Metode Pelatihan dan Model JST

Proses Pembelajaran
• Pada otak manusia, informasi yang dilewatkan dari satu
neuron ke neuron yang lainnya berbentuk rangsangan
listrik melalui dendrit.
• Jika rangsangan diterima oleh suatun neuron, maka
neuron tersebut akan membangkitkan otuput ke semua
neuron yang berhubungan dengannya sampai informasi
tersebut sampai ke tujuannya yaitu terjadinya suatu reaksi.
• Jika rangsangan yang diterima terlalu halus, maka output
yang dibangkitkan oleh neuron tersebut tidak akan
direspon.
Lanjut …
• Selama proses pembelajaran, terjadi perubahan
yang cukup berarti pada bobot-bobot yang
menghubungkan antar neuron.
• Apabila ada rangsangan yang sama dengan
rangsangan yang telah diterima oleh neuron,
maka neuron akan memberikan reaksi dengan
cepat
• Namun apabila ada rangsangan yang berbeda
dengan apa yang telah diterima oleh neuron,
maka neuron akan segera beradaptasi untuk
memberikan reaksi yang sesuai.
Lanjut …
• JST mencoba mensimulasikan kemampuan otak manusia
untuk belajar.
• JST memiliki struktur yang tidak dapat diubah, dibangun
oleh sejumlah neuron, dan memiliki nilai tertentu yang
menunjukkan seberapa besar koneksi antara neuron
(yang dikenal dengan nama bobot).
• Perubahan yang terjadi selama proses pembelajaran
adalah perubahan nilai bobot.
• Nilai bobot akan bertambah, jika informasi yang
diberikan oleh neuron yang bersangkutan tersampaikan,
sebaliknya jika informasi tidak disampaikan oleh suatu
neuron ke neuron yang lain, maka nilai bobot yang
menghubungkan keduanya akan dikurangi.
Lanjut …
• Saat pembelajaran dilakukan pada input yang
berbeda, maka nilai bobot akan diubah secara
dinamis hingga mencapai suatu nilai yang
cukup seimbang.
• Jika nilai ini telah tercapai mengindikasikan
bahwa tiap-tiap input telah terhubung dengan
output yang diharapkan.
 Proses Pembelajaran

a. Pembelajaran Terawasi
(Supervised Learning)
b. Pembelajaran Tak Terawasi
(Unsupervised Learning)
a. Pembelajaran Terawasi (Supervised
Learning)
• Metode pembelajaran pada jaringan syaraf disebut terawasi jika
output yang diharapkan telah diketahui sebelumnya.
• Contoh pembelajaran terawasi
1. Hebb Rule
2. Perception
3. Delta Rule
4. Backpropagation
5. Hetroassociative Memory
6. Bidirectional Associative Memory
7. Learning Vector Quantization
b. Pembelajaran Tak Terawasi/ Jaringan
Kohonen (Unsupervised Learning)
• Jaringan kohonen pertama kali diperkenalkan
oleh Prf.Teuvo Kohonen tahun 1982
• Pada jaringan ini, suatu lapisan yang berisi
neuron-neuron akan menyusun dirinya sendiri
berdasarkan input nilai tertentu dalam suatu
kelompok yang dikenal dengan istilah cluster.
• Selama proses penyusunan diri, cluster yang
memiliki vektor bobot paling cocok dengan pola
input akan terpilih sebagai pemenang.
 Lanjut …
• Pada metode pembelajaran tak terawasi ini
tidak memerlukan target otuput.
• Tujuan metode ini adalah pengelompokan
unit-unit yang hampir sama dengan suatu area
tertentu
 Taksonomi JST
• Terdapat lebih dari 20 model JST.
• Masing-masing model menggunakan arsitektur,
fungsi aktivasi dan perhitungan yang berbeda-
beda dalam prosesnya.
• Berdasarkan strategi pelatihan, model jaringan
dibagi menjadi :
- Pelatihan dengan supervisi
contoh : Hebbian, Perceptron, ADALINE,
Boltzman, Hopfield, Backpropagation, dll
Lanjut …
- Pelatihan tanpa supervisi
contoh : Competitive, Hebbian, Kohonen, LVQ
(Learning Vektor Quantization), Neocognitron, dll
• Berdasarkan arsitekturnya
- Jaringan Layar Tunggal : ADALINE, Hopfield,
Perceptron, LVQ dll
- Jaringan Layar Jamak : MADALINE,
Backpropagation, Neocognitron, dll
- Reccurent : BAM (Bidirectional Associative
Memory), Boltzman Machine, Hopfield, dll
Lanjut …
• Aplikasi yang sudah berhasil ditemukan antara
lain :
a. Klasifikasi : ADALINE, LVQ, Backpropagation
b. Pengenalan Pola : ART (Adaptive Resonance
Theory), LVQ, Backpropagation,
Neocognitron, dll
c. Peramalan : ADALINE, MADALINE,
Backpropagation, dll
d. Optimasi : ADALINE, Hopfield, Boltzman,
Backpropagation, dll
 Neuron McCulloch – Pitts
• Model JST yang diguankan McCulloch dan Pitts
merupakan model yang pertama ditemukan
• Memiliki karakteristik sebagai berikut :
a. fungsi aktivasinya biner
b. semua garis yang memperkuat sinyal (bobot
positif) ke arah suatu neuron memiliki kekuatan
(besar bobot) yang sama. Hal yang analog
berlaku untuk garis yang memperlemah sinyal
(bobot negatif) ke arah neuron tertentu.
Lanjut …
c. Setiap neuron memiliki batas ambang
(treshold) yang sama. Apabila total input
ke neuron tersebut melebihi treshold,
maka neuron akan meneruskan sinyal.
Lanjut …
• Model Neuron McCulloch – Pitts

• Neuron Y menerima sinyal dari (n+m) buah neuron x1

x2, …..xn, xn+1, ….xn+m n buah penghubung dengan
dari x1 x2, …..xn ke Y merupakan garis yang
memperkuat sinyal (robot positif), sedangkan m buah
penghubung dari xn+1, ….xn+m ke Y merupakan garis
yang memperlemah sinyal (robot negatif).
Lanjut …
• Semua penghubung dari x1 x2, …..xn ke Y
memiliki robot yang sama. Hal yang sama
dengan penghubung dari xn+1, ….xn+m ke Y
memiliki bobot yang sama. Namun jika ada
neuron lain katakan Y2, maka bobot x1 ke Y1
boleh berbeda dengan bobot dari x2 ke Y2.
• Fungsi aktivasi neuron Y adalah
f (net) = 1 jika net ≥ a
0 jika net < a
Lanjut …
• Bobot tiap garis tidak ditentukan dengan
proses pelatihan, tetapi dengan metode
analitik dan coba-coba.
• Beberapa contoh diberikan untuk
memodelkan fungsi logika sederhana
contoh 1 …
• Fungsi logika “dan” dengan 2 masukan x1 dan
x2 akan memiliki Y = 1 bila dan hanya bila
kedua masukan bernilai 1.
• Berikut tabel kebenarannya
X1 X2 Y
1 1 1
1 0 0
0 1 0
0 0 0

• Buatlah model neuron McCulloch-Pitts untuk

menyatakan fungsi logika “dan”
Pembahasan 1 …
• Bobot tiap garis adalah = 1 dan fungsi aktifasi
memiliki nilai threshold = 2
Lanjutan pembahasan 1 …
• Terlihat keluaran jaringan tepat sama dengan tabel
logika AND. Berarti jaringan dapat degnan tepat
merepresentasikan fungsi AND.
• Besarnya nilai threshold dapat diganti menjadi suatu
bias dengan nilai yang sama
• Dengan menggunakan nilai bias, batas garis pemisah
ditentukan dari persamaan
net = b + Σi xiwi = 0
b + x1w1 + x2w2 = 0 atau x2 = -w1x1/w2 – b/w2
apabila garis pemisahnya diambil dengan persamaan
x1 + x2 = 2, maka berarti –w1/w2 = -1 dan –b/w 2= 2
Lanjutan pembahasan 1 …
• Ada bayak w1, w2 dan b yang memenuhi
persamaan tersebut, salah satunya adalah w1
= w2 = 1 dan b = -2
 Latihan
1. Buatlah model neuron Mcp untuk
menyetakan fungsi OR
2. Buatlah model neuron Mcp untuk
menyetakan fungsi XOR
3. Buatlah model neuron Mcp untuk
menyetakan fungsi x1 AND NOT x2