Jaringan Syaraf Tiruan

(Artificial Neural Network)

 Jaringan Syaraf Tiruan (JST) /
Artificial Neural Network (ANN)

 Struktur dasar jaringan syaraf

 Milestone
 Struktur
 Arsitektur
 Fungsi Aktivasi
 Proses Pembelajaran
Struktur Dasar
Jaringan Syaraf
 - Sinyal yang akan diteruskan melalui axon ke
neuron lain (input terbobot)
Cellbody dan dendrites menerima - Bobot berasal dari variasi kekuatan koneksi
input dari sekitarnya dendrites ke neuron lain.
Pendahuluan

• 1943: Warren Mc. Culloch (ahli saraf)

dan Walter Pitts (ahli logika) mencoba
memahami bagaimana sel-sel otak
(neuron) dapat menghasilkan pola
yang sangat kompleks.
ANN/JST dikembangkan berdasarkan generalisasi model
matematik kognitif manusia atau saraf biologis, dengan asumsi:
1. Pemrosesan informasi terjadi di semua elemen sederhana
yang disebut neuron
2. Sinyal diteruskan ke neuron lain melalui tautan koneksi
3. Setiap tautan koneksi mempunyai bobot yang dalam NN
yang mengalikan sinyal yang dikirim
4. Setiap neuron memberi sebuah fungsi aktivasi pada nilai net
input (menjumlahkan sinyal input terbobot) untuk
mendapatkan sinyal output
Jaringan saraf tiruan (JST/ANN) ditandai oleh:
1. pola hubungan antara neuron (architecture)
2. metode/cara menentukan weight dalam
pola hubungan (training atau learning
algorithm)
Model McCulloh-Pitts merupakan model jaringan saraf tiruan
yang pertama yang ditemukan, merupakan model yang sangat
sederhana dari sebuah neuron.
 Fungsi Aktivasi
•Fungsi
  aktivasi untuk Mc Culloch –Pitts adalah:

1. Fungsi Threshold (Step Fn)

Dimana
 Fungsi Aktivasi (2)
•2.  Fungsi aktivasi lain yang dapat digunakan
adalah Sign Function

dimana
McP dengan logika AND

1
 LATIHAN
• Buat model neuron McP dengan logika OR, XOR, NAND
• Kemudian dikembangkan oleh Rossenbaltt (1950), ia
menghasilkan jaringan terdiri dari dua layer, perceptron,
yang mampu melakukan klasifikasi dengan “mengatur”
weight pada koneksi neuron.
• Pengaturan weight pada koneksi tersebut dilakukan
untuk melihat perubahan sifat (behaviour) dari input dan
output
• Model ini mempunyai kemampuan untuk self-learn dan
self-modify
• Learning rule menentukan bagaimana jaringan
mengubah weight antara input dan output
• Learning rules yang sering digunakan adalah
Hebb rule dan Delta rule.
 Hebb Rule

• Arsitektur jaringan Hebb sama seperti arsitektur jaringan

McCulloh-Pits, yaitu beberapa input yang dihubungkan
langsung dengan sebuah unit ditambah dengan sebuah bias.
 Algoritma Hebb
1. Inisialisasi bobot dan bias
wi=0, dengan i=1,2,3...n
b=0
2. Untuk setiap pasangan input-target (x-t), lakukan
a. Set nilai input xi
b. Set aktivasi yi=tj (j=1,2,3,...m)
3. Perbaiki bobot menurut persamaan berikut:
wi(baru) = wi(lama)+xi*yj
4. Perbaiki bobot menurut persamaan berikut:
b(baru) = b(lama) + y
 MODEL HEBB (Lanjutan)

•• Perbaikan
  bobot diperoleh dengan rumus:

*
+

dimana: = bobot data input ke-i

= input data ke-i
= output data
b = nilai bias
Contoh
Jaringan Hebb untuk mengenali pola fungsi
logika AND jika representasi masukan biner dan
keluaran bipolar. Fungsi aktifasi sign.
x1 x2 target
0 0 -1
0 1 -1
1 0 -1
1 1 1
Penyelesaian
Inisialisasi: w1, w2 dan b = 0
Update w: wbaru = wlama + xi*yi
data 1: w1 baru = 0+0*(-1) =0
w2 baru = 0 + 0*(-1) =0
b baru = b lama + y = 0+(-1) = -1

data 2: w1 baru= 0 + 0 * (-1) = 0

w2 baru = 0 + 1*(-1) = -1
b baru = b lama + y = -1+(-1) = -2

data 3: w1 baru = 0 + 1*(-1) = -1

w2 baru = -1+ 0 * (-1) = -1
b baru = b lama + y = -2+(-1) = -3

data 4: w1 baru = -1 + 1*(1) = 0

w2 baru = -1 + 1*(1)= 0
b baru = b lama + y = -3+(1) =-2

Kemudian hitung nilai net menggunakan nilai w1, w2 dan b terakhir dari epoch1. Hitung nilai actual output (Y
actual) dan periksa nilai target. Jika nilai yang actual output sama dengan nilai target maka jaringan tersebut
mengenali Logika AND
 Soal
Gunakan jaringan Hebb untuk mengenali pola berikut dimana nilai target untuk Pola 1 = 1
dan nilai target untuk pola 2 = -1 dan fungsi aktifasi yang digunakan adalah sign function.

# ## # o #
o # o dan # o #
o#o # # #
Pola 1 Pola2

Representasi input dinyatakan dalam bipolar.

 TUGAS
 Baca 2 artikel dari jurnal Q1 atau Q2 terbitan 3 tahun terakhir yang terkait aplikasi
atau teori JST
 Buat ringkasan dengan format berikut:
 Pendahuluan
 Metode: struktur, arsitektur, fungsi aktivasi
 Hasil dan Pembahasan
 Kesimpulan dan Saran
 Daftar Pustaka

 Kirim ke ade_candra@usu.ac.id sebelum 25 April pukul 15.00

 Subject: KK_NIM_reading1
 Format .pdf
 Cantumkan URL dari artikel