Ppt neuralnet
Download as PPTX, PDF0 likes480 views
Dokumen ini membahas tentang jaringan syaraf tiruan (JST) yang terinspirasi dari jaringan syaraf manusia dan digunakan untuk mengolah informasi dengan menemukan pola dalam data. Terdapat penjelasan mengenai berbagai arsitektur jaringan, termasuk jaringan dengan lapisan tunggal, multilayer, dan kompetitif, serta metode pembelajaran seperti supervised dan unsupervised learning. Pembelajaran dalam JST dilakukan dengan menghubungkan input dan output untuk membangun model yang mendeteksi pola dan klasifikasi.
Ppt neuralnet
- 1. Kecerdasan Buatan Afif Ashar Elly Fatmawati Febriano A.R. Husein A.R. Sabilah Faza Jaringan Syaraf Tiruan Kelompok 3
- 2. Jaringan Syaraf Tiruan? Jaringan dari sekelompok unit pemroses kecil sebagai paradigma pemrosesan suatu informasi yang terinspirasi dan dimodelkan berdasarkan jaringan syaraf manusia / jaringan syaraf biologis (JSB). JST dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data. Definisi Komponen Arsitektur Fungsi Aktivasi Proses Pembelajaran Kelompok 3
- 3. Seperti halnya otak manusia, jaringan syaraf juga terdiri dari beberapa neuron, dan ada hubungan antara neuron–neuron tersebut. Neuron–neuron tersebut akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuron–neuron yang lain. Pada jaringan saraf, hubungan ini dikenal dengan nama bobot. Informasi tersebut disimpan pada nilai tertentu pada bobot tersebut Komponen JST
- 4. Definisi Komponen Arsitektur Fungsi Aktivasi Proses Pembelajaran Kelompok 3 • Hanya memiliki1 lapisan dengan bobot-bobot terhubung. • Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melaluilapisantersembunyi. • Seberapa besar hubungan antara 2 neuron ditentukan oleh bobot yang bersesuaian. • Semua unit input akan dihubungkan dengan setiap unit output. Jaringan dengan lapisan tunggal (single layer net)
- 5. Definisi Komponen Arsitektur Fungsi Aktivasi Proses Pembelajaran Kelompok 3 Jaringan dengan banyak lapisan (multilayer net) • Jaringan ini memiliki satu atau lebih lapisan yang terletak diantara lapisan input dan lapisan outputnya (memiliki satu atau lebih lapisan tersembunyi). • Ada lapisan yang berbobot terletak antara 2 lapisanyang bersebelahan. • Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit dari pada jaringan dengan lapisan tunggal, tetapi pembelajarannya lebih rumit. Jaringan ini pada banyak kasus lebih sukses dalam menyelesaikan masalah.
- 6. Kelompok 3 Definisi Komponen Arsitektur Fungsi Aktivasi Proses Pembelajaran Jaringan dengan lapisan kompetitif (competitive layer net) • Pada jaringanini sekumpulan neuron bersaing untukmendapatkan hak menjadi aktif. • Hubungan antar neuron pada lapisankompetitif tidak diperlihatkan pada diagram arsitektur
- 7. Undak Biner (Threshold) Undak Biner (Hard Limit) Symetric Hard Limit (Bipolar) Bipolar (dengan Threshold) Linear (Identity) Saturating Linear Symetric Saturating Linear Sigmoid Biner Sigmoid Bipolar Fungsi Aktivasi
- 8. Kelompok 3 Definisi Komponen Arsitektur Fungsi Aktivasi Proses Pembelajaran Proses Pembelajaran Proses memberikan pasangan input dan output pada sistem Jaringan Syaraf Tiruan (Neural network). Umumnya, jika menggunakan Jaringan Syaraf Tiruan (Neural network), hubungan antara input dan output harus diketahui secara pasti dan jika hubungan tersebut telah diketahui maka dapat dibuat suatu model. Hal lain yang penting adalah proses belajar hubungan input/output dilakukan dengan pembelajaran.
- 9. Supervised Learning (Pembelajaran Terawasi) Unsupervised Learning (Pembelajaran Tidak Terawasi) Metode ini digunakan jika output yang diharapkan telah diketahui sebelumnya. Biasanya pembelajaran dilakukan dengan menggunakan data yang telah ada. Pada metode pembelajaran tak terawasi ini tidak memerlukan target output. Tujuan metode ini adalah pengelompokan unit- unit yang hampir sama dalam suatu area tertentu.
- 10. Karakteristik Supervised Learning Output telah diketahui sebelumnya Lapisan output ini akan membangkitkan pola output yang nantinya akan dicocokkan dengan pola output targetnya. Satu pola input akan diberikan ke satu neuron pada lapisan input Apabila terjadi perbedaan antara output hasil pembelajaran dengan pola target, maka disini akan muncul error Pola dirambatkan disepanjang jaringan saraf hingga sampai ke neuron pada lapisan output Apabila error ini masih cukup besar, mengindikasikan bahwa masih perlu dilakukan lebih banyak pembelajaran lagi
- 11. Karakteristik Unsupervised Learning Tidak memerlukan target output. Tidak dapat ditentukan hasil seperti apakah yang diharapkan selama proses pembelajaran. Selama proses pembelajaran, nilai bobot disusun dalam suatu range tertentu tergantung pada nilai input yang diberikan. Tujuan pembelajaran ini adalah mengelompokkan unit–unit yang hampir sama dalam suatu area tertentu. Pembelajaran ini biasanya sangat cocok untuk pengelompokan (klasifikasi) pola.
- 12. References • http://elektronika-dasar.web.id/teori-elektronika/jaringan-syaraf- tiruan-neural-network/ • https://www.academia.edu/5559323/11-Jaringan-Syaraf-Tiruan • http://ulfarieanti-fst10.web.unair.ac.id/artikel_detail-76060- Sistem%20Cerdas- Jaringan%20Syaraf%20Tiruan%20(Metode%20Aktivasi).html • http://andika-fst10.web.unair.ac.id/artikel_detail-76048-Umum- aPelatihan%20Neural%20Network.html • http://elektronika-dasar.web.id/teori-elektronika/proses- pembelajaran-jaringan-syaraf-tiruan-neural-network/