Jurusan Teknik Informatika – Universitas Widyatama
IF-UTAMA 1
IF-UTAMA 1
Learning (Neural Network)
Pertemuan : 13
Dosen Pembina :
Sriyani Violina
Danang Junaedi
Latar Belakang
• Neural Network (Jaringan syaraf tiruan) diilhami oleh jaringan syaraf biologi khususnya otak manusia.
– Kemampuan manusia dalam memproses informasi, mengenal wajah, tulisan, dsb.
– Kemampuan melakukan pengenalan meskipun tidak tahu algoritma yang digunakan.
– Proses pengenalan melalui penginderaan berpusat pada otak sehingga menarik untuk mengkaji struktur otak manusia • Otak terdiri neuron-neuron dan sinapsis (penghubung) bekerja
berdasarkan impuls/sinyal
• Manusia memiliki 1012neuron dan 6.1018 sinapsis mengenali
pola, melakukan perhitungan, mengontrol organ-organ tubuh • Mempunyai kemampuan membentuk sendiri pola berdasarkan
pengalaman.
IF-UTAMA 2
Pendahuluan(2)
• Dipercayai bahwa
kekuatan komputasi
otak terletak pada
– hubungan antar sel-sel
syaraf
– hierarchical
organization
– firing characteristics
– banyaknya jumlah
hubungan
3 IF-UTAMAStruktur Jaringan pada Otak
• Neuron adalah satuan unit pemroses terkecil pada otak • Bentuk standard ini mungkin dikemudian hari akan berubah
• Jaringan otak manusia tersusun tidak kurang dari 1013 buah neuron yang
masing-masing terhubung oleh sekitar 1015 buah dendrite
• Fungsi dendrite adalah sebagai penyampai sinyal dari neuron tersebut ke neuron yang terhubung dengannya
• Sebagai keluaran, setiap neuron memiliki axon, sedangkan bagian penerima sinyal disebut synapse
• Sebuah neuron memiliki 1000-10.000 synapse
• Penjelasan lebih rinci tentang hal ini dapat diperoleh pada disiplin ilmu
biology molecular
• Secara umum jaringan saraf terbentuk dari jutaan (bahkan lebih) struktur dasar neuron yang terinterkoneksi dan terintegrasi antara satu dengan yang lain sehingga dapat melaksanakan aktifitas secara teratur dan terus menerus sesuai dengan kebutuhan
4 IF-UTAMA
Struktur Jaringan pada Otak
5 IF-UTAMA Synapse 6 IF-UTAMAA Neuron
Struktur Jaringan pada Otak
• Dendrit menerima sinyal dari neuron lain
– Sinyal berupa impulse elekrik dikirim melalui celah
sinaptik
– Sinyal dapat diperkuat/diperlemah di celah sinaptik
• Soma menjumlahkan semua sinyal-sinyal yang masuk
– Jika kuat dan melebihi batas akan diteruskan ke sel lain
melalui axon
Neural biologi
• Neural biologi merupakan sistem yang fault
tolerant :
– Manusia dapat mengenali sinyal input yang agak
berbeda dari yang pernah diterima sebelumnya.
– Otak manusia tetap mampu bekerja meskipun
beberapa neuronnya tidak mampu bekerja dengan
baik
• Sebuah neuron rusak, neuron lain dapat dilatih
menggantikan fungsi sel yang rusak.
9 IF-UTAMA
Neural Network
• Suatu sistem pemrosesan informasi yang mencoba meniru
kinerja otak manusia
• Merupakan generalisasi model matematis dengan asumsi:
– Pemrosesan informasi terjadi pada elemen sederhana(=neuron) – Sinyal dikirimkan diantara neuron-neuron melalui penghubung
(=dendrit dan akson)
– Penghubung antar elemen memiliki bobot yang akan menambah atau mengurangi sinyal
– Untuk menentukan output, setiap neuron memiliki fungsi aktivasi (biasanya non linier) yang dikenakan pada semua input
– Besar output akan dibandingkan dengan threshold
10 IF-UTAMA
Otak Manusia Neural Network
Soma Node
dendrites Input/Masukan Axon Output/Keluaran synapsis Weight/Bobot Milyaran Neuron Ratusan Neuron
Struktur Dasar Neural Network
IF-UTAMA 11
Definisi
• Neural Network (Jaringan Saraf Tiruan) adalah
– sistem pengolahan informasi yang karakteristik
kinerjanya menyerupai jaringan saraf biologis.
merupakan generalisasi model matematis
saraf biologis.
– suatu representasi buatan dari otak manusia yang
mencoba mensimulasikan proses pembelajaran pada otak
manusia.
menggunakan program
komputer
• Neural Network disebut juga: brain metaphor, computational
neuroscience, parallel distributed processing
12 IF-UTAMA
Neural Network
• Neural Network dapat belajar dari pengalaman!
• Biasanya berhubungan dengan angka (numerik)
sehingga data yang tidak numerik harus dibuat ke
numerik
• Tidak ada rumus yang tetap (fixed) sehingga disebut
dengan free-estimator!
• Neural Network disebut black box atau tidak
transparan karena tidak mampu menjelaskan
bagaimana suatu hasil didapatkan!
• Neural Network mampu menyelesaikan
permasalahan yang tidak terstruktur dan sulit
didefinisikan!
13 IF-UTAMA
Kelebihan & Kekurangan
Kelebihan
• Mampu mengakuisisi pengetahuan walau tidak ada kepastian
• Mampu melakukan
generalisasi dan ekstraksi dari suatu pola data tertentu • Neural Network dapat
menciptakan suatu pola pengetahuan melalui pengaturan diri atau kemampuan belajar (self organizing)
• Memiliki fault tolerance, gangguan dapat dianggap sebagai noise saja • Kemampuan perhitungan
secara paralel sehingga proses lebih singkat
Kekurangan
• Kurang mampu untuk melakukan operasi operasi numerik dengan presisi tinggi • Kurang mampu melakukan
operasi algoritma aritmatik, operasi logika dan simbolis • Lamanya proses training yang
mungkin terjadi dalam waktu yang sangat lama untuk jumlah data yang besar
IF-UTAMA 14
Kemampuan Neural Network
• Klasifikasi: memilih suatu input data ke dalam
kategori tertentu yang sudah ditetapkan
• Asosiasi: menggambarkan suatu obyek secara
keseluruhan hanya dengan bagian dari obyek lain
• Self organizing: kemampuan mengolah data-data
input tanpa harus mempunyai target
• Optimasi: menemukan suatu jawaban terbaik
sehingga mampu meminimalisasi fungsi biaya
Contoh Aplikasi
• Pengenalan pola (pattern recognition)
– Huruf, tanda tangan, suara, gambar yang sudah sedikit
berubah (mengandung noise)
– Identifikasi pola saham
– Pendeteksian uang palsu, kanker
• Signal Processing
– Menekan noise pada saluran telepon
• Peramalan
– Peramalan saham
• Autopilot dan simulasi
• Kendali otomatis otomotif
Istilah dalam Neural Network
• Neuron: sel syaraf tiruan yang merupakan elemen pengolah Neural Network
• Jaringan: bentuk arsitektur Neural Network, kumpulan neuron yang saling berhubungan dan membentuk lapisan
• Input: sebuah nilai input yang akan diproses menjadi nilai output • Output: solusi dari nilai input
• Hidden layer: lapisan yang tidak terkoneksi secara langsung dengan lapisan input atau output, memperluas kemampuan Neural Network • Bobot: nilai matematis dari sebuah koneksi antar neuron
• Fungsi aktivasi: fungsi yang digunakan untuk mengupdate nilai-nilai bobot per-iterasi dari semua nilai input.
– Fungsi aktivasi sederhana adalah mengakalikan input dengan bobotnya dan kemudian menjumlahkannya (disebut penjumlahan sigma)
– Berbentuk linier atau tidak linier, dan sigmoid
• Paradigma pembelajaran: bentuk pembelajaran, supervised learning, atau unsupervised learning
17 IF-UTAMA
Karakteristik Jaringan Saraf Tiruan
• Arsitektur, merupakan pola hubungan antar
sel-sel neuron.
• Algoritma pelatihan/pembelajaran,
merupakan metoda penentuan bobot pada
sambungan/hubungan.
• Fungsi Aktivasi, merupakan suatu fungsi
yang digunakan untuk memproses sehingga
dihasilkan sinyal keluaran neuron.
18 IF-UTAMA
Arsitektur Jaringan
• Single-Layered
Feedforward Networks
Neurons are organized
in layers
“Single-layer” refers to
output neurons
Source nodes supply to
output neurons but not
vice versa
Network is
feedforward
or acyclic
input layer of source nodes output layer of neurons 19 IF-UTAMAArsitektur Jaringan
• Multilayer
Feedforward Networks
– One or more hidden layers – Hidden neurons enable
extractions of higher-order statistic
– Network acquires global
perspectivedue to extra set of synaptic connections and neural interactions Input layer of source nodes Layer of hidden neurons Layer of output neurons
7-4-2 fully connected network:
• 7 source nodes • 4 hidden neurons • 2 output neurons
20 IF-UTAMA
Arsitektur Jaringan
• Recurrent Networks
– At least one feedback loop
– Feedback loops affect learning capability and
performance of the network
z -1 z -1 z -1 z -1 Unit-delay operators Inputs O ut put s 21 IF-UTAMA
Pengelompokkan Neural Network
• Neural Network Feed Forward
– Tidak mempunyai loop
– Contoh: single layer perceptron, mutilayer perceptron,
radial basis function
• Neural Network Feed Backward (Recurrent)
– Memiliki loop, lapisan output akan memberi input lagi
bagi lapisan input
– Contoh: competitive networks, kohonen, hopfield, ART
22 IF-UTAMA
Paradigma pembelajaran
• Supervised Learning
– Kumpulan input berusaha membentuk target output yang sudah diketahui sebelumnya
– Perbedaan antara output yang masih salah dengan output yang diharapkan harus sekecil mungkin
– Biasanya lebih baik daripada unsupervised
– Kelemahan: pertumbuhan waktu komputasi eksponensial, data banyak berarti semakin lambat
• Unsupervised Learning
– Neural Network mengorganisasikan dirinya untuk membentuk vektor-vektor input yang serupa tanpa menggunakan data atau contoh-contoh pelatihan, biasanya ke dalam suatu
kategori/kelompok-kelompok tertentu
• Hibrida Learning
– Gabungan antara unsupervised dan supervised
• Reinforcement Learning
Algoritma Belajar
• Algoritma Terbimbing (Supervised Learning)
– ada vektor target
– klasifikasi, pattern association
– Algoritma Hebb, Perceptron, Backpropagation, dll
• Tak Terbimbing (Unsupervised Learning)
– tidak ada vektor target – Clustering
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 kriteria output then exit
– Else:
– Update bobot2 menggunakan fungsi galat error, Bobot
baru = bobot lama + delta
• If i=n then
– Reset i=1,
– else i=i+1
25 IF-UTAMAFungsi Aktivasi
26 IF-UTAMAFungsi Aktivasi
• Fungsi undak biner (hard limit)
• Fungsi undak biner (threshold)
θ θ θ θ 27 IF-UTAMA
Fungsi Aktivasi
• Fungsi bipolar
• Fungsi bipolar dengan threshold
28 IF-UTAMA
Fungsi Aktivasi
• Fungsi Linier (identitas)
29 IF-UTAMA
Fungsi Aktivasi
• Fungsi saturating linear dirumuskan sebagai:
30 IF-UTAMA
Fungsi Aktivasi
• Fungsi sigmoid biner dirumuskan sebagai:
Fungsi Aktivasi
NEURAL NETWORKS AS
DIRECTED GRAPHS
• Neural networks maybe represented as directed
graphs:
– Synaptic links
(linier I/O)
– Activation links
(nonlinier I/O)
– Synaptic convergence
– Synaptic divergence
w
kjx
jy
k=w
kjx
j( )
•
ϕ
x
jy
k=ϕ( )
x
jy
k=y
i+ y
jy
iy
jx
jx
jx
j 33 IF-UTAMANEURAL NETWORKS AS
DIRECTED GRAPHS
• Architectural graph: partially complete
directed graph
Output
y
kx
0=+1
x
mx
2x
1 . . . 34 IF-UTAMAFEEDBACK
• Output of a system influences some of the
input applied to the system
• One or more closed paths of signal
transmission around the system
• Feedback plays an important role in
recurrent networks
35 IF-UTAMA
FEEDBACK
• Sample single-loop feedback system
• Output signal y
k(n)
is an infinite weighted
summation of present and past samples of input
signal x
j(n)
IF-UTAMA 36∑
∞ = +−
=
0 1)
(
)
(
l j l kn
w
x
n
l
y
x
j(n−l)x’
j(n)
x
j(n)
y
k(n)
w
z
-1 w is fixed weight z-1is unit-delay operator is sample of input signal delayed by l time unitsNeural Network dan Aplikasi
• Klasifikasi: ADALINE, Backpropagation
• Pengenalan Pola: ART, Backpropagation
• Peramalan: ADALINE, MADALINE,
Backpropagation
• Optimasi: ADALINE, Hopfield, Boltzman,
Backpropagation
37 IF-UTAMA
Konsep Dasar Artificial Neural
Computing
Processing Unit Linear Threshold Unit
input
x
1x
2x
3bias
w
1w
2w
3w
b 1 if x1*w1 + x2*w2 + x3*w3+ bias * wb> 0 0 if x1*w1 + x2*w2 + x3*w3+ bias * wb<= 0 38 IF-UTAMAArtificial
Neuron
Model
• Neuron
jmenghitung tingkat aktivasinya :
• Dengan f adalah satu dari beberapa fungsi aktivasi yang ada
Model sel syaraf (dengan menyertakan
threshold)
Model sel syaraf (dengan menyertakan
nilai bias)
41 IF-UTAMA
McCulloch Pitts
• Fungsi aktivasi biner
• Besar bobotnya sama
• Memiliki threshold yang sama
42 IF-UTAMA
The first Neural Networks
X
1X
2Y
0
0
0
0
1
0
1
0
0
1
1
1
X
1X
2Y
1 1 Threshold=2Fungsi AND
AND
43 IF-UTAMA
Problem “AND”
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
Ternyata BERHASIL mengenali pola
X1 X2 Y 2 1 1 44 IF-UTAMA
The first Neural Networks
X
1X
2Y
0
0
0
0
1
1
1
0
1
1
1
1
X
1X
2Y
2 2 Threshold=2Fungsi OR
OR
45 IF-UTAMAProblem “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
Ternyata BERHASIL mengenali pola
X1 X2 Y 1 1 1 46 IF-UTAMA
The first Neural Networks
X
1X
2Y
0
0
0
0
1
0
1
0
1
1
1
0
X
1X
2Y
2 -1 Threshold=2Fungsi AND-NOT
AND-NOT
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
Ternyata BERHASIL mengenali pola
X1 X2 Y 2 2 -1
The first Neural Networks
X
1X
2Y
0
0
0
0
1
1
1
0
1
1
1
0
X
1XOR X
2= (X
1AND NOT X
2) OR (X
2AND NOT X
1)
XOR
Z
1Z
2Y
2 2 Threshold=2Fungsi XOR
X
1X
2 2 2 -1 -1 Threshold=2 49 IF-UTAMATabel
50 IF-UTAMAARTIFICIAL INTELLIGENCE
AND NEURAL NETWORKS
Parameter ArtificialIntelligence
Neural Networks Level of Explanation Symbolic
representation with
sequential processing
Parallel distributed processing (PDP) Processing Style Sequential Parallel
Representational Structure
Quasi-linguistic structure
Poor
Summary Formal manipulation of algorithm and data representation in top
down fashion
Parallel distributed processing with natural ability to learn in bottom up fashion
51 IF-UTAMA
IF-UTAMA 52