presentasi neurall network / artificial intelegent

Neural Network(Jaringan Syaraf Tiruan)

Sutoni | Ririn |Yuniyah

DEFINISI

Menurut seorang ahli bernama Simon Haykin.

Jaringan syaraf tiruan / Neural network itu seperti sebuah prosesor

yang dapat menyimpan pengetahuan dan pengalaman sehingga

prosesor ini dapat bekerja menyerupai otak manusia yang dapat

beradapatasi dengan masalah.

Pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan saraf manusia. Jaringan saraf tiruan tercipta sebagai suatu generalisasi model matematis dari pemahaman manusia yang didasarkan atas asumsi dan bobot.

DEFINISI

Otak Manusia Jaringan Saraf TiruanBisa lupa Tidak mungkin lupa

Bisa rusak/kehilangan informasi

Bisa rusak namun ada/dapat dibackup. Kehilangan informasi dapat dicegah

Tidak Konsisten (dalam kondisi perulangan yg banyak)

Konsisten

Tidak Akurat (dalam kondisi perulangan yg banyak)

Akurat

Belajar terus menerus Sesuai apa yang diajarkan, dan akan memulai dari awal bila ada tambahan pembelajaran

Perilaku Otak Manusia – JST

Latar Belakang

Element Dasar

1. Pola hubungan antar neuron (disebut arsitektur jaringan)

2. Metode penentuan bobot-bobot sambungan (disebut dengan pelatihan atau proses belajar jaringan)

3. Fungsi aktivasi

STRUKTUR JST

Neuron mentransformasikan informasi yang

diterima melalui sambungan keluarnya menuju

neuron-neuron yang lain.

Hubungan antar neuron disebut bobot

Proses Pola JST Pendekatan TradisionalPendekatan Neurall Network

CARA KERJA JST

Tiga paradigma bagaimana jaringan syaraf tiruan dapat

berfikir dan beradaptasi terhadap suatu masalah :

1. Supervised

2. Unsupervised Learning

3. Reinforced Learning ( Hybrid System )

Single Layer /precepton

○ Seberapa besar hubungan antara 2 neuron ditentukan oleh bobot yang bersesuaian.

○ Semua unit input akan dihubungkan dengan setiap unit output.

◆ Memiliki 1 /lebih lapisan yang terletak diantara lapisan input dan lapisan output

◆ Ada lapisan bobot yang terletak antara 2 lapisan yang bersebelahan

◆ Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit daripada lapisan tunggal, tentu saja dengan pembelajaran yang lebih rumit

Multilayer Network

◆ Sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif

◆ Umumnya hubungan antar neuron pada lapisan kompetitif ini tidak diperlihatkan pada diagram arsitektur

Competitive Net

Karakteristik JST

• Dapat belajar dari pengalaman • Algoritma JST beroperasi secara

langsung dengan angka sehingga data harus diubah menjadi data numerik.

• JST tidak diprogram untuk menghasilkan keluaran tertentu.

• Semua output /kesimpulan yang ditarik oleh jaringan didasarkan pada pengalamannya selama mengikuti proses pembelajaran.

Keuntungan JST

○Akurasi yang tinggi○Toleransi terhadap noise: ○Mudah untuk dikelola :JST dapat diupdate dengan data yang baru bersifat dinamis

○NN dapat diimplementasikan di hardware yg pararel

Pemanfaatan JST

1. Identifikasi dan control : Kontrol kendaraan,

Natural Resources Mangement

2. Pengambil keputusan dalam video game:

Chess, Poker, Backgammon

3. Pengenal Pola : Radar, Pengenal wajah,

Pengenal objek

4. Diagnosa Medis untuk mendeteksi penyakit

kangker

ANY QUESTION ?