembelajaran mesin praktis.
o Temukan algoritma yang mampu belajar mengenali angka tulisan tangan
o Bagaimana data diperoleh, cleansing data dan representasi data adalah sama
pentingnya dengan algoritma pembelajaran
Artificial Intelligence
SIMPULAN
1. Dunia komputasi memiliki banyak keuntungan dari jaringan saraf.
Kemampuan mereka untuk belajar dengan contoh membuat mereka sangat
fleksibel dan bertenaga. Selanjutnya, tidak perlu merancang algoritma untuk
melakukan tugas tertentu; Yaitu tidak perlu memahami mekanisme internal
dari tugas itu. Mereka juga sangat cocok untuk sistem real-time karena respon
cepat dan waktu komputasi yang disebabkan oleh arsitektur paralel mereka.
2. Jaringan saraf juga berkontribusi pada area penelitian lainnya seperti
neurologi dan psikologi. Mereka secara teratur digunakan untuk memodelkan
bagian-bagian organisme hidup dan untuk menyelidiki mekanisme internal
otak.
3. Mungkin aspek paling menarik dari jaringan syaraf tiruan adalah
kemungkinan jaringan 'sadar' suatu saat bisa diproduksi. Ada sejumlah
ilmuwan yang berpendapat bahwa kesadaran adalah sifat 'mekanis' dan
jaringan saraf 'sadar' merupakan kemungkinan yang realistis.
4. Support Vector Machine digunakan untuk menemukan pemisah linier dengan
margin maksimum sehingga dapat meningkatkan kinerja pada kasus
pengklasifikasian
Artificial Intelligence
DAFTAR PUSTAKA
Artificial Intelligence