Jaringan Syaraf Tiruan

5/7/2018 Jaringan Syaraf Tiruan - slidepdf.com

http://slidepdf.com/reader/full/jaringan-syaraf-tiruan-559abb3336c41 1/41

Jaringan Syaraf Tiruan

PKB - Antonie



Biological Inspiration

� Animals are able to react adaptively to

changes in their external and internal

environment, and they use their nervoussystem to perform these behaviours.

� The nervous system is build by relatively

simple units, the neurons, so copying their

behavior and functionality should be the

solution.



Human Brain

� Bertugas untuk memproses informasi

� Seperti prosesor sederhana

� Masing-masing cell tersebut berinteraksi

mendukung kinerja otak� Setiap sel (neuron) memiliki satu nukleus

(soma), bertugas memproses informasi,informasi diterima oleh dendrit, dan disebarkan

melalui akson� Pertemuan informasi antar syaraf berada disinapsis



Human Brain

� Manusia memiliki krg lbh 10^12 neuron! Dan6x10^18 sinapsis!

� Informasi yang dikirimkan berupa rangsangan

dengan sebuah batas ambang (threshold) ± Pada batas tertentu, syaraf lain akan teraktifasi dan

merespon

� Hubungan antar syaraf terjadi secara dinamis

� Otak manusia memiliki kemampuan untukbelajar dan beradaptasi ± Mampu mengenali pola, wajah, mengkontrol organ

tubuh!



Human Neuron

Dendrites

Soma (cell body)

Axon



Human Neuron (Detail)

synapses

axondendrites



Human Brain

� Neuron merupakan sistem yang faulttolerance

± Dapat mengenali sinyal input yang berbeda

dari sebelumnya� Dapat mengenali orang yg blm pernah ditemui

hanya dengan melihat dari foto

� Dapat mengenali orang yang berubah krn tua

misalnya ± Tetap dapat bekerja walau beberapa

neuronnya rusak, neuron lain dapat tumbuhdan dilatih



Learning in biological systems

Learning = learning by adaptation

The young animal learns that the green fruits are sour,

while the yellowish/reddish ones are sweet. The learning

happens by adapting the fruit picking behavior.

At the neural level the learning happens by changing of the

synaptic strengths, eliminating some synapses, and

building new ones.



Learning as optimisation

The objective of adapting the responses on the basis of the

information received from the environment is to achieve a

better state. E.g., the animal likes to eat many energy rich, juicy fruits that make its stomach full, and makes it feel

happy.

In other words, the objective of learning in biological

organisms is to optimise the amount of available resources,

happiness, or in general to achieve a closer to optimal state.



JST

� Suatu sistem pemrosesan informasi yang mencobameniru kinerja otak manusia

� Merupakan generalisasi model matematis denganasumsi: ± Pemrosesan informasi terjadi pada elemen sederhana (=neuron)

± Sinyal dikirimkan diantara neuron-neuron melalui penghubung(=dendrit dan akson)

± Penghubung antar elemen memiliki bobot yang akan menambahatau mengurangi sinyal

± Untuk menentukan output, setiap neuron memiliki fungsi aktivasi(biasanya non linier) yang dikenakan pada semua input

± Besar output akan dibandingkan dengan threshold



JST

� Baik tidaknya suatu model JST ditentukanoleh:

± Pola antar neuron (arsitekur jaringan)

± Metode untuk menentukan dan mengubahbobot (disebut metode learning)

± Fungsi aktivasi

� JST disebut juga: brain metaphor,computational neuroscience, paralleldistributed processing



JST

� JST dapat belajar dari pengalaman!

� Biasanya berhubungan dengan angka (numerik)sehingga data yang tidak numerik harus dibuatke numerik

� Tidak ada rumus yang tetap (fixed) sehinggadisebut dengan free-estimator!

� JST disebut black box atau tidak transparankarena tidak mampu menjelaskan bagaimana

suatu hasil didapatkan!� JST mampu menyelesaikan permasalahan yang

tidak terstruktur dan sulit didefinisikan!



Kelebihan JST

� Mampu mengakuisisi pengetahuan walau tidakada kepastian

� Mampu melakukan generalisasi dan ekstraksidari suatu pola data tertentu

� JST dapat menciptakan suatu pola pengetahuanmelalui pengaturan diri atau kemampuan belajar (self organizing)

� Memiliki fault tolerance, gangguan dapat

dianggap sebagai noise saja� Kemampuan perhitungan secara paralel

sehingga proses lebih singkat



JST mampu:

� Klasifikasi: memilih suatu input data ke dalam

kategori tertentu yang sudah ditetapkan

� Asosiasi: menggambarkan suatu obyek secara

keseluruhan hanya dengan bagian dari obyeklain

� Self organizing: kemampuan mengolah data-

data input tanpa harus mempunyai target

� Optimasi: menemukan suatu jawaban terbaik

sehingga mampu meminimalisasi fungsi biaya



Kelemahan JST

� Kurang mampu untuk melakukan operasi

operasi numerik dengan presisi tinggi

� Kurang mampu melakukan operasialgoritma aritmatik, operasi logika dan

simbolis

� Lamanya proses training yang mungkin

terjadi dalam waktu yang sangat lama

untuk jumlah data yang besar



Aplikasi JST

� Pengenalan pola (pattern recognition) ± Huruf, tanda tangan, suara, gambar yang sudah

sedikit berubah (mengandung noise)

± Identifikasi pola saham

± Pendeteksian uang palsu, kanker

� Signal Processing ± Menekan noise pada saluran telepon

� Peramalan

± Peramalan saham� Autopilot dan simulasi

� Kendali otomatis otomotif



Aplikasi JST

Tasks to be solved by artificial neural networks:

� controlling the movements of a robot based on self-

perception and other information (e.g., visual

information);

� deciding the category of potential food items (e.g.,

edible or non-edible) in an artificial world;

� recognizing a visual object (e.g., a familiar face);

� predicting where a moving object goes, when a robot

wants to catch it.



Sejarah

� Model JST formal pertama diperkenalkan olehMcCulloch dan Pitts (1943)

� 1949, Hebb mengusulkan jaringan Hebb

� 1958, Rosenblatt mengembangkan perceptronuntuk klasifikasi pola

� 1960, Widrow dan Hoff mengembangkan ADALINE dengan aturan pembelajaran LeastMean Square (LMS)

� 1974, Werbos memperkenalkan algoritmabackpropagation untuk perceptron banyaklapisan



Sejarah

� 1982, Kohonen mengembangkan learning unsuperviseduntuk pemetaan

� 1982, Grossberg dan Carpenter mengembangkan Adaptive Resonance Theory (ART, ART2, ART3)

� 1982, Hopfield mengembangkan jaringan Hopfield untukoptimasi

� 1985, Algoritma Boltzmann untuk jaringan syaraf probabilistik

� 1987, dikembangkan BAM (Bidirectional AssociativeMemory)

� 1988, dikembangkan Radial Basis Function



Model Neuron JST

X1

X2

X3

Y1

Y2

Y3

W1

W2

W3

Fungsi aktivasi

Masukkan Keluaran

Bobot

Y1 = X1.W1 + X2.W2 + X3.W3; dst«

)(;1

z H y xw z n

i

ii!!§

!



Model Neuron

� Pada JST, neuron-neuron akan dikumpulkan

dalam lapisan lapisan yang disebut dengan

layers

� Neuron dalam satu lapisan akan dihubungkandengan neuron pada lapisan lainnya

� Kadang muncul juga layer tersembunyi (hidden

layer) untuk menambah keakuratan pelatihan

� Informasi tersebut bisa dirambatkan secara

forward ataupun backward



Istilah dalam JST

� Neuron: sel syaraf tiruan yang merupakan elemen pengolah JST

� Jaringan: bentuk arsitektur JST, kumpulan neuron yang salingberhubungan dan membentuk lapisan

� Input: sebuah nilai input yang akan diproses menjadi nilai output

� Output: solusi dari nilai input

� Hidden layer: lapisan yang tidak terkoneksi secara langsung denganlapisan input atau output, memperluas kemampuan JST

� Bobot: nilai matematis dari sebuah koneksi antar neuron

� Fungsi aktivasi: fungsi yang digunakan untuk mengupdate nilai-nilaibobot per-iterasi dari semua nilai input. ± Fungsi aktivasi sederhana adalah mengakalikan input dengan bobotnya

dan kemudian menjumlahkannya (disebut penjumlahan sigma) ± Berbentuk linier atau tidak linier, dan sigmoid

� Paradigma pembelajaran: bentuk pembelajaran, supervisedlearning, atau unsupervised learning



JST dengan 3 layer



Arsitektur Jaringan

� Single Layer ± Hanya memiliki satu lapisan dengan bobot-bobot terhubung.

± Langsung menerima input dan mengolahnya menjadi outputtanpa menggunakan hidden layer

� MultiL

ayer ± Memiliki satu atau lebih lapisan input, satu atau lebih lapisanoutput, dan lapisan tersembunyi

± Dapat menyelesaikan masalah yang lebih kompleks karena lebihakurat

± Fungsi pembelajarannya lebih rumit

� Kompetitive Model / Recurrent Model ± Hubungan antar neuron tidak diperlihatkan secara langsung

pada arsitektur

± Hubungan antar neuron dapat digambarkan sebagai jaring yangrumit



Model JST

� Single Layer � Multi Layer

� Competitive Layer /

Recurrent



Pengelompokkan JST

� JST Feed Forward

± Tidak mempunyai loop

± Contoh: single layer perceptron, mutilayer perceptron, radial basis function

� JST Feed Backward (Recurrent)

± Memiliki loop, lapisan output akan memberi

input lagi bagi lapisan input

± Contoh: competitive networks, kohonen,

hopfield, ART



Paradigma pembelajaran

� Supervised Learning ± Kumpulan input berusaha membentuk target output yang sudah

diketahui sebelumnya

± Perbedaan antara output yang masih salah dengan output yangdiharapkan harus sekecil mungkin

± Biasanya lebih baik daripada unsupervised ± Kelemahan: pertumbuhan waktu komputasi eksponensial, data

bnyk berarti semakin lambat

� Unsupervised Learning ± JST mengorganisasikan dirinya untuk membentuk vektor-vektor

input yang serupa tanpa menggunakan data atau contoh-contohpelatihan, biasanya ke dalam suatu kategori/kelompok2 tertentu

� Hibrida Learning ± Gabungan antara unsupervised dan supervised



Algoritma Pembelajaran Umum

� Dimasukkan n data pelatihan

� Inisialisasi bobot-bobot jaringan, set i = 1

� Masukkan contoh ke-i ke dalam input

� Cari tingkat aktivasi unit output menggunakanalgoritma yang ditetapkan ± If memenuhi kriteria output then exit

else:

� Update bobot2 menggunakan fungsi galat error,Bobot baru = bobot lama + delta

� If i=n then reset i=1, else i=i+1



JST dan Aplikasi

� Klasifikasi: ADALINE, Backpropagation

� Pengenalan Pola: ART, Backpropagation

� Peramalan: ADALINE, MADALINE,Backpropagation

� Optimasi: ADALINE, Hopfield, Boltzman,

Backpropagation



Fungsi Aktivasi

� Fungsi undak biner (hard limit)

� Fungsi undak biner (threshold)

U



Fungsi Aktivasi

� Fungsi bipolar

� Fungsi bipolar dengan threshold



Fungsi Aktivasi

� Fungsi Linier (identitas)

� Fungsi Sigmoid biner



McCulloch Pitts

� Fungsi aktivasi biner

� Besar bobotnya sama

� Memiliki threshold yang sama

Contoh buat fungsi logika ³and´, input X1 dan X2, dan Y =1 jika dan hanya jika inputan 1

X1 X2 Y

1 1 11 0 0

0 1 0

0 0 0



Jawab

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 00 1 0.1+1.1=1 0

0 0 0.1+0.1=0 0

Ternyata BERH ASIL mengenali pola

X

1

X2

Y

2

1

1



Problem ³OR´


1 1 1.1+1.1=2 1

1 0 1.1+0.1=1 10 1 0.1+1.1=1 1

0 0 0.1+0.1=0 0


X1

X2

Y

1

1

1



Problem ³X1 and not(X2)´


1 1 1.2+1.-1=1 0

1 0 1.2+0.-1=2 10 1 0.2+1.-1=-1 0

0 0 0.2+0.-1=0 0


X1

X2

Y

2

2

-1



Problem ³XOR´

X1 X2 Y

1 1 0

1 0 10 1 1

0 0 0

GAGAL!

F(1,1) = 0

F(1,0) = 1F(0,0) = 0

F(0,1) = 1



Solusi

� 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



Tabel



Jaringan HEBB

� Menggunakan iterasi untuk menghitung bobot dan bias

� Dalam setiap iterasi, bobot dan bias diubah berdasarkanrumus tertentu

� W = bobot

� Wbaru = Wlama + X1Y1

� Algoritma: ± Init, semua bobot wi = 0

± Untuk semua input:

� Set fungsi aktivasi xi = si� Set output y=t

� Perbaiki bobot: w(baru) = w(lama) + delta w, dengan delta w = xi*y

� Perbaiki bias, b(baru) = b(lama) + y



To Be Continued

� Jaringan HEBB

� Jaringan Perceptron

� Jaringan Back Propagation� Hybrid JST

Documents

Jaringan Syaraf Tiruan