JST / Neural Network

Nama Anggota :
1. Mokhamad Alrizaldo Rajabiantoro (17650070)
2. Nuha (16650000)

ALLPPT.com _ Free PowerPoint Templates, Diagrams and Charts

 Apa itu JST ?
JST atau jaringan saraf tiruan adalah algoritma yang diterapkan pada
mesin atau sistem yang dimana cara kerjanya menggunakan pola jar
ingan saraf pada manusia. Pada pemrosesannya jaringan ini memeca
h bagian menjadi lebih kecil (neutron) agar dalam pemrosesannya d
apat lebih sederhana dan ketika hasil setiap bagian digabungkan ak
an menghasilkan satu kesatuan yang kompleks. Dalam pemodelanny
a jaringan ini menerima inputan dan keluaran pada suatu sistem dal
am menemukan pola-pola data.
 Apa Tujuannya ?

JST bertujuan untuk memodelkan proses yang ada di dal

am otak manusia yang dimana proses klasifikasi, pengam
bilan keputusan dan mengenali wajah, yang dimana kem
ampuan tersebut belum dapat dilakukan dan diproses ol
eh komputer. Oleh karena itu banyak penelitian dan riset
yang dilakukan untuk menghasilkan pemodelan matemat
is  atau artificial neural network atau yang sering disebut
jaringan saraf tiruan.
Sel Syaraf (Neuron)
• Komponen utama neuron dapat dikelompokkan menjadi 3 bagian :
– Dendrit = bertugas menerima informasi = jalur input bagi soma
– Badan sel (soma) = tempat pengolahan informasi, di badan sel terdapat inti
sel yang bertugas mengolah informasi
– Akson = bertugas mengirimkan impuls-impuls sinyal ke sel syaraf lain = jalu
r output bagi soma
– Antar dendrit dipertemukan dengan sinapsis

Jaringan Syaraf Tiruan

 Meniru cara kerja jaringan syaraf biologis
 Generalisasi model matematis dari pemahaman manusia:
◦ Pemrosesan informasi terjadi pada neuron
◦ Sinyal mengalir diantara sel saraf/neuron melalui suatu sambungan penghubung
◦ Setiap sambungan penghubung memiliki bobot yang bersesuaian.
◦ Bobot ini akan digunakan untuk menggandakan / mengalikan sinyal yang dikirim
melaluinya.
◦ Setiap sel syaraf akan menerapkan fungsi aktivasi terhadap sinyal hasil penjumlahan
berbobot yang masuk kepadanya untuk menentukan sinyal keluarannya.
Analogi JST dengan JSB

Model Struktur Neuron JST

SUMMATION FUNCTION
• Fungsi yang digunakan untuk mencari rata-rata bobot dari semua
elemen input.
• Bentuk sederhananya adalah dengan mengalikan setiap nilai input
(Xj) dengan bobotnya (Wij) dan menjumlahkannya

 Diibaratkan dengan sebuah neuron yang memonitor sinyal

yang datang dari neuron-neuron lain.
 Neuron ini menghitung penjumlahan berbobotnya dan
kemudian menentukan sinyal untuk dikirim ke neuron-neuron
lain.
Fungsi Aktivasi
 Dipakai untuk menentukan keluaran suatu neuron
 Merupakan fungsi yang menggambarkan hubungan antara tingkat aktivasi i
nternal (summation function) yang mungkin berbentuk linier atau nonlinear.
 Beberapa fungsi aktivasi JST diantaranya hard limit, purelin, dan sigmoid. Ya
ng populer digunakan adalah fungsi sigmoid yang memiliki beberapa varia
n : sigmoid logaritma, sigmoid biner, sigmoid bipolar, sigmoid tangen.
 Hard limit memberikan batasan tegas 0 atau 1, purelin memisahkan
secara linier, sigmoid berupa fungsi smooth bernilai antara 0 sampai
dengan 1 (bila biner) atau antara -1 sampai 1 (bila bipolar)
Hard limit function
a = 0 jika n < 0
a = 1 jika n  0 +1

n
0

-1

a = hardlim ( n )
Karakteristik JST
• Dapat belajar dari pengalaman
• Algoritma untuk JST beroperasi secara langsung dengan angka sehingga data y
ang tidak numerik harus diubah menjadi data numerik.
• JST tidak diprogram untuk menghasilkan keluaran tertentu. Semua keluaran ata
u kesimpulan yang ditarik oleh jaringan didasarkan pada pengalamannya selam
a mengikuti proses pembelajaran.
• Pada proses pembelajaran, ke dalam JST dimasukkan pola-pola input (dan outp
ut) lalu jaringan akan diajari untuk memberikan jawaban yang bisa diterima.
 Ditentukan oleh :
◦ Pola hubungan antar neuron (disebut arsitektur jaringan)
◦ Metode penentuan bobot-bobot sambungan (disebut dengan
pelatihan atau proses belajar jaringan)
◦ Fungsi aktivasi
Arsitektur JST
• Pada JST, neuron-neuron akan dikumpulkan dalam lapisan-lapisan (l
ayer) yang disebut dengan lapisan neuron (neuron layers).
• Neuron-neuron pada satu lapisan akan dihubungkan dengan lapisan
-lapisan sebelum dan sesudahnya.
• Informasi yang diberikan pada jaringan syaraf akan dirambatkan lapi
san ke lapisan, mulai dari lapisan input sampai ke lapisan output me
lalui lapisan tersembunyi (hidden layer).
Arsitektur JST
 Faktor terpenting untuk menentukan kelakuan suatu neuron adala
h fungsi aktivasi dan pola bobotnya.
 Umumnya neuron yang terletak pada lapisan yang sama akan me
miliki keadaan yang sama → fungsi aktivasi yang sama.
 Bila neuron-neuron pada suatu lapisan (misal lapisan tersembunyi)
akan dihubungkan dengan neuron-neuron pada lapisan lain (misal
lapisan output) maka setiap neuron pada lapisan tersebut (lapisan
tersembunyi) juga harus dihubungkan dengan setiap neuron pada
lapisan lainnya (lapisan output)
 Ada beberapa arsitektur jaringan syaraf, antara lain :
◦ Jaringan dengan lapisan tunggal (single layer net)
◦ Jaringan dengan banyak lapisan (multilayer net)
◦ Jaringan dengan lapisan kompetitif (competitive net)
Single Layer Net
 Hanya memiliki satu lapisan dengan bobot-bobot terhubung
 Jaringan ini hanya menerima input kemudian secara langsung
akan mengolahnya menjadi output tanpa harus melalui lapisan
tersembunyi.
 Seberapa besar hubungan antara 2 neuron ditentukan oleh bo
bot yang bersesuaian.
 Semua unit input akan dihubungkan dengan setiap unit output.
Multilayer Net
 Memiliki 1 atau lebih lapisan yang terletak diantara lapisan input dan lapisan outp
ut
 Ada lapisan bobot yang terletak antara 2 lapisan yang bersebelahan
 Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebi
h sulit daripada lapisan tunggal, tentu saja dengan pembelajaran yang lebih rumit
Competitive Net
 Sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif
 Umumnya hubungan antar neuron pada lapisan kompetitif ini tidak di
perlihatkan pada diagram arsitektur
Proses Pembelajaran Jaringan
 Cara belajar JST :
 Ke dalam JST diinputkan informasi yang sebelumnya telah diketahui hasil k
eluarannya.
 Penginputan informasi ini dilakukan lewat node-node atau unit-unit input.
Bobot-bobot antarkoneksi dalam suatu arsitektur diberi nilai awal dan kem
udian JST dijalankan.
 Bobot-bobot ini bagi jaringan digunakan untuk belajar dan mengingat suat
u informasi. Pengaturan bobot dilakukan secara terus-menerus dan dengan
menggunakan kriteria tertentu sampai diperoleh keluaran yang diharapka
n.
 Hal yang ingin dicapai dengan melatih/mengajari JST adalah untuk mencap
ai keseimbangan antara kemampuan memorisasi dan generalisasi.
 Kemampuan memorisasi = kemampuan JST untuk memanggil kembali seca
ra sempurna sebuah pola yang telah dipelajari.
 Kemampuan generalisasi = adalah kemampuan JST untuk menghasilkan res
pon yang bisa diterima terhadap pola-pola input yang serupa (namun tidak
identik) dengan pola-pola yang sebelumnya telah dipelajari.
Pembelajaran Terawasi
• Output yang diharapkan telah diketahui sebelumnya
• Contoh : JST untuk mengenali pasangan pola, misalka
n pada operasi AND

Input Target
0 0 0
0 1 0
1 0 0
1 1 1
 Pembelajaran Terawasi
• Satu pola input akan diberikan ke satu neuron pada
lapisan input
• Pola ini akan dirambatkan di sepanjang jaringan syar
af hingga sampai ke neuron pada lapisan output
• Lapisan output ini akan membangkitkan pola output
yang akan dicocokkan dengan pola output targetnya
• Jika berbeda → error
• Jika error terlalu besar, perlu dilakukan pembelajaran
lebih banyak
Pembelajaran Tak Terawasi
 Tidak memerlukan target output
 Tidak dapat ditentukan hasil yang diharapkan selama
proses pembelajaran
 Nilai bobot disusun dalam suatu range tertentu terga
ntung nilai input yang diberikan
 Tujuannya untuk mengelompokkan unit yang hampir
sama dalam suatu area tertentu
Hybrid
 Merupakan kombinasi dari kedua pembelajaran tersebu
t. Sebagian dari bobot-bobotnya ditentukan melalui pe
mbelajaran terawasi dan sebagian lainnya melalui pemb
elajaran tak terawasi.
Pada pengapilkasiannya, JST terdapat beberapa
metode yaitu :
 Learning Vector Quantization (LVQ)
 Backrpopagation
 Perceptron
 Multi layer perception
Learning Vector Quantization (LVQ)
Adalah metode yang digunakan dalam melakukan training
atau pelatihan pada lapisan yang tidak terawasi atau unsup
ervised learning dilapisan kompetitif . Algoritma dari LVQ tr
aining sebagai berikut :
Backrpopagation
Adalah metode jaringan saraf tiruan yang dimana supervised l
earning atau terawasi untuk digunakan multi layer. Arsitektur d
ari backpropagation  yaitu sebagai berikut :

Algoritma training dari backpropagation yaitu sebagai berikut :

Perceptron
Adalah single layer perceptron atau jaringan lapis tunggal y
ang memiliki beberapa bagian pemroses neuron yang terk
oneksi dan memiliki beberapa inputan dan beberapa outpu
t. Jaringan ini bertujuan untuk menjumlahkan banyak nilai
perkalian penimbang dengan inputan dari nilai parameter
pemasalah dan akan dibandingkan dengan threshold.
Multi Layer Perceptron
Adalah merupakan pembaharuan dari jaringan sebelumnya
yaitu perceptron yang dimana memiliki 1 atau banyak layer
tersembunyi (hidden layer) dari (input) atau masukan dan
(output) atau keluaran pada layer.
Berikut contoh penerapan metode JST atau  jaringan sar
af tiruan dalam kehidupan sehari-hari :

• Implementasi JST dalam memprediksi nilai UN

• Implementasi JST pada sensor warna
• Implementasi JST dalam memprediksi hujan harian
• Implementasi JST dalam memprediksi kualitas udara
Masuk Ke Contoh :