01.

Pengantar ANN
ANN
Kecerdasan Komputasional
ebrn2016

1. Pendahuluan
Machine Learning (Mesin Pembelajaran)
-Memerlukan mekanisme penyesuaian diri
(adaptive mechanisme) yang memungkinkan
komputer belajar dari pengalaman, belajar
dari contoh dan belajar dengan analogi.
-Kemampuan belajar dapat meningkatkan
kinerja sistem cerdas
-Most popular approach to machine learning:
genetic algorithm dan artificial neural
network
2

2. Jaringan Syaraf (Neural

Network)
Perkembangan Neural Network
bermula sekitar 60 th yl, didorong
oleh suatu keinginan utk memahami
cara kerja otak dan menyamai
kemampuannya.

3. Bagaimana manusia
melakukan hal-hal yang cerdas?

Sisem kecerdasan buatan dalam saraf manusia dapat dibagi

dalam tiga tahapan, yang digambarkan sebagai berikut:

Receptors menerima informasi dari lingkungan

Effectors membangkitkan interaksi ke lingkungan.
Aliran informasi antara keduanya digambarkan dg tanda
panah (both forward and backward).

4.Komponen dasar Biological Neuron

 Konsep dasar dari NN adalah

susunan sistem pemrosesan
informasi. Terdiri dari sejumlah besar
elemen pemrosesan yang saling
berhubungan (neuron).

5. What is a Neural Net?

Neural Networks (NNs): jaringan saraf, spt
yg terdapat pada otak
Artificial neurons tiruan mentah/kasar
saraf yg terdapat pada otak. Dapat berupa
konsep matematik.
Artificial Neural Networks (ANNs) jaringan
saraf tiruan, oleh karena itu ia hanya
merupakan pendekatan kasar/mentah dari
otak yang sesungguhnya.

10

What is a Neural Net? (contd)

Dari pandangan praktis, ANN hanyalah
merupakan sistem komputasi paralel yang
terdiri dari beberapa elemen pemrosesan
sederhana yang saling berhubungan
untuk melakukan tugas tertentu.
Yang perlu diingat: pendekatan yang
dilakukan ANN adalah pendekatan mentah
dan ANN disini jauh lebih sederhana
dibandingkan dengan jaringan saraf otak
yang sesungguhnya.
11

6. Aplikasi
Signal Processing
untuk menahan noise pada line telephone
ADALINE (Adaptive Linear Element)
Pattern Recognition
Automatic recognition of handwritten
characters (multilayer NN, backpropagation)
Medicine (Instant Physician)
Melatih autoassociative memory NN utk
menyimpan medical record dlm jumlah besar.
12

Fault
Diagnosis

Fraud
Detection

Forecasting

Signal/Image
Processing

Pattern
detection
in
database
s

Manufacturing

Retailing

Finance and
Insurance

Engineering

Production
Control

Sale &
Marketing

13

7. Komponen Dasar
Terdapat banyak jenis neural network
tetapi pada umumnya jaringan-jaringan
tsb memiliki:
A set of simple processing unit
A pattern of connectivity
A rule for propagating
A rule for combining input signal
A rule for calculating an output signal
A learning rule to adapt the weight
14

8. Bagaimana NN bekerja?
a. Arsitektur:
brp banyak neuron yang akan digunakan,
bgm neuron-neuron tsb dihubungkan untuk
membentuk sebuah jaringan
b. Metode utk setting weight
Supervised & unsupervised
Learning rule
15

Bagaimana NN bekerja (contd)

a. Arsitektur

16

Mulitlayer Neural Net

17

18

 Neuron dihubungkan oleh tautan-tautan

(links), dan setiap tautan mempunyai sebuah
bobot bilangan (numerical weight). Bobot
bilangan ini menunjukkan
kekuatan/kepentingan setiap neuron input.

20

21

Bagaimana NN bekerja (contd)

b. Metoda utk training
Supervised
Input berupa vektor atau pola diberikan kepada
network, masing-masing berasosiasi dg nilai vektor
target data training
Unsupervised
Menggabungkan vektor input yang sama (tanpa
training data), dan tanpa nilai target. Jaringan akan
memodifikasi weight sehingga vektor input yang sama
akan disimpan pada unit (cluster) yang sama

22

Apakah ANN tahu:

Bagaimana menyesuaikan weight ?
Bagaimana menentukan output?

Setiap neuron mempunyai level

aktifasi (activation level) berdasarkan
nilai input dan bobot yang diberikan
Untuk menentukan output, selalu
ada hubungannya dengan input.

A rule for combining input

signal

atau dengan menggunakan notasi vector:

Fungsi Aktivasi

25

Neural Network Neurons

Menerima n input (beserta bias)
Mengalikan setiap inpit dengan
bobotnya
Aplikasikan fungsi aktivasi pada hasil
penjumlahan
Hasil Output

26

Identity function

A binary threshold function will limit the activation to 1 or 0 depending on

the net input relative to some threshold
It is more convenient to subtract the threshold (known as bias) from the
net input and change the threshold to its mathematical equivalent form.

Sign function

28

Sigmoid Function