Jaringan syaraf tiruan uas docs

  • 2,742 views
Uploaded on

bahan perbaikan UAS

bahan perbaikan UAS

More in: Education
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
No Downloads

Views

Total Views
2,742
On Slideshare
0
From Embeds
0
Number of Embeds
2

Actions

Shares
Downloads
129
Comments
0
Likes
1

Embeds 0

No embeds

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
    No notes for slide

Transcript

  • 1. REVISI UJIAN AKHIR SEMESTER MATAKULIAHJARINGAN SYARAF TIRUAN DOSEN: Drs. Widodo Prijodiprodjo, M.Sc., EE Oleh: Asih Pujiastuti (310742) UNIVERSITAS GAJAH MADAFAK. MATEMATIKA DAN ILMU PENGETAHUAN ALAM 2011
  • 2. 1. Back Propogation dan Recurrent dalam Jaringan Syaraf Tiruan (JST). a) Bandingkan kedua hal tersebut! b) Kemukakan manfaat masing-masing! Jawab: a) Perbandingan: Back propagation Recurrent a. Mempunyai struktur feedforward; a. Mempunyai struktur feedback, dimana signal bergerak melewati mempunyai koneksi kembali dari lapisan tersembunyi dan akhirnya output ke input mencapai unit output b. Struktur perilakunya stabil b. Struktur perilakunya stabil dan menghasilkan dinamika yang sangat komplek c. Tidak mempnyai loop c. Memiliki loop, lapisan output akan member input bagi lapisan input d. Contoh: single layer perceptron, multi d. Contoh: LVQ (linier vector layer perceptron, radial basis function quanification), SOM (Self organizing map) b) Manfaat: Back propagation Recurrent Manfaat : Manfaat : Backpropagation, untuk memprediksi Recurrent, kasus identifikasi dan suatu system dalam waktu yang pemodelan system non linier berbeda2. Supervised dan Unsupervised Learning. a) Bandingkan kedua hal tersebut, kemukakan dalam hal apa/kapan Supervised learning lebih cocok dan dalam hal apa / kapan Unsupervised learning lebih cocok! b) Berikan contoh aplikasi riilnya! Jawab: Belajar dengan pengawasan (Supervised Learning )
  • 3. Pada metode supervised learning jaringan diberikan vektor target yang harus dicapai sebagai dasar untuk mengubah hubungan interkoneksi atau bobot pada jaringan. Contoh jaringan yang belajar dengan pengawasan adalah Backpropagation dan Perceptron. Cocok digunakan untuk pengenalan pola. Metode unsupervised learning Melatih jaringan terhadap suatu inputan tanpa adanya pengawasan,dimana vektor target tidak ditentukan. Vektor masukan dimasukkan ke dalam jaringan,kemudian sistem akan mengatur dirinya sendiri sedemikian rupa sehingga dihasilkankeluaran yang konsisten bilamana pola yang menyerupai vektor masukan tersebut diberikan. Contoh : kohonen, Hebbian. Cocok untuk pengelompokan dan klasifikasi pola. Supervised Learning Unsupervised Learning Kumpulan input berusaha JST mengorganisasikan dirinya membentuk target output yang sudah untuk membentuk vektor-vektor diketahui sebelumnya input yang serupa tanpa Perbedaan antara output yang masih menggunakan data atau contoh- salah dengan output yang diharapkan contoh pelatihan, biasanya ke harus sekecil mungkin dalam suatu kategori/kelompok2 Biasanya lebih baik daripada tertentu unsupervised Kelemahan: pertumbuhan waktu komputasi eksponensial, data bnyk berarti semakin lambat3. Optimasi (optimalisasi). a) Jelaskan peran / kegunaan JST dalam hal ini! b) Jelaskan jenis JST yang mana / apa saja yang cocok untuk melaksanakan peran tersebut! Jawab: a) Optimasi, menemukan suatu jawaban terbaik sehingga mampu meminimalisasi fungsi biaya. b) Model yang biasa digunakan untuk aplikasi ini antara lain: ADALINE, Hopfield, Bolztman, Backpropagation, dll. Contoh: aplikasi JST dalam optimasi pemilihan komponen elektronik
  • 4. 4. Jaringan Hopfield, Boltzmann, Elman, dan Jordan. a) Jelaskan persamaan / kemiripan dan perbedaan diantara hal-hal tersebut! b) Jelaskan manfaat / kegunaan masing-masing! Jawab: a) Hopfield : jaringan ini dapat berfungsi sebagai jaringan memori asosiatif dan dapat juga digunakan untuk memecahkan masalah kepuasan terbatasi. Contohnya : TSP (traveling salesman problem). Boltzman : jaringan syaraf tiruan yang bobot atau aktifasi-aktifasinya berubah berdasarkan sebuah fungsi densitas probabilitas. Contoh : simulated annealing dan teori keputusan Bayesian. Jaringan Elman adalah sebuah jaringan rekurens sederhana yang memiliki umpan balik nilai sehingga dapat menangani memori jangka pendek. Masukan jaringan tidak hanya nilai masukan dari luar jaringan, tetapi ditambah dengan nilai keluaran dari neuron tersembuyi dari propagasi sebelumnya . Jordan : koneksi dengan dirinya sendiri, context sebagai pengingat pada outptnya dan lebih kecil, daya ingat kecil dan sebaliknya. Jordan merupakan suatu pengenal pola runtunan (sequence recognition & generation).
  • 5. 5. Jaringan Kohonen (Kohonen Net) a) Jaringan ini dikenal pula dengan istilah Self Organizing Map (SOM). Jelaskan apa yang dimaksud dengannya! b) Berikan contoh aplikasinya! Jawab: a) Jaringan syaraf self organizing, yang sering disebut juga topology preserving maps, mengansumsikan sebuah struktur topologi antar unit-unit cluster. Jaringan syaraf self organizing ini pertama kali diperkenalkan oleh Tuevo Kohonen dari University of Helsinki pada tahun 1981. Algoritma dari kohonen self organizing map adalah sebagai berikut : Langkah 1. Inisialisasikan bobot 𝑤 𝑖𝑗 . Set parameter-parameter tetangga dan set parameter learning rate. Langkah 2. Selama kondisi berhenti masih bernilai salah, kerjakan langkah- langkah berikut ini : a. Untuk masing-masing vektor input x, lakukan : b. Untuk masing-masing j, lakukan perhitungan : c. Tentukan J sampai D ( j) bernilai minimum. d. Untuk masing-masing unit j dengan spesifikasi tetangga tertentu pada j dan untuk semua I, kerjakan : e. Perbaiki learning rate. f. Kurangi radius tetangga pada waktu-waktu tertentu. g. Tes kondisi berhenti. b) Peramalan beban listrik, Optimasi Travelling Salesman Problem, sistem pengenalan pola.
  • 6. 6. Fuzzy Set dan Fuzzy Logic (FL). a) Secara umum apa manfaat dari sistem ini? Jelaskan! b) Ada beberapa metode dalam FL, seperti metode Mamdani, Sugeno dan Tsukamoto. Apa ciri utama perbedaanya? Kemukakan aplikasinya? Jawab: a) Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Fuzzy secara bahasa diartikan sebagai kabur atau samar-samar. Suatu nilai dapat bernilai besar atau salah secara bersamaan. Dalam fuzzy dikenal derajat keanggotaan yang memiliki rentang nilai 0 (nol) hingga 1(satu). Berbeda dengan himpunan tegas yang memiliki nilai 1 atau 0 (ya atau tidak). Logika Fuzzy merupakan seuatu logika yang memiliki nilai kekaburan atau kesamaran (fuzzyness) antara benar atau salah. Dalam teori logika fuzzy suatu nilai bias bernilai benar atau salah secara bersama. Namun berapa besar keberadaan dan kesalahan suatu tergantung pada bobot keanggotaan yang dimilikinya. Logika fuzzy memiliki derajat keanggotaan dalam rentang 0 hingga 1. Berbeda dengan logika digital yang hanya memiliki dua nilai 1 atau 0. Logika fuzzy digunakan untuk menterjemahkan suatu besaran yang diekspresikan menggunakan bahasa (linguistic), misalkan besaran kecepatan laju kendaraan yang diekspresikan dengan pelan, agak cepat, cepat, dan sangat cepat. Dan logika fuzzy menunjukan sejauh mana suatu nilai itu benar dan sejauh mana suatu nilai itu salah. Tidak seperti logika klasik (scrisp)/ tegas, suatu nilai hanya mempunyai 2 kemungkinan yaitu merupakan suatu anggota himpunan atau tidak. Derajat keanggotaan 0 (nol) artinya nilai bukan merupakan anggota himpunan dan 1 (satu) berarti nilai tersebut adalah anggota himpunan. Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input kedalam suatu ruang output, mempunyai nilai kontinyu. Fuzzy dinyatakan dalam derajat dari suatu keanggotaan dan derajat dari kebenaran. Oleh sebab itu sesuatu dapat dikatakan sebagian benar dan sebagian salah pada waktu yang sama (Kusumadewi. 2004) Logika Fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga hitam dan putih, dan dalam bentuk linguistik, konsep tidak pasti seperti "sedikit", "lumayan" dan "sangat" (Zadeh 1965). Kelebihan dari teori logika fuzzy adalah kemampuan dalam proses penalaran secara bahasa (linguistic reasoning). Sehingga dalam perancangannya tidak memerlukan persamaan matematik dari objek yang akan dikendalikan.
  • 7. b) Metode Tsukamoto Pada Metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-Then harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton . Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot. Metode Mamdani Metode Mamdani sering juga dikenal dengan nama Metode Max-Min. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk mendapatkan output, diperlukan 4 tahapan: 1. Pembentukan himpunan fuzzy 2. Aplikasi fungsi implikasi (aturan) 3. Komposisi aturan 4. Penegasan (deffuzy) Metode Sugeno Penalaran dengan metode SUGENO hampir sama dengan penalaran MAMDANI, hanya saja output (konsekuen) sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear. Metode ini diperkenalkan oleh Takagi-Sugeno Kang pada tahun 1985. Catatan: Metode yang paling sering digunakan adalah metode Mamdani dan metode Sugeno.Metode Mamdani menggunakan himpunan fuzzy sebagai konsekuen relu, Metode Sugeno menggunakan fungsi matematik atau konstanta. Mamdani: komputasi lebih berat, human-like inference, Sugeno: komputasi lebih efisien tapi kehilangan interpretabilitas linguistik.