jaringan saraf-tiruan
TRANSCRIPT
Jaringan Syaraf Tiruan 1/25
Pengantar Kecerdasan Buatan (AK045218)
Jaringan Syaraf Tiruan
Pendahuluan
Otak Manusia
Sejarah
Komponen Jaringan Syaraf
Arisitektur Jaringan
Fungsi Aktivasi
Proses Pembelajaran
Pembelajaran Terawasi
Jaringan Kohonen
Referensi
Sri Kusumadewi – bab 8
Jaringan Syaraf Tiruan 2/25
Pengantar Kecerdasan Buatan (AK045218)
PENDAHULUAN
• Jaringan Syaraf Tiruan adalah:
merupakan salah satu representasi
buatan dari otak manusia yang
selalu mencoba untuk
mensimulasikan proses
pembelajaran pada otak manusia
tersebut. Istilah buatan digunakan
karena jaringan syaraf ini
diimplementasikan dengan
menggunakan program komputer
yang mampu menyelesaikan
sejumlah proses perhitungan
selama proses pembelajaran
Jaringan Syaraf Tiruan 3/25
Pengantar Kecerdasan Buatan (AK045218)
OTAK MANUSIA
• Otak manusia berisi berjuta-
juta sel syaraf yang bertugas
untuk memproses informasi.
• Setiap sel syaraf (neuron) akan
memiliki satu inti sel, inti sel ini
yang akan bertugas untuk
melakukan pemrosesan
informasi.
Jaringan Syaraf Tiruan 4/25
Pengantar Kecerdasan Buatan (AK045218)
SEJARAH
• Tahun 1940-an, para ilmuwanmenemukan bahwa psikologiotak sama dengan modepemrosesan yang dilakukanoleh komputer
• Tahun 1943, McCulloch danPitts merancang model formalyang pertama kali sebagaiperhitungan dasar neuron
• Tahun 1954, Farley dan Clarkmensetup model-model untukrelasi adaptif stimulus-respondalam jaringan random
Jaringan Syaraf Tiruan 5/25
Pengantar Kecerdasan Buatan (AK045218)
• Tahun 1958, Rosenblattmengembangkan konsepdasar tentang perception untukklasifikasi pola
• Tahun 1960, Widrow dan Hoffmengembangkan ADALINEyang dilatih denganpembelajaran Least MeanSquare (LMS)
• Tahun 1974, Werbosmemperkenalkan algoritmabackpropagation
• Tahun 1975, Little dan Shawmenggambarkan jaringansyaraf dengan probabilistik
Jaringan Syaraf Tiruan 6/25
Pengantar Kecerdasan Buatan (AK045218)
• Tahun 1982, Kohonenmengembangkan metodepembelajaran jaringan syaraf yangtidak terawasi untuk pemetaan
• Tahun 1982, Grossbergmengembangkan teori jaringan
• Tahun 1982, Hopfieldmengembangkan jaringan syarafreccurent
• Tahun 1985, algoritmapembelajaran dengan mensinBoltzmann
• Tahun 1987, Kosko mengembang-kan jaringan Adaptive BidirectionalAssociative Memory (BAM)
• Tahun 1988, dikembangkan fungsiradial bebas
Jaringan Syaraf Tiruan 7/25
Pengantar Kecerdasan Buatan (AK045218)
KOMPONEN JARINGAN
SYARAF
• Neuron, sel syaraf yang akan
mentransformasikan informasi yang
diterima melalui sambungan
keluarnya menuju neuron-neuron
yang lain.
• Pada jaringan syaraf, hubungan
antar neuron-neuron dikenal
dengan nama bobot.
Jaringan Syaraf Tiruan 8/25
Pengantar Kecerdasan Buatan (AK045218)
• Pada jaringan syaraf, neuron-neuron akan dikumpulkan dalamlapisan-lapisan (layer) yang disebutdengan lapisan neuron (neuronlayers)
• Informasi yang diberikan padajaringan syaraf akan dirambatkanlapisan ke lapisan, mulai darilapisan input sampai ke lapisanoutput melalui lapisan yanglainnya, yang dikenal denganlapisan tersembunyi (hidden layer),tergantung pada algoritmapembelajarannya, bisa jadiinformasi tersebut akandirambatkan secara mundur padajaringan.
Jaringan Syaraf Tiruan 9/25
Pengantar Kecerdasan Buatan (AK045218)
Arsitektur Jaringan
• Faktor terpenting untuk
menentukan kelakuan suatu
neuron adalah fungsi aktivasi dan
pola bobotnya.
• Ada beberapa arsitektur jaringan
syaraf, antara lain :
a. Jaringan dengan lapisan tunggal
(single layer net)
–
–
Hanya memiliki satu lapisan dengan
bobot-bobot terhubung
Jaringan ini hanya menerima input
kemudian secara langsung akan
mengolahnya menjadi output tanpa
harus melalui lapisan tersembunyi.
Jaringan Syaraf Tiruan 10/25
Pengantar Kecerdasan Buatan (AK045218)
b. Jaringan dengan banyak lapisan
(multilayer net)
-
-
Memiliki 1 atau lebih lapisan yang
terletak diantara lapisan input dan
lapisan output
Ada lapisan yang berbobot yang
terletak antara 2 lapisan yang
bersebelahan
Jaringan Syaraf Tiruan 11/25
Pengantar Kecerdasan Buatan (AK045218)
• Jaringan dengan lapisan
kompetitif (compotitive layer
net)
Jaringan Syaraf Tiruan 12/25
Ai Aj
- η
- η
- η
A1
- η
- η
Am
- η
1
Pengantar Kecerdasan Buatan (AK045218)
- Hubungan antar neuron pada
lapisan kompetitif tidak
diperlihatkan pada diagram
arsitektur
1
1
1
Jaringan Syaraf Tiruan 13/25
Pengantar Kecerdasan Buatan (AK045218)
Fungsi Aktivasi
a. Fungsi Undak Biner (Hard
Limit)
Jaringan dengan lapisan
tunggal sering menggunakan
fungsi undak untuk
menkonversi input dari suatu
variabel yang bernilai kontinu
ke suatu output biner
Fungsi hard limit dirumuskan
0, jika x ≤ 0
1, jika x > 0Y=
Jaringan Syaraf Tiruan 14/25
Pengantar Kecerdasan Buatan (AK045218)
b. Fungsi Undak Biner (Threshold)
Fungsi undak biner denganmenggunakan nilai ambangsering disebut fungsi nilaiambang atau fungsi Heaviside.
Dirumuskan :
0, jika x < θ
1, jika x ≥ θ
c. Fungsi Bipolar
Hampir sama dengna fungsiundak biner, hanya saja outputyang dihasilkan berupa 1, 0 atau
-1
Y=
Jaringan Syaraf Tiruan 15/25
Pengantar Kecerdasan Buatan (AK045218)
Fungsi Symetric Hard Limit
dirumuskan sebagai :
1, jika x > 0
0, jika x = 0
-1, jika x < 0
d. Fungsi Bipolar (dengan
Threshold)
Fungsi yang menghasilkan
output berupa 1, 0 atau -1
1, jika x ≥ θ
-1, jika x < θY=
Y=
Jaringan Syaraf Tiruan 16/25
Pengantar Kecerdasan Buatan (AK045218)
e. Fungsi Linear (identitas)
Fungsi linear memiliki nilaioutput yang sama dengannilai input
Dirumuskan : y = x
f. Fungsi Sturating Linear
Fungsi ini akan bernilai 0 jikainputnya kurang dari -½, danakan bernilai 1 jika inputnyalebih dari ½. Sedangkan jikanilai input terletak antara -½dan ½, maka outputnya akanbernilai sama dengan nilaiinput ditambah ½.
Jaringan Syaraf Tiruan 17/25
Pengantar Kecerdasan Buatan (AK045218)
Fungsi saturating linear
dirumuskan:
1; jika x ≥ 0
x + 0,5;jika -0,5 ≤ x ≤ 0,5
0; jika x ≤ 0
g. Fungsi Symetric SaturatingLinear
Fungsi ini akan bernilai -1 jika
inputnya kurang dari -1.Sedangkan jika nilai inputterletak antara -1 dan 1,maka outputnya akan bernilaisama dengan nilai inputnya.
Y=
Jaringan Syaraf Tiruan 18/25
Pengantar Kecerdasan Buatan (AK045218)
Fungsi Symetric Saturating
Linear dirumuskan :
1; jika x ≥ 1
x;
-1;
jika -1 ≤ x ≤ 1
jika x ≤ -1
h. Fungsi Sigmoid Biner
Digunakan untuk jaringan
syaraf yang dilatih dengan
menggunakan metode
backpropagation. Memiliki
nilai pada range 0 sampai 1.
Y=
Jaringan Syaraf Tiruan 19/25
Pengantar Kecerdasan Buatan (AK045218)
Fungsi sigmoid biner
dirumuskan :
1
y = f(x) = -------------
(1 + e άx)
i. Fungsi Sigmoid Bipolar
- Output dari fungsi inimemiliki range antara 1sampai -1
Fungsinya dirumuskan :
1 - e -x
y = f(x) = -------------
(1 + e -x)
Jaringan Syaraf Tiruan 20/25
Pengantar Kecerdasan Buatan (AK045218)
Proses Pembelajaran
a. Pembelajaran Terawasi(supervised learning)
Metode pembelajaran padajaringan syaraf disebut terawasijika output yang diharapkan telahdiketahui sebelumnya.
b. Pembelajaran Tak Terawasi(unsupervised learning)
Pada metode pembelajaran takterawasi ini tidak memerlukantarget output. Tujuan metode iniadalah pengelompokan unit-unityang hampir sama dalam suatuarea tertentu.
Jaringan Syaraf Tiruan 21/25
Pengantar Kecerdasan Buatan (AK045218)
Pembelajaran Terawasi
1. Hebb Rule
Metode pembelajaran yangpaling sederhana,pembelajaran dilakukandengan cara memperbaikinilai bobot sedemikian rupasehingga jika ada 2 neuronyang terhubung dankeduanya dalam kondisi “on”pada saat yang sama, makabobot antara keduanyadinaikkan
Jaringan Syaraf Tiruan 22/25
Pengantar Kecerdasan Buatan (AK045218)
2. Perception
Biasanya digunakan untukmengklasifikasikan suatu tipepola tertentu yang seringdikenal dengan pemisahansecara linear.
Algoritma yang digunakan
akan mengatur parameter-parameter bebasnya melaluiproses pembelajaran
3. Delta Rule
Mengubah bobot yangmenghubungkan antarajaringan input ke unit outputdengan nilai target.
Jaringan Syaraf Tiruan 23/25
Pengantar Kecerdasan Buatan (AK045218)
4. Backpropagation
Algoritma pembelajaran yangterawasi dan biasanyadigunakan oleh perceptiondengan banyak lapisan untukmengubah bobt-bobot yangterhubung dengan neuron-neuron yang ada padalapisan tersembunyi
5. Hetroassociative Memory
Jaringan yang bobot-bobotnya ditentukansedemikian rupa sehinggajaringan tersebut dapatmenyimapan kumpulan pola.
Jaringan Syaraf Tiruan 24/25
Pengantar Kecerdasan Buatan (AK045218)
6. Bidirectional Associative Memory
Model jaringan syaraf yangmemiliki 2 lapisan dan terhubungpenuh dari satu lapisan kelapisan lainnya. Pada jaringan inidimungkinkan adanya hubungantimbal balik antara lapisan inputdan lapisan output.
7. Learning vector Quantization
Suatu metode untuk melakukanpembelajaran pada lapisankompetitif yang terawasi. Suatulapisan kompetitif akan secaraotomatis belajar untukmengklasifikasikan vektor-vektorinput. Kelas-kelas yangdidapatkan sebagai hasil hanyatergantung pada jarak antaravektor-vektor input
Jaringan Syaraf Tiruan 25/25
Pengantar Kecerdasan Buatan (AK045218)
Pembelajaran Tak
Terawasi (Jaringan
Kohonen)
• Jaringan kohonen pertama kalidiperkenalkan oleh Prf. TeuvoKohonen tahun 1982.
• Pada jaringan ini, suatu lapisanyang berisi neuron-neuron akanmenyusun dirinya sendiriberdasarkan input nilai tertentudalam suatu kelompok yangdikenal dengan istilah cluster
• Selama proses penyusunan diri,cluster yang memiliki vektor bbotpaling cocok dengan pola inputakan terpilih sebagai pemenang