3. Klasifikasi Pola
Pola huruf alpabet latin
a, a, a, a, a, a, a, a, a, a
b, b, b, b, b, b, b, b, b, b
c, c, c, c, c, c, c, c, c, c
A
B
C
Pola Kelas
3 Kelas : A, B dan C
4. Klasifikasi Pola
Pola huruf alpabet latin
a, a, a, a, a, a, a, a, a, a
b, b, b, b, b, b, b, b, b, b
c, c, c, c, c, c, c, c, c, c
A
Bukan A
Bukan A
Pola Kelas
2 Kelas : A dan Bukan A
9. Lebih rinci system NN
f(b+∑xiwi)x1
x2
b
w1
w2
1
salah satu
1 atau -1
x1 x2
10. Lebih Jauh tentang NN
Hal-hal yang perlu diketahui dalam NN
Arsitektur
Bias dan threshold
Fungsi aktifasi
Penyajian Data
Pemisahan secara linier
11. Arsitektur
Membuat arsitektur adalah :
• Menentukan algoritma penghitung perubahan bobot (w)
• Menentukan jumlah lapisan (layer)
• Menentukan penyajian data input dan output
• Menentukan fungsi aktifasi
12. Arsitektur [2]
Algoritma ?
1 layer
3 input
1 output
Fungsi aktifasi?
Algoritma ?
1 layer
n input
m output
Fungsi aktifasi?
16. Fungsi Aktifasi
Manipulasi matematika
Sangat berguna dalam menghasilkan output yang
sesuai
Beberapa fungsi yang biasa digunakan
Linier
Biner
Bipolar
Sigmoid Biner
Sigmoid Bipolar
dll
25. Jaringan Hebb
Aturan (algoritma pembelajaran yang pertama dalam
NN
Memodifikasi bobot pada saat “learning” (belajar) :
Nilai bobot dinaikkan jika dua neuron yang saling
terhubung bernilai “on” dua-duanya
Tidak membahas masalah bobot antara dua neuron yang
tidak “on”
Extended Hebb rule [McCelland & Rumelhart, 1988]
Layer tunggal yang di-”train” menggunakan Hebb
rule disebut Hebb net (jaringan Hebb)
45. Kesimpulan
Artificial Neural Network (ANN) atau Jaringan syaraf
tiruan dapat digunakan untuk pengenalan pola
(klasifikasi pola)
Diperlukan penyajian data yang tepat untuk
mengaplikasikan ANN pada data tsb.
Langkah-langkah dalam ANN adalah
Data input di beri pembobotan
Jumlah data input yang telah dibobotkan diproses
kedalam fungsi aktifasi
Perubahan bobot dilakukan untuk mendapatkan hasil
yang optimal