Jaringan saraf-tiruan

  • View
    1.145

  • Download
    0

Embed Size (px)

Text of Jaringan saraf-tiruan

  • 1. Pengantar Kecerdasan Buatan (AK045218)Jaringan Syaraf Tiruan Pendahuluan Otak Manusia Sejarah Komponen Jaringan SyarafArisitektur JaringanFungsi Aktivasi Proses PembelajaranPembelajaran TerawasiJaringan KohonenReferensiSri Kusumadewi bab 8Jaringan Syaraf Tiruan1/25

2. Pengantar Kecerdasan Buatan (AK045218)PENDAHULUAN Jaringan Syaraf Tiruan adalah:merupakan salah satu representasibuatan dari otak manusia yangselalu mencoba untukmensimulasikan prosespembelajaran pada otak manusiatersebut. Istilah buatan digunakankarena jaringan syaraf inidiimplementasikan denganmenggunakan program komputeryang mampu menyelesaikansejumlah proses perhitunganselama proses pembelajaranJaringan Syaraf Tiruan2/25 3. Pengantar Kecerdasan Buatan (AK045218) OTAK MANUSIA Otak manusia berisi berjuta-juta sel syaraf yang bertugasuntuk memproses informasi. Setiap sel syaraf (neuron) akanmemiliki satu inti sel, inti sel iniyang akan bertugas untukmelakukan pemrosesaninformasi.Jaringan Syaraf Tiruan3/25 4. 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 Tiruan4/25 5. 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 Tiruan5/25 6. 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 bebasJaringan Syaraf Tiruan6/25 7. Pengantar Kecerdasan Buatan (AK045218) KOMPONEN JARINGANSYARAF Neuron, sel syaraf yang akanmentransformasikan informasi yangditerima melalui sambungankeluarnya menuju neuron-neuronyang lain. Pada jaringan syaraf, hubunganantar neuron-neuron dikenaldengan nama bobot.Jaringan Syaraf Tiruan7/25 8. 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 Tiruan8/25 9. Pengantar Kecerdasan Buatan (AK045218)Arsitektur Jaringan Faktor terpenting untukmenentukan kelakuan suatuneuron adalah fungsi aktivasi danpola bobotnya. Ada beberapa arsitektur jaringansyaraf, antara lain :a. Jaringan dengan lapisan tunggal(single layer net)Hanya memiliki satu lapisan dengan bobot-bobot terhubungJaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi.Jaringan Syaraf Tiruan9/25 10. Pengantar Kecerdasan Buatan (AK045218)b. Jaringan dengan banyak lapisan(multilayer net)- Memiliki 1 atau lebih lapisan yangterletak diantara lapisan input danlapisan output- Ada lapisan yang berbobot yangterletak antara 2 lapisan yangbersebelahanJaringan Syaraf Tiruan10/25 11. Pengantar Kecerdasan Buatan (AK045218) Jaringan dengan lapisan kompetitif (compotitive layer net) Jaringan Syaraf Tiruan11/25 12. Pengantar Kecerdasan Buatan (AK045218)- Hubungan antar neuron padalapisan kompetitif tidakdiperlihatkan pada diagramarsitektur1- 1 A1Am ---- Aj1 Ai-1Jaringan Syaraf Tiruan 12/25 13. Pengantar Kecerdasan Buatan (AK045218)Fungsi Aktivasia. Fungsi Undak Biner (HardLimit)Jaringan dengan lapisantunggal sering menggunakanfungsi undak untukmenkonversi input dari suatuvariabel yang bernilai kontinuke suatu output binerFungsi hard limit dirumuskan0, jika x 0 Y=1, jika x > 0 Jaringan Syaraf Tiruan13/25 14. Pengantar Kecerdasan Buatan (AK045218)b. Fungsi Undak Biner (Threshold) Fungsi undak biner dengan menggunakan nilai ambang sering disebut fungsi nilai ambang atau fungsi Heaviside. Dirumuskan :0, jika x < Y=1, jika x c. Fungsi Bipolar Hampir sama dengna fungsi undak biner, hanya saja output yang dihasilkan berupa 1, 0 atau -1Jaringan Syaraf Tiruan14/25 15. Pengantar Kecerdasan Buatan (AK045218) Fungsi Symetric Hard Limit dirumuskan sebagai :1, jika x > 0Y= 0, jika x = 0-1, jika x < 0d. Fungsi Bipolar (dengan Threshold) Fungsi yang menghasilkan output berupa 1, 0 atau -11, jika x Y=-1, jika x < Jaringan Syaraf Tiruan15/25 16. Pengantar Kecerdasan Buatan (AK045218)e. Fungsi Linear (identitas)Fungsi linear memiliki nilaioutput yang sama dengannilai inputDirumuskan : y = xf. Fungsi Sturating LinearFungsi ini akan bernilai 0 jikainputnya kurang dari -, danakan bernilai 1 jika inputnyalebih dari . Sedangkan jikanilai input terletak antara -dan , maka outputnya akanbernilai sama dengan nilaiinput ditambah .Jaringan Syaraf Tiruan16/25 17. Pengantar Kecerdasan Buatan (AK045218) Fungsi saturating linear dirumuskan: 1; jika x 0 Y=x + 0,5;jika -0,5 x 0,5 0; jika x 0g. 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. Jaringan Syaraf Tiruan17/25 18. Pengantar Kecerdasan Buatan (AK045218) Fungsi Symetric Saturating Linear dirumuskan :1; jika x 1Y= x; jika -1 x 1-1; jika x -1h. Fungsi Sigmoid Biner Digunakan untuk jaringan syaraf yang dilatih dengan menggunakan metode backpropagation. Memiliki nilai pada range 0 sampai 1. Jaringan Syaraf Tiruan18/25 19. Pengantar Kecerdasan Buatan (AK045218) Fungsi sigmoid biner dirumuskan : 1 y = f(x) = ------------- (1 + e x)i. Fungsi Sigmoid Bipolar - Output dari fungsi ini memiliki range antara 1 sampai -1 Fungsinya dirumuskan : 1 - e -x y = f(x) = ------------- (1 + e -x) Jaringan Syaraf Tiruan19/25 20. Pengantar Kecerdasan Buatan (AK045218)Proses Pembelajarana. Pembelajaran Terawasi(supervised learning) Metode pembelajaran pada jaringan syaraf disebut terawasi jika output yang diharapkan telah diketahui sebelumnya.b. Pembelajaran Tak Terawasi (unsupervised learning) Pada metode pembelajaran tak terawasi ini tidak memerlukan target output. Tujuan metode ini adalah pengelompokan unit-unit yang hampir sama dalam suatu area tertentu.Jaringan Syaraf Tiruan20/25 21. Pengantar Kecerdasan Buatan (AK045218)Pembelajaran Terawasi1. Hebb Rule Metode pembelajaran yang paling sederhana, pembelajaran dilakukan dengan cara memperbaiki nilai bobot sedemikian rupa sehingga jika ada 2 neuron yang terhubung dan keduanya dalam kondisi on pada saat yang sama, maka bobot antara keduanya dinaikkan Jaringan Syaraf Tiruan21/25 22. Pengantar Kecerdasan Buatan (AK045218)2. Perception Biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu yang sering dikenal dengan pemisahan secara linear. Algoritma yang digunakan akan mengatur parameter- parameter bebasnya melalui proses pembelajaran3. Delta Rule Mengubah bobot yang menghubungkan antara jaringan input ke unit output dengan nilai target. Jaringan Syaraf Tiruan22/25 23. Pengantar Kecerdasan Buatan (AK045218)4. Backpropagation Algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perception dengan banyak lapisan untuk mengubah bobt-bobot yang terhubung dengan neuron- neuron yang ada pada lapisan tersembunyi5. Hetroassociative Memory Jaringan yang bobot- bobotnya ditentukan sedemikian rupa sehingga jaringan tersebut dapat menyimapan kumpulan pola. Jaringan Syaraf Tiruan23/25 24. Pengantar Kecerdasan Buatan (AK045218)6. Bidirectional Associative Memory Model jaringan syaraf yang memiliki 2 lapisan dan terhubung penuh dari satu lapisan ke lapisan lainnya. Pada jaringan ini dimungkinkan adanya hubungan timbal balik antara lapisan input dan lapisan output.7. Learning vector Quantization Suatu metode untuk melakukan pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor input. Kelas-kelas yang didapatkan sebagai hasil hanya tergantung pada jarak antara vektor-vektor inputJaringan Syaraf Tiruan24/25 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 pemenangJaringan Syaraf Tiruan25/25