jaringan syaraf tiruan (artificial neural network) · untuk menentukan output, setiap neuron...
TRANSCRIPT
![Page 1: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/1.jpg)
JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
Pertemuan 11
Diema Hernyka Satyareni, M.Kom
![Page 2: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/2.jpg)
Outline
• Konsep JST
• Model Struktur JST
• Arsitektur JST
• Aplikasi JST
• Metode Pembelajaran
• Fungsi Aktivasi
• McCulloch Pitts
• Backpropagation Network
![Page 3: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/3.jpg)
Konsep JST
Jaringan syaraf tiruan (JST) atau Artificial Neural Network (ANN) adalah suatu model matematik atau komputasi untuk mensimulasikan struktur dan fungsi dari jaringan syaraf dalam otak.
JST adalah sistem pemrosesan informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi.
![Page 4: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/4.jpg)
Konsep JST (lanjutan..)
Jaringan Syaraf Biologi
![Page 5: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/5.jpg)
Konsep JST (lanjutan..)
• JST dibentuk sebagai generalisasi model matematika dari
jaringan syaraf biologi, dengan asumsi bahwa:
Pemrosesan informasi terjadi pada banyak elemen
sederhana (neuron)
Sinyal dikirimkan diantara neuron-neuron melalui
penghubung2
Penghubung antar neuron memiliki bobot yang akan
memperkuat atau memperlemah sinyal
![Page 6: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/6.jpg)
Konsep JST (lanjutan..)
Untuk menentukan output, setiap neuron menggunakan
fungsi aktivasi (biasanya bukan fungsi linier) yang
dikenakan pada jumlahan input yang diterima.
Besarnya output ini selanjutnya dibandingkan dengan
suatu batas ambang (threshold)
![Page 7: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/7.jpg)
Konsep JST (lanjutan..)
• Sebagai contoh: neuron Y pada gambar berikut:
![Page 8: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/8.jpg)
Konsep JST (lanjutan..)
• JST tidak diprogram untuk menghasilkan keluaran tertentu. Semua keluaran atau kesimpulan yang ditarik oleh jaringan didasarkan pada pengalamannya selama mengikuti proses pembelajaran.
• Pada proses pembelajaran, ke dalam JST dimasukkan pola-pola input (dan output) lalu jaringan akan diajari untuk memberikan jawaban yang bisa diterima.
![Page 9: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/9.jpg)
Konsep JST (lanjutan..)
• Karakteristik JST ditentukan oleh
1.Pola hubungan antar neuron (disebut arsitektur
jaringan)
2.Metode penentuan bobot-bobot sambungan
(disebut dengan pelatihan atau proses belajar
jaringan)
3.Fungsi aktivasi
![Page 10: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/10.jpg)
Konsep JST (lanjutan..)
Analogi JST dengan JSB
![Page 11: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/11.jpg)
Model Struktur Neuron JST
![Page 12: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/12.jpg)
Model Neuron Tanpa bias
Σ
p1
p2
Masukan /Inputs
pi
.
.
.
Penjumlahan w1
w2
wi
Bobot/Weight = bisa diatur
F(y)
n=Σpi.wi
a=f(n)
Fungsi Aktifasi
![Page 13: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/13.jpg)
Model Neuron dengan bias Masukan /Inputs
p1
Σ p2
pi
.
.
.
Penjumlahan w1
w2
wi
Bobot/Weight = bisa diatur
F(y) n=Σpi.wi
a=f(n)
Fungsi Aktivasi
b (Bias)=Fix
![Page 14: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/14.jpg)
Neuron Sederhana
![Page 15: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/15.jpg)
Arsitektur JST
1. Jaringan dengan lapisan tunggal
(single layer net)
2. Jaringan dengan banyak lapisan
(multilayer net)
3. Jaringan dengan lapisan kompetitif
(competitive layer net)
![Page 16: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/16.jpg)
Arsitektur JST (lanjutan..)
1. Jaringan dengan lapisan tunggal (single layer net)
•Hanya memiliki 1 lapisan dengan bobot-bobot terhubung. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi.
•Seberapa besar hubungan antara 2 neuron ditentukan oleh bobot yang bersesuaian.
•Semua unit input akan dihubungkan dengan setiap unit output.
![Page 17: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/17.jpg)
Arsitektur JST (lanjutan..)
• Gambar single layer net
![Page 18: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/18.jpg)
Arsitektur JST (lanjutan..)
2. Jaringan dengan banyak lapisan (multilayer
net)
• Memiliki 1 atau lebih lapisan yang terletak diantara lapisan input dan lapisan output.
• Umumnya ada lapisan bobot-bobot yang terletak antara 2 lapisan yang bersebelahan.
• Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit daripada lapisan tunggal, tentu saja dengan pembelajaran yang lebih rumit.
• Pada banyak kasus, pembelajaran pada jaringan dengan banyak lapisan ini lebih sukses dalam menyelesaikan masalah.
![Page 19: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/19.jpg)
Arsitektur JST (lanjutan..)
• Gambar multilayer net
![Page 20: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/20.jpg)
Arsitektur JST (lanjutan..)
3. competitive layer net
• Pada jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif.
• Umumnya hubungan antar neuron pada lapisan kompetitif ini tidak diperlihatkan pada diagram arsitektur.
• Gambar berikut menunjukkan salah satu contoh arsitektur jaringan dengan lapisan kompetitif yang memiliki bobot –η
![Page 21: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/21.jpg)
Arsitektur JST (lanjutan..)
• Gambar competitive layer net
![Page 22: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/22.jpg)
PROSES PEMBELAJARAN JARINGAN
• Cara belajar JST : • Ke dalam JST diinputkan informasi yang sebelumnya
telah diketahui hasil keluarannya.
• Penginputan informasi ini dilakukan lewat node-node atau unit-unit input. Bobot-bobot antarkoneksi dalam suatu arsitektur diberi nilai awal dan kemudian JST dijalankan.
• Bobot-bobot ini bagi jaringan digunakan untuk belajar dan mengingat suatu informasi.
• Pengaturan bobot dilakukan secara terus-menerus dan dengan menggunakan kriteria tertentu sampai diperoleh keluaran yang diharapkan.
![Page 23: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/23.jpg)
Aplikasi JST
Pada tahun 1988 DARPA Neural
Network Study membuat daftar berbagai
aplikasi JST, yang diawali
dengan aplikasi adaptive channel
equalizer (1984), yang merupakan
jaringan neuron-tunggal untuk sistem
telepon jarak jauh, untuk menstabilkan
sinyal suara. Alat ini mengalami
kesuksesan luar biasa dalam industri.
![Page 24: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/24.jpg)
Aplikasi JST (lanjutan..)
Di samping itu, beberapa aplikasi JST:
• Pengenalan pola (pattern recognition)
untuk mengenali pola (mis angka, huruf, suara, atau tanda tangan)
yang sudah sedikit berubah. Hal ini mirip dengan otak manusia yang
masih mampu mengenali orang yang sudah beberapa waktu tidak
dijumpainya
• Pengolahan sinyal JST (model ADALINE) dapat dipakai
untuk menentukan noise dalam saluran telepon
• Peramalan
untuk meramalkan apa yang akan terjadi dimasa yang akan datang
berdasarkan pola kejadian di masa lampau. Hal ini dapat dilakukan
mengingat kemampuan JST untuk mengingat dan membuat
generalisasi dari apa yang sudah ada sebelumnya
![Page 25: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/25.jpg)
Aplikasi JST (lanjutan..)
Aplikasi-aplikasi lain :
• Aerospace
Otopilot pesawat terbang akurasi tinggi, simulasi jalur penerbangan, sistem pengendali pesawat, simulasi komponen pesawat terbang, detektor kerusakan komponen pesawat
• Otomotif
Sistem pemandu otomatis, penganalisis aktivitas pengemudi
• Perbankan
Pembaca cek dan dokumen, evaluasi aplikasi kredit
• Pertahanan
Pengendali senjata, penjejak target, diskriminasi objek, pengenalan wajah, sensor-sensor baru, sonar, radar dan pengolahan sinyal citra (termasuk data kompresi), ekstraksi ciri, peredam derau, identifikasi sinyal / citra
![Page 26: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/26.jpg)
Aplikasi JST (lanjutan..)
• Elektronik
Prediksi sekuens kode, tata letak integrated circuit,
kontrol proses, analisis kerusakan chip, machine vision,
sintesis suara, permodelan nonlinier.
• Hiburan
Animasi, efek khusus, prakiraan pasar
• Keuangan
Taksiran harga properti, penasihat kredit, pemeriksaan
hipotik, corporate bond rating, analisis kredit, program
penjualan portofolio, analisis finansial keuangan, prediksi
harga valuta
![Page 27: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/27.jpg)
Aplikasi JST (lanjutan..)
• Asuransi
Evaluasi aplikasi polis, optimisasi produksi
• Manufaktur
Kontrol proses, analisis dan disain produk, diagnosis mesin
dan proses, identifikasi partikel (real time), sistem inspeksi
kualitas (visual), pembungkusan, analisis kualitas, dll
• Medis
analisis sel kanker, analisis EEG dan ECG, disain prostesis,
optimisasi waktu transplantasi, reduksi pengeluaran rumah
sakit, peningkatan kualitas RS.
• Migas
Eksplorasi
![Page 28: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/28.jpg)
Aplikasi JST (lanjutan..)
• Robotik
Kontrol trajektori, robot pengangkat, sistem penglihatan
• Percakapan
Pengenalan percakapan, kompresi, klasifikasi huruf, sintesis teks ke
percakapan.
• Sekuritas
Analisis pasar, automatic bond rating, sistem pelaporan perdagangan saham
• Telekomunikasi
Kompresi citra dan data, pelayanan informasi otomatis, penterjemah otomatis, sistem pemroses pembayaran rekening
• Transportasi
Sistem diagnosis rem, penjadwalan, penentuan rute
![Page 29: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/29.jpg)
Metode pembelajaran/pelatihan JST :
1. Pembelajaran terawasi (supervised
learning)
2. Pembelajaran tak terawasi
(unsupervised learning) /
pembelajaran tanpa guru
3. Gabungan pembelajaran terawasi
dan tak terawasi (hybrid)
![Page 30: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/30.jpg)
Metode pembelajaran/pelatihan JST :
1. Pembelajaran terawasi (supervised learning)
• Pada pembelajaran ini kumpulan input yang digunakan, output-outputnya telah diketahui.
• Perbedaan antara output-output aktual dengan output-output yang diinginkan digunakan untuk mengoreksi bobot JST agar JST dapat menghasilkan jawaban sedekat (semirip) mungkin dengan jawaban yang benar yang telah diketahui oleh JST.
• Contoh : Hebbian, Perceptron, Adaline, Back Propagation, LVQ (Learning Vector Quantization)
![Page 31: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/31.jpg)
Metode pembelajaran/pelatihan JST
(lanjutan..)
2. Pembelajaran tak terawasi (unsupervised learning) / pembelajaran tanpa guru
– Pada pembelajaran ini, JST mengorganisasi dirinya sendiri untuk membentuk vektor-vektor input yang serupa, tanpa menggunakan data atau contoh-contoh pelatihan.
– Struktur menggunakan dasar data atau korelasi antara pola-pola data yang dieksplorasi.
– Contoh : Kohonen, ART
![Page 32: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/32.jpg)
Metode pembelajaran/pelatihan JST
(lanjutan..)
3. Gabungan pembelajaran terawasi
dan tak terawasi (hybrid)
1. Merupakan kombinasi dari kedua
pembelajaran tersebut.
2. Sebagian dari bobot-bobotnya
ditentukan melalui pembelajaran
terawasi dan sebagian lainnya
melalui pembelajaran tak terawasi.
![Page 33: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/33.jpg)
Fungsi Aktivasi
• Fungsi undak biner (hard limit)
• Fungsi undak biner (threshold)
![Page 34: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/34.jpg)
Fungsi Aktivasi
• Fungsi bipolar
• Fungsi bipolar dengan threshold
![Page 35: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/35.jpg)
Fungsi Aktivasi
• Fungsi Linier (identitas)
• Fungsi Sigmoid biner
![Page 36: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/36.jpg)
Catatan untuk fungsi aktivasi
• Untuk pengambilan keputusan biasanya digunakan Hardlimit
• Untuk pengenalan pola/jaringan back propagation biasanya digunakan sigmoid
• Untuk prediksi/aproksimasi linear biasanya digunakan linear
• Utk hebbian/single layer menggunakan biner thresold.
![Page 37: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/37.jpg)
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 X2 Y 1 1 1 1 0 0 0 1 0 0 0 0
![Page 38: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/38.jpg)
Jawab
X1 X2 net Y, 1 jika net >=2, 0 jika net < 2
1 1 1.1+1.1=2 1
1 0 1.1+0.1=1 0
0 1 0.1+1.1=1 0
0 0 0.1+0.1=0 0
X1
X2
Y 2
1
1
![Page 39: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/39.jpg)
Problem “OR”
X1 X2 net Y, 1 jika net >=1, 0 jika net < 1
1 1 1.1+1.1=2 1
1 0 1.1+0.1=1 1
0 1 0.1+1.1=1 1
0 0 0.1+0.1=0 0
X1
X2
Y 1
1
1
![Page 40: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/40.jpg)
Keterbatasan JST
Meskipun banyak aplikasi dapat dilakukan oleh JST,
namun ia memiliki beberapa keterbatasan umum.
Keterbatasan utamanya adalah “KETIDAK
AKURATAN” hasil yang diperoleh (karena JST bekerja
berdasarkan pola yang terbentuk pada inputnya).
![Page 41: JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) · Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan](https://reader031.vdocuments.site/reader031/viewer/2022020109/5c7999a209d3f2990f8c67b4/html5/thumbnails/41.jpg)
TERIMA KASIH ATAS PERHATIANNYA