Your SlideShare is downloading. ×
Pcd   013 - jaringan syaraf buatan
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

Pcd 013 - jaringan syaraf buatan

966
views

Published on

PCD

PCD

Published in: Technology, Business

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
966
On Slideshare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
68
Comments
0
Likes
0
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. Jaringan saraf tiruan memiliki beberapa kemampuan seperti yang dimiliki otakmanusia, yaitu:1. Kemampuan untuk belajar dari pengalaman.2. Kemampuan melakukan perumpamaan (generalization) terhadap input baru daripengalaman yang dimilikinya.3. Kemampuan memisahkan (abstraction) karakteristik penting dari input yangmengandung data yang tidak penting.Model Neuron BiologisPada dasarnya jaringan saraf atau neural Network (NN) terdiri atas banyak elemenpemroses sederhana yang disebut neuron, sel, unit, atau simpul. Sebagai bahanperbandingan, otak seekor cacing diperkirakan memiliki sekitar 1.000 neuron dan otakmanusia memiliki sekitar 100 miliar. Setiap sel saraf berhubungan dengan sel saraflainnya memakai saluran komunikasi yang teratur dengan suatu bobot penghubung.
  • 2. Pada dasarnya neuron memiliki 4 daerah utama, yaitu :DendritDendrit merupakan suatu perluasan dari soma yang menyerupai rambut dan bertindak sebagaisaluran untuk menerima masukan dari sel saraf lainnya melalui sinapsis.Sel Tubuh atau SomaSel tubuh atau soma merupakan jantungnya sel yang memiliki inti (nucleus). Soma bertugasmemproses nilai masukan dari semua dendrit yang terhubung dengannya menjadi suatu output. Somamemiliki 2 cabang yaitu dendrit dan akson.AksonNeuron biasanya hanya memiliki satu akson yang tumbuh dari bagian soma dan disebut denganakson hillock. Akson menyalurkan sinyal elektrik yang dihasilkan pada bagian bawah dari aksonhillock. Sinyal elektrik digunakan oleh neuron untuk menyampaikan informasi (sinyal) ke otakdengan semua sinyal sama.Sinapsis (Synapse)Sinapsis merupakan bagian kontak (tempat) terjadinya pertukaran sinyal antar dua neuron. Neuronsebenarnya secara fisik tidak berhubungan. Mereka dipisahkan oleh synaptic cleft. Neuron yangmengirim sinyal disebut dengan sel presynaptic dan neuron yang menerima sinyal disebut dengan selpostsynaptic.
  • 3. Model ANNPemodelan ANN merupakan dengan menggunakan pendekatan pemodelan black box. Prinsipkerja ANN didasari pada mekanisme kerja penyaluran informasi sistem NN. Namun demikian,karena keterbatasan yang dimiliki oleh struktur ANN maka hanya sebagian kecil saja darikemampuan sistem saraf manusia dapat ditiru.Pembelajaran pada ANNProses pembelajaran (learning) atau pelatihan (training) pada ANN merupakan proses perubahanatau penyesuaian tingkat kekuatan hubungan antara node-node yang saling terhubung. Tingkatkeuatan hubungan antara node dinyatakan dengan nilai bobot. Ini berarti proses pembelajaranpada ANN tiada lain merupakan proses penyesuaian nilai-nilai bobot tersebut.
  • 4. PerceptronPerceptron merupakan jaringan neural buatan yang paling sederhana yang diperkenalkan olehRosenblatt sekitar tahun 1957. Perceptron digunakan untuk melakukan klasifikasi terhadap pola-pola yang terpisah secara linier.KohonenTeknik self-organizing map (SOM) atau kohonen pertama kali diperkenalkan oleh TouvoKohonen, merupakan sistem jaringan neural berbasis kompetisi yang mampu melakukanpembelajaran tanpa terbimbing karena memiliki kemampuan mengatur dirinya sendiri (self-organizing). Jaringan ini akan mempelajari distribusi pola-pola himpunan tanpa informasi kelassebelumnya.
  • 5. LVQJaringan LVQ (Learning Vector Quantization) juga diperkenalkan oleh Tuevo Kohonen. LVQmerupakan salah satu jaringan saraf tiruan yang melakukan pembelajaran secaara terawasi. LVQmengklasifikasi input secara berkelompok ke dalam kelas yang sudah didefinisikan melaluijaringan yang telah dilatih. Dengan kata lain LVQ mendapatkan n input dan mengelompokkan kedalam m output. Arsitektur jaringan LVQ ini terdiri dari input, lapisan kohonen, dan lapisanoutput.Algoritma LVQPada beberapa literature mungkin ditemui beberapa algoritmaa tentang LVQ yang berbeda.Secara garis besar, algoritma LVQ adalah sebagai berikut.
  • 6. 1. Langkah pertama adalah menentukan masing-masing kelas output, menentukan bobot, danmenetapkan learning rate α.2. Bandingkan masing-masing input dengan masing-masing bobot yang telah ditetapkan denganmelakukan pengukuran jarak antara masing-masing bobot wo dan input xp. ||xp – wo||3. Nilai minimum dari hasil perbandingan itu akan menentukan kelas dari vektor input danperubahan bobot dari kelas tersebut. Perubahan untuk bobt baru (wo’) dapat dihitung denganpersamaan berikut.- Untuk input dan bobot yang memiliki kelas yang sama :Wo’ = wo + α (x – wo)- Untuk input dan bobot yang memiliki kelas yang berbeda :Wo’ = wo - α (x – wo)Pada dasarnya perhitungan di atas akan dilakukan terus-menerus sampai nilai bobot tidak berubahjika ada input baru. Hal ini tentu saja membutuhkan keperluan memori yang sangat besar untukmelakukan perhitungan. Untuk itu, dalam melakukan perhitungan LVQ bisa ditentukan maksimalperulangan (epoch).