Pertemuan 10 Neural Network
-
Upload
xander-powers -
Category
Documents
-
view
102 -
download
14
description
Transcript of Pertemuan 10 Neural Network
![Page 1: Pertemuan 10 Neural Network](https://reader033.fdocument.pub/reader033/viewer/2022061602/56813354550346895d9a64a8/html5/thumbnails/1.jpg)
JURUSAN TEKNIK INFORMATIKA KOKO JONI, STUNIVERSITAS TRUNOJOYO MADURA DIANA RAHMAWATI, ST,MT
Pertemuan 10Neural Network
KECERDASAN BUATAN(ARTIFICIAL INTELLIGENCE)
![Page 2: Pertemuan 10 Neural Network](https://reader033.fdocument.pub/reader033/viewer/2022061602/56813354550346895d9a64a8/html5/thumbnails/2.jpg)
• Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut
• Buatan karena di implementasikan dengan program komputer
![Page 3: Pertemuan 10 Neural Network](https://reader033.fdocument.pub/reader033/viewer/2022061602/56813354550346895d9a64a8/html5/thumbnails/3.jpg)
Susunan syaraf manusia
• Neuron• Dendrit• Axon• Synapsis
![Page 4: Pertemuan 10 Neural Network](https://reader033.fdocument.pub/reader033/viewer/2022061602/56813354550346895d9a64a8/html5/thumbnails/4.jpg)
Sejarah
• 1940 : llmuwan menemukan bahwa psikologi otak manusia sama dengan pemrosesan komputer
• 1943 : McCulloch dan Pitts merancang model pertama kali sebagai perhitungan dasar neuron
• 1949 : Hebb menyatakan bahwa informasi dapat disimpan dalam koneksi-koneksi dan mengusulkan adanya skema pembelajaran untuk memperbaiki koneksi-koneksi antar neuron tersebut
![Page 5: Pertemuan 10 Neural Network](https://reader033.fdocument.pub/reader033/viewer/2022061602/56813354550346895d9a64a8/html5/thumbnails/5.jpg)
• 1954 : Farley dan Clark mensetup model-model untuk relasi adaptif stimulus-respon dalam jaringan random
• 1958 : Rosenblatt mengembangkan konsep dasar tentang perceptron untuk klasifikasi pola
• 1960 : Widrow dan Hoff mengembangkan ADALINE untuk kendali adaptip dan pencocokan pola yang dilatih dengan aturan pembelajaran Least Mean Square
![Page 6: Pertemuan 10 Neural Network](https://reader033.fdocument.pub/reader033/viewer/2022061602/56813354550346895d9a64a8/html5/thumbnails/6.jpg)
• 1974 : Werbos memperkenalkan algoritma backpropagation untuk melatih perceptron dengan banyak lapisan
• 1975 : Little dan Shaw menggambarkan jaringan syaraf menggunakan model probalistik
• 1982 : KOhonen mengembangkan metode pembelajaran jaringan syaraf yang tidak terawasi (unsupervised learning) untuk pemetaan
![Page 7: Pertemuan 10 Neural Network](https://reader033.fdocument.pub/reader033/viewer/2022061602/56813354550346895d9a64a8/html5/thumbnails/7.jpg)
• 1982 : Grosberg mengembangkan teori jaringan yang terinspirasi oleh perkembangan psikologi. Bersama Carpenter mereka mengenalkan sejumlah arsitektur jaringan, Adaptive Resonance Theory (ART), ART2 dan ART3
• 1982 : Hopfield mengembangkan jaringan syaraf recurrent yang dapat digunakan untuk menyimpan informasi dan optimasi
![Page 8: Pertemuan 10 Neural Network](https://reader033.fdocument.pub/reader033/viewer/2022061602/56813354550346895d9a64a8/html5/thumbnails/8.jpg)
• 1985 : Algoritma pembelajaran dengan menggunakan mesin Boltzmann yang menggunakan model jaringan syaraf probabilistik mulai dikembangkan
• 1987 : kosko mengembangkan jaringan Adaptive Bidirectional Associative Memory (BAM)
• 1988 : mulai dikembangkan fungsi radial basis
![Page 9: Pertemuan 10 Neural Network](https://reader033.fdocument.pub/reader033/viewer/2022061602/56813354550346895d9a64a8/html5/thumbnails/9.jpg)
KOmponen Jaringan Syaraf
• Jaringan syaraf terdiri atas beberapa neuron
• Ada hubungan antar neuron• Neuron mentransformasikan
informasi yg diterima melalui sambungan keluarnya menuju neuron-neuorn yg lain
• Pada jaringan syaraf hubungan ini dikenal dengan bobot
![Page 10: Pertemuan 10 Neural Network](https://reader033.fdocument.pub/reader033/viewer/2022061602/56813354550346895d9a64a8/html5/thumbnails/10.jpg)
∑ Output
Fungsi AktivasiBobot
Input dari Neuron-neuorn yang lain
Bobot
Output ke neuron-neuron yang lain
![Page 11: Pertemuan 10 Neural Network](https://reader033.fdocument.pub/reader033/viewer/2022061602/56813354550346895d9a64a8/html5/thumbnails/11.jpg)
Jaringan syaraf dengan 3 lapisan
Nilai Input
Neuron-neuron pada lapisan
input
Neuron-neuron pada lapisan tersembunyi
Neuron-neuron pada lapisan
output
Nilai Output
![Page 12: Pertemuan 10 Neural Network](https://reader033.fdocument.pub/reader033/viewer/2022061602/56813354550346895d9a64a8/html5/thumbnails/12.jpg)
Arsitektur Jaringan
• Neuron-neuron dikelompokkan dalam lapisan-lapisan
• Neuron yang terletak pada lapisan yang sama akan memiliki keadaan yang sama
• Kelakuan neuorn ditentukan oleh fungsi aktivasi dan pola bobotnya
![Page 13: Pertemuan 10 Neural Network](https://reader033.fdocument.pub/reader033/viewer/2022061602/56813354550346895d9a64a8/html5/thumbnails/13.jpg)
a. Single Layer net
Nilai Input
X1 lapisan inputX3X2
Y1 Y2
Matriks bobot
Lapisan Output
Nilai Output
W11W12 W32W31
W22W21
![Page 14: Pertemuan 10 Neural Network](https://reader033.fdocument.pub/reader033/viewer/2022061602/56813354550346895d9a64a8/html5/thumbnails/14.jpg)
b. Multiple Layer NetNilai Input
X1 lapisan inputX3X2
Z1 Z2
Matriks bobot Pertama
Lapisan Tersembunyi
Matriks Bobot kedua
V11V12 V32V31
V22V21
Y Lapisan Output
Nilai Output
W1 W2
![Page 15: Pertemuan 10 Neural Network](https://reader033.fdocument.pub/reader033/viewer/2022061602/56813354550346895d9a64a8/html5/thumbnails/15.jpg)
c. Competitive layer net
A1
Aj
Am
Ai
- ŋ
1
- ŋ- ŋ
- ŋ
- ŋ
- ŋ
1
1
1
![Page 16: Pertemuan 10 Neural Network](https://reader033.fdocument.pub/reader033/viewer/2022061602/56813354550346895d9a64a8/html5/thumbnails/16.jpg)
Fungsi Aktivasi
• Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan
![Page 17: Pertemuan 10 Neural Network](https://reader033.fdocument.pub/reader033/viewer/2022061602/56813354550346895d9a64a8/html5/thumbnails/17.jpg)
a. Hard Limit
1
Y
X0
y0,1
0,0
xjika
xjika
![Page 18: Pertemuan 10 Neural Network](https://reader033.fdocument.pub/reader033/viewer/2022061602/56813354550346895d9a64a8/html5/thumbnails/18.jpg)
B. THRESHOLD
1
Y
X0 Ө
y
xjika
xjika
,1
,0
![Page 19: Pertemuan 10 Neural Network](https://reader033.fdocument.pub/reader033/viewer/2022061602/56813354550346895d9a64a8/html5/thumbnails/19.jpg)
c. Symetric Hard Limit
y0,1
0,0
0,1
xjika
xjika
xjika1
Y
X0
-1
![Page 20: Pertemuan 10 Neural Network](https://reader033.fdocument.pub/reader033/viewer/2022061602/56813354550346895d9a64a8/html5/thumbnails/20.jpg)
d. Bipolar Threshold
1
Y
X0 Ө
-1
y
xjika
xjika
,1
,1
![Page 21: Pertemuan 10 Neural Network](https://reader033.fdocument.pub/reader033/viewer/2022061602/56813354550346895d9a64a8/html5/thumbnails/21.jpg)
e. Fungsi Linier
1
Y
X0
-1
1-1
y = x
![Page 22: Pertemuan 10 Neural Network](https://reader033.fdocument.pub/reader033/viewer/2022061602/56813354550346895d9a64a8/html5/thumbnails/22.jpg)
f. Saturating Linier
1
Y
X0-0,5 0,5
y5,0;0
5,05,0;5,0
5,0;1
xjika
xjikax
xjika
![Page 23: Pertemuan 10 Neural Network](https://reader033.fdocument.pub/reader033/viewer/2022061602/56813354550346895d9a64a8/html5/thumbnails/23.jpg)
g. Simetric Saturating Linier
1
Y
X0-1 1
-1
y1;0
11;
1;1
xjika
xjikax
xjika