Jaringan syaraf sederhana untuk klasifikasi pola

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

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

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

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

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

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

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

Peran NN
Pola Kelas
Arsitektur NN

Lebih rinci system NN
f(b+∑xiwi)x1
x2
b
w1
w2
1
salah satu
1 atau -1
x1 x2

Lebih Jauh tentang NN
Hal-hal yang perlu diketahui dalam NN
Arsitektur
Bias dan threshold
Fungsi aktifasi
Penyajian Data
Pemisahan secara linier

Arsitektur
Membuat arsitektur adalah :
• Menentukan algoritma penghitung perubahan bobot (w)
• Menentukan jumlah lapisan (layer)
• Menentukan penyajian data input dan output
• Menentukan fungsi aktifasi

Arsitektur [2]
Algoritma ?
1 layer
3 input
1 output
Fungsi aktifasi?
Algoritma ?
1 layer
n input
m output
Fungsi aktifasi?

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

Apa itu, Bias dan Threshold
Bias
Threshold

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

Fungsi Aktifasi
Manipulasi matematika
Sangat berguna dalam menghasilkan output yang
sesuai
Beberapa fungsi yang biasa digunakan
Linier
Biner
Bipolar
Sigmoid Biner
Sigmoid Bipolar
dll

Fungsi Aktifasi[2]
Linier
Biner
Bipolar

Fungsi Aktifasi[3]
Sigmoid Biner
Sigmoid Bipolar

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

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

Terpisah secara linier, apa itu?

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)

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

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

Jaringan syaraf sederhana untuk klasifikasi pola

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

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

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

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

Jaringan syaraf sederhana untuk klasifikasi pola

More Related Content

What's hot (20)

Similar to Jaringan syaraf sederhana untuk klasifikasi pola (9)

Recently uploaded (17)

Jaringan syaraf sederhana untuk klasifikasi pola