Jaringan syaraf tiruan jst http mhs stiki ac id 06114001 software bowo jst ppt
Download
1 / 28

Jaringan Syaraf Tiruan (JST) mhs.stiki.ac.id/06114001/Software/bowo/JST - PowerPoint PPT Presentation


  • 117 Views
  • Uploaded on

Jaringan Syaraf Tiruan (JST) http://mhs.stiki.ac.id/06114001/Software/bowo/JST.ppt. Susunan syaraf manusia. Model sel syaraf. Sel syaraf ( neuron ) adalah unit pemrosesan informasi yang merupakan dasar dari operasi JST. Terdapat tiga elemen dasar dari model neuron, yaitu:

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' Jaringan Syaraf Tiruan (JST) mhs.stiki.ac.id/06114001/Software/bowo/JST' - todd-rosa


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
Jaringan syaraf tiruan jst http mhs stiki ac id 06114001 software bowo jst ppt

Jaringan Syaraf Tiruan (JST)http://mhs.stiki.ac.id/06114001/Software/bowo/JST.ppt



Model sel syaraf
Model sel syaraf

  • Sel syaraf (neuron) adalah unit pemrosesan informasi yang merupakan dasar dari operasi JST.

  • Terdapat tiga elemen dasar dari model neuron, yaitu:

    • Sekumpulan sinapsis atau jalur hubungan, di mana masing-masing sinapsis memiliki bobot atau kekuatan hubungan.

    • Suatu adder untuk menjumlahkan sinyal-sinyal input yang diberi bobot oleh sinapsis neuron yang sesuai. Operasi-operasi yang digambarkan di sini mengikuti aturan linear combiner.

    • Suatu fungsi aktivasi untuk membatasi amplituda output setiap neuron.


Pengertian jst
Pengertian JST

  • JST merupakan salah satu upaya manusia untuk memodelkan cara kerja atau fungsi sistem syaraf manusia dalam melaksanakan tugas tertentu.

  • JST mempunyai struktur tersebar paralel yang sangat besar dan mempunyai kemampuan belajar, sehingga bisa melakukan generalisasi, yaitu bisa menghasilkan output yang benar untuk input yang belum pernah dilatihkan.



  • Sebuah neuron bisa memiliki banyak masukan tetapi hanya memiliki satu keluaran yang bisa menjadi masukan bagi neuron-neuron yang lain.

  • Pada gambar terlihat serangkaian sinyal masukan x1, x2, …, xp.

  • Tiap sinyal masukan dikalikan dengan suatu bobot (wk1, wk2, …, wkp) dan kemudian semua masukan yang telah diboboti tadi dijumlahkan untuk mendapatkan output kombinasi linear uk.


  • Selanjutnya memiliki satu keluaran yang bisa menjadi masukan bagi neuron-neuron yang lain.uk akan diinputkan ke suatu fungsi aktivasi(.) untuk menghasilkan output dari neuron tersebut yk.

  • Suatu nilai threshold atau bias() dapat ditambahan untuk menyesuaikan nilai masukan ke fungsi aktivasi.


Model sel syaraf dengan menyertakan threshold
Model sel syaraf (dengan menyertakan threshold) memiliki satu keluaran yang bisa menjadi masukan bagi neuron-neuron yang lain.


Model sel syaraf dengan menyertakan nilai bias
Model sel syaraf (dengan menyertakan nilai bias) memiliki satu keluaran yang bisa menjadi masukan bagi neuron-neuron yang lain.


Fungsi aktivasi
Fungsi Aktivasi memiliki satu keluaran yang bisa menjadi masukan bagi neuron-neuron yang lain.

  • Fungsi aktivasi yang dinotasikan dengan (.) mendefinisikan nilai output dari suatu neuron dalam level aktivitas tertentu berdasarkan nilai output pengkombinasi linier ui.

  • Ada beberapa macam fungsi aktivasi yang biasa digunakan, di antaranya adalah:

    • Hard Limit

    • Threshold

    • Symetric Hard Limit

    • Fungsi linear (identitas)

    • Fungsi Saturating Linear

    • Fungsi Sigmoid Biner

    • Fungsi Sigmoid Bipolar


Fungsi hard limit
Fungsi Hard Limit memiliki satu keluaran yang bisa menjadi masukan bagi neuron-neuron yang lain.

  • Fungsi hard limit dirumuskan sebagai:


Hard limit dengan threshold
Hard Limit (dengan threshold) memiliki satu keluaran yang bisa menjadi masukan bagi neuron-neuron yang lain.

  • Fungsi hard limit dengan threshold  dirumuskan sebagai:


Symetric hard limit
Symetric Hard Limit memiliki satu keluaran yang bisa menjadi masukan bagi neuron-neuron yang lain.

  • Fungsi symetric hard limit dirumuskan sebagai:


Fungsi linear identitas
Fungsi linear (identitas) memiliki satu keluaran yang bisa menjadi masukan bagi neuron-neuron yang lain.

  • Fungsi linear dirumuskan sebagai:


Fungsi saturating linear
Fungsi Saturating Linear memiliki satu keluaran yang bisa menjadi masukan bagi neuron-neuron yang lain.

  • Fungsi saturating linear dirumuskan sebagai:


Fungsi sigmoid biner
Fungsi Sigmoid Biner memiliki satu keluaran yang bisa menjadi masukan bagi neuron-neuron yang lain.

  • Fungsi sigmoid biner dirumuskan sebagai:


Fungsi sigmoid bipolar
Fungsi Sigmoid Bipolar memiliki satu keluaran yang bisa menjadi masukan bagi neuron-neuron yang lain.

  • Fungsi sigmoid bipolar dirumuskan sebagai:


Arsitektur jaringan
Arsitektur Jaringan memiliki satu keluaran yang bisa menjadi masukan bagi neuron-neuron yang lain.

  • 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


Single layer feedforward networks
Single layer feedforward networks memiliki satu keluaran yang bisa menjadi masukan bagi neuron-neuron yang lain.

  • Suatu JST biasanya diorganisasikan dalam bentuk lapisan-lapisan (layer).

  • Pada bentuk paling sederhana hanya terdapat input layer dan output layer, seperti pada gambar berikut:


Multi layer feedforward networks
Multi layer feedforward networks memiliki satu keluaran yang bisa menjadi masukan bagi neuron-neuron yang lain.

  • Kelas kedua dari feedforward neural network adalah jaringan dengan satu atau lebih lapis tersembunyi (hidden layer).


Recurrent networks
Recurrent Networks memiliki satu keluaran yang bisa menjadi masukan bagi neuron-neuron yang lain.

  • 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


Recurrent networks1
Recurrent Networks memiliki satu keluaran yang bisa menjadi masukan bagi neuron-neuron yang lain.


Recurrent networks2
Recurrent Networks memiliki satu keluaran yang bisa menjadi masukan bagi neuron-neuron yang lain.

  • Berikut adalah jenis lain dari recurrent network dengan hidden neurons.


Lattice structure
Lattice Structure memiliki satu keluaran yang bisa menjadi masukan bagi neuron-neuron yang lain.

  • 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.


Lattice structure1
Lattice Structure memiliki satu keluaran yang bisa menjadi masukan bagi neuron-neuron yang lain.

  • Berikut adalah lattice dua dimensi dengan 3 kali 3 neuron yang mendapatkan masukan dari 3 node sumber.


Proses belajar
Proses belajar memiliki satu keluaran yang bisa menjadi masukan bagi neuron-neuron yang lain.

  • Proses belajar dalam konteks JST dapat didefinisikan sebagai berikut:

    • Belajar adalah suatu proses di mana parameter-parameter bebas JST diadaptasikan melalui suatu proses perangsangan berkelanjutan oleh lingkungan di mana jaringan berada.

  • Pada pembahasan selanjutnya akan dibahas dua metode belajar, yaitu:

    • Supervised learning (belajar dengan pengawasan)

    • Unsupervised learning (belajar tanpa pengawasan).


Supervised learning
Supervised Learning memiliki satu keluaran yang bisa menjadi masukan bagi neuron-neuron yang lain.

  • 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.


Unsupervised learning
Unsupervised Learning memiliki satu keluaran yang bisa menjadi masukan bagi neuron-neuron yang lain.

  • 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.

  • Salah satu contoh unsupervised learning adalah competitive learning, di mana neuron-neuron saling bersaing untuk menjadi pemenang.


ad