Post on 01-Mar-2016
description
Jika kita lihat, neuron buatan diatas mirip
dengan sel neuron biologis.
Informasi (input) akan dikirim ke neuron
dengan bobot tertentu.
Input ini akan diproses oleh suatu fungsi
yang akan menjumlahkan nilai-nilai bobot
yang ada.
Hasil penjumlahan kemudian akan dibandingkan dengan suatu nilai ambang (threshold)tertentu melalui fungsi aktivasi setiap neuron.
Apabila input tersebut melewati suatu nilai ambang tertentu, maka neuron tersebut akan diaktifkan, jika tidak, maka neuron tidak akan diaktifkan.
Apabila neuron tersebut diaktifkan, maka neuron tersebut akan mengirimkan output melalui bobot-bobot outputnya ke semua neuron yang berhubungan dengannya.
Himpunan unit-unit yang dihubungkan dengan jalur koneksi.
Jalur-jalur tersebut memiliki bobot yang berbeda-beda.
Bobot yang bernilai positif akan memperkuat sinyal dan yang bernilai negatif akan memperlemah sinyal yang dibawa.
Jumlah, struktur, dan pola hubungan antar unit-unit tersebut akan menentukan arsitektur jaringan.
Suatu unit penjumlah yang akan
menjumlahkan input-input sinyal yang
sudah dikalikan dengan bobotnya.
Fungsi aktivasi yang akan menentukan
apakah sinyal dari input neuron akan
diteruskan ke neuron lain atau tidak
Lapisan-lapisan penyusun JST tersebut dapat dibagi menjadi 3, yaitu :
Lapisan input
Unit-unit di dalam lapisan input disebut unit-unit input. Unit-unit input tersebut menerima pola inputan data dari luar yang menggambarkan suatu permasalahan.
Lapisan tersembunyi
Unit-unit di dalam lapisan tersembunyi disebut unit-unit tersembunyi. Dimana outputnya tidak dapat secara langsung diamati.
Lapisan output
Unit-unit di dalam lapisan output disebut unit-unit output. Output dari lapisan ini merupakan solusi JST terhadap suatu permasalahan.
Jaringan layar tunggal
(single layer network)
Contoh algoritma JST
yang menggunakan
metode ini yaitu :
ADALINE, Hopfield,
Perceptron.
Jaringan layar jamak
(multi layer network)
JST yang enggunakan
metode ini yaitu :
MADALINE,
backpropagation,
Neocognitron.
Jaringan dengan lapisan kompetitif (competitive layer network)
Pada jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif.
Contoh algoritma yang menggunakan metode ini adalah LVQ.
Jaringanrecurrent
Jika suatu jaringan berulang (mempunyai koneksi kembali dari output ke input) akan menimbulkan ketidakstabilan dan akan menghasilkan dinamika yang sangat kompleks. Jaringan yang berulang sangat menarik untuk diteliti dalam Jaringan Syaraf Tiruan, namun sejauh ini structure feedforward sangat berguna untukmemecahkanmasalah.
Yang termasuk dalam stukturrecurrent (feedback) :
-Competitive networks
- Self-organizing maps
- Hopfield networks
- Adaptive-resonanse
theory models
Jaringan Syaraf Tiruan Recurrent Layer
Ketika sebuah Jaringan Syaraf digunakan, Input
dari nilai suatu variabel ditempatkan dalam suatu
input unit kemudian unit lapisan tersembunyi dan
lapisan output menjalankannya.
Setiap lapisan tersebut menghitung nilai aktivasi
dengan mengambil jumlah bobot output dari
setiap unit dari lapisan sebelumnya dan kemudian
dikurangi dengan nilai ambang.
Nilai aktifasi kemudian melalui fungsi aktifasi untuk
menghasilkan output dari sel syaraf.
Ketika semua unit pada Jaringan Syaraf telah
dijalankan maka aksi dari lapisan output
merupakan output dari seluruh jaringan syaraf.
Supervised learning(pembelajaran terawasi)
Pada metode ini, setiap pola yang diberikan kedalam JST telah diketahui outputnya.
Selisih antara pola output aktual (output yang dihasilkan) dengan pola output yang dikehendaki (output target) disebut error
error digunakan untuk mengoreksi bobot JST sehingga JST mampu menghasilkan output sedekat mungkin dengan pola target yang telah diketahui oleh JST.
Contoh algoritma JST yang menggunakan metode ini adalah : Hebbian, Perceptron, ADALINE, Boltzman, Hopfield, Backpropagation.
Unsupervised learning (pembelajaran tak
terawasi)
Pada metode ini, tidak memerlukan target
output.
Pada metode ini tidak dapat ditentukan
hasil seperti apakah yang diharapkan
selama proses pembelajaran.
Selama proses pembelajaran, nilai bobot
disusun dalam suatu range tertentu
tergantung pada nilai input yang diberikan.
Unsupervised learning (pembelajaran takterawasi)
Tujuan pembelajaran ini adalah mengelompokkan unit-unit yang hampir sama dalam suatu area tertentu.
Pembelajaran ini biasanya sangat cocok untuk klasifikasi pola.
Contoh algoritma JST yang menggunakan metode ini adalah : Competitive, Hebbian, Kohonen, LVQ (Learning Vector Quantization), Neocognitron
Hybrid Learning(pembelajaran hibrida)
Merupakan kombinasi dari metode pembelajaran supervised learning dan
unsupervised learning.
Sebagian dari bobot-bobotnya ditentukan melalui pembelajaran terawasi dan sebagian lainnya melalui pembelajaran tak terawasi.
Contoh algoritma JST yang menggunakan metode ini yaitu : algoritma RBF.
Berdasarkan arsitektur JST:
Jaringan Layar Tunggal. Contoh: ADALINE, Hopfield,
Perceptron, LVQ
Jaringan LayarJamak, Contoh: MADALINE,
Backpropagation, Neocognitron
Recurrent. Contoh: BAM, Hopfield, Boltzman
Machine
Spesifikasi masalah dapat digunakan untuk menolong
dalam penentuan arsitektur jaringan, sbb. :
Jumlah input jaringan = jumlah input masalah
Jumlah neuron dalam lapisan output = jumlah output
masalah
Fungsi transfer lapisan output dipilihsedemikian rupa
sesuai dengan spesifikasi output masalah
Aplikasi yang sudah ditemukan Klasifikasi
Model yangdigunakan: ADALINE LVQ Backpropagation
Pengenalaan Pola
Model yang digunakan: Adaptive Resononance Theory (ART), LVQ, Backpropagation
Peramalan.
Model yang digunakan: ADALINE, MADALINE, Backpropagation
Optimisasi.
Model yang digunakan: ADALINE, Hopfield, Backpropagation
Fungsi Undak Biner (Hard Limit)
Jaringan dengan lapisan tunggal sering
menggunakan fungsi undak untuk menkonversi
input dari suatu variable yang bernilai kontinu ke
suatu output biner. Fungsi hard limit dirumuskan:
Fungsi Undak Biner (Threshold)
Fungsi undak biner dengan menggunakan nilai
ambang sering disebut fungsi nilai ambang atau
fungsi Heaviside. Dirumuskan:
Fungsi Bipolar
Hampir sama dengan fungsi undak biner, hanya saja output yang dihasilkan berupa 1, 0 atau-1. Fungsi Symetric Hard Limit dirumuskan sebagai:
Fungsi Bipolar (dengan Threshold)
Fungsi yang menghasilkan output berupa 1, 0 atau -1
Fungsi Linear (identitas)
Fungsi linear memiliki nilai output yang sama dengan nilai input. Dirumuskan: y = x
Fungsi Sturating Linear
Fungsi ini akan bernilai 0 jika inputnya kurang dari -,
dan akan bernilai 1 jika inputnya lebih dari .
Sedangkan jika nilai input terletak antara - dan ,
maka outputnya akan bernilai sama dengan nilai input
ditambah . Fungsi saturating linear dirumuskan:
Fungsi Symetric Saturating Linear
Fungsi ini akan bernilai -1 jika inputnya kurang dari -1.
Sedangkan jika nilai input terletak antara -1 dan 1,
maka outputnya akan bernilai sama dengan nilai
inputnya. Fungsi Symetric Saturating Linear dirumuskan:
Fungsi Sigmoid Biner
Digunakan untuk jaringan syaraf yang dilatih
dengan menggunakan metode backpropagation.
Memiliki nilai pada range 0 sampai 1. Fungsi
sigmoid biner dirumuskan:
Fungsi Sigmoid Bipolar
Output dari fungsi ini memiliki range antara 1
sampai -1. Fungsinya dirumuskan:
Kadang dalam jaringan ditambahkan sebuah unit
masukan yang nilainya selalu = 1. Unit yang
demikian disebut bias .
Bias dapat dipandang sebagai sebuah input yang
nilainya = 1.
Bias berfungsi untuk mengubah nilaithreshold
menjadi = 0 (bukan = (a).
Jika melibatkan bias, maka keluaran unit
penjumlah adalah
Fungsi aktivasi threshold menjadi
Suatu jaringan layar tunggal seperti gambar di
atas terdiri dari 2 input x1 = 0,7 dan x2 = 2,1 dan
memiliki bias.
Bobot w1 = 0,5 dan w2 = -0,3 dan bobot bias b = 1.
Tentukan keluaran neuron Y jika fungsi aktivasi
adalah threshold bipolar
Karena net > 0 maka keluaran dari jaringan y
=f(net) = 1
= + = 1 + 0,7 0,5 + 2,1 0,3 = 0,72
Model JST yang digunakan oleh McP merupakan model
yang pertama ditemukan. Model neuron McP memiliki
karakteristik sbb:
Fungsi aktivasinya biner
Semua garis yang memperkuat sinyal (bobot positif) ke
arah suatu neuron memiliki kekuatan (besar bobot)
yang sama. Hal yang sama untuk garis yang
memperlemah sinyal (bobot negatif) ke arah neuron
tertentu
Setiap neuron memiliki batas ambang (threshold) yang
sama. Apabila total input ke neuron tersebut melebihi
threshold, maka neuron akan meneruskan sinyal
Neuron Y menerima sinyal dari (n+m) buah neuron
x1, x2, ..xn, xn+1, .xn+m
n buah penghubung dengan dari x1x2, ..xn ke Y
merupakan garis yang memperkuat sinyal (bobot
positif), sedangkan m buahpenghubung dari xn+1,
.xn+m ke Y merupakan garis yang
memperlemah sinyal (bobot negatif).
Semua penghubung dari x1 x2, ..xn ke Y memiliki
bobot yang sama. Hal yang sama dengan
penghubung dari xn+1, .xn+m ke sama. Hal yang
sama dengan penghubung dari x , .x keY
memiliki bobot yang sama. Namun jika ada neuron
lain katakan Y2, maka bobot x1 ke Y1 boleh
berbeda dengan bobot dari x2 ke Y2 dari x2ke Y2.
Fungsi aktivasi neuron Y adalah
Bobot tiap garis tidak ditentukan dengan proses
pelatihan, tetapi dengan metode analitik.
Beberapa contoh berikut memaparkan bagaiman
neuron McP digunakan untuk memodelkan fungsi
logika sederhana.
Contoh: buat fungsi logika and, input X1 dan X2, dan Y = 1 jika dan hanya jika masukan 1
X1 X2 Y
1 1 1
1 0 0
0 1 0
0 0 0
X1 X2 net Y, 1 jika net >=2, 0 jika net < 2
1 1 1.1+1.1=2 1
1 0 1.1+0.1=1 0
0 1 0.1+1.1=1 0
0 0 0.1+0.1=0 0
Ternyata BERHASIL mengenali pola
X1
X2
Y
2
1
1
X1 X2 net Y, 1 jika net >=1, 0 jika net < 1
1 1 1.1+1.1=2 1
1 0 1.1+0.1=1 1
0 1 0.1+1.1=1 1
0 0 0.1+0.1=0 0
Ternyata BERHASIL mengenali pola
X1
X2
Y
1
1
1
X1 X2 net Y, 1 jika net >=2, 0 jika net < 2
1 1 1.2+1.-1=1 0
1 0 1.2+0.-1=2 1
0 1 0.2+1.-1=-1 0
0 0 0.2+0.-1=0 0
Ternyata BERHASIL mengenali pola
X1
X2
Y
2
2
-1
X1 X2 Y
1 1 0
1 0 1
0 1 1
0 0 0
GAGAL!
F(1,1) = 0
F(1,0) = 1F(0,0) = 0
F(0,1) = 1
XOR = (x1 ^ ~x2) V (~x1 ^ x2)
Ternyata dibutuhkan sebuah layer
tersembunyi
X1
X2
Z1
Z2
Y
2
2
-1
-1
1
1
2
2
1