1 / 12

Struktur Jaringan Syaraf Tiruan

Struktur Jaringan Syaraf Tiruan. Feedforward networks Semua hubungan dari lapisan masukkan sampai lapisan keluaran menuju ke satu arah . Sinyal mengalir searah dari lapisan masukan , lapisan tersembunyi sampai lapisan keluaran 2. R ecurrent networks

elsie
Download Presentation

Struktur Jaringan Syaraf Tiruan

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. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. StrukturJaringanSyarafTiruan • Feedforward networks Semuahubungandarilapisanmasukkansampailapisankeluaranmenujukesatuarah. Sinyalmengalirsearahdarilapisanmasukan, lapisantersembunyisampailapisankeluaran 2. Recurrent networks Jaringandimanahubungannyamembentuksebuah loop. Sinyalmengalirduaarah, majudanmundurdanmemilikimemoridinamik, keluaran – keluaran yang berasaldarimasukansamabaiknyasepertimasukandankeluaransebelumnya

  2. ArsitekturJaringan 1. Jaringandenganlapisantunggal (single layer net) Jaringandenganlapisantunggalhanyamemilikisatulapisandenganbobot-bobotterhubung. Gambar 3. Jaringanlapisantunggal

  3. 2. Jaringandenganbanyaklapisan (multilayer net) Jaringandenganbanyaklapisanmemiliki 1 ataulebihlapisan yang terletakdiantaralapisaninputdanlapisanoutput (memiliki 1 ataulebihlapisantersembunyi). Gambar 4. Jaringandenganbanyaklapisan

  4. Jaringandenganlapisankompetitif(competitive layer net) • Hubunganantarneuronpadalapisankompetitiftidakdiperlihatkanpada diagram arsitektur. Gambar 5. Jaringanlapisankompetitif

  5. BobotdalamJaringan • Nilaiyang menghubungkansebuahseldengansellainnyadalamjaringan. Nilaibobotinimenentukankuatlemahnyahubunganantarsel. • Bobotawaldalamsuatujaringandiperolehsecararandom atauacaknilaidandiinisialisasikandengannilai yang relatifkecil,

  6. FungsiAktivasi • 1. FungsiUndakBiner (Hardlim) • 2. FungsiUndakBiner (Threshold) • 3. FungsiBipolar (SymetricHardlim)

  7. 4. FungsiBipolar (denganthreshold) • 5. FungsiLinear (identifikasi) • 6. FungsiSaturating Linear

  8. 7. FungsiSymetric Saturating Linear • 8. FungsiSigmoid Biner • 9. FungsiSigmoid Bipolar

  9. MasukandanKeluaran Masukan : • Nilaimasukanbinerataubipolar Nilaimasukanpadamodel jaringansyaraf yang bersifatdiskrit. 2. Nilaimasukananalog Nilaimasukanuntukjaringan yang bersifatcontinous( terusmenerus). Keluaran : Nilaikeluaranterdiridarisuatupolabit (nilaibineratausignal analog) dandisesuaikandenganfungsinilaiambangbatas (threshold function).

  10. Lapisan(layer) • Sekelompokselyang membentuksebuahgrupdanmemilikifungsi yang sama. Tiaplapisanmelakukanperhitungansendiri-sendiridanmemberikanhasilnyakepadalapisanberikutnya. Lapisanterdiridari: • Lapisan Input Berhubungandenganjumlah input data 2. LapisanTersembunyi Penghubungantaralapisan input denganlapisankeluaran 3. Lapisan Output Berhubungandenganjumlah target data

  11. ProsesPelatihandanPembelajaran 1. Pembelajaranterawasi (supervised learning) • Jikaoutput yang diharapkantelahdiketahuisebelumnya. Padaprosespembelajaran, satupolainputakandiberikankesatuneuronpadalapisaninput. Poladirambatkandisepanjangjaringansyarafhinggasampaikeneuronpadalapisanoutput. Lapisanoutputakanmembangkitkanpolaoutput yang nantinyaakandicocokkandenganpolaoutputtargetnya. Bilaterjadiperbedaanpolaoutputhasilpembelajarandenganpola target, akanmunculerror. Jikanilaierrormasihcukupbesar, menunjukkanmasihperlunyadilakukanpembelajaranlagi. • Yang termasukpembelajaranterawasi: Hebb Rule, Perceptron, Delta Rule, Backpropagation, Learning Vector Quantization (LVQ).

  12. 2. Pembelajarantakterawasi (unsupervised learning) • Padametodepembelajaran yang takterawasitidakdiperlukantarget output. Selamaprosespembelajarantidakditentukanhasil yang sepertiapakah yang diharapkan. Selamaprosespembelajaran, nilaibobotdisusundalamsuatu range tertentutergantungpadanilaiinput yang diberikan. Tujuanpembelajaraniniadalahmengelompokkan unit-unit yang hampirsamadalamsuatu area tertentu. Pembelajaraninibiasanyasangatcocokuntukpengelompokan (klasifikasi) pola. Yang termasukpembelajarantakterawasiyaitumetodekohonen.

More Related