Konsep Neural Network Learning Pertemuan 3

1. Konsep Neural Network Learning Pertemuan 3 Matakuliah : T0293/Neuro Computing Tahun : 2005

2. Tujuan Learning / Training agar input dari network dapat menghasilkan output yang diinginkan ( akurat ) atau paling tidak menghasilkan output yang konsisten • Setiap input yang dimaksud disini adalah sebuah vektor. Training dilakukan dengan cara mengaplikasikan vektor-vektor input secara berurutan. Selama training, bobot network secara bertahap mencapai konvergen ke suatu nilai sedemikian rupa sehingga setiap input menghasilkan output yang diinginkan.

3. Supervised Learning • Supervised Learning / Training memerlukan pasangan setiap input dengan outputnya ( output yang diinginkan ). Pasangan tersebut disebut ‘ training pair ‘. • Biasanya network di ‘ trained ‘ dengan sejumlah ‘ training pair ‘. Satu input vektor diaplikasikan, outputnya dihitung dan dibandingkan dengan target output. Selisihnya dikembalikan ke network dan sekaligus bobotnya disesuaikan berdasarkan suatu algoritma yangn cenderung meminimumkan error. • Vektor-vektor dari ‘ training set ‘ diaplikasikan seluruhnya secara berurutan, error dihitung, bobot disesuaikan sampai seluruh training set menghasilkan error sekecil-kecilnya.

4. Unsupervised Learning • Supervised learning dalam konsep human-brain dianggap tidak tepat. Unsupervised learning sejauh ini dianggap sebagai model dalam konsep sistem biologis. • Unsupervised learning dikembangkan oleh Kohonen (1984) dan beberapa scientist lainnya. Dalam unsupervised learning, tidak diperlukan ‘ target output ‘. ‘ Training Set ‘ hanya terdiri dari vektor-vektor input, tanpa pasangan output.

5. Algoritma training merubah bobot network untuk menghasilkan output yang konsisten. Aplikasi dari vektor-vektor yang cukup serupa akan menghasilkan pola output yang sama. Dengan demikian, proses training menghasilkan sifat-sifat statistik dalam bentuk pengelompokan vektor-vektor dalam beberapa kelas. • Dengan mengaplikasikan suatu vektor dari suatu kelas sebagai input, akan menghasilkan vektor output yang spesifik.

6. Algoritma Learning / Training • Sebagian besar algoritma learning saat ini dikembangkan berdasarkan konsep dari Donald O. Hebb (1961). Neural Networks yang menggunakan Hebbian learning merubah bobot network berdasarkan perkalian dari ‘ excitation level ‘ input dan output. Wij (n+1) = Wij (n) +  OUTi OUTj dimana : Wij (n) = bobot dari neuron I ke j sebelum penyesuaian Wij (n+1) = bobot dari neuron I ke j setelah penyesuaian  = koefisien ‘ learning rate ‘ OUTi = output dari neuron i dan input dari neuron j OUTj = output dari neuron j

7. Saat ini dapat dijumpai sejumlah besar algoritma training yang dikembangkan oleh para ilmuwan antara lain Rosenblatt (1962), Widrow (1959), Widrow dan Hoff (1960), dan lain lain.