Learning – 2
Neural Network
(Program)
Dr. Ahmad Fauzi, [Link], Dr. Amril Mutoi, [Link]., Dr. Shofa Shofia H., [Link].
Program Studi Teknik Informatika, Fakultas Ilmu Komputer #10
Universitas Buana Perjuangan Karawang
2024
Contoh Kasus
Agent
Bisakah mengetahui polanya, berapa hasil output pada New situation ?
Selesaikan dengan menerapkan NN pada bahasa pemrograman
Membuat Model
• Otak manusia terdiri dari 100 miliar sel
yang disebut neuron, dihubungkan
melalui sinapsis. Jika masukan sinaptik
yang cukup ke neuron diaktifkan, neuron
tersebut juga akan diaktifkan. Proses ini
disebut “berpikir”
• Matriks digunakan berisi angka-angka.
Permodelan dibuat sangat sederhana
berupa satu neuron, dengan tiga
masukan dan satu keluaran.
Proses Training
1. Gunakan data contoh sebagai set pelatihan, sesuaikan dengan bobotnya,
dan teruskan melalui rumus untuk menghitung keluaran neuron.
2. Hitung errornya, yaitu selisih antara keluaran neuron dan keluaran yang
diinginkan pada contoh set pelatihan.
3. Tergantung pada arah kesalahannya, sesuaikan sedikit bobotnya.
4. Ulangi proses ini 10.000 kali.
Menghitung keluaran neuron
• Rumus menghitung keluaran neuron
• Menormalkan sehingga hasilnya antara 0 dan 1 dengan fungsi Sigmoid
: sehingga menjadi
• Kurva Sigmoid
Penyesuaian bobot
• Selama proses training dilakukan penyesuaian bobot untuk membuat penyesuaian
proporsional dengan ukuran kesalahannya kemudian kalikan dengan inputnya, yaitu
0 atau 1. Jika inputnya 0, bobotnya tidak disesuaikan. Rumus Derivatif Tertimbang
Kesalahan
• Perkalian menggunakan gradien kurva sigmoid untuk menghitung keluaran neuron.
Jika keluarannya berupa angka positif atau negatif yang besar, ini menandakan
neuron tersebut cukup percaya diri. Jika neuron yakin bahwa bobot yang ada sudah
benar, ia tidak akan mau menyesuaikannya terlalu banyak.
Hasil substitusi persamaan di atas untuk penyesuaian bobot adalah:
Terdapat rumus alternatif yang memungkinkan neuron belajar lebih cepat, namun rumus ini
mempunyai keuntungan karena cukup sederhana.
Code Python3
from numpy import exp, array, random, dot
training_set_inputs = array([[0, 0, 1], [1, 1, 1], [1, 0, 1], [0, 1, 1]])
training_set_outputs = array([[0, 1, 1, 0]]).T
[Link](1)
synaptic_weights = 2 * [Link]((3, 1)) - 1
for iteration in range(100):
output = 1 / (1 + exp(-(dot(training_set_inputs, synaptic_weights))))
synaptic_weights += dot(training_set_inputs.T, (training_set_outputs -
output) * output * (1 - output))
hasil = 1 / (1 + exp(-(dot(array([1, 0, 0]), synaptic_weights))))
print (hasil)
Hasil Program
Tugas
• Terapkanlan NN pada kasus sederhana lainnya menggunakan bahasa
pemrograman
• Buatkan penjelasan berikut disertai tangkapan layar kode dan
tampilan hasil program
➢ Jelaskan code program dikaitkan dengan proses pada NN
➢ Jelaskan fungsi aktivasi yang digunakan
• Kerjakan dalam kelompok maksimal 2 orang, upload tugas dalam
bentuk PDF
Sumber
• Milo Spencer-Harper, 2015, How to build a simple neural network in 9
lines of Python code, online: [Link]