Kecerdasan Buatan : NEURAL NETWORK PEMBAHASAN - Pertemuan 14

 PERTEMUAN 14 NEURAL NETWORK PEMBAHASAN 

 Konsep Neural network 

 Komponen Jaringan Syaraf 

 Arsitektur JST Backpropagation 

 Single Perceptron Neural Network 

 Multi Layer Perceptron 

 Perancangan Neural network 

 Metode Pembelajaran 

 Implementasi Neural network 

NEURAL NETWORK 

 Neural network (jaringan syaraf tiruan)adalah sistem pengolahan informasi yang didasari filosofi struktur perilaku syaraf mahluk hidup. 

 Struktur jaringan syaraf untuk mempelajari bagaimana menghasilkan keluaran yang diinginkan pada saat diberikan sekumpulan masukan. 

 Hal ini dikenal dengan input-output mapping. 

 Menurut Haykin : Jaringan syaraf tiruan (JST) didefinisikan sebagai prosesor tersebar pararel yang sangat besar dan memiliki kecenderungan untuk menyimpan pengetahuan yang bersifat pengalaman dan membuatnya siap untuk digunakan. 

 Jaringan syaraf tiruan merupakan algoritma klasifikasi yang meniru prinsip kerja dari jaringan syaraf manusia. 

 Algoritma ini memetakan data masukan pada layer masukan menuju target pada layer keluaran melalui neuron-neuron pada layer tersembunyi. 

 Data masukan dirambatkan maju, dihubungkan oleh bobot-bobot masukan yang sebelumnya telah diinisialisasi secara acak menuju neuron pada layer tersembunyi. 

 Pada layer tersembunyi, data masukan yang telah dihubungkan dengan bobot tersebut kemudian diproses menggunakan fungsi aktivasi. 

 Selanjutnya data hasil olahan dari layer tersembunyi dihubungkan oleh bobot-bobot tersembunyi menuju neuron pada layer keluaran. 

 Hasil yang diperoleh kemudian dibandingkan dengan data target sehingga diperoleh tingkat kesalahan (error). 

 Apabila tingkat kesalahan yang diperoleh lebih kecil dari pada tingkat kesalahan yang sebelumnya telah ditetapkan (target error), maka proses perambatan akan berhenti. 

 Namun apabila tingkat kesalahan masih lebih besar dari pada tingkat kesalahan tetapan maka dilakukan proses perambatan balik dengan melakukan pembaharuan bobot. 

 Jenis-jenis jaringan syaraf tiruan antara lain: perceptron, backpropagation/propagasi balik, learning vector quantization, dsb. 

 Jaringan syaraf tiruan terdiri dari : 

1.Pengali 

2.Penambah 

3. Selisih

 Syaraf yang ditiru. Masukan dari saraf lain dikalikan dengan bobot dan kemudian diisi bersama. 

 Jumlah itu yang kemudian dibandingkan dengan sebuah tingkat theshold. 

 Jika jumlah di atas threshold, outputnya 1, jika sebaliknya output 0. 

 Input bagi neuron direpresentasikan oleh vektor x dan w sebagai bobot syaraf. 

 Fungsi aktivasi merupakan jumlah dari perkalian x dengan w. 

 Bila w antara dua neuron bernilai positif maka input neuron memberikan efek excitatory atau menguatkan. 

 Sebaliknya maka input neuron memberikan inhibitory atau meredam.

 

 Bila Single layer perceptron digunakan untuk fungsi sederhana, Multi Layer Perceptron digunakan untuk fungsi yang lebih rumit seperti XOR. 

 Jumlah lapisan pada Lapisan tersembunyi bisa sangat banyak. 

 Implementasi Jaringan Syaraf Tiruan : 

1. Arsitektur 

• Pola koneksi antara neuron disebut arsitektur jaringan syaraf tiruan. 

• Suatu jaringan syaraf tiruan biasanya terdiri dari lapisan input, 1 atau 2 lapisan tersembunyi dan output. 

• Dapat berupa Single layer perceptron atau Multi Layer Perceptron . 

• Berapa jumlah dan nilai input , weight, output. 

2. Metode Belajar 

• Setelah arsitektur telah selesai, jaringan syaraf tiruan perlu belajar (learning) atau dilatih(train). 

• Jaringan syaraf tiruan belajar dengan cara mengubah-ubah nilai weight sehingga output dari jaringan syaraf tiruan sesuai. 

KOMPONEN JARINGAN SYARAF 

 Jaringan syaraf riil terdiri dari : 

1. Sinapsis 

2. Dendrit 

3. Axon 

4. Cell Body (kumpulan cell) 

 Sebuah saraf terdiri dari sebuah badan sel, satu axon, dan beberapa dendrit. 

 Dendrit menerima masukan dari axon saraf lain yang memperlihatkan gairah atau kalangan sinopses.

 Saraf sesungguhnya mempunyai lebih banyak dendrit 

 ARSITEKTUR JST BACKPROPAGATION 

CONTOH NEURAL NETWORK 

 Jaringan syaraf yang mengenali saudara kandung dan kenalan. 

 Semuanya kecuali dua yang menunjukkan bobot ada kala 1.0. threshold adalah ditunjukkan di bagian dalam simpul tersebut. 

Single Perceptron Neural Network 

 Jaringan Syaraf Tiruan (JST) menyerupai otak manusia dalam dua hal yaitu : 

1. Pengetahuan yang diperoleh Jaringan Syaraf Tiruan melalui proses belajar (learning) 

2. Kekuatan hubungan antara neuron yang dikenal dengan sypnatic weights digunakan untuk menyimpan pengetahuan. 

Multi Layer Perceptron 

 JST Multi Layer Perceptron, terdiri dari lapisan input, lapisan tersembunyi (hidden) dan lapisan output. 

PERANCANGAN NEURAL NETWORK 

 Perancangan algoritma jaringan syaraf tiruan, umumnya dibagi menjadi dua proses utama yaitu pelatihan dan pengujian. 

 Sebelum kedua proses itu dilakukan, perlu dipersiapkan pembagian data untuk untuk data latih (training) dan data uji (testing)terlebih dahulu. 

 Persentase pembagian data latih dengan data uji yang umumnya digunakan yaitu 50:50, 60:40, 70:30, dan 80:20.  Proses pelatihan dilakukan menggunakan sekumpulan data latih yang memuat parameter ciri/ feature yang digunakan untuk membedakan antara objek satu dengan objek lainnya (pengenalan pola). 

 Luaran dari proses pelatihan adalah suatu jaringan yang terdiri dari arsitektur beserta bobot-bobot terbaik hasil pembaharuan. 

 Dengan jaringan tersebut, kemudian data latih dirambatkan maju sehingga diperoleh data keluaran yang kemudian dibandingkan dengan target latih sehingga diperoleh tingkat akurasi proses pelatihan. 

 Pada proses pengujian, dengan menggunakan jaringan syaraf tiruan hasil proses pelatihan, data uji dirambatkan maju sehingga diperoleh data keluaran yang kemudian dibandingkan dengan target uji dan diperoleh tingkat akurasi proses pengujian.

 Beberapa parameter yang perlu diperhatikan dalam menyusun/merancang arsitektur jaringan syaraf tiruan antara lain: 

1. Jenis jaringan syaraf tiruan yang akan digunakan 

2. Jumlah neuron pada layer masukan, layer tersembunyi, dan layer keluaran 

3. Jumlah layer tersembunyi (hidden layer) 

4. Fungsi aktivasi pada layer tersembunyi 

5. Inisialisasi bobot awal 

6. Inisialisasi nilai target kesalahan (error goal) 

7. Inisialisasi nilai epoch 

8. Inisialisasi nilai momentum 

METODE PEMBELAJARAN 

 Ada dua jenis metode pembelajaran : 

1. Supervised Learning 

2. Unsupervised Learning 

SUPERVISED LEARNING 

 Metode pembelajaran ini merupakan metode belajar dari contoh yang benar. 

 Dalam metode ini jaringan syaraf tiruan tidak belajar sendiri tetapi diajarkan melalui contoh-contoh tersebut. 

 Contoh algoritma : Backpropagation, Least-MeanSquared 

UNSUPERVISED LEARNING 

 Pada metode ini jaringan syaraf tiruan tidak diberikan contoh-contoh yang benar. 

 Tetapi mengandalkan analisa jaringan syaraf tiruan mengenali kesamaan dan perbedaan antara data-data input. 

 Contoh algoritma : k-means Clustering, Kohonen, 

ART. IMPLEMENTASI NEURAL NETWORK 

 Algoritma jaringan syaraf tiruan dapat diaplikasikan untuk menyelesaikan berbagai macam persoalan komputasi diantaranya untuk kasus klasifikasi, identifikasi, prediksi, deteksi anomali, dll. 

 Algoritma ini digunakan dengan tujuan mencari rumusan untuk memetakan nilai masukan menuju nilai keluaran di mana secara matematis ataupun secara fisik tidak ada persamaan yang menghubungkan kedua nilai tersebut. 

 Jaringan syaraf tiruan hanya akan bekerja dengan baik apabila nilai masukan dan nilai keluaran memiliki pola yang jelas dan teratur. 

IMPLEMENTASI NEURAL NETWORK 

 Sebagai contoh untuk kasus prediksi curah hujan. Secara fisis, tidak ada persamaan yang menghubungkan antara besarnya suhu, kelembaban, kecepatan angin, dan curah hujan pada hari ini dengan besarnya curah hujan pada esok hari. 

 Namun berdasarkan polanya, data-data tersebut memiliki pola yang jelas dan berulang (dilihat dari pola curah hujan dalam selang waktu yang relatif lama misalnya 10 atau 20 tahun terakhir). 

 Pada kasus tersebut, peran jaringan syaraf tiruan dapat diandalkan untuk melakukan prediksi curah hujan dalam beberapa jangka waktu ke depan. 

 Contoh Implementasi JST dalam aplikasi dunia nyata : 

1. Aproksimasi fungsi (function approximation), analisa regresi (regression analysis), prediksi berkala (time series prediction). 

2. Klasifikasi, pengenalan pola. Misalnya pengenalan pola tulisan tangan, pengenalan pola huruf abjad. 

3. Pemrosesan data seperti clustering, filtering. 

4. Game.

 Berikut ini merupakan contoh aplikasi jaringan syaraf tiruan dalam kehidupan sehari-hari bidang klasifikasi dan pengenalan Pola: 

1. Klasifikasi objek dalam citra digital berdasarkan pola bentuk 

2. Klasifikasi citra daun 

3. Pengenalan/identifikasi wajah 

4. Pengenalan/identifikasi jenis bunga 

5. Pengenalan pola logika AND 

6. Prediksi curah hujan untuk data time series 

7. Prediksi jumlah penduduk untuk data time series