Pattern Recognition using Neural Netwok

1. Arief Fatchul Huda
UIN Sunan Gunung Djati
Bandung 2010
Simple Neural Net for Pattern
Classification

2. Agenda
Pengantar
Klasifikasi Pola
Arsitektur
Bias dan threshold
Terpisahkan secara linier
Jaringan Hebb (Hebb Net)
Algoritma
Aplikasi
Perceptron
Algoritma
Aplikasi

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

5. Klasifikasi Pola
Pola Kelas
2 Kelas : +1 dan -1
Pola Kelas
2 Kelas : +1 dan -1

6. System
Pengenal
(menggunakan NN)
input outputpola
salah satu
1 atau -1

7. Bagaimana NN berperan?
Pola Kelas
Arsitektur umum
NN sederhana
Arsitektur NN
Input Output

8. Peran NN
Pola Kelas
Arsitektur NN

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?

13. Arsitektur [3]
Algoritma ?
2 layer
n input
m output
p unit neuron hidden
Fungsi aktifasi?

14. Apa itu, Bias dan Threshold
Bias
Threshold

15. Bias dan Threshold[2]
Biasanya
Bias, tanpa Threshold
Threshold, tanpa Bias

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

17. Fungsi Aktifasi[2]
Linier
Biner
Bipolar

18. Fungsi Aktifasi[3]
Sigmoid Biner
Sigmoid Bipolar

19. Penyajian Data untuk NN
Pola Kelas
Data disajikan dalam 1 dan -1
Pola Kelas
Data disajikan dalam 1 dan 0

20. Penyajian data
Data disajikan dalam # dan .
Dapatkah data tsb. digunakan
dalam perhitungan ?
Penyajian diubah ke 1 dan 0,
# jadi 1 dan .jadi 0

21. X
O
Penyajian data[2]

22. X
O
X
O
Penyajian data[3]

23. Terpisah secara linier, apa itu?

24. Terpisah linier[2]

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)

26. Algoritma

27. Penulisan lain

28. Aplikasi
Pola dari fungsi logika
Data biner (0, 1)
Data bipolar(-1, 1)
Karakter sederhana
Data biner (0, 1)
Data bipolar(-1, 1)

29. Fungsi Logika “AND”
Penyajian data dengan Biner (0, 1)

30. Implementasi Hebb net
0

31. Implementasi [2]

32. Implementasi [3]

33. Contoh 2

35. Contoh 3

36. Contoh 3

38. Pengenalan Pola Sederhana
Pola huruf X dan O, dengan data disajikan secara
bipolar (-1, 1)

40. Keterbatasan Hebb

41. Limitation, Contoh[1]

42. Limitation, contoh[1]

43. Limitation, contoh[2]

44. Limitation, Contoh[2]

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

46. Kesimpulan[2]
Hebb net masih sangat sederhana, sehingga banyak
keterbatasan

47. Latihan
Exercise hal. 97-98, buku Fundamental Neural
Network

48. Alhamdulillah