Nn

  • December 2019
  • PDF

This document was uploaded by user and they confirmed that they have the permission to share it. If you are author or own the copyright of this book, please report to us by using this DMCA report form. Report DMCA


Overview

Download & View Nn as PDF for free.

More details

  • Words: 932
  • Pages: 5
BAB I PENGENALAN JARINGAN SYARAF TIRUAN BACK PROPAGATION 1.1 Pengertian Jaringan Syaraf Jaringan syaraf merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan disini digunakan karena jaringan syaraf ini diimplementasikan dengan menggunakan proses komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. Sedangkan backpropagation sendiri merupakan algoritma pembelajaran terawasi dan biasanya digunakan oleh perseptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuronneuron yang ada pada lapisan tersembunyinya. Untuk lebih jelasnya akan dibahas pada sub-bab berikutnya. 1.2 Komparasi antara Jaringan Syaraf Biologis dengan Jaringan Syaraf Tiruan

Gambar 1.1 Sel syaraf biologis Sebelum membandingkan jaringan syaraf biologis dengan jaringan syaraf tiuruan, terlebih dahulu kita pahami terlebih dulu apa yang terjadi pada sebuah jaringan syaraf biologis. Jaringan syaraf biologis merupakan kumpulan dari sel-sel syaraf (neuron), dimana neuron sendiri bertugas mengolah informasi. Komponen-komponen utama dari sebuah neuron dikelompokkan menjadi 3 bagian, yaitu: •

Dendrit



Badan sel/core (soma)

: sebagai tempat pengolah informasi.



Akso (neurit)

: mengirim implus-implus ke sel syaraf lainnya.

: bertugas untuk mengolah informasi.

Selain itu terdapat sinapsi yang menghubungkan antara 2 neuron. Jaringan syaraf tiruan disusun dengan asumsi yang sama seperti jaringn syaraf biologis: •

Pengolahan informasi terjadi pada elemen-elemen pemrosesan (neuron-neuron).



Sinyal antara dus buah neuron diteruskan melalui link-link koneksi.



Setiap link koneksi memiliki bobot terasosiasi.



Setiap neuron menerapkan sebuah fungsi aktivasi terhadap input jaringan (jumlah sinyal input bobot). Tujuannya adalah untuk menentukan sinyal output. Fungsi aktivasi yang digunakan biasanya adlah fungsi yang nonlinier.

Gambar 1.2 Jaringan Syaraf Tiruan Pada tabel 1.1 ini memperlihatkan keanalogan antara jaringn syaraf tiruan dengan syaraf biologis Jaringan Syaraf Tiruan Node atau Unit Input Output Bobot 1.3 Konsep Dasar Jaringan Syaraf Tiruan

Jaringan Syaraf Biologis Badan Sel (Soma) Denrit Akson Sinapsis

Pembagian arsitektur jaringan syaraf tiruan bisa dilihat dari kerangka kerja dan skema interkoneksi. Kerangka kerja jaringan syaraf tiruan bisa dilihat dari jumlah lapisan (layer) dan jumlah node pada setiap lapisan. Lapisan-lapisan penyusun jaringan syaraf tiruan dibagi menjadi tiga, yaitu: •

Lapisan Input Node-node di dalam lapisan input disebut unit-unit input. Unit-unit input menerima input dari dunia luar. Input yang dimasukkan merupakan penggambaran dari suatu masalah.



Lapisan Tersembunyi Node-node di dalam lapisan tersembunyi disebut unit-unit tersembunyi. Output dari lapisan ini tidak secara langsung dapat diamati.



Lapisan Output Node-node di dalam lapisan output disebut unit-unit output. Keluaran atau output dari lapisan ini merupakan output jaringan syaraf tiruan terhadap suatu permasalahan.

Contoh jaringan syaraf tiruan dapat dilihat paga gambar 1.3 berikut:

Gambar 1.3 Sebuah Jaringan Syaraf Tiruan Tunggal 1.4 Fungsi Aktivasi Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan , antara lain:



Fungsi Undak Biner (Hard Limite) Dirumuskan sebagai berikut: y = 0, jika x≤0 dan y = 1, jika x >0



Fungsi Undak Biner (Threshold) Fungsi undak biner (denagn nilai ambang θ), dirumuskan berikut: y = 0, jika x< θ dan y = 1, jika x ≥θ



Fungsi Bipolar (Symetric Hard Limite) Dirumuskan sebagai berikut: y = 1, jika x >0; y = 0, jika x = 0 dan y = -1, jika x <0



Fungsi Bipolar (dengan threshold) Fungsi bipolar (denagn nilai ambang θ), dirumuskan berikut: y = 1, jika x ≥θ dan y = -1, jika x< θ



Fungsi Bipolar (Identitas) Dirumuskan sebagai berikut: y=x



Fungsi Saturating Linear Dirumuskan sebagai berikut: y = 1, jika x ≥0,5; y = x+0,5 jika 0,5≤ x ≤ 0,5 dan y = 0, jika x≤ -0,5



Fungsi Symetric Saturating Linear Dirumuskan sebagai berikut: y = 1, jika x ≥ 1; y = x jika -1≤ x ≤1 dan y = -1, jika x≤ -1



Fungsi Sigmoid Biner

Dirumuskan sebagai berikut: y = f(x) = •

1 , dengan f’(x) = δ f(x) [1-f(x)] 1 + e −δX

Fungsi Sigmoid Bipolar y = f(x) =

δ 1 − e−x dengan f’(x) = [1 + f(x)][1- f(x)] −x 2 1+ e

1.5 Proses Pembelajaran Terawasi •

Hebb Rule

Hebb Rule merupakan metode pembelajaran yang paling sederhana. Metode pembelajaran dengan cara memperbaiki nilai bobot sedemikian rupa sehingga jika terdapat 2 neuron yang bergabung, dan keduanya pada kondisi on pada saat yang sama, bobot antara keduanya dinaikkan. Dapat dirumuskan: wi (baru) = wi (lama) + xi * y dengan : wi : bobot data pada input ke-i; xi : input data ke-i; y : output data •

Perceptron

Perceptron juga termasuk salah satu bentuk jaringan syaraf yang sederhana. Pada dasarnya, perceptron pada jaringan syaraf dengan satu lapisan memiliki bobot yang bias diatur dan suatu nilai ambang (threshole). Nilai threshole (θ) pada fungsi aktivasi adalah nol negative. Dengan pertidaksamaan : w1x 1 + w2 x2 + b > θ da n w1x 1 + w2 x2 + b < -θ •

Delta Rule

Pada delta rule akan mengubah bobot yang menghubungkan jaringan input ke unit output (y_in) dengan nilai target (t). Hal ini dilakukan untuk meminimalkan error selama pelatihan pola. Delta rule untuk memperbaiki bobot ke-i (untuk setiap pola) adalah:

∆ wi = α (t – y_in) * xi dengan: x

: vector input y_in

: input jaringan ke unit output y n

y_in =

∑ xi i =1

t

: target (output)



Back Propagatioan

* wi; w diperoleh dari wi = wi+ ∆ wi

Merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapaisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada

lapisan tersembunyinya. Algoritma back propagation menggunakan error output untuk mengubah niali bobot-bobotnya dalam arah mundur. Untuk mendapatkan error, tahap perambatan maju harus dikerjakan terlebih dahulu. Pengaktifannya denagan: f(x) =

1 1 + e−x

Related Documents

Nn
July 2020 20
Nn
June 2020 20
Nn
November 2019 22
Nn
October 2019 22
Nn
August 2019 33
Nn-g61ar
October 2019 14