Materi Kuliah Pengantar Jaringan Syaraf Tiruan

Materi Kuliah Pengantar Jaringan Syaraf Tiruan

Bab 1 Pendahuluan
Jaringan Syaraf Tiruan adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia. JST merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut.
Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-linier. JST dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data.
PDF PRVW | DWNLD

Bab 2 Model Neuron dan Arsitektur Jaringan
Neuron adalah unit pemroses informasi yang menjadi dasar dalam pengoperasian JST. Neuron terdiri dari 3 elemen:
1. Himpunan unit2 yang dihubungkan dengan jalus koneksi. Jalur tersebutmemiliki bobot yang berbeda-beda. Bobot yang benilai positif akan memperkuat sinyal dan yang bernilai negatif akan memperlemah sinyal yang dibawanya. Jumlah, struktur dan pola hubungan antar unit2 tersebut akan menentukan ”ARSISTEKTUR JARINGAN” (dan juga model jaringan yang terbentuk.
2. Suatu unit penjumlah yang akan menjumlahkan input2 sinyal yang sudah dikalikan dengan bobot. Misalkan x1, x2, ....xm adalah unit-2 input dan wji, wj2,... wjm adalah bobot penghubung dari unit2 tsb ke unit keluaran Yj , maka unit penjumlah akan memberikan keluaran sebesar uj = x1wj1+ x2wj2+ ...+xmwjm
3. Fungsi aktivasi yang akan menentukan apakah sinyal dari input neuron akan diteruskan ke neuron lain ataukah tidak.
PDF PRVW | DWNLD

Bab 3 Contoh Ilustratif

PDF PRVW | DWNLD

Bab 4a Metode Belajar Hebbian
Aturan Hebb merupakan salah satu hukum pembelajaran jaringan neural yang pertama. Dikemukakan oleh Donald Hebb (1949). Hebb lahir di Chester, Nova Scotia, pada pergantian abad. Isinya menyangkut kemungkinan mekanisme modifikasi sinaptik dalam otak, yang kemudian digunakan untuk melatih JST.
PDF PRVW | DWNLD

Bab 4b Hebbian Supervised dan Contoh

PDF PRVW | DWNLD

Bab 5a Perseptron
Perceptron termasuk salah satu bentuk jaringan yang cukup sederhana. Algoritma ini sering digunakan untuk mengklasifikasikan input yang bersifat linearly separable. Jaringan syaraf perceptron mempunyai satu layer dan bobot¬bobot sinaptik dan threshold yang bisa diatur. Selama proses pembelajaran, perceptron akan mengatur parameter secara continue selama iterasi, dan akan menghasilkan garis pemisah (Decision Boundar y) yang berfungsi untuk mengklasifikasikan himpunan stimulus yang diaplikasikan secara eksternal x 1, x 2, ... , x nke dalam salah satu dari dua kelas C1 dan C2. Kelas C1 adalah daerah positif dimana nilai = threshold (Φ), sedangkan kelas C2 adalah daerah negatif dimana nilai < threshold (Φ).
PDF PRVW | DWNLD

Bab 5b Perseptron dan Contoh

PDF PRVW | DWNLD

Bab 6a Metode Belajar Widrow Hoff
Aturan belajar LMS atau Widrow-Hoff meminimisasikan mean square error, sehingga menggeser batasan keputusan sejauh yang bisa dilakukan dari pola latihan.
Aturan Widrow-Hoff hanya dapat melatih jaringan linier satu lapis. Ini tidak sepenuhnya merupakan kelemahan, karena jaringan linier satu lapispun bisa memiliki kemampuan yang sama dengan jaringan linier berlapis banyak. Untuk setiap jaringan linier berlapis banyak terdapat ekuivalen berupa jaringan linier satu lapis.
PDF PRVW | DWNLD

Bab 6b Metode Belajar Delta Adaline
Jaringan ADALINE (Adaptive Linear Neuron) mirip dengan perseptron, tapi ADALINE menggunakan fungsi transfer linier alih-alih hard-limiting. Dengan demikian, keluarannya bisa beragam (perseptron hanya 0 atau 1). ADALINE dan perseptron hanya bisa menyelesaikan masalah yang bersifat bebas linier. Adaptive Linear Neuron merespons perubahan lingkungannya pada saat beroperasi..
PDF PRVW | DWNLD

Bab 7a Backpropagations
Backpropagation (BP) merupakan JST multi-layer. Penemuannya mengatasi kelemahan JST dengan layer tunggal yang mengakibatkan perkembangan JST sempat tersendat disekitar tahun 1970. Algoritma BP merupakan generalisasi aturan delta (Widrow-Hoff), yaitu menerapkan metode gradient descent untuk meminimalkan error kuadrat total dari keluaran yang dihitung oleh jaringan.
Backpropagation dibuat untuk menggeneralisasi aturan belajar Widrow-Hoff terhadap jaringan berlapis banyak dan fungsi transfer diferensiabel. Pada proses belajar, digunakan iterasi dengan menggunakan pasangan masukan-keluaran hingga terjadi pendekatan terhadap fungsi yang dikehendaki.
Backpropagation standar adalah algoritma gradient descent, yaitu aturan belajar Widrow-Hoff. Variasi untuk backpropagation antara lain conjugate gradient dan metode Newton. Jaringan backpropagation yang sudah menjalani proses belajar dengan baik mampu mengeluarkan jawaban benar atas masukan yang belum pernah dipelajari sebelumnya.
PDF PRVW | DWNLD

Bab 7b Backpropagations dan Contoh

PDF PRVW | DWNLD

Bab 8 Robot Control
An important area of application of neural networks is in the eld of robotics Usually these networks are designed to direct a manipulator which is the most important form of the industrial robot to grasp ob jects based on sensor data Another applications include the steering and pathplanning of autonomous robot vehicles
In robotics the ma jor task involves making movements dependent on sensor data There are four related problems to be distinguished Craig
PDF PRVW | DWNLD

Bab 9 Vision
The primary goal of machine vision is to obtain information about the environment by processing data from one or multiple twodimensional arrays of intensity values images which are pro jections of this environment on the system This information can be of dierent nature recognition the classication of the input data in one of a number of possible classes
- geometric information about the environment which is important for autonomous systems
- compression of the image for storage and transmission
PDF PRVW | DWNLD

Bab 10 Implementations
Implementation of neural networks can be divided into three categories:
- software simulation
- hardware emulation
- hardware implementation
PDF PRVW | DWNLD

Bab 11 Dedicated Neuro-Hardware
Recently many neurochips have been designed and built Although many techniques such as digital and analogue electronics optical computers chemical implementation and biochips are investigated for implementing neurocomputers only digital and analogue electronics and in a lesser degree optical implementations are at present feasible techniques We will therefore concentrate on such implementations
PDF PRVW | DWNLD