Ann

Published on March 2017 | Categories: Documents | Downloads: 36 | Comments: 0 | Views: 301
of 58
Download PDF   Embed   Report

Comments

Content

ARTIFICIAL
NEURAL
NETWORK

CAHYA YUNITA
5213100001
ALVISHA FARRASITA
5213100057
NOVIANTIANDINI
5213100075
TEKNIK PERAMALAN - A

MATERI

Neural Network
Neural Network atau dalam bahasa Indonesia disebut Jaringan Saraf Tiruan
menggunakan ide dari jaringan saraf manusia dengan meniru cara kerja sistem
saraf biologis untuk melakukan pemrosesan infromasi.

Konsep Dasar Pemodelan Neural Network

Tiruan neutron dalam struktur jaringan saraf tiruan adalah sebagai elemen
pemroses yang dapat berfungsi sebagai halnya sebuah neuron. Sejumlah sinyal
masuk a dikalikan dengan masing-masing penimbang yang bersesuaian w.
Kemudian dilakukan penjumlahan dari seluruh hasil perkalian tersebut dan
keluaran

yang

dihasilkan

dilakukan

ke

dalam

fungsi

mendapatkan tingkatan derajat sinyal keluarannya F(a,w).

pengaktif

untuk

Cont’d

Mengaktifkan Jaringan Saraf Tiruan

Mengaktifkan jaringan saraf tiruan berarti mengaktifkan setiap neuron yang
dipakai pada jaringan tersebut. Banyak fungsi yang dapat dipakai sebagai
pengaktif, seperti fungsi-fungsi goniometri dan hiperboliknya, fungsi unit step,
impulse, sigmoid, dll. Namun yang sering digunakan adalah fungsi sigmoid
karena dianggap lebih mendekati kinerja sinyal pada otak.

Cont’d

Fungsi Aktivasi
Fungsi Undak Biner (Hard Limit)
Jaringan dengan lapisan tunggal sering menggunakan fungsi undak (step
function) untuk mengkonversikan input dari suatu variabel yang bernilai kontinu
ke suatu output biner (0 atau 1)

Cont’d
Fungsi Undak Biner (Threshold) Fungsi undak biner dengan menggunakan nilai
ambang sering juga disebut dengan nama fungsi nilai ambang (threshold) atau
fungsi Heaviside

Cont’d
Fungsi Bipolar (Symetric Hard Limit) Fungsi bipolar sebenarnya hampir sama
dengan fungsi undak biner, hanya saja output yang dihasilkan berupa 1, 0 atau –
1

Cont’d
Fungsi Bipolar (dengan threshold) Fungsi bipolar sebenarnya hampir sama dengan
fungsi undak biner dengan threshold, hanya saja output yang dihasilkan berupa
1, 0 atau –1

Cont’d
Fungsi Linear (identitas) Fungsi linear memiliki nilai output yang sama dengan nilai
inputnya

Cont’d
Fungsi Saturating Linear Fungsi ini akan bernilai 0 jika inputnya kurang dari –½,
dan akan bernilai 1 jika inputnya lebih dari ½. Sedangkan jika nilai input terletak
antara –½ dan ½, maka outpunya akan bernilai sama dengan nilai input
ditambah ½

Cont’d
Fungsi Symetric Saturating Linear Fungsi ini akan bernilai -1 jika inputnya kurang
dari –1, dan akan bernilai 1 jika inputnya lebih dari 1. Sedangkan jika nilai input
terletak antara –1 dan 1, maka outpunya akan bernilai sama dengan nilai
inputnya

Cont’d
Fungsi Sigmoid Biner. Fungsi ini digunakan
untuk

jaringan

dengan

syaraf

yang

menggunakan

dilatih
metode

backpropagation. Fungsi sigmoid biner
memiliki nilai pada range 0 sampai 1.
Oleh

karena

itu,

fungsi

ini

sering

digunakan untuk jaringan syaraf yang
membutuhkan nilai output yang terletak
pada interval 0 sampai 1. Namun, fungsi
ini bisa juga digunakan oleh jaringan
syaraf yang nilai outputnya 0 atau 1

Cont’d
Fungsi Sigmoid Bipolar Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid
biner, hanya saja output dari fungsi ini memiliki range antara 1 sampai –1

Cont’d
Fungsi ini sangat dekat dengan fungsi hyperbolic tangent. Keduanya memiliki
range antara –1 sampai 1. Untuk fungsi hyperbolic tangent, dirumuskan sebagai:

Pembelajaran Hebb Rule
Hebb rule adalah metode pembelajaran yang paling sederhana. Pada metode ini
pembelajaran dilakukan dengan cara memperbaiki nilai bobot sedemikian rupa
sehingga jika ada 2 neuron yang terhubung, dan keduanya pada kondisi ‘hidup’
(on) pada saat yang sama, maka bobot antara keduanya dinaikkan. Apabila data
direpresentasikan secara bipolar, maka perbaikan bobotnya adalah: wi(baru) =
wi(lama) + xi*y dengan: wi : bobot data input ke-i; xi : input data ke-i. y : output
data.

Pembelajaran Perceptron
Perceptron juga termasuk salah satu bentuk jaringan syaraf yang sederhana.
Perceptron biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu
yang sering dikenal dengan pemisahan secara linear. Pada dasarnya, perceptron
pada jaringan syaraf dengan satu lapisan memiliki bobot yang bisa diatur dan
suatu nilai ambang (threshold). Algoritma yang digunakan oleh aturan perceptron
ini akan mengatur parameter-parameter bebasnya melalui proses pembelajaran.
Nilai threshold pada fungsi aktivasi adalan non negatif. Fungsi aktivasi ini dibuat
sedemikian rupa sehingga terjadi pembatasan antara daerah positif dan daerah
negatif

Pembelajaran Perceptron cont’d

Garis pemisah antara daerah positif dan daerah nol memiliki pertidaksamaan:

Sedangkan garis pemisah antara daerah negatif dengan daerah nol memiliki
pertidaksamaan:

Pembelajaran Delta Rule
Pada delta rule akan mengubah bobot yang menghubungkan antara jaringan
input ke unit output (y_in) dengan nilai target (t). Hal ini dilakukan untuk
meminimalkan error selama pelatihan pola. Delta rule untuk memperbaiki bobot
ke-i (untuk setiap pola) adalah:

Pembelajaran Backpropagation
Backpropagation

merupakan

algoritma

pembelajaran

yang

terawasi

dan

biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah
bobot-bobot yang terhubung dengan neuron-neuran yang ada pada lapisan
tersembunyinya. Algoritma backpropagation menggunakan error output untuk
mengubah

nilai

bobot-bobotnya

dalam

arah

mundur

(backward).

Untuk

mendapatkan error ini, tahap perambatan maju (forward propagation) harus
dikerjakan

terlebih

dahulu.

Pada

saat

perambatan

maju,

diaktifkan dengan menggunakan fungsi aktivasi sigmoid, yaitu:

neuron-neuron

Pembelajaran Backpropagation cont’d

Arsitektur jaringan backpropagation

Pembelajaran Heteroassociative Memory
Jaringan syaraf associative memory adalah jaringan yang bobot-bobotnya
ditentukan sedemikian rupa sehingga jaringan tersebut dapat menyimpan
kumpulan pengelompokan pola. Masing-masing kelompok merupakan pasangan
vektor (s(p),t(p)) dengan p=1,2,...,P. Tiap-tiap vektor s(p) memiliki n komponen,
dan tiap-tiap t(p) memiliki m komponen. Bobot-bobot tersebut dapat ditentukan
dengan menggunakan Hebb rule atau delta rule. Jaringan ini nanti akhirnya akan
mendapatkan vektor output yang sesuai dengan vektor inputnya (x) yang
merupakan salah satu vektor s(p) atau merupakan vektor lain di luar s(p).
Algoritma pembelajaran yang biasa digunakan oleh jaringan ini adalah Hebb rule
dan delta rule.

Pembelajaran Bidirectional Associative
Memory
Bidirectional Associative Memory (BAM) adalah model jaringan syaraf yang
memiliki 2 lapisan dan terhubung penuh dari satu lapisan ke lapisan yang
lainnya. Pada jaringan ini dimungkinkan adanya hubungan timbal balik antara
lapisan input dan lapisan output.
Arsitektur jaringan Bidirectional Associative Memory (BAM) :

Contoh BackPropagation

CONTOH SOAL

CONTOH SOAL

Contoh Perceptron

• Buatlah perceptron untuk mengenali logika “atau” dengan
menggunakan masukan biner dan keluaran bipolar, dan gunakan
α = 1 dan threshold (Ø) = 0,2  !!!!!!

PENGGUNAAN MENGGUNAKAN

Sponsor Documents

Or use your account on DocShare.tips

Hide

Forgot your password?

Or register your new account on DocShare.tips

Hide

Lost your password? Please enter your email address. You will receive a link to create a new password.

Back to log-in

Close