Pert_10 , Neural Network

Mata Kuliah
TahunAkademik
: CIA233 , Aplikasi Inteligensia Buatan
: 2015/2016
DASAR – DASAR NEURAL COMPUTING
Pertemuan_10
 NEURAL COMPUTING
 MACHINE LEARNING
 SHALLOW KNOWLEDGE atau KNOWLEDGE-POOR
PROCEDURES
 EXPERT SYSTEM
14-1
LEARNING
 Defenisi
 Contoh program MACHINE LEARNING
 Cara – cara melakukan LEARNING
 Hubungan LEARNING dengan AI
METODE – METODE LEARNING
 NEURAL COMPUTING
 INDUCTIVE LEARNING
 CASE-BASED REASONING dan ANALOGICAL REASONING
 GENETIC ALGORITHMS
 STATISTICAL METHODS
14-2
 EXPLANATION-BASED LEARNING
ARTIFICIAL NEURAL NETWORK ( ANN )
> Suatu pendekatan yang berbeda untuk Intelligent
Systems adalah dengan membuat komputer dengan
arcsitektur dan kemampuan pemrosesan yang
menirukan kemampuan pemrosesan dari otak manusia.
Hasilnya adalah :
* Knowledge Representation berdasarkan massive
* Parallel processing
* Best retrieval of large amount of information
* Ability to recognize patterns based on experience.
> Teknologi ini disebut NEURAL COMPUTING atau
ARTIFICIAL NEURAL NETWORK ( ANN )
14-3
BIOLOGICAL NEURAL NETWORK
Sel Neuron
Soma
Synapse
Nucleus
Axon
Dendrites
Gambar : Bagian dari suatu jaringan :
dua sel biologi yang saling berhubungan
Sel (neuron ) 2
14-3
Hubungan antara BILOGICAL dan ARTIFICIAL
NEURAL NETWORK :
BIOLOGICAL NN
Soma
Dendrites
Axon
Synapse
Slow speed
Many neurons ( 100)
ARTIFICIAL NN
Node
Input
Output
Weight
Fast speed
Few neurons ( hundreds )
14-5
KOMPONEN DAN STRUKTUR NEURAL NETWORK
 Suatu network terdiri dari processing elements , yang
diatur dalam berbagai cara agar membentuk network’s
structure.
 Defenisi PROCESSING ELEMENTS
 INPUT dapat berupa data mentah atau OUTPUT untuk
processing element lainnya atau merupakan input untuk
neuron lainnya.
 NETWORK : Suatu typical structure dari network terdiri
dari tiga layer , yaitu Input layer , Intermediate/hidden
layer dan Output layer.
14-6
 STRUKTUR NETWORK : Suatu ANN dapat diatur dalam
berbagai cara ( topologi ) , yaitu neuron-neuronnya
dapat dihubungkan dalam berbagai cara. Dalam
memproses informasi , banyak PE melakukan komputasi
dalam saat yang bersamaan . Parallel Processing
seperti ini menirukan cara kerja otak , yang berbeda
dengan pemrosessan serial dalam komputasi
konvensional
14-7
Input X1
Weight 1
W2
X2
W3
Penjumlahan
Weighted
Transfer
Output ( Y )
X3
X4
Weight 4
Gambar : Pemrosessan informasi di Artificial Neuron
14-8
Output
Layer
PE
Hidden
Layer
PE
PE
PE
PE
F (Yi )
Transfer
Function
W14
X4
Weighted
Sum
W11
X1
Input
Layer
PE
PE
PE
PE
Gambar : Neural Network dengan satu hidden layer
W12
X2
W13
X3
14- 9
PEMROSESAN INFORMASI DALAM NETWORK
Setelah struktur dari suatu network ditentukan ,
informasi dapat diproses . Beberapa konsep yang
berhubungan dengan hal ini adalah :
 INPUT NETWORK
 OUTPUT NETWORK
 WEIGHT
 SUMMATION FUNCTION
Summation function menemukan weighted SUM dari
semua input element yang memasuki setiap PE .
Suatu Summation function mengalikan setiap input value
( Xi ) dengan weight-nya ( Wi ) dan menjumlahkannya
14-10
Bersama - sama sebagai weighted Sum Yi . Sehingga :
Yi = Σ Xi Wi
Untuk banyak processing neuron , j , rumusnya adalah :
Yj = Σ Xj Wji
> Defenisi TRANSFORMASI ( TRANSFER ) FUNCTION :
1
YT =
1 + e -y
Di mana YT adalah transformed
( atau normalized ) value dari
Y
14-11
a). Single Neuron
X1
b). Beberapa Neuron
X1
PE
W1
PE
X1
W11
Y1
W21
W2
Y2
X2
Y = X1 W1 + X2 W2
W12
PE
W22
Y1 = X1 W11 + X2 W21
PE
Y2 = X1 W12 + X2 W22
W23
Y3 = X1 W23
Gambar : Summation Function untuk Single Neuron (a) dan
beberapa Neuron ( b )
Y3
14-12
CONTOH DARI ANN FUNCTIONS
X1 = 3
X2 = 1
X3 = 2
W1 = 0,2
W2 = 0,4
Processing element
Y = 1,2
W3 = 0,1
Summation Function :
Y = 3 ( 0,2 ) + 1 ( 0,4 ) + 2 ( 0,1 ) = 1,2
Transformation ( Transfer ) Function :
1
YT = ----------------- = 0,77
1 + e -1,2
==========
thank for your attention ==========
14-13