Architecture Net, Simple Neural Net
1
Materi 1. 2. 3. 4. 5.
Model Neuron JST Arsitektur JST Jenis Arsitektur JST MsCulloh Pitts Jaringan Hebb
2
Model Neuron JST n
X1 W1
z wi xi ; y H ( z )
Y1
i 1
X2
Y2 W2
X3
W3
Fungsi aktivasi
Y3
Bobot
Masukkan
Keluaran
Y1 = X1.W1 + X2.W2 + X3.W3; dst… 3
Model Neuron JST Pada JST, neuron-neuron akan dikumpulkan dalam lapisan lapisan yang disebut dengan layers Neuron dalam satu lapisan akan dihubungkan dengan neuron pada lapisan lainnya Kadang muncul juga layer tersembunyi (hidden layer) untuk menambah keakuratan pelatihan Informasi tersebut bisa dirambatkan secara forward ataupun backward
4
Istilah dalam JST Neuron: sel syaraf tiruan yang merupakan elemen pengolah JST Jaringan: bentuk arsitektur JST, kumpulan neuron yang saling berhubungan dan membentuk lapisan Input: sebuah nilai input yang akan diproses menjadi nilai output Output: solusi dari nilai input Hidden layer: lapisan yang tidak terkoneksi secara langsung dengan lapisan input atau output, memperluas kemampuan JST Bobot: nilai matematis dari sebuah koneksi antar neuron Fungsi aktivasi: fungsi yang digunakan untuk mengupdate nilai-nilai bobot per-iterasi dari semua nilai input.
Fungsi aktivasi sederhana adalah mengakalikan input dengan bobotnya dan kemudian menjumlahkannya (disebut penjumlahan sigma) Berbentuk linier atau tidak linier, dan sigmoid
Paradigma pembelajaran: bentuk pembelajaran, supervised learning, atau unsupervised learning
5
JST dengan 3 Layer
6
Arsitektur Jaringan Pola di mana neuron-neuron pada JST disusun berhubungan erat dengan algoritma belajar yang digunakan untuk melatih jaringan. Secara umum arsitektur jaringan dapat dibagi menjadi empat, yaitu:
Single layer feedforward networks Multi layer feedforward networks Recurrent Networks Lattice Structure 7
Single layer Feedforward Net Suatu JST biasanya diorganisasikan dalam bentuk lapisan-lapisan (layer). Pada bentuk paling sederhana hanya terdapat input layer dan output layer, seperti pada gambar di samping
8
Multilayer Feedforward Net Kelas kedua dari feedforward neural network adalah jaringan dengan satu atau lebih lapis tersembunyi (hidden layer).
9
Recurrent Networks Recurrent neural network adalah jaringan yang mempunyai minimal satu feedback loop. Sebagai contoh, suatu recurrent network bisa terdiri dari satu lapisan neuron tunggal dengan masing-masing neuron memberikan kembali outputnya sebagai input pada semua neuron yang lain
10
Recurrent Networks
11
Recurrent Networks
12
Lattice Structure Sebuah lattice (kisi-kisi) terdiri dari array neuron berukuran satu dimensi, atau dua dimensi, atau lebih. Berikut adalah lattice satu dimensi dengan 3 neuron yang mendapatkan masukan dari 3 node sumber.
13
Lattice Structure Berikut adalah lattice dua dimensi dengan 3 kali 3 neuron yang mendapatkan masukan dari 3 node sumber
14
Pengelompokan JST JST Feed Forward Tidak mempunyai loop Contoh: single layer perceptron, mutilayer perceptron, radial basis function
JST Feed Backward (Recurrent) Memiliki loop, lapisan output akan memberi input lagi bagi lapisan input Contoh: competitive networks, kohonen, hopfield, ART 15
McCulloch Pitts Fungsi aktivasi biner Besar bobotnya sama Memiliki threshold yang sama Contoh buat fungsi logika “and”, input X1 dan X2, dan Y = 1 jika dan hanya jika inputan 1 X1 1 1 0 0
X2 1 0 1 0
Y 1 0 0 0
n
z wi xi ; y H ( z ) i 1
16
McCulloch Pitts Contoh buat fungsi logika “or”, input X1 dan X2, dan Y = 0 jika dan hanya jika inputan 0 X1 1 1 0 0
X2 1 0 1 0
Y 1 1 1 0
n
z wi xi ; y H ( z ) i 1
17
Learning Proses belajar dalam konteks JST dapat didefinisikan sebagai berikut: Belajar adalah suatu proses di mana parameterparameter bebas JST diadaptasikan melalui suatu proses perangsangan berkelanjutan oleh lingkungan di mana jaringan berada.
Metode belajar, yaitu: Supervised learning (belajar dengan pengawasan) Unsupervised learning (belajar tanpa pengawasan) Hibrida learning (Gabungan Supervised dan Unsupervised) 18
Supervised Learning Supervised learning adalah proses belajar yang membutuhkan guru, yaitu sesuatu yang memiliki pengetahuan tentang lingkungan. Guru bisa direpresentasikan sebagai sekumpulan sampel input-output. Pembangunan pengetahuan dilakukan oleh guru dengan memberikan respons yang diinginkan kepada JST. Parameter-parameter jaringan berubah-ubah berdasarkan vektor latih dan sinyal kesalahan, yaitu perbedaan antara keluaran JST dan respons yang diinginkan. Proses perubahan dilakukan dalam bentuk iterasi. 19
UnSupervised Learning Unsupervised Learning atau self-organized learning tidak membutuhkan guru untuk membantu proses belajar. Dengan kata lain, tidak ada sekumpulan sampel input-output atau fungsi tertentu untuk dipelajari oleh jaringan. JST mengorganisasikan dirinya untuk membentuk vektor-vektor input yang serupa tanpa menggunakan data atau contoh-contoh pelatihan, biasanya ke dalam suatu kategori/kelompok2 tertentu Salah satu contoh unsupervised learning adalah competitive learning, di mana neuron-neuron saling bersaing untuk menjadi pemenang. 20
Algoritma Pembelajaran Umum Dimasukkan n data pelatihan Inisialisasi bobot-bobot jaringan, set i = 1 Masukkan contoh ke-i ke dalam input Cari tingkat aktivasi unit output menggunakan algoritma yang ditetapkan Jika memenuhi kriteria output then
exit
else: Update bobot2 menggunakan fungsi galat error, Bobot baru = bobot lama + delta
If i=n then reset i=1, else i=i+1 21
Simple Neuron Arsitektur dasar dari semua kemungkinan model JST sederhana (single-layer) ditunjukkan pada gambar disamping Terdiri dari sebuah layer input dan sebuah output
22
Bias dan Threshold Bias
Threshold
23
Linear Separability Output “yes” 1 Output “no” -1
Decision Boundary
24
Hebb Net Hebb mengusulkan pembelajaran dengan memodifikasi bobot sedemikian shg dua hubungan neuron “on” dalam waktu yang bersamaan, kemudian bobot diantara kedua neuron tersebut bertambah
25
Algoritma Hebb Net 1. Inisialisasi bobot 2. Untuk setiap input training dan target output, s:t 1. Set aktifasi untuk input
2. Set aktifasi untuk output
3. Hitung bobot dan bias dengan
26
Fungsi AND State
(biner input & target)
Perhitungan bobot
Decision Boundary
Proses
27
Fungsi AND State
(biner input & bipolar target)
Perhitungan bobot
Decision Boundary
Proses
28 Pemilihan pola pembelajaran memberikan peranan penting!
Fungsi AND State
(bipolar input & target)
Perhitungan bobot
Decision Boundary
Proses
29
Latihan Buatlah manual atau implementasi dari pengenalan kedua pola berikut:
30
