Click to edit Master subtitle style

Praktikum Metkuan Jaringan Syaraf Tiruan Propagasi Balik

2/24/13

Jaringan Syaraf Tiruan

Single Layer JS T Multi Layer Perceptr on JST Propaga si Balik Percept ron

2/24/13

Multiple Layer
1 X 1 v 1 v 1 1 2 v 2 v 1 2 2 v 0 1Z 1 1 w 1 1 w 21 w 01 Y 1 Output Layer bi as

X 2 input Layer
2/24/13

v 1 0 2Hidden Layer

Z 2

Review Perceptron : AND

X1 X2 net
2 Y, 1 jika net >=2, 0 jika net <
X 1 1

1 1 0 0

1 1.1+1.1=2 1 0 1.1+0.1=1 0 1 0.1+1.1=1 0 0 0.1+0.1=0 0

Y X 2

Ternyata BERHASIL mengenali pola

2/24/13

Review Perceptron : OR
X1 X2 net
1 Y, 1 jika net >=1, 0 jika net <
X1 1

1 1 0 0

1 1.1+1.1=2 1 0 1.1+0.1=1 1 1 0.1+1.1=1 1 0 0.1+0.1=0 0

X2

Ternyata BERHASIL mengenali pola

2/24/13

Review Perceptron : X1 and not(X2)

X1 X2 net
2 Y, 1 jika net >=2, 0 jika net <
X1

1 1 0 0

1 1.2+1.-1=1 0 0 1.2+0.-1=2 1 1 0.2+1.-1=-1 0 0 0.2+0.-1=0 0

X2

-1

Ternyata BERHASIL mengenali pola

2/24/13

Problem XOR
X1 X2 1 1 0 0 1 0 1 0 0 1 1 0
F(0,0) = 0 F(1,0) = 1

Y
F(0,1) = 1 F(1,1) = 0

GAGAL!
2/24/13

Solusi
XOR

= (x1 ^ ~x2) V (~x1 ^ x2)

Ternyata

dibutuhkan sebuah layer tersembunyi -> Multi Layer Perceptron 2

X1 Z1

1
Y

-1
X2

-1
Z2

2
2/24/13

Tabel

2/24/13

JST Propagasi Balik

3

tahapan :

1. Feedforward pola pelatihan yang diinput 2. perhitungan dan propagasi balik kesalahan 3. penyesuaian bobot (weight). Untuk mendapatkan bobot akhir
2/24/13

Fungsi Aktivasi

Fungsi undak biner (hard limit)

Fungsi undak biner (threshold)

2/24/13

Fungsi Aktivasi

Fungsi bipolar

Fungsi bipolar dengan threshold

2/24/13

Fungsi Aktivasi

Fungsi Linier (identitas)

Fungsi Sigmoid biner

2/24/13

Contoh Kasus
Misal akan dibuat arsitektur JST Back Propagation mengenali angka 1-9 dengan 5 neuron pada hidden layer dengan fungsi tansig (tan sigmoid) dan 4 neuron pada output dengan fungsi purelin (pure linear)

2/24/13

function

NN()

%ada

15 baris karena grid 3x5

rangeinput=[0

1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1 ];

2/24/13

angka1=[0;

1; 0;

1; 1; 0; 0; 1; 0; 0; 1; 0; 1; 1; 1]; 1; 1; 0; 0; 1; 0; 1; 1;

angka2=[1;
2/24/13

angka5=[1; angka6=[1; angka7=[1; angka8=[1; 2/24/13

1; 1; 1; 0; 0; 1; 1; 1; 0; 0; 1; 1; 1; 1]; 1; 1; 1; 0; 0; 1; 1; 1; 1; 0; 1; 1; 1; 1]; 1; 1; 0; 0; 1; 0; 1; 1; 1; 1; 0; 1; 0; 0]; 1; 1; 1; 0; 1; 1; 1; 1; 0; 1; 0; 1; 1; 1]; angka9=[1; 1; 1; 1; 0; 1; 1; 1; 1; 0;

t=t'; %training net= %testing %a=sim(net,

2/24/13

train(net, p, t);

datatesting)

%melihat nilai semua bobot dari

Latihan
Input

training

data

2/24/13

Input

testing data

2/24/13

neuron
Input

: 15 neurons layer : 5 neurons layer : 4 neurons layer : purelin (linear) layer : tansig (sigmoid)

Hidden Output

Hidden Output

2/24/13