JARINGAN SARAF TIRUAN BACKPROPAGATION

Backpropagation

Jaringan saraf tiruan backpropagation adalah suatu model jaringan saraf tiruan yang paling sering dipakai karena memiliki unjuk kerja yang baik dari sisi tingkat ketelitiannya. Selain itu, jaringan ini juga memiliki kemudahan dalam melakukan pelatihan.

               Pada jaringan saraf tiruan backpropagation, kesalahan pada lapisan keluaran dipropagasikan kembali ke lapisan sebelumnya yang sedang belajar. Jika lapisan sesudahnya bukan lapisan masukan, maka kesalahan pada lapisan tersembunyi dipropagasikan kembali ke lapisan sebelumnya.

  Link Download Disini 

Boltzmann Machine

Boltzmann Machine

Jaringan saraf Boltzmann Machine dikenalkan oleh Hinton dan Sejnowski pada tahun 1983. Metode Boltzmann Machine sendiri ada dua macam yaitu Boltzmann Machine dengan learning dan Boltzmann Machine tanpa learning.

            Jaringan saraf Boltzmann Machine dengan learning adalah jaringan yang mengatur bobotnya sehingga bentuk atau susunan keseimbangan jaringan akan memecahkan masalah yang diberikan, misalnya masalah encoder. Sedangkan jaringan saraf Boltzmann Machine tanpa learning adalah salah satu jaringan saraf tiruan yang digunakan untuk memecahkan masalah constrained optimization atau masalah yang cara pemecahannya dengan memberikan sejumlah nilai maksimum atau minimum.

Link Download Disini Dasar Teori

Paper Aplikasi Jaringan Syaraf Tiruan BRAIN STATE IN A BOX UNTUK MENGENALI GAMBAR YANG DIBERI NOISE

Silahkan dowload disini

TUGAS NEURAL NETWORK

 

 Kirim ke email ifas95@gmail.com paling lambat hari rabu jam 16.00

Read More:

Comparason of Search method shortest path between KohonenSelf-Organizing Maps with Boltzmann neural network Machine

Read More:

Introduction of expert systems

TUGAS kelas reguler JST

1. Jelaskan fungsi kecepatan belajar pada jaringan backpropagation
2. Jelaskan fungsi momentum pada jaringan backpropagation
3. Sebutkan jaringan yang termasuk dalam pembelajaran supervised dan unsupervised

Jawaban kirim ke email ardi_iin@yahoo.com tanggal 5/01/2011

BAB IV DELTA RULE, ADALINE DAN MADALINE
Pada delta rule akan mengubah bobot yang menghubungkan antara jaringan input ke unit output (y_in) dengan nilai target (t). Hal ini dilakukan untuk meminimalkan error selama pelatihan pola. Perbailan bobot ke_i untuk setiap pola pada Delta rule adalah :
∆wi = α (t-y_in) * xi
diamana :
x = vektor input.
y_in = input jaringan ke output Y.

y_in = ∑ xi * wi

t = target (output)
Nilai w baru diperoleh dari nilai w lama ditambahkan dengan ∆w.
∆wi = wi + ∆wi

Contoh Soal :
Berikut ini adalah contoh pemetaan sebuah jaringan saraf heteroassosiative dengan menggunakan vektor input s (s1,s2,s3,s4) ke vektor output t (t1,t2)
Pasangan s1 s2 s3 s4 t1 t2
1 1 0 0 0 1 0
2 1 1 0 0 1 0
3 0 0 0 1 0 1
4 0 0 1 1 0 1
Pelatihan yang akan digunakan dalam mengenali pola contoh diatas adalah dengan aturan delta rule, yaitu :
∆wi = α (t – y_in) * xi atau ∆wi = wi + ∆wi
Adapun algoritma dari pelatihan pola tersebut adalah : (hanya bobot yang berubah pada masing-masing langkah dalam proses yang akan diperlihatkan).
Langkah 1 : Matriks bobot untuk menyimpan pasangan pola pertama yaitu s = (1,0,0,0) dan t = (1,0) diperoleh dengan cara perkalian dari sebuah pasangan vektor pelatihan diletakkan sebagai vektor kolom dan vektor target diletakkan sebagai vektor baris, sehingga hasilnya sebagai berikut :