Recommended
More Related Content
Similar to KECERDASAN__BUATAN_KELOMPOK_4.pptx
Similar to KECERDASAN__BUATAN_KELOMPOK_4.pptx (20)
Recently uploaded
Recently uploaded (20)
KECERDASAN__BUATAN_KELOMPOK_4.pptx
- 1. KECERDASANBUATANKEL4 Forwardpropagation dan Backpropagation - USAMAH RHACAC ZAMAR - ARUN SAMUDRA ALFATIHA - MUHAMMAD AWALUDDIN - ANDI GILANG RAMADHAN - MUH RIFQI ZULKIFLI - SAHLAN HAMSAH - MUH IRWAN AGIL SAPUTRA - MUHAMMAD SIDIK DAMING - ZULFIKAR
- 2. Neural Networks Jaringan Saraf Tiruan lapisan-lapisan.
- 3. APA ITUNEURAL NETWORKS Neural Networks memiliki kemampuan untuk memodelkan dan memahami pola-pola kompleks dalam data. •Neural Networks adalah konsep utama dalam kecerdasan buatan yang terinspirasi oleh struktur dan fungsi jaringan saraf manusia. •Model Neural Networks terdiri dari neuron buatan yang tersusun dalam lapisan-lapisan. Penerimaan Pengiriman •Dapat mengekstraksi fitur-fitur berguna dari data mentah dan digunakan dalam berbagai tugas seperti klasifikasi gambar, pengenalan suara, dan prediksi. •Proses pelatihan Neural Networks melibatkan Forwardpropagation untuk menghasilkan output dan Backpropagation untuk mengoreksi bobot-bobot agar prediksi lebih akurat.
- 4. Forward Propagation Step 1 TAHAP PERTAMA DALAM MENGOPERASIKAN JARINGAN SARAF TIRUAN Step 2 DATA INPUT DIBERIKAN KE JARINGAN, DAN INFORMASI MENGALIR MAJU MELALUI BERBAGAI LAPISAN NEURON Step 3 MENGHITUNG KOMBINASI BOBOT DAN INPUT Step 4 MENGIRIMKAN HASILNYA KE NEURON BERIKUTNYA
- 5. Forward Propagation PROSES DATA INPUT MENGALIR MELALUI LAPISAN LAPISAN JARINGAN
- 6. Contoh Forward Propagation Forward propagation adalah proses perhitungan secara “maju” dari input (disimbolkan x) hingga diperoleh output model (disimbolkan y). Misal pada ilustrasi di bawah, adalah proses forward propagation dari input x menuju y. Untuk perhitungannya, nilai y1 diperoleh dengan menghitung nilai z1 terlebih dahulu (perhitungan linier). Setelah diperoleh z1 , output prediksi y11 diperoleh dengan menerapkan fungsi aktivasi terhadap z1 Perhitungan untuk semua y secara umum bisa menggunakan rumus:
- 7. Contoh Forward Propagation Misalkan kita memiliki sebuah input X=[1,2,0.5] dengan nilai bobot dan bias di awal adalah sebagai berikut (nilai awal bobot dan bias adalah nilai random, saya susun seperti matrix agar mudah): Langka pertama forward propagation adalah menghitung nilai z. Pada contoh ini dapat kita hitung nilai z1 adalah: Lalu setelah itu kita hitung nilai y1:
- 8. Contoh Forward Propagation Dengan cara perhitungan yang sama dengan di atas dapat diperoleh juga nilai y2 adalah 0.645. Sampai sini, mungkin sebelum lanjut coba berhenti sebentar dan dipahami lagi prosesnya bagaimana bisa mendapatkan semua nilai y. Dari perhitungan sebelumnya diperoleh nilai sebagai berikut: misalnya untuk data X di atas kita ingin model kita seharusnya bernilai berikut (variabel t adalah nilai target label kelas yang sebenarnya): Kita bisa menghitung seberapa melenceng prediksi kita menggunakan rumus untuk menghitung error. Salah satunya adalah dengan rumus Mean Square Error (MSE): Sehingga untuk perhitungan kita di atas, dapat dihitung error E yang dihasilkan adalah sebesar:
- 9. Backward Propagataion Algoritma yang digunakan untuk menghitung gradien (perubahan) dari fungsi kesalahan dalam jaringan saraf. Ini memungkinkan jaringan untuk "belajar" dari data pelatihan dengan menyesuaikan bobot dan bias.
- 10. Contoh Backward Rumus utama untuk memperbaiki suatu bobot w berdasarkan error E adalah: Rumus ini juga berlaku untuk memperbaiki nilai bias: Simbol α pada rumus di atas adalah learning rate, sebuah konstanta (biasanya antara 0-1) yang menentukan seberapa cepat proses pembelajaran model dilakukan. Di artikel ini kita akan menggunakan nilai α=0.5=0.5. Sedangkan simbol ∂E∂w∂∂ atau dibaca “turunan parsial E terhadap w” adalah proses mencari nilai turunan E terhadap variabel yang akan diperbarui, dalam contoh ini w. Proses mencari turunan inilah yang lebih tepat disebut backpropagation.
- 11. Contoh Backward (Konsep Chaining) Untuk menghitung ∂E∂w∂∂, pertama-tama kita coba berjalan mundur dulu. Nilai E diperoleh dari rumus Mean Square Error: dari rumus di atas tidak ada variabel w11 tetapi kita bisa coba “jalan mundur” lagi. Kita ingat-ingat lagi dari mana nilai setiap variabel y berasal.
- 12. Contoh Backward (Konsep Chaining) Variabel y diperoleh dari menerapkan sebuah fungsi aktivasi terhadap variabel z. Sedangkan, variabel z sendiri dihitung dengan: dari sini terlihat variabel w11 ada di perhitungan z1 yang secara tidak langsung berpengaruh ke nilai E. Hal ini yang disebut dengan chaining atau rantaian.
- 13. Contoh Backward (Dasar Turunan) DASAR TURUNAN Setelah kita memahami hubungan E dan w11 langkah selanjutnya adalah kita pahami bagaimana dasar menghitung turunannya. Disini kita menggunakan turunan parsial yang bedanya dengan turunan biasa adalah fungsi bisa mengandung lebih dari satu variabel. Contoh:
- 15. Gradient Descent adalah metode optimisasi yang umum digunakan dalam machine learning dan deep learning metode umum dalam machine learning dan deep learning untuk mengoptimalkan parameter model secara iteratif, mencapai nilai minimum/maksimum fungsi kesalahan dengan mengikuti gradien. MACHINELEARNING Gradient Descent digunakan untuk mengatur parameter seperti bobot dan bias, memungkinkan jaringan saraf untuk belajar dari data pelatihan dan meningkatkan kinerjanya dengan mengikuti gradien yang menurunkan kesalahan secara berulang. PELATIHANMODEL GRADIENT DESCENT
- 16. KORELASI GRADIENTDAN BACKPROPAGATIONT Korelasi Gradient adalah informasi penting yang digunakan oleh algoritma backropagationt dalam pelatihan jaringan saraf Dalam "backpropagation," jaringan saraf menghitung gradient kesalahan terhadap parameter. Gradientdalam Backpropagation Dalam "backpropagation," gradient digunakan untuk mengatur parameter jaringan dengan mengikuti gradien kesalahan. Ini memungkinkan jaringan untuk belajar dari data pelatihan dan meningkatkan kinerjanya seiring berjalannya waktu. PEMBELAJARAN
- 17. TRAININGPROCESS ForwardPropagation o Data inputdisebarkan dari layer inputkelayeroutput o Setiapneuronmenghitung hasil aktivasi berdasarkan bobot dan biasnya o Informasumengalirmaju melalui setiap layer o Menghasilkan output prediksi berdasarkan parametersaat ini Backpropagation o Mengukur kesalahanprediksi dibandingkan dengannilaiyang seharusnya o Menghitunggradien kesalahan terhadapparameterjaringan (bobot danbias) o Meningkatkan kinerjajaringan seiringberjalannyawaktu
- 19. KESIMPULAN Forward Propagation mengirimkan data input melalui jaringan untuk menghasilkan prediksi. Backpropagation mengukur kesalahan prediksi, menggunakan gradien untuk memperbarui parameter jaringan, dan memungkinkan jaringan untuk belajar dari kesalahan.