Machine learning

06
Modul ke:

Materi Minggu 1:Neural Network

Buku Acuan: A. C. Muller dan S. Guido, Introduction to Machine Learning with Python.
California: O’ Reilly Media Inc, 2016.
Fakultas
FASILKOM I Putu Edy Suardiyana Putra, Ph.D.

Program Studi
Teknik
Informatika
Neural network
• Pertemuan ini akan kembali membahas tentang salah satu
varian dari teknik supervised learning. Algoritma yang dibahas
kali ini adalah neural network.
• Konsep dari algoritma ini adalah meniru cara kerja dari otak
manusia.
• Otak manusia terdiri dari unit terkecil yang disebut dengan
Neuron. Terdapat kurang lebih 86 milyar neuron pada otak
manusia. Kesemua neuron ini terhubung satu sama lain dan
mereka saling mengirimkan informasi.
• Pada dasarnya, neuron ini akan menerima input berupa sinyal
dari beberapa neuron lainnya. Ketika sebuah neuron sudah
menerima “cukup” sinya, maka neuron ini akan mengirimkan
sinyal miliknya ke neuron lain.
 Neuron pada otak manusia

Gambar. Neuron pada otak manusia

(sumber: https://www.oreilly.com/library/view/neural-networks-and/9781492037354/ch01.html)
McCulloch Pits Artificial Neuron

• Warren McCulloch and Walter Pitts

merumuskan sebuah artificial neuron
sederhana.
• Asumsikan neuron akan aktif jika minimal ada
2 sinyal yang masuk, maka beberapa contoh
artificial neuron yang bisa dibangun adalah
sebagai berikut:
McCulloch Pitts Artificial Neuron
(cont)
Neuron C akan aktif Neuron C akan aktif
jika Neuron A aktif jika Neuron A atau B
aktif

Neuron C akan aktif

jika Neuron A dan
aktif
Perceptron

• Perceptron merupakan model yang lebih

modern dari model McCulloch Pitts.
• Model ini pertama kali dicetuskan oleh Frank
Rosenblatt di tahun 1958.
• Tidak seperti model McCulloch Pitts,
perceptron menerima input berupa angka dan
mengeluarkan output berupa angka.
Perceptron (Cont.)

Gambar. Model perceptron

Sumber: https://www.oreilly.com/library/view/neural-networks-
and/9781492037354/ch01.html#step_functions_equation
Perceptron (Cont)
• Jadi
  pada model Perceptron, neuron akan
menerima beberapa input (x1, x2, dan x3), di
mana input-input ini akan memiliki
weight/bobot (w1, w2, dan w3)
• Lalu, setiap input akan dikalikan dengan bobot
miliknya dan dijumlahkan (disebut dengan
weighted sum). Jika di formulakan akan
menjadi:
• Contoh berdasarkan gambar di slide 7:
Perceptron (Cont)
• Step function merupakan fungsi yang menentukan
output dari sebuah neuron. Contoh step function
adalah heaviside function dan sign function.
• Formula heaviside function:

• Jadi jika heaviside function digunakan, maka output

hanya akan ada 1 atau 0, tergantung dari nilai z. Jika z
kurang dari 0 maka output yang dihasilkan ada lah 0,
dan jika z lebih besar atau sama dengan 0 maka
output yang dihasilkan adalah 1.
Perceptron (Cont)

• Contoh lain dari step function yang bisa

digunakan adalah sign function.

• Fungsi ini akan menghasilkan nilai -1 jika nilai z

kurang dari 0, nilai 0 jika z sama dengan 0, dan
+1 jika z lebih besar dari 0.
Perceptron

• Proses training pada Perceptron adalah

Perceptron dengan Python
• Berikut adalah contoh penerapan perceptron dengan
menggunakan library Scikit-learn. Data yang digunakan di sini
adalah data Iris (Tugas Besar 1).
Terima Kasih