1 / 10

JaRINGAN SARAF TIRUAN (Neural Network)

Praktikum 9. JaRINGAN SARAF TIRUAN (Neural Network). Pendahuluan. Jaringan syaraf tiruan (JST) merupakan sistem pemprosesan informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologis . JST merupakan generalisasi model matematik pada jaringan syaraf biologis. JST.

brock-diaz
Télécharger la présentation

JaRINGAN SARAF TIRUAN (Neural Network)

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Praktikum 9 JaRINGAN SARAF TIRUAN (Neural Network)

  2. Pendahuluan • Jaringansyaraftiruan (JST) merupakansistempemprosesaninformasi yang memilikikarakteristikmiripdenganjaringansyarafbiologis. • JST merupakangeneralisasi model matematikpadajaringansyarafbiologis

  3. JST • Asumsi JST • Pemprosesaninformasiterjadipadabanyakelemensederhana (neuron) • Sinyaldikirimantara neuron melaluipenghubung-penghubung (pautan) • Penghubungantarpautanmemilikibobot yang dapatmemperkuatataumemperlemahsinyal • Untukmenentukan output, setiap neuron menggunakanfungsiaktivasi

  4. JST • JST ditentukanoleh 3 hal : • Arsitekturjaringan (polahubunganantar neuron) • Metodeuntukmenentukanbobotpenghubung (metode training) • FungsiAktivasi

  5. Aplikasi JST • PengenalanPola (huruf, suara, angka, tandatangan) • Signal Processing (JST model ADALINE) • Peramalanberdasarkankejadianmasalalu

  6. PerceptrondalamMatlab Sistem default dalammatlab : • Masukandan target tidakharusbiner/bipolar • Threshold yang dipakaiadalahnol • Fungsiaktivasimemilikioutput biner • Tidakadalajupenambahan

  7. PerceptrondalamMatlab • Format : • net = newp(PR, S, TF, LF) • net.IW{i,j} % inisialisasibobotawaldari layer ke j ke layer ke I (bobotawal) • PR: matriks Rx2, dengan R buahinputan • S : jumlah neuron target • TF : fungsibiner (default ‘hardlim’) • LF : fungsilatihan (default ‘learnp’)

  8. ContohPerceptron • Bentuklahperceptronuntukmengenalipolalogika “dan” dari 2 variable! >> net = newp([0 1; 0 1],1); >> net.IW{1,1}=[-1 1]; >> net.b{1}=[1]; >> p=[[1 ; 1] [1 ; 0 ] [ 0 ; 1] [0 ; 0]]; >> t=[ 1 0 0 0]; >> a= sim (net,p) ===== lanjutcontohmfile

  9. BackpropagationdenganMatlab • net= newff(PR, [s1 s2…. sn],{tf1 tf2…tfn},BTF,BLF,PF) • PR = matriksordo Rx2 • Si = jumlah unit pada layer ke I • tfi= fungsiaktivasi yang digunakanpada layer I • BTF= fungsilatihanjaringan, default tansig(sigmoid bipolar) • BLF = fungsiperubahanbobot/biar , default learngdm • PF = fungsi error, default mse

  10. Contoh • LanjutMinggudepansajaya…..

More Related