•JST Feed Forward
–Tidak mempunyailoop
–Contoh: single layer perceptron, mutilayerperceptron, radial basis function
•JST Feed Backward (Recurrent)
–Memiliki loop, lapisan output akan memberiinput lagi bagi lapisan input
–Contoh: competitive networks, kohonen, hopfield, ART
Paradigma pembelajaran
•Supervised Learning
–Kumpulan input berusaha membentuktarget output yang sudah diketahuisebelumnya
–Perbedaan antara output yang masih salah dengan output yang diharapkan harus sekecil mungkin
–Biasanya lebih baik daripada unsupervised
–Kelemahan: pertumbuhan waktu komputasi eksponensial, data bnyk berarti semakin lambat
•Unsupervised Learning
–JST mengorganisasikan dirinya untuk membentukvektor-vektor input yang serupa tanpa menggunakan data atau contoh-contohpelatihan, biasanyake dalam suatu kategori/kelompok2 tertentu
•Hibrida Learning
–Gabungan antara unsupervised dan supervised
Algoritma Pembelajaran Umum
•Dimasukkan n data pelatihan
•Inisialisasi bobot-bobot jaringan, set i = 1
•Masukkan contoh ke-i ke dalam input
•Cari tingkat aktivasi unit output menggunakan algoritma yang ditetapkan
–If memenuhi kriteriaoutput then exit
else:
•Update bobot2 menggunakanfungsi galaterror, Bobot baru = bobot lama + delta
•If i=n then reset i=1, else i=i+1
JST dan Aplikasi
•Klasifikasi: ADALINE, Backpropagation
•Pengenalan Pola: ART, Backpropagation
•Peramalan: ADALINE, MADALINE, Backpropagation
•Optimasi: ADALINE, Hopfield, Boltzman, Backpropagation
Fungsi Aktivasi
McCulloch Pitts
•Fungsi aktivasi biner
•Besar bobotnya sama
•Memiliki threshold yang sama
Contoh buat fungsi logika“and”, input X1 dan X2, dan Y =
1 jika dan hanya jika inputan 1
X1 X2 Y
1 1 1
1 0 0
0 1 0
0 0 0
Jawab
X1 X2 net
Y, 1 jika net >=2, 0 jika net < 2
1 1 1.1+1.1=2 1
1 0 1.1+0.1=1 0
0 1 0.1+1.1=1 0
0 0 0.1+0.1=0 0
TernyataBERHASIL mengenali pola
Problem "OR"
X1 X2 net
Y, 1 jika net >=1, 0 jika net < 1
1 1 1.1+1.1=2 1
1 0 1.1+0.1=1 1
0 1 0.1+1.1=1 1
0 0 0.1+0.1=0 0
TernyataBERHASIL mengenali pola
Problem “X1 and not(X2)”
X1 X2 net
Y, 1 jika net >=2, 0 jika net < 2
1 1 1.2+1.-1=1 0
1 0 1.2+0.-1=2 1
0 1 0.2+1.-1=-1 0
0 0 0.2+0.-1=0 0
TernyataBERHASIL mengenali pola
Problem "XOR"
X1 X2 Y
1 1 0
1 0 1
0 1 1
0 0 0
GAGAL!
Solusi
•XOR = (x1 ^ ~x2) V (~x1 ^ x2)
•Ternyata dibutuhkan sebuahlayer tersembunyi
Tabel
Jaringan HEBB
•Menggunakan iterasi untuk menghitung bobot dan bias
•Dalam setiap iterasi, bobot dan bias diubah berdasarkan rumus tertentu
•W = bobot
•Wbaru = Wlama + X1Y1
•Algoritma:
–Init, semua bobot wi = 0
–Untuk semua input:
•Set fungsi aktivasixi = si
•Set output y=t
•Perbaiki bobot: w(baru) = w(lama) + delta w, dengan delta w = xi*y
•Perbaikibias, b(baru) = b(lama) + y
To Be Continued
•Jaringan HEBB
•Jaringan Perceptron
•Jaringan Back Propagation
•Hybrid JST
Itulah Penjelasan Tentang Jaringan Syaraf Tiruan mudah-mudahan bermanfaat.
Terima Kasih dan Semangat Belajar :)
Tidak ada komentar:
Posting Komentar