PENGENALAN JARINGAN SYARAF TIRUAN (JST)

1. PENGENALAN JARINGAN SYARAF TIRUAN (JST) DIEMA HS

2. Jaringan Syaraf Biologis (JSB) Otakmanusiaberisisekitar 1011 selsyaraf (neuron) yang bertugasuntukmemprosesinformasi yang masuk.

3. Model Struktur dari JSB

4. Jaringan Staraf Tiruan (JST) • JST didefinisikansebagaisuatusistempemrosesaninformasi yang mempunyaikarakteristikmenyerupaijaringansyarafmanusia (JSB) • JST terciptasebagaisuatugeneralisasi model matematisdaripemahamanmanusia (human cognition) yang didasarkanatasasumsisebagaiberikut : • Pemrosesaninformasiterjadipadaelemensederhana yang disebut neuron • Sinyalmengalirdiantaraselsaraf/neuron melaluisuatusambunganpenghubung

5. ( Lanjutan...) • Setiapsambunganpenghubungmemilikibobot yang bersesuaian. Bobotiniakandigunakanuntukmenggandakan / mengalikansinyal yang dikirimmelaluinya. • Setiapselsyarafakanmenerapkanfungsiaktivasiterhadapsinyalhasilpenjumlahanberbobot yang masukkepadanyauntukmenentukansinyalkeluarannya.

6. Sejarah JST • 1940 : para ilmuwan menemukan dari otak manusia sama dengan mode pemrosesan yang dilakukan oleh peralatan komputer. • 1943 : McCulloch dan Pitts merancang model formal yang pertama kali sebagai perhitungan dasar neuron • 1954 : Hebb menyatakan bahwa infomasi dapat disimpan ke dalam koneksi – koneksi dan mengusulkan adanya skema pembelajaran untuk memperbaiki koneksi – koneksi antar neuron tersebut • 1954 : Farley dan Clark mensetup model-model untuk relasi adaptif stimulus respon dalam jaringan random • 1958 : Rosenblatt mengembangkan konsep dasar tentang perseptron untuk klasifikasi pola • 1960 : Widrow dan Hoff mengembangkan adaline untuk kendali adaptif dan pencocokan pola yang dilatih dengan aturan pembelajaran Last Mean Square (LMS)

7. (Lanjutan..) • 1974 : Werbos mengenalkan algoritma backpropagation untuk melatih pereptron dengan banyak lapisan. • 1975 : Little dan Shaw menggambarkan jaringan syaaf dengan menggunakan model probabilistik • 1982 : Kohonen mengembankan metode unsupervised learning untuk pemetaan • 1982 : Grossbeg mengembangkan teori jaringa yang diinspirasi oleh perkembangan psikolog. Bersama crapener mengenalkan sejumlah arsitektur Jaringan : ART (Adaptive Resonance Theory ), ART 2, dan ART 3. • 1982 : Hopfield mengembangkan jaringan syaraf reccurent yang dapat digunakan untukmenyimpan informasi dan optimasi. • 1987 : Kosko mengembangkan jaringan Adaptive Biderectional Assosiative memory (BAM) • 1988 : mulai dikembangkan fungsi radial basis.

8. Analogi JST dengan JSB

9. Model Struktur NEURON JST

10. JST • JST dapatbelajardaripengalaman, melakukangeneralisasiatascontoh-contoh yang diperolehnyadanmengabstraksikarakteristikesensial input bahkanuntuk data yang tidakrelevan. • Algoritmauntuk JST beroperasisecaralangsungdenganangkasehingga data yang tidaknumerikharusdiubahmenjadi data numerik. • JST tidakdiprogramuntukmenghasilkankeluarantertentu. Semuakeluaranataukesimpulan yang ditarikolehjaringandidasarkanpadapengalamannyaselamamengikuti proses pembelajaran.

11. (Lanjutan...) • Pada proses pembelajaran, kedalam JST dimasukkanpola-pola input (dan output) lalujaringanakandiajariuntukmemberikanjawaban yang bisaditerima. • Padadasarnyakarakteristik JST ditentukanoleh • Polahubunganantar neuron (disebutarsitekturjaringan) • Metodepenentuanbobot-bobotsambungan (disebutdenganpelatihanatau proses belajarjaringan) • Fungsiaktivasi

12. ARSITEKTUR JST • Pada JST, neuron-neuron akandikumpulkandalamlapisan-lapisan (layer) yang disebutdenganlapisan neuron (neuron layers). • Neuron-neuron padasatulapisanakandihubungkandenganlapisan-lapisansebelumdansesudahnya. • Informasi yang diberikanpadajaringansyarafakandirambatkanlapisankelapisan, mulaidarilapisan input sampaikelapisan output melaluilapisantersembunyi (hidden layer). • Gambarberikutinijaringansyarafdengan 3 lapisandanbukanlahstrukturumumjaringansyarafkarenabeberapajaringansyarafada yang tidakmemilikilapisantersembunyi.

13. Jaringansyarafdengan 3 lapisan

14. Macamarsitektur JST ada 3 • Jaringandenganlapisantunggal (single layer net) • Jaringandenganbanyaklapisan (multilayer net) • Jaringandenganlapisankompetitif (competitive layer net)

15. Jaringandenganlapisantunggal (single layer net) • Hanyamemiliki 1 lapisandenganbobot-bobotterhubung. Jaringaninihanyamenerima input kemudiansecaralangsungakanmengolahnyamenjadi output tanpaharusmelaluilapisantersembunyi. • Seberapabesarhubunganantara 2 neuron ditentukanolehbobot yang bersesuaian. • Semua unit input akandihubungkandengansetiap unit output.

16. Gambarberikut neuron-neuron padakedualapisansalingberhubungan.

17. Jaringandenganbanyaklapisan (multilayer net) • Memiliki 1 ataulebihlapisan yang terletakdiantaralapisan input danlapisan output. • Umumnyaadalapisanbobot-bobot yang terletakantara 2 lapisan yang bersebelahan. • Jaringandenganbanyaklapisaninidapatmenyelesaikanpermasalahan yang lebihsulitdaripadalapisantunggal, tentusajadenganpembelajaran yang lebihrumit. • Padabanyakkasus, pembelajaranpadajaringandenganbanyaklapisaninilebihsuksesdalammenyelesaikanmasalah.

19. Jaringandenganlapisankompetitif (competitive layer net) • Padajaringaninisekumpulan neuron bersainguntukmendapatkanhakmenjadiaktif. • Umumnyahubunganantar neuron padalapisankompetitifinitidakdiperlihatkanpada diagram arsitektur. • Gambarberikutmenunjukkansalahsatucontoharsitekturjaringandenganlapisankompetitif yang memilikibobot -η

20. Jaringandenganlapisankompetitif (competitive layer net)

21. Paradigma/metodepembelajaran/pelatihan JST : • Pembelajaranterawasi (supervised learning) • Pembelajarantakterawasi (unsupervised learning) / pembelajarantanpaguru • Gabunganpembelajaranterawasidantakterawasi (hybrid)

22. Pembelajaranterawasi(supervised learning) • Padapembelajaraninikumpulan input yang digunakan, output-outputnyatelahdiketahui. • Perbedaanantara output-output aktualdengan output-output yang diinginkandigunakanuntukmengoreksibobot JST agar JST dapatmenghasilkanjawabansedekat (semirip) mungkindenganjawaban yang benar yang telahdiketahuioleh JST. • Contoh : Hebbian, Perceptron, Adaline, Back Propagation, LVQ (Learning Vector Quantization)

23. Pembelajarantakterawasi (unsupervised learning) / pembelajarantanpa guru • Padapembelajaranini, JST mengorganisasidirinyasendiriuntukmembentukvektor-vektor input yang serupa, tanpamenggunakan data ataucontoh-contohpelatihan. • Strukturmenggunakandasar data ataukorelasiantarapola-pola data yang dieksplorasi. • Contoh : Kohonen, ART

24. Gabunganpembelajaranterawasidantakterawasi (hybrid) • Merupakankombinasidarikeduapembelajarantersebut. • Sebagiandaribobot-bobotnyaditentukanmelaluipembelajaranterawasidansebagianlainnyamelaluipembelajarantakterawasi.

25. Aplikasi JST • Matematika : alatpemodelanmasalahdimanabentukeksplisitdarihubunganantaravariabel-variabeltertentutidakdiketahui • Pengenalanbendabergerak : selainpoladaricitradiam, JST jugabisadigunakanuntukmendeteksicitrabergerakdari video seperticitra orang yang bergerak, dll. • JST digunakansebagaidetektor virus komputer, penginderaanbau, dll • Aerospace : autopilot pesawatterbang, simulasijalurpenerbangan, sistemkendalipesawat, perbaikan autopilot, simulasikomponenpesawat

26. (Lanjutan..) • Militer : Pengendalisenjata, pendeteksibom, penelusuran target, pembedaanobjek, pengendali sensor, sonar, radar, danpengolahansinyalcitra yang meliputikompresi data, ekstraksibagianistimewa, danpenghilanganderau, pengenalansinyalataucitra. • Elektronik : Pembuatanperangkatkeras yang bisamengimplementasikan JST secaraefisien, machine vision, pengontrolgerakan • Otomotif : sistemkendaliotomatismobil

27. (Lanjutan..) • Broadcast : pencarianklipberitamelaluipengenalanwajah • Keamanan : JST digunakanuntukmengenalimobildanmengenaliwajahoknum • Medis : analisisselkanker • Pengenalansuara : pengenalanpercakapan, klasifikasisuara • Pengenalantulisan : pengenalantulisantangan, penerjemahantulisankedalamtulisanlatin • Keuangandanperbankan : pendeteksianuangpalsu, evaluator aplikasikredit, pengidentifikasianpola-pola data pasarsaham

28. SELAMAT BELAJAR