NABILA MEUTIA ZAHRA

Berpacu menjadi yang terbaik

Overview Kuliah Sistem Cerdas Pertemuan Ke-3

diposting oleh nabila-m-z-fst10 pada 18 May 2015
di Umum - 0 komentar

pada kesempatan kali ini, saya akan memberikan review tentang perkuliahan sistem cerdas pertemuan ke-3.

Berdasarkan cara memodifikasi bobotnya, ada 2 macam pelatihan yang dikenal yaitudengan supervisi dan tanpa supervisi Dalam pelatihan dengan supervisi, terdapatsejumlah pasangan data (masukan - target keluaran) yang dipakai untuk melatih jaringan hingga diperoleh bobot yang diinginkan. Pasangan data tersebut berfungsi sebagai "guru" untuk melatih jaringan hingga diperoleh bentuk yang terbaik. "Guru" akan memberikan informasi yang jelas tentang bagaimana sistem harus mengubah dirinya untuk meningkatkan unjuk kerjanya.

 

 1.      Pelatihan dengan Supervisi

Proses belajar JST dengan pengawasan ( Supervisi) adalah proses belajar dengan memberikan latihan untuk mencapai suatu target keluaran yang ditentukan. JST mendapatkan latihan untuk mengenal pola-pola tertentu. Dengan memberikan target keluaran, perubahan masukan akan diadaptasi oleh keluaran dengan mengubah bobot interkoneksinya mengikuti algoritma belajar yang ditentukan. Kita perlu memperhatikan beberapa hal dalam menyusun set pelatihan, yaitu :

  1. Pemberian urutan pola yang akan diajarkan
  2. Kriteria perhitungan error
  3. Kriteria proses belajar
  4. Jumlah iterasi yang harus dilalui
  5. Inisialisasi bobot dan parameter awal

2. Pelatihan Tanpa Supervisi

Pada pelatihan tanpa supervisi jaringan tidak mendapatkan target, sehingga JST mengatur bobot interkoneksi sendiri. Belajar tanpa pengawasan kadang-kadang diacu sebagai self-organizing learning, yakni belajar mengklasifikasikan tanpa dilatih. Pada proses belajar tanpa pengawasan, JST akan mengklasifikasikan contoh pola-pola masukan yang tersedia ke dalam kelompok yang berbeda-beda.

Jaringan syaraf tiruan bukan diprogram melainkan dilatih dengan contoh. Latihan itu terdiri dari banyak pengulangan input yang mengungkapkan berbagai hubungan. Dengan memperhalus bobot node sistem (neuron yang disimulasikan) secara progresif, jaringa saraf tiruan ini menemukan hubungan antar input. Proses penemuan ini menandakan belajar. Jaringan syaraf tiruan merupakan salah satu bentuk dari kecerdasan buatan dan dipandang sebagai suatu black box yang dapat melakukan prediksi keluaran dari suatu pola masukan yang dikenali. Dengan demikian jaringan syaraf tiruan harus dilatih terlebih dahulu terhadap sejumlah pola masukan dan target yang diharapkan dari tiap pola masukan tersebut (supervised learning). Setiap pelatihan dilatihkan, jaringan syaraf tiruan dapat mengenali kesamaan ketika dihadapkan terhadap pola masukan baru, dan menghasilkan prediksi pola keluarannya. Jadi jaringan syaraf tiruan mampu mendeteksi kesamaan masukan, bahkan sebagian masukan yang mungkin belum pernah dilatihkan atau diberikan sebelumnya. Jaringan syaraf tiruan juga mempunyai kemampuan interpolasi yang hebat, terutama bila data masukan tidak eksak, banyak gangguan didalamnya. Sehingga memungkinkan digunakan sebagai subtitusi langsung bagi autokorelasi, regresi multivariabel, regresi linier, trigonometri, dan teknik regresi lainnya. Pada saat data dianalisa menggunakan jaringan syaraf tiruan memungkinkan untuk melakukan prediksi pola yang penting sebagaimana bila seorang ahli menganalisa data tersebut, karena jaringan syaraf tiruan dapat beraksi seperti selayaknya seorang yang ahli di bidangnya

Banyak terdapat metode-metode untuk mengaktifkan Jaringan Saraf Tiruan ini. Diantaranya adalah Metode pelatihan terbimbing adalah metode pelatihan yang memasukkan target keluaran dalam data untuk proses pelatihannya. Ada beberapa metode pelatihan terbimbing yang telah  diciptakan oleh para peneliti, diantaranya yang sering diaplikasikan adalah :

  • Single Perseptron

Jaringan lapis tunggal perseptron (single layer perceptron) terdiri dari beberapa unit pemroses (neuron) seperti gambar dibawah, yang terhubung dan mempunyai beberapa masukan serta sebuah atau beberapa keluaran. Perseptron menghitung jumlah nilai perkalian penimbang dan masukan dari  parameter permasalahan yang kemudian dibandingkan dengan nilai threshold.

  • Multi perseptron

Memiliki beberapa layer neuron. Selain input layer dan output layer, terdapat layer lain yang disebut hidden layer. Tidak ada batasan banyaknya hidden layer dan jumlah neuron pada setiap layernya. Setiap neuron pada input layer terhubung dengan setiap neuron pada hidden layer.

  • Back Propagation (BP)

Backpropagation merupakan algoritma pembelajaran yang terwarisi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma backpropagation menggunakan error output untuk mengubah nilai-nilai bobotnya dalam arah mundur (backward).

 

Tinggalkan Komentar

Nama :
E-mail :
Web : tanpa http://
Komentar :
Verification Code :