Download - Struktur Jaringan Syaraf Tiruan
Struktur Jaringan Syaraf Tiruan1. Feedforward networks Semua hubungan dari lapisan masukkan sampai
lapisan keluaran menuju ke satu arah. Sinyal mengalir searah dari lapisan masukan,
lapisan tersembunyi sampai lapisan keluaran2. Recurrent networks Jaringan dimana hubungannya membentuk
sebuah loop. Sinyal mengalir dua arah, maju dan mundur dan memiliki memori dinamik, keluaran – keluaran yang berasal dari masukan sama baiknya seperti masukan dan keluaran sebelumnya
Arsitektur Jaringan1. Jaringan dengan lapisan tunggal (single layer net)
Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot-bobot terhubung.
Nilai input Lapisan input
Matriks bobotLapisan output
Nilai output
Gambar 3. Jaringan lapisan tunggal
2. Jaringan dengan banyak lapisan (multilayer net)
Jaringan dengan banyak lapisan memiliki 1 atau lebih lapisan yang terletak diantara lapisan input dan lapisan output (memiliki 1 atau lebih lapisan tersembunyi).
Nilai input Lapisan input
Matriks bobot pertama
Lapisan tersembunyi
Matriks bobot kedua
Lapisan output
Nilai output
Gambar 4. Jaringan dengan banyak lapisan
Jaringan dengan lapisan kompetitif (competitive layer net)
• Hubungan antar neuron pada lapisan kompetitif tidak diperlihatkan pada diagram arsitektur.
Gambar 5. Jaringan lapisan kompetitif
Bobot dalam Jaringan
• Nilai yang menghubungkan sebuah sel dengan sel lainnya dalam jaringan. Nilai bobot ini menentukan kuat lemahnya hubungan antar sel.
• Bobot awal dalam suatu jaringan diperoleh secara random atau acak nilai dan diinisialisasikan dengan nilai yang relatif kecil,
Fungsi Aktivasi
1. Fungsi Undak Biner (Hardlim)
0,1
0,0
xjika
xjikay
2. Fungsi Undak Biner (Threshold)
xjika
xjikay
,1
,0
3. Fungsi Bipolar (Symetric Hardlim)
0,1
0,0
0,1
xjika
xjika
xjika
y
xjika
xjikay
,1
,1
4. Fungsi Bipolar (dengan threshold)
xy 5. Fungsi Linear (identifikasi)
5,0;0
5,05,0;5,0
5,0;1
xjika
xjikax
xjika
y
6. Fungsi Saturating Linear
7. Fungsi Symetric Saturating Linear
1;1
11;
1;1
xjika
xjikax
xjika
y
8. Fungsi Sigmoid Biner
xexfy
1
1)(
9. Fungsi Sigmoid Bipolar
x
x
e
exfy
1
1)(
Masukan dan KeluaranMasukan :1. Nilai masukan biner atau bipolar Nilai masukan pada model jaringan syaraf yang
bersifat diskrit.2. Nilai masukan analog Nilai masukan untuk jaringan yang bersifat
continous ( terus menerus ).Keluaran : Nilai keluaran terdiri dari suatu pola bit (nilai
biner atau signal analog) dan disesuaikan dengan fungsi nilai ambang batas (threshold function).
Lapisan(layer)• Sekelompok sel yang membentuk sebuah grup dan
memiliki fungsi yang sama. Tiap lapisan melakukan perhitungan sendiri-sendiri dan memberikan hasilnya kepada lapisan berikutnya.
Lapisan terdiri dari:1. Lapisan Input Berhubungan dengan jumlah input data2. Lapisan Tersembunyi Penghubung antara lapisan input dengan lapisan
keluaran3. Lapisan Output Berhubungan dengan jumlah target data
Proses Pelatihan dan Pembelajaran
1. Pembelajaran terawasi (supervised learning)• Jika output yang diharapkan telah diketahui sebelumnya.
Pada proses pembelajaran, satu pola input akan diberikan ke satu neuron pada lapisan input. Pola dirambatkan disepanjang jaringan syaraf hingga sampai ke neuron pada lapisan output. Lapisan output akan membangkitkan pola output yang nantinya akan dicocokkan dengan pola output targetnya. Bila terjadi perbedaan pola output hasil pembelajaran dengan pola target, akan muncul error. Jika nilai error masih cukup besar, menunjukkan masih perlunya dilakukan pembelajaran lagi.
• Yang termasuk pembelajaran terawasi: Hebb Rule, Perceptron, Delta Rule, Backpropagation, Learning Vector Quantization (LVQ).
2. Pembelajaran tak terawasi (unsupervised learning)• Pada metode pembelajaran yang tak terawasi
tidak diperlukan target output. Selama proses pembelajaran tidak ditentukan hasil yang seperti apakah yang diharapkan. Selama proses pembelajaran, nilai bobot disusun dalam suatu range tertentu tergantung pada nilai input yang diberikan. Tujuan pembelajaran ini adalah mengelompokkan unit-unit yang hampir sama dalam suatu area tertentu. Pembelajaran ini biasanya sangat cocok untuk pengelompokan (klasifikasi) pola. Yang termasuk pembelajaran tak terawasi yaitu metode kohonen.