materi 7 artificial neural networks

7/21/2019 Materi 7 Artificial Neural Networks

http://slidepdf.com/reader/full/materi-7-artificial-neural-networks 1/30

ArtifcialNeural

Networks

Yufs Azhar Yufs Azhar

Teknik Inormatika - UMM Teknik Inormatika - UMM



Latar Belakang

• Kemamuan manusia !alam memrosesinormasi" mengenal wa#ah" tulisan" !s$%

• Kemamuan manusia !alam mengi!entifkasiwa#ah !ari su!ut an!ang &ang $elum ernah

!ialami se$elumn&a%

• Bahkan anak-anak !aat melakukan hal ts$%

• Kemamuan melakukan engenalan meskiun

ti!ak tahu algoritma &ang !igunakan%• 'roses engenalan melalui enin!eraan

$erusat a!a otak sehingga menarik untukmengka#i struktur otak manusia



Latar $elakang

• (ierca&ai $ahwakekuatan komutasiotak terletak a!a

– hu$ungan antar sel-sel s&ara

– hierarchicalorganization

– fring characteristics

– $an&akn&a #umlahhu$ungan



)truktur *aringan a!a +tak

• Neuron a!alah satuan unit emroses terkecil a!a otak

• Bentuk stan!ar! ini mungkin !ikemu!ian hari akan $eru$ah

• *aringan otak manusia tersusun ti!ak kurang !ari ,,. $uahneuron &ang masing-masing terhu$ung oleh sekitar ,,/ $uahdendrite

• 0ungsi !en!rite a!alah se$agai en&amai sin&al !ari neuronterse$ut ke neuron &ang terhu$ung !engann&a

• )e$agai keluaran" setia neuron memiliki axon, se!angkan$agian enerima sin&al !ise$ut synapse

• )e$uah neuron memiliki ,-,% s&nase

• 'en#elasan le$ih rinci tentang hal ini !aat !ieroleh a!a !isilinilmu biology molecular

• )ecara umum #aringan sara ter$entuk !ari #utaan 1$ahkan le$ih2struktur !asar neuron &ang terinterkoneksi !an terintegrasiantara satu !engan &ang lain sehingga !aat melaksanakanaktiftas secara teratur !an terus menerus sesuai !enganke$utuhan



Synapse



)e#arah

• Mc3ulloch 4 'itts 1,56.2 !ikenal se$agaiorang &ang ertama kali memo!elkan NeuralNetwork% )amai sekarang i!e-i!en&a masihteta !igunakan" misaln&a7 – $ertemuan&a $e$eraa unit inut akan

mem$erikan comutational ower

– A!an&a threshol!

• 8e$$ 1,5652 mengem$angkan ertama kali

learning rule 1!engan alasan $ahwa #ika 9neurons akti a!a saat &ang $ersamaanmaka kekuatan antar mereka akan$ertam$ah2



)e#arah

• Antara tahun ,5/-,5:an $e$eraaeneliti melangkah sukses a!aengamatan tentang ercetron

• Mulai tahun ,5:5 meruakan tahunkematian a!a enelitian seutar NeuralNetworks hamir selama ,/ tahun 1Minsk&

4 'aert2• Baru a!a ertengahan tahun ;-an

1'arker 4 Le3un2 men&egarkan kem$alii!e-i!e tentang Neural Networks



A Neuron

© 2000 John Wiley & Sons, Inc.



Konse (asar 'emo!elanNeural Networks



• )e#umlah sin&al masukan x !ikalikan !engan

masing-masing enim$ang &ang $ersesuaian W • Kemu!ian !ilakukan en#umlahan !ari seluruh

hasil erkalian terse$ut !an keluaran &ang!ihasilkan !ilalukan ke!alam ungsi engaktiuntuk men!aatkan tingkatan !era#a! sin&alkeluarann&a F(x.W)

• <alauun masih #auh !ari semurna" namunkiner#a !ari tiruan neuron ini i!entik !engankiner#a !ari sel otak &ang kita kenal saat ini

• Misalkan a!a n $uah sin&al masukan !an n $uahenim$ang" ungsi keluaran !ari neuron a!alahseerti ersamaan $erikut7

01="<2 > 1w,=, ? @ ?wn=n2



0ungsi-ungsi aktiasi

• Stept(x) = 1 if x >= t, else 0• Sign(x) = +1 if x >= 0, else –1

• Sigmoid(x) = 1/(1+e-x)

• Identity Function



The frst Neural Networks

X1 X2 Y

0 0 00 1 0

1 0 0

1 1 1

X1

X2

Y

1

1 Threshold=2

Funsi !"#




X1 X2 Y

0 0 00 1 1

1 0 1

1 1 1

X1

X2

Y

2

2 Threshold=2

Funsi $%




X1 X2 Y

0 0 00 1 0

1 0 1

1 1 0

X1

X2

Y

2

1 Threshold=2

Funsi !"#"$T



'ercetron

• )inonim untuk)ingle-La&er"

0ee!-0orwar!Network

• (iela#ariertama kali

a!a tahun/-an



<hat can ercetronsreresent

0,0

0,1

1,0

1,1

0,0

0,1

1,0

1,1

ANDXOR

• Fungsi yang memisahkan daerah menjadi seperti diatas

dikenal dengan Linearly Separable

• Hanya linearly Separable functions yang dapat

direpresentasikan oleh suatu perceptron

h



<hat can ercetronsreresent

inear Separability is also possible in more than ! dimensions "

but it is harder to #isualise



3ase stu!& - AN(

X1

X2

Y

W1

Threshold=2

Funsi !"# den'n (i's

1

W2

W)



(escrition o arameter

i!s x1 x" #

-,

-, , -, ,

-, , , ,



Training a ercetron

t $ %

y

&

'(

)( $ *

)! $ *

)% $ *

*rror+-d'e W

$u-u = 1 i/ $u-u = 2

$u-u = 0 i/ $u-u 2



8ow to u!ate W

3 4 le'rnin r'e 4 're

$ 4 ou-u

Xi 4 (il'n'n in-u 5e I y'n error



salah



#'n seerusny' s'6-'i (o(o y'n dih'sil5'n coco5 unu5 se6u' d'' 7



Ceerensi

• Intro!uction to AI7 Neural Networks" DrahamKen!all%

• Intro!uction to Neural Networks" Cocha%

• 'engenalan ola $er$asis Neural Networks" Bu!iCahar!#o" *urusan Teknik Elektro" ITB%

• Konse !asar *aringan )&ara Tiruan !anemo!elann&a" Ci&anto )igit" 'oliteknik ElektronikaNegeri )ura$a&a" *uli 96%

• Notes on Neural Networks" 'ro% Ta!aki" MachineLearning counterart meeting" 'oliteknikElektronika Negeri )ura$a&a" +kto$er 9/%

materi 7 artificial neural networks

Documents