jaringan saraf-tiruan

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