Jaringan Syaraf Tiruan
|
|
- Glenna Hardja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Jaringan Syaraf Tiruan (Artificial Neural Network) Intelligent Systems
2 Pembahasan Jaringan McCulloch-Pitts Jaringan Hebb Perceptron
3 Jaringan McCulloch-Pitts
4 Model JST Pertama Diperkenalkan oleh McCulloch dan Pitts tahun 1943 Model McCullcoh dan Pitts merupakan jaringan syaraf pertama yang dibuat berdasarkan syaraf tiruan Menyimpulkan bahwa kombinasi beberapa neuron sederhana menjadi suatu sistem neuron dapat meningkatkan kemampuan komputasi Digunakan a untuk melakukan a fungsi logika sederhana a Banyak prinsipnya yang masih digunakan pada JST saat ini
5 Karakteristik McCulloch-Pitts Karakteristik model neuron McCulloch-Pitts : 1. Fungsi aktivasi neuron dalam biner Neuron meneruskan sinyal : aktivasi bernilai 1 Neuron tidak meneruskan sinyal : aktivasi bernilai 0 2. Setiap neuron pada jaringan dihubungkan dengan jalur terarah yang memiliki bobot tertentu Jika bobot jalur bernilai positif, jalur diperkuat Jika bobot b jalur bernilai i negatif, jalur diperlemah X1 X2 X3 w1 w2 w3 Y Fungsi aktivasi unit Y : If net >= θ, then f(net)=1, else f(net)= 0 Dimana : net adalah total sinyal input = x1w1+x2w2+x3w3 output y = f(net) θ adalah nilai i threshold h neuron Y
6 Karakteristik McCulloch-Pitts Karakteristik model neuron McCulloch-Pitts : 3. Seluruh jalur bernilai positif yang terhubung ke neuron tertentu, memiliki bobot sama Bobot koneksi yang berbeda dapat terhubung ke neuron lain 4. Setiap neuron memiliki nilai threshold tetap Jika net input ke neuron lebih besar dari threshold, neuron akan meneruskan sinyal (fire) Threshold di-set sedemikian sehingga setiap masukan yang memperlemah akan mencegah neuron meneruskan sinyal X1 X2 2 2 Y Ditentukan θ = 4, w1=2, w2=2 dan w3=-1 maka : net = 2.x1 + 2.x2 + (-1).x3 If net >= 4, then y=f(net)=1, else f(net)= 0 X3-1
7 Karakteristik tik McCulloch-Pitts Karakteristik model neuron McCulloch-Pitts : 5. Bobot setiap jalur tidak ditentukan dengan proses pelatihan Tetapi dilakukan secara analitis (dengan coba-coba) 6. Sinyal mengalir dari satu koneksi ke koneksi lain dalam satu satuan waktu 7. Pada awalnya, jaringan McCulloch-Pitts digunakan untuk memodelkan fungsi logika X1 X2 X3 Ditentukan θ = 4, w1=2, w2=2 dan w3=-1 maka : 2 net = 2.x1 + 2.x2 + (-1).x3 If net >= 4, then y=f(net)=1, else f(net)= 0 2 Y Jaringan dapat meneruskan sinyal (fire) jika masukan -1 x1 dan x2 bernilai 1 dan x3 bernilai nol
8 Fungsi AND X1 w1=1 θ=2 Agar jaringan dapat menyatakan fungsi AND, maka bobot jalur dibuat bernilai 1 Karena input X1 dan X2 terhubung ke Y neuron yang sama, bobot koneksi harus w2=1 X2 sama (keduanya bernilai 1) Penentuan bobot jalur dilakukan secara analitik (coba-coba) 2 X1 X2 net = x w i i 1 jika net 2 y = f ( net) = 0 jika net < 2 i= = = = =2 1
9 Fungsi OR X1 w1=2 θ=2 Agar jaringan dapat menyatakan fungsi AND, maka bobot jalur diganti menjadi bernilai 2 Y w2=2 Bobot koneksi tetap harus sama X2 (keduanya diganti menjadi bernilai 2) Perubahan bobot jalur dilakukan secara analitik 2 X1 X2 net = x w i i 1 jika net 2 y = f ( net) = 0 jika net < 2 i= = = = =4 1
10 Fungsi AND-NOT Y bernilai 1 jika X1=1 dan X2=0 X1 θ=2 Untuk memperolehnya, maka bobot w1 w1= 2 harus lebih besar dari w2 w2= -1 X2 Y Untuk mencegah agar f(1,1) tidak sama dengan 1, maka w2 harus negatif 2 X1 X2 net = x w i i 1 jika net 2 y = f ( net) = 0 jika net < 2 i= = = = = 1 0
11 Fungsi XOR Fungsi XOR tidak dapat dibuat dengan menghubungkan langsung input ke output Diperlukan sebuah layer tersembunyi (hidden layer) Ingat de Morgan : X1 XOR X2 = (X1 AND NOT X2) OR (NOT X1 AND X2) Dibentuk menggunakan 2 fungsi AND NOT dan 1 fungsi OR θ=2 X1-1 2 Z1 2 θ=2 X2-1 2 Z2 2 Y X1 XOR X2 = (X1 AND NOT X2) OR (NOT X1 AND X2) = Z1 OR Z2
12 Jaringan Hebb
13 Jaringan Hebb Jaringan layer tunggal dengan satu neuron keluaran Seluruh neuron masukan terhubung langsung dengan neuron keluaran, ditambah dengan sebuah bias Pada jaringan McCulloch-Pitts, penentuan bobot garis dan bias dilakukan secara analitik Sulit dilakukan pada masalah yang kompleks D.O Hebb (1949) memperkenalkan cara menghitung bobot dan bias secara iteratif Model jaringan Hebb adalah model pertama yang Model jaringan Hebb adalah model pertama yang dapat belajar
14 Konsep Dasar Hebb Apabila dua buah neuron yang dihubungkan dengan sinapsis memiliki bobot w sama (keduanya positif atau keduanya negatif), maka kekuatan sinapsisnya meningkat Sebaliknya, apabila kedua neuron aktif secara tidak sinkron (salah satu bobot w bernilai positif dan yang lain bernilai negatif), maka kekuatan sinapsisnya akan melemah x 1 w 1 bobot y w 2 neuron input x 2 sinapsis neuron output
15 Dasar Algoritma Hebb Prinsip model belajar Hebb : Proses belajar dilakukan secara iteratif Pada setiap iterasi pembelajaran, bobot sinapsis dan bobot bias diubah berdasarkan perkalian neuron-neuron di kedua sisinya (sisi input dan sisi output) x 1 x 2 1 w 1 w 2 y perubahan nilai bobot dilakukan dengan persamaan : w i (baru)= w i (lama)+x i y b b(baru) = b(lama) +y
16 Algoritma pelatihan Algoritma Pelatihan Hebb Inisialisasi semua bobot : b = w i = 0 (i=1,, n) Untuk semua vektor masukan s dan target t, lakukan Set aktivasi unit masukan : x i = s i (i=1,, n) Set aktivasi unit keluaran : y = t Perbaiki bobot menurut persamaan : w i i( (baru)=w i i( (lama)+delta w i (i=1,, n), dimana delta w i = x i y Perbaiki bias menurut persamaan : b(baru) = b(lama) + y
17 Kasus 1 : Fungsi Logika Kasus : Buat jaringan Hebb yang dapat menyatakan fungsi logika AND Representasi masukan/keluaran yang digunakan : a. Masukan dan keluaran biner (0 atau 1) b. Masukan biner dan keluaran bipolar c. Masukan dan keluaran bipolar (-1 atau 1) Contoh ini hendak memperlihatkan masalah yang seringkali timbul untuk fungsi aktivasi threshold Kadangkala jaringan dapat menentukan pola secara benar jika Kadangkala jaringan dapat menentukan pola secara benar jika menggunakan representasi bipolar saja
18 a. Representasi Biner-Biner Tabel Masukan dan Target fungsi AND Masukan Target s1 s2 bias t X1 w1 θ= X2 w2 Y b Arsitektur Jaringan Hebb fungsi AND Masukan biner Target keluaran biner
19 Proses Belajar : a. Representasi Biner-Biner Masukan Keluaran Perubahan Bobot Bobot Baru x1 x2 bias y dw1 dw2 db w1 w2 b Perhitungan bobot dan bias w i (baru)=w i (lama)+ dw i, dimana dw i =x i y(i=1 (i=1,, n) b(baru) = b(lama) + db, dimana db=y Hasil pembelajaran Bobot berubah akibat pasangan data pertama saja Dari hasil iterasi, diperoleh w1 =1, w2=1, dan b=1
20 a. Representasi Biner-Biner Hasil eksekusi : x1 x2 net = 2 i= 1 x i w i + b y = 1 jika net 0 f ( net) = 0 jika net < = = = =1 1 1 f(net) tidak sama dengan target yang diinginkan pada fungsi AND Jaringan TIDAK DAPAT MENGERTI pola yang dimaksud X1 X2 1 w1=1 θ=0 w2=1 Y b=1
21 b. Representasi Biner-Bipolar Tabel Masukan dan Target fungsi AND Input Target s1 s2 bias t X1 X2 1 w1 w2 b θ=0 Y Masukan biner Target keluaran bipolar Arsitektur Jaringan Hebb fungsi AND
22 Proses Belajar : b. Representasi Biner-BipolarBipolar Masukan Keluaran Perubahan Bobot Bobot Baru x1 x2 bias y dw1 dw2 db w1 w2 b Perhitungan bobot dan bias g w i (baru)=w i (lama)+ dw i, dimana dw i =x i y (i=1,, n) b(baru) = b(lama) + db, dimana db=y Hasil pembelajaran Dari hasil iterasi, diperoleh w1 =0, w2=0, dan b=-2
23 b. Representasi Biner-Bipolar Hasil eksekusi : x1 x2 net = 2 i= 1 x i w i + b y = 1 jika f ( net) = 1 jika net 0 net < (-2)= (-2)= (-2)= (2)= (-2)=-22-1 f(net) belum sama dengan target yang diinginkan pada fungsi AND Jaringan MASIH TIDAK DAPAT MENGERTI pola yang dimaksud X1 X2 1 w1=0 θ=0 w2=0 Y b=-2
24 c. Representasi Bipolar-Bipolar Tabel Masukan dan Target fungsi AND Masukan Target s1 s2 bias t X1 w1 θ= X2 w2 Y Masukan bipolar Target keluaran bipolar 1 b Arsitektur Jaringan Hebb fungsi AND
25 Proses Belajar : c. Representasi Bipolar-Bipolar Masukan Target Perubahan Bobot Bobot Baru x1 x2 bias y dw1 dw2 db w1 w2 b Perhitungan bobot dan bias g w i (baru)=w i (lama)+ dw i, dimana dw i =x i y (i=1,, n) b(baru) = b(lama) + db, dimana db=y Hasil pembelajaran Dari hasil iterasi, diperoleh w1 =2, w2=2, dan b=-2
26 c. Representasi Bipolar-Bipolar Hasil eksekusi : x1 x2 net = 2 i= 1 x i w i + b y = 1 jika f ( net) = 1 jika net 0 net < (-2)=2 2) (-1).2+(-2)= (-1) (-2)= (-1).2+(-1).2+(-2)=-6 2)= -1 f(net) sama dengan target yang diinginkan pada fungsi AND Jaringan SUDAH DAPAT MENGERTI pola yang dimaksud X1 X2 w1=2 w2=2 θ=0 Y 1 b=-2
27 Kasus 2 : Pengenalan Pola Diberikan 2 pola menyerupai huruf X dan O #... #. # # #.. #. #. #... #.. #.. #... #. #. #. #... # #... #. # # #. POLA 1 POLA 2
28 Representasi Kasus Setiap karakter pola dianggap sebagai sebuah unit masukan Karakter # diberi nilai 1, karakter. diberi nilai -1 1 #... # #. # # #. # #... # Pola terdiri dari 5 baris dan 5 kolom Jaringan Hebb terdiri dari 25 unit masukan (x1 s/d x25) dan sebuah bias bernilai = 1 Target Keluaran jaringan bernilai 1 jika diberi masukan pola 1 (X) dan bernilai -1 jika diberi i masukan pola 2 (0)
29 Representasi Masukan dan Target x1 x2 x3 x4 x5 t x6 x7 x8 x9 X10 x11 X12 x13 x14 X15 x1 x16 X17 x18 x19 X20 w1 x21 x22 x23 x24 x25 x w2 θ= y x25 w b Arsitektur Jaringan Hebb
30 Pembelajaran Jaringan Masukan Target Perubahan Bobot Bobot Baru x1 s/d x25 bias y dw1 s/d dw25 db W1 s/d w25 b w i (baru)=w i (lama)+ dw i,dimanadw i =x i y(i=1,, n) w i (baru) w i (lama)+ dw i, dimana dw i x i y (i 1,, n) b(baru) = b(lama) + db, dimana db=y
31 Hasil eksekusi 2 i=1 X1 s/d x25 = x w + b net 1 jika net 0 i i y = f ( net ) = 1 jika net < (-1).(-2) = 42 1 (-1).2+1.(-2)+ +(-1).2 = Keluaran jaringan sama dengan target yang diinginkan Jaringan DAPAT MENGENALI POLA
32 Perceptron
33 Jaringan Perceptron Menyerupai arsitektur jaringan Hebb Diperkenalkan oleh Rosenblatt (1962) dan Minsky- Papert (1969) Model dengan aplikasi dan pelatihan yang terbaik Model dengan aplikasi dan pelatihan yang terbaik pada masa tersebut
34 Arsitektur Jaringan Perceptron Jaringan satu layer Beberapa neuron masukan dihubungkan langsung x 1 w 1 dengan sebuah neuron x 2 w 2 keluaran x Ditambah satu buah bias 3 w 3 Fungsi aktivasi memiliki nilai -1, 0 dan 1 f ( net) 1, net > θ = 0, θ net θ 1, net < θ x n 1 w n b y
35 Algoritma pelatihan Pelatihan Perceptron Inisialisasi semua bobot, bias dan learning rate w i = 0 (i=1,, n), b=0, learning rate = nilai antara 0 s/d 1 Selama ada elemen masukan s yang keluarannya tidak sama dengan target t, lakukan Set aktivasi unit masukan : x i = s i (i=1,, n) Hitung respon unit keluaran : net dan y = f(net) Bila y t, perbaiki bobot dan bias menurut persamaan : w i i( (baru)=w i i( (lama)+ Δw (i=1,, n), dimana Δw = α.t.x i b(baru) = b(lama) + α.t
36 Pelatihan Perceptron Iterasi dilakukan terus menerus hingga seluruh keluaran sama dengan target yang ditentukan Jaringan sudah memahami pola Pada Hebb, iterasi berhenti setelah semua pola dimasukkan Perubahan bobot hanya dilakukan bila keluaran jaringan tidak sama dengan target Yaitu bila y = f(net) t Modifikasi bobot menggunakan laju pemahaman (learning rate, α) yang nilainya dapat diatur Modifikasi bobot tidak hanya ditentukan oleh perkalian antara target dan masukan saja Umumnya, 0 < α < 1 Satu siklus pelatihan yang melibatkan semua pola disebut epoch Pada Hebb, pelatihan hanya dilakukan dalam satu epoch saja
37 Keunggulan Perceptron Seluruh pola masukan dibandingkan dengan target yang diinginkan Bobot akan dimodifikasi hanya jika terdapat perbedaan antara keluaran dengan target yang diinginkan Bobot tidak selalu dimodifikasi pada setiap iterasi Kecepatan iterasi ditentukan oleh laju pemahaman (learning rate) Semakin besar α, semakin sedikit iterasi yang diperlukan Tetapi bila α terlalu besar dapat merusak pola yang sudah benar dan mengakibatkan pemahaman menjadi lama Pelatihan dilakukan secara terus menerus hingga jaringan dapat mengerti pola yang ditentukan Teorema konvergensi perceptron menyatakan bahwa apabila ada bobot yang tepat, maka proses pelatihan akan konvergen ke bobot yang tepat tersebut
38 Kasus : Contoh Kasus 1 : Fungsi Logika Buat perceptron yang dapat menyatakan fungsi logika AND Gunakan representasi masukan/keluaran : A. Masukan dan keluaran bipolar (-1 atau 1) B. Masukan biner (0 atau 1) dan keluaran bipolar (-1 atau 1) Inisialisasi : Bobot dan bias awal w i = 0, b = 0 Learning rate α = 1 (penyederhanaan) Threshold θ = 0
39 A. Representasi Bipolar Tabel masukan - target fungsi logika AND : Arsitektur jaringan Perceptron : Masukan Target x 1 x 2 bias t x 1 x 2 w 1 w 2 y b Masukan bipolar dan target bipolar y Fungsi aktivasi untuk θ = 0 : 1, net > 0 = f ( net) = 0, net = 0 1, net < 0
40 Epoch Pertama (Bipolar) Masukan Target Keluaran Perubahan Bobot Bobot Baru x 1 x 2 bias t net f(net) Δw 1 Δw 2 Δb w 1 w 2 b Epoch pertama terdiri dari empat iterasi net = xiwi + b Pada iterasi pertama-ketiga, keluaran y = f(net) i= 1 1, net > 0 tidak sama dengan target bobot diubah. y = f ( net) = 0, net = 0 Pada iterasi keempat, nilai f(net) sama dengan target (f(net) = -1) bobot tidak diubah. 1, net < 0 Pada epoch pertama, belum seluruh f(net) w i (baru)=w i (lama)+ α.t.xt x i sama dengan target t iterasi i dilanjutkan pada epoch kedua b(baru) = b(lama) + α.t
41 Epoch Kedua (Bipolar) Masukan Target Keluaran Perubahan Bobot Bobot Baru x 1 x 2 bias t net f(net) Δw 1 Δw 2 Δb w 1 w 2 b net y = = 2 i= 1 x i w i + b 1, net > 0 f ( net) = 0, net = 0 1, net < 0 Bobot awal diperoleh dari epoch pertama Pada setiap iterasi dalam epoch kedua, semua pola f(net) sama dengan target t tidak dilakukan perubahan bobot lagi w t x Jaringan sudah mengenal pola, iterasi i (baru)=w i (lama)+ α.t.x i dihentikan b(baru) = b(lama) + α.t
42 Arsitektur Perceptron Diperoleh Arsitektur jaringan Perceptron : Tabel masukan - keluaran fungsi logika AND : Masukan Keluaran x 1 w 1 =1 x 2 w 2 =1 y x 1 x 2 bias y b= Masukan bipolar dan target bipolar Fungsi aktivasi untuk θ = 0 : y 1, net > = f ( net) = 0, net = 1, net < 0 0 0
43 B. Representasi Biner-Bipolar Tabel masukan - target fungsi logika AND : Arsitektur jaringan Perceptron : Masukan Target x 1 x 2 bias t x 1 x 2 w 1 w 2 y b Masukan biner dan target bipolar Fungsi aktivasi untuk θ = 0,2 : 1, net > 0,2 Parameter yang digunakan : α = 1 y = f ( net) = 0, 0,2 net 0,2 θ = 0,2 1, net < 0,2
44 Epoch Pertama (Biner-Bipolar) Masukan Target Keluaran Perubahan Bobot Bobot Baru x 1 x 2 bias t net f(net) Δw 1 Δw 2 Δb w 1 w 2 b net = 2 i= 1 x i w i + b 1, net > 0,2 y = f ( net) = 0, 0,2 net 0,2 1, net < 0,2 w i (baru)=w i (lama)+ α.t.xt x i b(baru) = b(lama) + α.t Hanya pola masukan terakhir saja dimana f(net) = target Iterasi harus dilanjutkan ke epoch berikutnya
45 Epoch Kedua (Biner-Bipolar) Masukan Target Keluaran Perubahan Bobot Bobot Baru x 1 x 2 bias t net f(net) Δw 1 Δw 2 Δb w 1 w 2 b net = 2 i= 1 x i w i + b 1, net > 0,2 y = f ( net) = 0, 0,2 net 0,2 1, net < 0,2 w i (baru)=w i (lama)+ α.tt x i b(baru) = b(lama) + α t Bobot awal diperoleh dari epoch pertama Pada epoch kedua ini, hanya pola masukan terakhir saja dimana f(net) = target Iterasi masih harus dilanjutkan ke epoch berikutnya (ketiga)
46 Epoch Ke-10 (Akhir) Masukan Target Keluaran Perubahan Bobot Bobot Baru x 1 x 2 bias t net f(net) Δw 1 Δw 2 Δb w 1 w 2 b net = 2 i= 1 x i w i + b 1, net > 0,2 y = f ( net) = 0, 0,2 net 0,2 1, net < 0,2 w i (baru)=w i (lama)+ α.t.xt x i b(baru) = b(lama) + α.t Bobot awal diperoleh dari epoch sebelumnya Pada setiap iterasi dalam epoch ke-10 10, semua pola f(net) sudah sama dengan target t Jaringan sudah mengenal pola, iterasi dihentikan
47 Arsitektur Perceptron Diperoleh Tabel masukan dan keluaran fungsi logika AND : Arsitektur jaringan Perceptron : Masukan Keluaran x 1 x 2 bias y x 1 w 1 =2 x 2 w 2 =3 b=-4 1 y Masukan a biner dan target bipolar Fungsi aktivasi untuk θ = 0,2 : y = 1, net > 0,2 f ( net) = 0, 0,2 net 0,2 1, net < 0,2
48 Pengenalan Pola Karakter Konsep pengenalan pola karakter menggunakan perceptron : Masukan berbentuk pola yang menyerupai huruf alfabet Perceptron hendak dilatih untuk mengenal pola tersebut Algoritma pengenalan karakter : Nyatakan setiap pola masukan sebagai vektor bipolar yang elemennya adalah tiap titik dalam pola tersebut. Berikan nilai target = 1 jika pola masukan menyerupai huruf yang diinginkan. Jika tidak, beri nilai target = -1. Tentukan inisialisasi bobot, bias, learning rate dan threshold Lakukan proses pelatihan perceptron
49 Contoh Kasus 2 : Pola Karakter Pengenalan sebuah pola karakter Diketahui 6 buah pola masukan seperti pada slide berikut Buat model perceptron untuk mengenali pola menyerupai huruf A
50 .. # #... # # # # # #... # # # #.... #.... #.... #. #.... #... #.... #.... # # #. #... #.... # # #. #... # # # # #. # # # # # #.. #.... # # #... #.. #.... # # #... #.. #.... #. #.... # # # #. # # # # # # # # #... # # # #. Pola 1 Pola 2 Pola 3... #... # # # # # #... # # #..... #... #..... #. #... #.... #... #..... # #..... #.. #. #.. #..... # # #. #.. # # # # # #. # #... #. #..... # # # # # # #. #..... # #..... #. #... #. #..... #. #... #.. #... #. # # # # # #... # # #.. Pola 4 Pola 5 Pola 6
51 Representasi Kasus Setiap karakter pola dianggap sebagai sebuah unit masukan Karakter # diberi nilai 1, karakter. diberi nilai -1 Pembacaan pola dilakukan dari kiri ke kanan, dimulai dari baris paling atas 1.. # # # # #. # #. # # # # # # #... # #... # # # #. # # # Setiap pola terdiri dari 9 baris dan 7 kolom Perceptron terdiri dari 63 unit masukan (x1 s/d x63) dan sebuah bias bernilai = 1
52 Representasi Kasus Target Keluaran jaringan bernilai 1 jika diberi masukan menyerupai huruf A dan bernilai -1 jika tidak menyerupai huruf A Pola yang menyerupai huruf A adalah pola 1 dan 4. Pola Masukan Target Pola 1 1 Pola 2-1 Pola 3-1 Pola 4 1 Pola 5-1 Pola 6-1
53 x 1 x 2 w 1 w 2 x 63 w 63 1 b Perceptron memiliki 63 unit masukan, Sebuah bias dan sebuah unit keluaran Arsitektur Perceptron y θ Asumsi parameter : Bobot awal = 0 Learning rate α = 1 Threshold θ = 0,5 Pelatihan dilakukan dengan memasukkan seluruh pola huruf Hitung 63 i=1 net = x w + b i i 1, net > 0,5 y = f ( net) = 0, 0,5 net 0,5 1, net < 0,5 Bila f(net) target, bobot dan bias diubah Proses pelatihan terus dilakukan hingga semua keluaran euaa sama adengan target. age
54 Pengenalan Beberapa Karakter Pengenalan beberapa pola sekaligus dilakukan dengan menggabungkan beberapa perceptron Terdapat beberapa unit keluaran Setiap unit masukan dan bias dihubungkan dengan setiap target x 1 w 11 w m1 w 12 x 2 w m2 w 1n x n b Bobot koneksi dari unit x i ke y 1 j diberi label w ji 1 Bobot bias diberi label b 1, b 2, b m b m w mn y 1 y m
55 Algoritma Pelatihan Algoritma pelatihan perceptron untuk pengenalan beberapa pola : Nyatakan tiap pola masukan sebagai vektor bipolar yang elemennya adalah tiap titik dalam pola tersebut Berikan nilai target t j = 1 jika pola masukan menyerupai huruf yang diinginkan, dan berikan nilai t j =-1 jika sebaliknya (j=1, 2, m) Inisialisasi semua bobot, bias dan learning rate Lakukan proses pelatihan perceptron seperti dibahas sebelumnya Untuk setiap unit keluaran, hitung respon unit keluaran net dan y j =f(net j ) Perbaiki bobot pola bila respon keluaran tidak sama dengan target (y j t j) menurut persamaan w ji (baru)=w ji (lama)+ α.t j.x i b j (baru) = b j (lama) + α.t j Lakukan proses pelatihan hingga y j = t j (j=1, 2, m)
56 Kasus 3 : Pengenalan Pola A B C Bila diketahui 6 buah pola masukan seperti pada kasus 2, buat model perceptron untuk mengenali pola menyerupai huruf A, B atau C.
57 .. # #... # # # # # #... # # # #.... #.... #.... #. #.... #... #.... #.... # # #. #... #.... # # #. #... # # # # #. # # # # # #.. #.... # # #... #.. #.... # # #... #.. #.... #. #.... # # # #. # # # # # # # # #... # # # #. Pola 1 Pola 2 Pola 3... #... # # # # # #... # # #..... #... #..... #. #... #.... #... #..... # #..... #.. #. #.. #..... # # #. #.. # # # # # #. # #... #. #..... # # # # # # #. #..... # #..... #. #... #. #..... #. #... #.. #... #. # # # # # #... # # #.. Pola 4 Pola 5 Pola 6
58 Arsitektur Perceptron Arsitektur jaringan perceptron pengenalan pola menyerupai huruf A, B dan C dengan Tabel pasangan masukan - target 6 pola masukan Target Pola x 1 w Masukan 11 t 1 t 2 t 3 w 21 w y 1 12 Pola x 2 Pola w 22 w 13 Pola w 22 w 32 y 2 Pola x 63 b 1 Pola b 2 b 3 y 3 Pola
59 Tabel Pelatihan Masukan Target Keluaran Perubahan Bobot Bobot Baru x 1 - bias t 1 -t 3 net 1 - f(net 1 )- Δw 11 - Δw , Δb 1 - w 11 -w , b 1 - x 63 net 3 f(net 3 ) Δw 21 - Δw 2.63, Δb 3 w 21 -w 2.63, b 3 Δw 31 - Δw 3.63 w 31 -w Terdiri dari : 63 unit masukan dan sebuah bias b (x 1, x 2, x 63 dan b) 3 kolom target (t 1, t 2 dan t 3 ) 3 kolom net (net 1, net 2 dan net 3 ) 3 kolom fungsi aktivasi (y1=f(net 1 ), y2=f(net 2 ), y3=f(net 3 )) 3*63 kolom perubahan bobot Δw 11, Δw 12,, Δw 1.63, Δw 21, Δw 22, Δw 2.63, Δw 31, Δw 32, Δw *63 kolom bobot w 11,w 12,,w 1.63, w 21, w 22, w 2.63, w 31, w 32, w 3.63
60 Ringkasan Perceptron merupakan jaringan satu layer yang menyerupai arsitektur jaringan Hebb. Perbedaan perceptron dengan jaringan Hebb : Fungsi aktivasi memiliki nilai -1, 0 dan 1 Iterasi dilakukan terus menerus hingga seluruh keluaran sama dengan target yang ditentukan Perubahan bobot hanya dilakukan bila keluaran jaringan tidak sama dengan target Terdapat parameter laju pemahaman yang menentukan kecepatan iterasi Perceptron memiliki keunggulan dibandingkan dengan jaringan Hebb karena adanya beberapa hal : Pelatihan dilakukan terus hingga jaringan dapat mengerti pola yang ditentukan. Bobot tidak selalu dimodifikasi pada setiap iterasi. Jika terdapat perbedaan, baru bobot tersebut dimodifikasi Modifikasi i bobot b menggunakan laju pemahaman yang dapat diatur, tidak hanya ditentukan oleh perkalian antara target dan masukan saja
METODE BELAJAR HEBBIAN SUPERVISED & CONTOH
METODE BELAJAR HEBBIAN SUPERVISED & CONTOH 1. Jaringan Hebbian Kelemahan model McCulloch-Pitts : penentuan bobot garis dan bias secara analitik. Untuk masalah yang kompleks, hal ini akan sangat sulit dilakukan.
Lebih terperinciBAB IV B METODE BELAJAR HEBBIAN SUPERVISED & CONTOH
BAB IV B METODE BELAJAR HEBBIAN SUPERVISED & CONTOH 4B. Jaringan Hebbian Kelemahan model McCulloch-Pitts : penentuan bobot garis dan bias secara analitik. Untuk masalah yang kompleks, hal ini akan sangat
Lebih terperinciterinspirasi dari sistem biologi saraf makhluk hidup seperti pemrosesan informasi
25 BAB III JARINGAN SARAF TIRUAN (JST) 3.1 Pengertian JST JST merupakan sebuah model atau pola dalam pemrosesan informasi. Model ini terinspirasi dari sistem biologi saraf makhluk hidup seperti pemrosesan
Lebih terperinciPEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER
PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER Fakultas Teknologi Informasi Universitas Merdeka Malang Abstract: Various methods on artificial neural network has been applied to identify
Lebih terperinciBAB 2 JARINGAN NEURAL SATU LAPIS
BAB 2 JARINGAN NEURAL SATU LAPIS Jaringan neural dapat dilatih untuk melakukan klasifikasi pola. Dalam klasifikasi pola setiap vektor masukan diklasifikasi menjadi anggota atau tidak dari suatu kelas tertentu
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciAnalisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia
Jurnal Ilmiah Teknologi dan Informasi ASIA (JITIKA) Vol.11, No.1, Februari 2017 ISSN: 0852-730X Analisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia Muhammad Ulinnuha
Lebih terperinciIMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI
IMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI Andi Harmin Program Studi : Teknik Komputer STMIK Profesional Makassar andiharmin1976@gmail.com
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Perceptron 2. ADALINE 3. MADALINE 2 Perceptron Perceptron lebih powerful dari Hebb Pembelajaran perceptron mampu menemukan konvergensi terhadap bobot yang
Lebih terperinciJARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORKS)
JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORKS) (Artificial Neural Networks) BAB I PENDAHULUAN 1.1 Sejarah JST JST : merupakan cabang dari Kecerdasan Buatan (Artificial Intelligence ) JST : meniru
Lebih terperinci1.1. Jaringan Syaraf Tiruan
BAB I PENDAHULUAN 1.1. Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi yang digambarkan sebagai berikut
Lebih terperinciBAB VIII JARINGAN SYARAF TIRUAN
BAB VIII JARINGAN SYARAF TIRUAN A. OTAK MANUSIA Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiaptiap sel bekerja seperti suatu prosesor sederhana. Masing-masing
Lebih terperinciPenerapan E-Learning Berbasis Moodle Menggunakan Metode Problem Based Learning di SMK Negeri 1 Pasuruan Teguh Arifianto
Penerapan E-Learning Berbasis Moodle Menggunakan Metode Problem Based Learning di SMK Negeri 1 Pasuruan Teguh Arifianto Sistem Pendukung Keputusan Penentuan Sales Penerima Insentif Menggunakan Metode Simple
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih terperinciMENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB
POLITEKNOSAINS VOL. X NO. 2 Juni 2011 MENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB Yaya Finayani Teknik Elektro, Politeknik Pratama Mulia, Surakarta 57149, Indonesia ABSTRACT
Lebih terperinciRANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON
RANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON Liza Afriyanti Laboratorium Komputasi dan Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas Islam
Lebih terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN METODE PERCEPTRON PADA PENGENALAN POLA NOTASI
APLIKASI JARINGAN SARAF TIRUAN METODE PERCEPTRON PADA PENGENALAN POLA NOTASI Muhamad Arifin SMK Telkom Malang Email: arifin@smktelkom-mlg.sch.id Khoirudin Asfani Fakultas Teknik, Universitas Negeri Malang
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciJARINGAN SYARAF TIRUAN DAN PEMROGRAMANNYA DENGAN MATLAB J.J. Siang 2 Jaringan Syaraf Tiruan dan Pemrogramannya Dengan Matlab Untuk Kevin, yang senyumnya membangkitkan semangat dan harapan Being wise is
Lebih terperinciAnalisis Jaringan Saraf Tiruan Pengenalan Pola Huruf Hiragana dengan Model Jaringan Perceptron
Jurnal Ilmiah Teknologi dan Informasi ASIA (JITIKA) Vol.11, No.1, Februari 017 ISSN: 085-70X Analisis Jaringan Saraf Tiruan Pengenalan Pola Huruf Hiragana dengan Model Jaringan Perceptron Irfan Ramadhani
Lebih terperinciJaringan Syaraf Tiruan
07/06/06 Rumusan: Jaringan Syaraf Tiruan Shinta P. Sari Manusia = tangan + kaki + mulut + mata + hidung + Kepala + telinga Otak Manusia Bertugas untuk memproses informasi Seperti prosesor sederhana Masing-masing
Lebih terperinciARTIFICIAL NEURAL NETWORK TEKNIK PERAMALAN - A
ARTIFICIAL NEURAL NETWORK CAHYA YUNITA 5213100001 ALVISHA FARRASITA 5213100057 NOVIANTIANDINI 5213100075 TEKNIK PERAMALAN - A MATERI Neural Network Neural Network atau dalam bahasa Indonesia disebut Jaringan
Lebih terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciBAB II MODEL NEURON DAN ARSITEKTUR JARINGAN
BAB II MODEL NEURON DAN ARSITEKTUR JARINGAN Neuron adalah unit pemroses informasi yang menjadi dasar dalam pengoperasian JST. Neuron terdiri dari 3 elemen: Himpunan unit2 yang dihubungkan dengan jalus
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Barcode Salah satu obyek pengenalan pola yang bisa dipelajari dan akhirnya dapat dikenali yaitu PIN barcode. PIN barcode yang merupakan kode batang yang berfungsi sebagai personal
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Jaringan Saraf Tiruan (JST) Jaringan saraf tiruan pertama kali secara sederhana diperkenalkan oleh McCulloch dan Pitts pada tahun 1943. McCulloch dan Pitts menyimpulkan bahwa
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN 1.1 Latar belakang Hujan merupakan salah satu unsur iklim yang berpengaruh pada suatu daerah aliran sungai (DAS). Pengaruh langsung yang dapat diketahui yaitu potensi sumber daya air. Besar
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 21 Anatomi Ayam Pengetahuan tentang anatomi ayam sangat diperlukan dan penting dalam pencegahan dan penanganan penyakit Hal ini karena pengetahuan tersebut dipakai sebagai dasar
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciJARINGAN SYARAF TIRUAN
JARINGAN SYARAF TIRUAN 8 Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah
Lebih terperincilalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,
LAMPIRAN 15 Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target
Lebih terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
Lebih terperinciMODEL N EURON NEURON DAN
1 MODEL NEURON DAN ARSITEKTUR JARINGAN 1 1 Model Neuron Mengadopsi esensi dasar dari system syaraf biologi, syaraf tiruan digambarkan sebagai berikut : Menerima input atau masukan (baikdari data yang dimasukkan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 2.1 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut
Lebih terperinciLEARNING ARTIFICIAL INTELLIGENT
LEARNING ARTIFICIAL INTELLIGENT OUTLINE Decision tree learning Jaringan Syaraf Tiruan K-Nearest Neighborhood Naïve Bayes JARINGAN SYARAF TIRUAN (JST) Intro Definisi ANN Model Matematis Neuron Fungsi Aktivasi
Lebih terperinciSebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran
Sebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran Kecerdasan Buatan Pertemuan 11 Jaringan Syaraf Tiruan (Artificial Neural Network)
Lebih terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
Lebih terperinciPENGGUNAAN METODE JARINGAN NEURAL PERCEPTRON UNTUK MENGENAL POLA KARAKTER KAPITAL
J. Pilar Sains 6 (2) Juli 2007 Jurusan Pendidikan MIPA FKIP Universitas Riau ISSN 1412-5595 PENGGUNAAN METODE JARINGAN NEURAL PERCEPTRON UNTUK MENGENAL POLA KARAKTER KAPITAL Zaiful Bahri 1 Dosen Program
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciOPTICAL CHARACTER RECOGNIZATION (OCR)
LAPORAN JARINGAN SYARAF TIRUAN OPTICAL CHARACTER RECOGNIZATION (OCR) DISUSUN OLEH: DIJAS SCHWARTZ. S (524) FIRNAS NADIRMAN (481) INDAH HERAWATI (520) NORA SISKA PUTRI (511) OKTI RAHMAWATI (522) EKSTENSI
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciPENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK
PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK Naskah Publikasi disusun oleh Zul Chaedir 05.11.0999 Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION Zulkarnain Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
Lebih terperinciPENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK
PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN Decy Nataliana [1], Sabat Anwari [2], Arief Hermawan [3] Jurusan Teknik Elektro Fakultas Teknologi Industri Institut
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kebutuhan akan piranti pengenal/pendeteksi yang handal sangat dibutuhkan. Pengembangan teknologi pengenalan yang berupa kecerdasan buatan (Artificial Intelligence)
Lebih terperinciANALISIS JARINGAN SARAF TIRUAN BACKPROPAGATION TERHADAP PERAMALAN NILAI TUKAR MATA UANG RUPIAH DAN DOLAR
Jurnal Barekeng Vol. 8 No. Hal. 7 3 (04) ANALISIS JARINGAN SARAF TIRUAN BACKPROPAGATION TERHADAP PERAMALAN NILAI TUKAR MATA UANG RUPIAH DAN DOLAR Analysis of Backpropagation Artificial Neural Network to
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 JARINGAN SARAF SECARA BIOLOGIS Jaringan saraf adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
79 BAB 2 TINJAUAN PUSTAKA 2.1. Pengenalan Pola Pengenalan pola mengelompokkan data numerik dan simbolik (termasuk citra) secara otomatis oleh komputer. Tujuan pengelompokan ini adalah untuk mengenali suatu
Lebih terperinciPERANCANGAN ALGORITMA KRIPTOGRAFI KUNCI SIMETRI DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN
PERANCANGAN ALGORITMA KRIPTOGRAFI KUNCI SIMETRI DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN Ibrahim Arief NIM : 13503038 Program Studi Teknik Informatika, Institut Teknologi Bandung Jl. Ganesha 10, Bandung
Lebih terperinciGambar 2.1 Neuron biologi manusia (Medsker & Liebowitz, 1994)
BAB 2 LANDASAN TEORI 2.1. Jaringan Saraf Biologi Manusia Otak manusia memiliki struktur yang sangat kompleks, serta memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No. 1, Juni 2015 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan untuk Memprediksi Prestasi
Lebih terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinciJaringan syaraf dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
Lebih terperinciJaringan Syaraf Tiruan
Jaringan Syaraf Tiruan Pendahuluan Otak Manusia Sejarah Komponen Jaringan Syaraf Arisitektur Jaringan Fungsi Aktivasi Proses Pembelajaran Pembelajaran Terawasi Jaringan Kohonen Referensi Sri Kusumadewi
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Ginjal Ginjal adalah organ tubuh yang berfungsi untuk mengeluarkan urine, yang merupakan sisa hasil metabolisme tubuh dalam bentuk cairan. Ginjal terletak pada dinding bagian luar
Lebih terperinciBAB II NEURAL NETWORK (NN)
BAB II NEURAL NETWORK (NN) 2.1 Neural Network (NN) Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini merupakan
Lebih terperinciz_in ( ) dan mengaplikasikan fungsi aktivasi untuk menghitung sinyal output ( ) Propagasi balik:
LAMPIRAN 4 Lampiran Algoritma aringan syaraf tiruan propagasi balik Langkah 0 Inisialisasi bobot Langkah Selama kondisi berhenti bernilai salah, lakukan langkah -9. Langkah Untuk setiap pasangan, lakukan
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK PENGENALAN POLA PEMBUKAAN PERMAINAN CATUR
APLIKASI JARINGAN SYARAF TIRUAN UNTUK PENGENALAN POLA PEMBUKAAN PERMAINAN CATUR Zulfian Azmi Program Studi Sistem Komputer, STMIK Triguna Dharma zulfian.azmi@gmail.com ABSTRAK: Penelitian ini dilakukan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Teori-teori Dasar / Umum 2.1.1 Genetic Algorithm Genetic algorithm adalah suatu algoritma yang biasanya digunakan untuk mencari solusi-solusi yang optimal untuk berbagai masalah
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Jaringan Syaraf Tiruan (artificial neural network), atau disingkat JST menurut Hermawan (2006, hlm.37) adalah sistem komputasi dimana arsitektur dan operasi
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Multiple Attribute Decision Making (MADM) Multiple Attribute Decision Making (MADM) adalah studi tentang identifikasi dan pemilihan alternatif berdasarkan nilai-nilai dan preferensi
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1. Analisis Analisis adalah kemampuan pemecahan masalah subjek kedalam elemen-elemen konstituen, mencari hubungan-hubungan internal dan diantara elemen-elemen, serta mengatur
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Karyawan atau tenaga kerja adalah bagian
Lebih terperinciANALISIS VARIASI PARAMETER LEARNING VECTOR QUANTIZATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA ODOR
Jurnal Teknik dan Ilmu Komputer ANALISIS VARIASI PARAMETER LEARNING VECTOR QUANTIZATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA ODOR PARAMETER VARIATION ANALYSIS OF LEARNING VECTOR QUANTIZATION
Lebih terperinciANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)
ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang) 1 Musli Yanto, 2 Sarjon Defit, 3 Gunadi Widi Nurcahyo
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
32 BAB III ANALISIS DAN PERANCANGAN Pada bab ini akan dibahas tentang analisis sistem melalui pendekatan secara terstruktur dan perancangan yang akan dibangun dengan tujuan menghasilkan model atau representasi
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM Analisis merupakan proses penguraian konsep ke dalam bagian-bagian yang lebih sederhana, sehingga struktur logisnya menjadi jelas. Metode untuk menguji, menilai, dan
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengolahan Citra Pengolahan citra adalah pemrosesan citra, khususnya dengan menggunakan komputer, menjadi citra yang kualitasnya lebih baik. Pengolahan citra bertujuan memperbaiki
Lebih terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
Lebih terperinciBAB 4 DISAIN MODEL. Pengguna. Citra. Ekstraksi Ciri x. Antar muka (Interface) Data Hasil Ekstraksi Ciri. Testing dan Identifikasi.
33 BAB 4 DISAIN MODEL Disain model sistem identifikasi citra karang dirancang sedemikian rupa dengan tuuan untuk memudahkan dalam pengolahan data dan pembuatan aplikasi serta memudahkan pengguna dalam
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM Dalam pengerjaan perancangan dan pembuatan aplikasi pengenalan karakter alfanumerik JST algoritma Hopfield ini menggunakan software Borland Delphi 7.0. 3.1 Alur Proses Sistem
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Artificial Neural Network Artificial neural network (ANN) / jaringan saraf tiruan adalah konsep yang merefleksikan cara kerja dari jaringan saraf biologi kedalam bentuk artificial
Lebih terperinciBAB VIIB BACKPROPAGATION dan CONTOH
BAB VIIB BACKPROPAGATION dan CONTOH 7B. Standar Backpropagation (BP) Backpropagation (BP) merupakan JST multi-layer. Penemuannya mengatasi kelemahan JST dengan layer tunggal yang mengakibatkan perkembangan
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION Alvama Pattiserlihun, Andreas Setiawan, Suryasatriya Trihandaru Program Studi Fisika, Fakultas Sains dan Matematika,
Lebih terperinciBAB II LANDASAN TEORI
5 BAB II LANDASAN TEORI 2.1. Citra Digital Citra digital dapat didefenisikan sebagai fungsi f(x,y) yaitu dua dimensi, dimana x dan y merupakan koordinat spasial dan f(x,y) disebut dengan intensitas atau
Lebih terperinciPERAMALAN PRODUKSI CABAI RAWIT DENGAN NEURAL NETWORK Muhammad Fajar
PERAMALAN PRODUKSI CABAI RAWIT DENGAN NEURAL NETWORK Muhammad Fajar Abstrak Tujuan penelitian ini untuk melakukan peramalan produksi cabai rawit dengan menggunakan neural network. Data yang digunakan dalam
Lebih terperinciBAB II DASAR TEORI Jaringan Syaraf Tiruan. Universitas Sumatera Utara
BAB II DASAR TEORI Landasan teori adalah teori-teori yang relevan dan dapat digunakan untuk menjelaskan variabel-variabel penelitian. Landasan teori ini juga berfungsi sebagai dasar untuk memberi jawaban
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI. Jasmir, S.Kom, M.Kom
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Pegawai atau karyawan merupakan
Lebih terperinciBab 5 Penerapan Neural Network Dalam Klasifikasi Citra Penginderaan Jauh
Penerapan Neural Dalam Klasifikasi Citra Penginderaan Jauh Klasifikasi citra penginderaan jarak jauh (inderaja) merupakan proses penentuan piksel-piksel masuk ke dalam suatu kelas obyek tertentu. Pendekatan
Lebih terperinciPENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing. Tugas Ujian Sarjana
PENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing Tugas Ujian Sarjana. Penjelasan Learning Vector Quantization (LVQ) Learning
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA
APLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA Pembimbing: Desi Fitria Utami M0103025 Drs. Y. S. Palgunadi, M. Sc
Lebih terperinciPENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK
PENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK Eko Budi Wahyono*), Suzuki Syofian**) *) Teknik Elektro, **) Teknik Informatika - Fakultas Teknik Abstrak Pada era modern
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA (Studi Eksplorasi Pengembangan Pengolahan Lembar Jawaban Ujian Soal Pilihan Ganda di
Lebih terperinciANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
Lebih terperinciBAB II. Penelitian dengan jaringan syaraf tiruan propagasi balik. dalam bidang kesehatan sebelumnya pernah dilakukan oleh
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian dengan jaringan syaraf tiruan propagasi balik dalam bidang kesehatan sebelumnya pernah dilakukan oleh Sudharmadi Bayu Jati Wibowo
Lebih terperinciBAB III ANALISA DAN PERANCANGAN SISTEM
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa Sistem Analisa sistem merupakan langkah awal yang dilakukan sebelum tahap implementasi. Analisa sistem pada penelitian ini meliputi: PENGUMPULAN DATA
Lebih terperinciBAB II TEORI DASAR. Gambar 2.1 Anatomi Jantung
4 BAB II TEORI DASAR 2.1. Jantung Jantung merupakan otot tubuh yang bersifat unik karena mempunyai sifat membentuk impuls secara automatis dan berkontraksi ritmis [4], yang berupa dua pompa yang dihubungkan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perangkat keras komputer berkembang dengan pesat setiap tahunnya selalu sudah ditemukan teknologi yang lebih baru. Meskipun demikian masih banyak hal yang belum dapat
Lebih terperinciTeam project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
Lebih terperinci