Kemampuan manusia dalam memproses
informasi, mengenal wajah, tulisan, dsb.
Kemampuan manusia dalam mengidentifikasi
wajah dari sudut pandang yang belum pernah dialami sebelumnya.
Bahkan anak-anak dapat melakukan hal tsb.
Kemampuan melakukan pengenalan meskipun
tidak tahu algoritma yang digunakan.
Proses pengenalan melalui penginderaan berpusat
Dipercayai bahwa
kekuatan
komputasi otak
terletak pada
◦ hubungan antar sel-sel syaraf
◦ hierarchical organization
◦ firing characteristics
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
McCulloch & Pitts (1943) dikenal sebagai
orang yang pertama kali memodelkan
Neural Network. Sampai sekarang
ide-idenya masih tetap digunakan, misalnya:
◦ bertemuanya beberapa unit input akan memberikan computational power
◦ Adanya threshold
Hebb (1949) mengembangkan pertama kali
learning rule (dengan alasan bahwa jika 2
neurons aktif pada saat yang bersamaan
maka kekuatan antar mereka akan
Antara tahun 1950-1960an beberapa
peneliti melangkah sukses pada
pengamatan tentang perceptron
Mulai tahun 1969 merupakan tahun
kematian pada penelitian seputar Neural
Networks hampir selama 15 tahun (Minsky
& Papert)
Baru pada pertengahan tahun 80-an
Sejumlah sinyal masukan x dikalikan dengan
masing-masing penimbang yang bersesuaian W
Kemudian dilakukan penjumlahan dari seluruh
hasil perkalian tersebut dan keluaran yang
dihasilkan dilalukan kedalam fungsi pengaktip untuk mendapatkan tingkatan derajad sinyal keluarannya F(x.W)
Walaupun masih jauh dari sempurna, namun
kinerja dari tiruan neuron ini identik dengan kinerja dari sel otak yang kita kenal saat ini
Misalkan ada n buah sinyal masukan dan n buah
penimbang, fungsi keluaran dari neuron adalah seperti persamaan berikut:
Dipakai untuk menentukan keluaran suatu
neuron
Merupakan fungsi yang menggambarkan
hubungan antara tingkat aktivasi internal
(summation function) yang mungkin
berbentuk linier atau nonlinear.
Beberapa fungsi aktivasi JST diantaranya
Fungsi biner (hard limit)
Fungsi biner (threshold)
Fungsi bipolar
Fungsi Linier (identitas)
Single Layer
◦ Hanya memiliki satu lapisan dengan bobot-bobot
terhubung.
◦ Langsung menerima input dan mengolahnya menjadi
output tanpa menggunakan hidden layer
Multi Layer
◦ Memiliki satu atau lebih lapisan input, satu atau lebih
lapisan output, dan lapisan tersembunyi
◦ Dapat menyelesaikan masalah yang lebih kompleks
karena lebih akurat
◦ Fungsi pembelajarannya lebih rumit
Kompetitive Model / Recurrent Model
◦ Hubungan antar neuron tidak diperlihatkan secara
langsung pada arsitektur
◦ Hubungan antar neuron dapat digambarkan sebagai
Single Layer
• Multi Layer
• Competitive Layer /
JST Feed Forward
◦ Tidak mempunyai loop
◦ Contoh: single layer perceptron, mutilayer perceptron, radial basis function
JST Feed Backward (Recurrent)
◦ Memiliki loop, lapisan output akan memberi input lagi bagi lapisan input
Tahapan learning (pembelajaran)
tahapan ini berfungsi untuk mengenalkan
objek / model kepada mesin
Tahapan Testing (pengujian)
1.
Pembelajaran terawasi (supervised
learning)
2.
Pembelajaran tak terawasi
(unsupervised learning) /
pembelajaran tanpa guru
3.
Gabungan pembelajaran terawasi dan
Pada pembelajaran ini kumpulan input yang
digunakan, output-outputnya telah diketahui.
Perbedaan antara output-output aktual dengan
output-output yang diinginkan digunakan untuk mengoreksi bobot JST agar JST dapat
menghasilkan jawaban sedekat (semirip) mungkin dengan jawaban yang benar yang telah diketahui oleh JST.
Contoh : Hebbian, Perceptron, Adaline, Back
◦ Pada pembelajaran ini, JST mengorganisasi
dirinya sendiri untuk membentuk vektor-vektor
input yang serupa, tanpa menggunakan data atau contoh-contoh pelatihan.
◦ Struktur menggunakan dasar data atau korelasi antara pola-pola data yang dieksplorasi.
1.
Merupakan kombinasi dari kedua
pembelajaran tersebut.
2.
Sebagian dari bobot-bobotnya ditentukan
melalui pembelajaran terawasi dan
•
Aerospace : autopilot pesawat terbang,
simulasi jalur penerbangan, sistem kendali
pesawat, perbaikan autopilot, simulasi
komponen pesawat
Otomotif : sistem kendali otomatis mobil
Keuangan dan perbankan : pendeteksian
uang palsu, evaluator aplikasi kredit,
Militer : Pengendali senjata, pendeteksi bom,
penelusuran target, pembedaan objek,
pengendali sensor, sonar, radar, dan
pengolahan sinyal citra yang meliputi
kompresi data, ekstraksi bagian istimewa,
dan penghilangan derau, pengenalan sinyal
atau citra.
Elektronik : Pembuatan perangkat keras
Broadcast : pencarian klip berita melalui
pengenalan wajah
Keamanan : JST digunakan untuk mengenali
mobil dan mengenali wajah oknum
Medis : analisis sel kanker
Pengenalan suara : pengenalan
percakapan, klasifikasi suara
Pengenalan tulisan : pengenalan tulisan
Matematika : alat pemodelan masalah
dimana bentuk eksplisit dari hubungan
antara variabel-variabel tertentu tidak
diketahui
Pengenalan benda bergerak : selain pola
dari citra diam, JST juga bisa digunakan
untuk mendeteksi citra bergerak dari video
seperti citra orang yang bergerak, dll.
JST digunakan sebagai detektor virus
Fungsi aktivasi biner Besar bobotnya sama
Memiliki threshold yang sama