Data Mining – Konsep Jaringan Syaraf Tiruan (JST)


Pada bagian akan kita bahas secara ringkas tentang konsep jaringan syaraf tiruan (JST) yang merupakan  salah satu metode analisis yang dapat digunakan dalam data mining.

Definisi jaringan syaraf tiruan

  • Hecht-Nielsend (1988), “Suatu neural network (NN), adalah suatu struktur pemroses informasi yang terdistribusi dan bekerja secara paralel, yang terdiri atas elemen pemroses (yang memiliki memori lokal dan beroperasi dengan informasi lokal) yang diinterkoneksi bersama dengan alur sinyal searah yang disebut koneksi. Setiap elemen pemroses memiliki koneksi keluaran tunggal yang bercabang (fan out) ke sejumlah koneksi kolateral yang diinginkan (setiap koneksi membawa sinyal yang sama dari keluaran elemen pemroses tersebut). Keluaran dari elemen pemroses tersebut dapat merupakan sebarang jenis persamaan matematis yang diinginkan. Seluruh proses yang berlangsung pada setiap elemen pemroses harus benar-benar dilakukan secara lokal, yaitu keluaran hanya bergantung pada nilai masukan pada saat itu yang diperoleh melalui koneksi dan nilai yang tersimpan dalam memori lokal”.
  • Haykin, S. (1994), Sebuah jaringan saraf adalah sebuah prosesor yang terdistribusi paralel dan mempuyai kecenderungan untuk menyimpan pengetahuan yang didapatkannya dari pengalaman dan membuatnya tetap tersedia untuk digunakan. Hal ini menyerupai kerja otak dalam dua hal yaitu: 1. Pengetahuan diperoleh oleh jaringan melalui suatu proses belajar. 2. Kekuatan hubungan antar sel saraf yang dikenal dengan bobot sinapsis digunakan untuk menyimpan pengetahuan.
  • Zurada, J.M. (1992), Sistem saraf tiruan atau jaringan saraf tiruan adalah sistem selular fisik yang dapat memperoleh, menyimpan dan menggunakan pengetahuan yang didapatkan dari pengalaman.
  • DARPA Neural Network Study (1988), Sebuah jaringan syaraf adalah sebuah sistem yang dibentuk dari sejumlah elemen pemroses sederhana yang bekerja secara paralel dimana fungsinya ditentukan oleh stuktur jaringan, kekuatan hubungan, dan pegolahan dilakukan pada komputasi elemen atau nodes
  • JJ Siang,  sistem pemrosesan informasi yang memiliki karakteristik mirip dengan jaringan syaraf manusia.

Asumsi Jaringan Syaraf  Tiruan

Jaringan syaraf tiruan dibentuk sebagai generalisasi model matematika dari jaringan syaraf manusia, dengan asumsi JST:

  • Pemrosesan terjadi pada banyak elemen yang sederhana
  • Sinyal dikirim diantara neuron2 melalui sinapsis
  • Sinapsis memiliki bobot yang akan memperkuat atau memperlemah sinyal.
  • Output ditentukan menggunakan fungsi aktivasi yang dikenakan pada jumlah input yang diterima
  • Output dibandingan dengan suatu tracehold.

Syaraf Biologi

Karakteristik syaraf biologi:

  • Jaringan Syaraf Tiruan keluar dari penelitian kecerdasan buatan, terutama percobaan untuk menirukan  fault-tolerence dan kemampuan untuk belajar dari sistem  syaraf biologi dengan model struktur low-level  dari otak.
    Otak terdiri dari sekitar (10.000.000.000) sel syaraf yang saling berhubungan.
  • Sel syaraf mempunyai cabang struktur input (dendrites), sebuah inti sel dan percabangan  struktur output (axon).  Axon dari sebuah sel terhubung dengan dendrites yang lain  melalui sebuah synapse.
  • Ketika sebuah sel  syaraf aktif, kemudian menimbulkan suatu signal electrochemical pada axon.  Signal ini melewati synapses menuju ke sel syaraf  yang lain.
  • Sebuah sel syaraf lain akan mendapatkan signal jika memenuhi batasan tertentu yang sering disebut dengan nilai ambang atau (threshold).

JST - Susunan Syaraf manusia

JST - Susunan Syaraf manusia

  • Tidak ada dua otak manusia yang sama, setiap otak selalu berbeda. Beda dalam ketajaman, ukuran dan pengorganisasiannya. Salah satu cara untuk memahami bagaimana otak bekerja adalah dengan mengumpulkan informasi dari sebanyak mungkin scan otak manusia dan memetakannya. Hal tersebut merupakan upaya untuk menemukan cara kerja rata-rata otak manusia itu. Peta otak manusia diharapkan dapat menjelaskan misteri mengenai bagaimana otak mengendalikan setiap tindak tanduk manusia, mulai dari penggunaan bahasa hingga gerakan. Walaupun demikian kepastian cara kerja otak manusia masih merupakan suatu misteri. Meski beberapa aspek dari prosesor yang menakjubkan ini telah diketahui tetapi itu tidaklah banyak. Beberapa aspek-aspek tersebut, yaitu :
    • Tiap bagian pada otak manusia memiliki alamat, dalam bentuk formula kimia, dan sistem saraf manusia berusaha untuk mendapatkan alamat yang cocok untuk setiap akson (saraf penghubung) yang dibentuk.
    • Melalui pembelajaran, pengalaman dan interaksi antara sistem maka struktur dari otak itu sendiri akan mengatur fungsi-fungsi dari setiap bagiannya.
    • Axon-axon pada daerah yang berdekatan akan berkembang dan mempunyai bentuk fisik mirip, sehingga terkelompok dengan arsitektur tertentu pada otak.
    • Axon berdasarkan arsitekturnya bertumbuh dalam urutan waktu, dan terhubung pada struktur otak yang berkembang dengan urutan waktu yang sama.
  • Berdasarkan keempat aspek tersebut di atas dapat ditarik suatu kesimpulan bahwa otak tidak seluruhnya terbentuk oleh proses genetis. Terdapat proses lain yang ikut membentuk fungsi dari bagian-bagian otak, yang pada akhirnya menentukan bagaimana suatu informasi diproses oleh otak.
  • Elemen yang paling mendasar dari jaringan saraf adalah sel saraf. Sel-sel saraf inilah membentuk bagian kesadaran manusia yang meliputi beberapa kemampuan umum. Pada dasarnya sel saraf biologi menerima masukan dari sumber yang lain dan mengkombinasikannya dengan beberapa cara, melaksanakan suatu operasi yang non-linear untuk mendapatkan hasil dan kemudian mengeluarkan hasil akhir tersebut.
  • Dalam tubuh manusia terdapat banyak variasi tipe dasar sel saraf, sehingga proses berpikir manusia menjadi sulit untuk direplikasi secara elektrik. Sekalipun demikian, semua sel saraf alami mempunyai empat komponen dasar yang sama. Keempat komponen dasar ini diketahui berdasarkan nama biologinya yaitu, dendrit, soma, akson, dan sinapsis. Dendrit merupakan suatu perluasan dari soma yang menyerupai rambut dan bertindak sebagai saluran masukan. Saluran masukan ini menerima masukan dari sel saraf lainnya melalui sinapsis. Soma dalam hal ini kemudian memproses nilai masukan menjadi sebuah output yang kemudian dikirim ke sel saraf lainnya melalui akson dan sinapsis.
  • Penelitian terbaru memberikan bukti lebih lanjut bahwa sel saraf biologi mempunyai struktur yang lebih kompleks dan lebih canggih daripada sel saraf buatan yang kemudian dibentuk menjadi jaringan saraf buatan yang ada sekarang ini. Ilmu biologi menyediakan suatu pemahaman yang lebih baik tentang sel saraf sehingga memberikan keuntungan kepada para perancang jaringan untuk dapat terus meningkatkan sistem jaringan saraf buatan yang ada berdasarkan pada pemahaman terhadap otak biologi.
  • Sel saraf-sel saraf ini terhubung satu dengan yang lainnya melalui sinapsis. Sel saraf dapat menerima rangsangan berupa sinyal elektrokimiawi dari sel saraf-sel saraf yang lain. Berdasarkan rangsangan tersebut, sel saraf akan mengirimkan sinyal atau tidak berdasarkan kondisi tertentu. Konsep dasar semacam inilah yang ingin dicoba para ahli dalam menciptakan sel tiruan.

Jaringan Syaraf Manusia

  • Struktur sangat kompleks
  • Kemampuan luar biasa
  • Terdiri dari Neuron dan Penghubung (sinapsis)
  • Neuron: 1012 dan Sinapsis: 6.1018
  • Karena jumlah yang banyak, maka mampu mengenali pola, melakukan perhitungan dan mengontrol tubuh dengan kecepatan yang lebih tinggi dari pada komputer digital. Ex: mampu mengenali wajah seseorang yang sedikit berubah
  • Otak mempunyai struktur yang menakjubkan karena kemampuannya membentuk sendiri aturan/aturan atau pola  berdasarkan pengalaman
  • Jumlah dan kemampuanya berkembang seiring pertumbuhan fisik manusia
  • Tahun pertama umur manusia, terbentuk 1 Juta sinapsis perdetiknya

Sejarah JST

Saat ini bidang kecerdasan buatan dalam usahanya menirukan intelegensi manusia, belum mengadakan pendekatan dalam bentuk fisiknya melainkan dari sisi yang lain. Pertama-tama diadakan studi mengenai teori dasar mekanisme proses terjadinya intelegensi. Bidang ini disebut ‘Cognitive Science’. Dari teori dasar ini dibuatlah suatu model untuk disimulasikan pada komputer, dan dalam perkembangannya yang lebih lanjut dikenal berbagai sistem kecerdasan buatan yang salah satunya adalah jaringan saraf tiruan. Dibandingkan dengan bidang ilmu yang lain, jaringan saraf tiruan relatif masih baru. Sejumlah literatur menganggap bahwa konsep jaringan saraf tiruan bermula pada makalah Waffen McCulloch dan Walter Pitts pada tahun 1943. Dalam makalah tersebut mereka mencoba untuk memformulasikan model matematis sel-sel otak. Metode yang dikembangkan berdasarkan sistem saraf biologi ini, merupakan suatu langkah maju dalam industri komputer.

Berikut perkembangan sejarah jararingan syaraf tiruan diurutkan berdasarkan waktu:

  • 1943, McCulloch & Pitts memperkenalkan JST sederhana.
  • 1958, Rosenbelatt JST dengan model perceteron.
  • 1960, Widrow dan Hoff, JST Percepteron dengan pelatihan.
  • 1986, Rumelhart, JST Backpropagation (beberapa layer)
  • 1976, Kohenen, JST model kohenen
  • 1982, Hopfield, JST model Hopfield

Komponen Neuron

  • Dendrit, berfungsi sebagai alat input penerima impuls yang dikirim secara elektrokimiawi oleh dari neuron lain melalui celah sinapsis. Pada celah sinasis ini, kemudian impuls tersesbut diperkuat atau diperlemah.
  • Soma, berfungsi menjumlahkan impuls-impuls yang masuk.
  • Axon, berfungsi menerima jumlahan impuls yang cukup kuat dan melebihi ambang batas (trasehold) dan mengirimkannya ke neuron yang lain.

Aplikasi Jaringan Syaraf Tiruan

  • Pengenalan Pola, Mengenali pola: huruf, angka, suara, tanda tangan
  • Pemrosesan Sinyal, merduksi noise dalam salauran telepon
  • Peramalam, Memprediksi yang akan terjadi pada masa depan berdasarkan pola kejadian pada masa lampau.
Kelebihan Jaringan Syaraf Tiruan
  • Handal,  Jaringan Syaraf Tiruan adalah teknik pemodelan yang sangat memuaskan yang  dapat membuat model suatu fungsi yang sangat kompleks.  Khususnya Jaringan Syaraf  Tiruan nonlinear.  Sejak beberapa tahun, model linear umumnya digunakan dimana  model linear dikenal dengan strategi optimasi.  Jaringan Syaraf Tiruan juga menggunakanmodel nonlinear dengan berbagai variabel.
  • Mudah digunakan. Jaringan Syaraf Tiruan dipelajari dengan contoh. PenggunaJaringan Syaraf Tiruan mengumpulkan data dan melakukan pembelajaran algoritmauntuk mempelajari secara otomatis struktur data, sehingga pengguna tidak memerlukan pengetahuan khusus mengenai bagaimana memilih dan mempersiapkan data, bagaimanamemilih Jaringan Syaraf Tiruan yang tepat, bagaimana membaca hasil, tingkatanpengetahuan yang diperlukan untuk keberhasilan Menggunakan Jaringan Syaraf Tiruantidak lebih dari pemecahan masalah yang menggunakan metode statistik nonlinear yangtelah dikenal.
Keterbatasn Jaringan Syaraf Tiruan
  • Ketidak akuratan hasil yang diperoleh
  • Bekerja berdasarkan pola yang terbentuk pada inputnya

Bidang kecerdasan buatan dalam usahanya menirukan intelegensi manusia, belum mengadakan pendekatan dalam bentuk fisiknya melainkan dari sisi yang lain. Pertama-tama diadakan studi mengenai teori dasar mekanisme proses terjadinya intelegensi. Bidang ini disebut ‘Cognitive Science’. Dari teori dasar ini dibuatlah suatu model untuk disimulasikan pada komputer, dan dalam perkembangannya yang lebih lanjut dikenal berbagai sistem kecerdasan buatan yang salah satunya adalah jaringan saraf tiruan. Dibandingkan dengan bidang ilmu yang lain, jaringan saraf tiruan relatif masih baru. Sejumlah literatur menganggap bahwa konsep jaringan saraf tiruan bermula pada makalah Waffen McCulloch dan Walter Pitts pada tahun 1943. Dalam makalah tersebut mereka mencoba untuk memformulasikan model matematis sel-sel otak. Metode yang dikembangkan berdasarkan sistem saraf biologi ini, merupakan suatu langkah maju dalam industri komputer.

About these ads

49 thoughts on “Data Mining – Konsep Jaringan Syaraf Tiruan (JST)

  1. Wah saya dari dulu tertarik mempelajari data mining. Sempat mempelajari konsep Neural Network, tapi msh awal krn buku referensinya sulit sekali dimengerti. Saya ngertiin Hadamard Walsh aja harus berjam-jam karena keterangannya hanya sedikit.

    Oh iya pak, saya sebagai mahasiswa, di Universitas Multimedia Nusantara :D, saya mau tanya ada referensi e-Book gratisan ga untuk data mining yg komprehensif dan cukup memprovide analisis?

    Oh iya berhubung saya juga punya blog saya mengharapkan kunjungan balik bapak yah di blog saya mengenai seputar dunia IT di http://hihia.co.cc :D

    Terima kasih pak Fairuz, salam :D

  2. Mw nanya ada source kode JST backpropagation dengan delphi ada gak pak??
    tlg krm ke email …
    mhn bantuannya. makasih pak…..

  3. aku mau bertanya nih..
    gmn ya cara menggunakan toolbox matlab dalam pengaplikasian backpropagation…apakan anda punya..mohon bantuannya

    terima kasih

    • Ada toolboxnya, contoh ini mungkin bisa membantu Anda. Contoh kasus: prediksi jumlah mahasiswa. Copy paste code berikut menggunakan notepad atau editor matlab simpan dalam bentuk m-file:

      clear;
      % Data Input & Target
      %Data = [...
      %35 33 28
      %33 28 38
      %28 38 39
      %38 39 45
      %39 45 28
      %45 28 30
      %28 30 35]
      disp(‘=================================================’);
      disp(‘=================================================’);
      disp(‘== Aplikasi Jaringan Saraf Tiruan ==’);
      disp(‘== Untuk Prediksi Jumlah Mahasiswa ==’);
      disp(‘== Fakultas Teknik Universitas PGRI Yogyakarta ==’);
      disp(‘== ==’);
      disp(‘== Data pelatihan berbentuk matriks 3 kolom ==’);
      disp(‘== sebanyak 7 data ==’);
      disp(‘== t-1(kolom I) dan t (kolom II)adalah Data ==’);
      disp(‘== t+1 (kolom III) adalah target ==’);
      disp(‘=================================================’);
      disp(‘=================================================’);

      Data = input(‘Masukkan data pelatihan (3 kolom) : ‘);
      P = Data(:,1:2)’;
      T = Data(:,3)’;
      %preprocessing
      [pn,meanp,stdp,tn,meant,stdt] = prestd(P,T)
      %membangun jaringan saraf feedforward
      net = newff(minmax(pn),[10 5 1],{‘tansig’ ‘logsig’ ‘purelin’},’traingdm’);
      %Bobot awal ditentukan sebagai berikut:
      net.IW{1,1} =[...

      -2.0848 2.5507
      -1.6969 -2.8497
      -1.1449 -3.1381
      1.9847 -2.6372
      -0.1614 3.3559
      2.8928 1.4420
      -0.2593 3.3491
      -2.0153 2.6115
      -1.4173 -3.0132
      -0.8961 -3.2259];

      net.b{1,1} =[...

      4.0683
      4.7329
      3.7198
      -1.0670
      -0.5500
      -0.6096
      -2.4939
      -2.8533
      -2.1631
      -3.1936];

      net.LW{2,1} =[...

      0.7237 1.4664 0.6983 0.7618 0.8991 -0.4993 0.5472 -0.0616 1.1767 -2.0808
      1.2012 1.5126 1.1904 -1.3670 -0.5564 0.7989 0.3384 -1.6167 -0.0774 0.3437
      -0.4689 1.5864 -1.1563 0.1843 0.4809 1.2753 0.8180 0.7579 -1.4558 1.2202
      -1.5687 1.1034 1.2957 1.3814 0.6372 -0.4109 0.0362 1.5450 0.5277 0.5568
      -0.3691 -0.6090 0.3187 -0.7590 -0.4735 -0.3442 1.2729 1.4122 -0.6200 2.3001];

      net.b{2,1} =[...

      -3.2889
      -1.6445
      0
      -1.6445
      -3.2889];

      net.LW{3,2} =[...

      0.9233 -0.8823 -0.2794 0.0970 -0.4765];

      net.b{3,1} =[...

      0.1947];

      %melihat bobot-bobot awal input, lapisan, dan bias
      BobotAwal_Input = net.IW{1,1}
      BobotAwal_Bias_Input = net.b{1,1}
      BobotAwal_Lapisan1 = net.LW{2,1}
      BobotAwal_Bias_Lapisan1 = net.b{2,1}
      BobotAwal_Lapisan2 = net.LW{3,2}
      BobotAwal_Bias_Lapisan2 = net.b{3,1}

      %set max epoh, goal, learning rate,show step
      net.trainParam.epochs =5000;
      net.trainParam.goal =1e-2;
      net.trainParam.lr =0.5;
      net.trainParam.show =200;
      net.trainParam.mc =0.8;

      %melakukan pembelajaran
      net = train(net,pn,tn);pause

      %melihat bobot-bobot akhir input, lapisan, dan bias
      BobotAkhir_Input = net.IW{1,1}
      BobotAkhir_Bias_Input = net.b{1,1}
      BobotAkhir_Lapisan1 = net.LW{2,1}
      BobotAkhir_Bias_Lapisan1 = net.b{2,1}
      BobotAkhir_Lapisan2 = net.LW{3,2}
      BobotAkhir_Bias_Lapisan2 = net.b{3,1}

      %melakukan simulasi
      an = sim(net,pn);
      a = poststd(an,meant,stdt);
      H = [(1:size(P,2))' T' a' (T'-a')];
      sprintf(‘%2d %9.2f %7.2f %5.2f\n’,H’)

      %evaluasi output jaringan (data pelatihan dengan target)
      [m1,al,r1] = postreg(a,T)
      pause
      plot([1:size(P,2)]‘,T,’bo’,[1:size(P,2)]‘,a’,’r*’);
      title(‘Hasil Pengujian dengan Data Pelatihan: Target(o), Output(*)’);
      pause
      xlabel(‘Data ke-’); ylabel(‘Target/Output’);
      pause
      %Input Baru Q akan d test, dengan target TQ
      %Cek = [...
      %30 35 36
      %35 36 66
      %36 66 35
      %66 35 33];
      disp(‘=================================================’);
      disp(‘=================================================’);
      disp(‘== Aplikasi Jaringan Saraf Tiruan ==’);
      disp(‘== Untuk Prediksi Jumlah Mahasiswa ==’);
      disp(‘== Fakultas Teknik Universitas PGRI Yogyakarta ==’);
      disp(‘== ==’);
      disp(‘== Data pengujian berbentuk matriks 3 kolom ==’);
      disp(‘== sebanyak 4 data ==’);
      disp(‘== t-1(kolom I) dan t (kolom II)adalah Data ==’);
      disp(‘== t+1 (kolom III) adalah target ==’);
      disp(‘=================================================’);
      disp(‘=================================================’);

      Cek = input(‘Masukkan data pengujian (3 kolom) : ‘);
      Q = Cek(:,1:2)’;
      TQ = Cek(:,3)’

      %Normalisasi Input Baru
      Qn = trastd(Q,meanp,stdp);
      bn = sim(net,Qn)
      b = poststd(bn,meant,stdt)
      L = [(1:size(Q,2))' TQ' b' (TQ'-b')];
      sprintf(‘%2d %11.2f %9.2f %7.2f\n’,L’)

      %Evaluasi Output Jaringan (data testing dengan target)
      [m2,b1,r2] = postreg(b,TQ)
      pause
      k = [1:size(Q,2)]‘;
      plot(k,TQ,’bo’,k,b’,’r*’);
      title(‘Hasil Pengujian dengan Data Pelatihan Target (o), Output(*)’);
      xlabel(‘Data ke-’); ylabel(‘Target/Output’);
      text(k+0.2*ones(length(k),1),TQ,int2str(k));

      %perintah implementasi peramalan
      disp (‘*************************************************’);
      disp (‘*************************************************’);
      disp (‘** Aplikasi Jaringan Saraf Tiruan **’);
      disp (‘** Untuk Prediksi Jumlah Mahasiswa **’);
      disp (‘** Fakultas Teknik Universitas PGRI Yogyakarta **’);
      disp (‘** **’);
      disp (‘** Inputkan data **’);
      disp (‘** **’);
      disp (‘** Jumlah Mahasiswa 2 tahun sebelumnya **’);
      disp (‘** **’);
      disp (‘*************************************************’);
      disp (‘*************************************************’);

      ramal = input(‘ Masukkan Data Jumlah Mahasiswa : ‘);
      ramal = (ramal)’;
      QQn = trastd(ramal,meanp,stdp);
      bbn = sim (net,QQn);
      bb = poststd(bbn,meant,stdt);
      disp(‘^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^’);
      disp(‘^^ ^^’);
      disp(‘^^ Hasil ramalan untuk tahun berikutnya : ^^’);
      disp(bb);
      disp(‘^^ ^^’);
      disp(‘^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^’);

      • saya sudah mencoba untuk menjalankannya..tapi saat pengingputan selalu gagal. bolehkah saya tau berapa nilai inputan yang harus saya masukkan…
        terima kasih

      • maaff apakah nilai net. lw dkk itu dicari lewat apa ya. apakah penggunaannya random atau sudah ditentukan. terima kasih….
        maaf merepotkan…

        terima kasih,
        meila

  4. Terima kasih bantuannya saya akan mencobanya..
    maaf saya mau bertanya lagi untuk masalah klasifikasi apakah bisa dipergunakan di dalam backpropagation.
    saya sedang mempelajarinya untuk bahan skripsi saya, saya masih bingung untuk cara penyimpanan aplikasi bobotnya…

    • Backpropagation bisa juga untuk klasifikasi walaupun paling sering digunakan untuk prediksi. Mungkin link ini bisa membantu anda: http://journal.uii.ac.id/index.php/Snati/article/view/1279/1087.
      Saya sarankan menggunakan buku pak JJ. Siang, Jaringan Syaraf Tiruan, dalam matlab sangat mudah dalam menyimpan bobot awal. Pertama desain jaringan anda. Misalnya berapa jumlah input, berapa lapisan, dan berapa node setiap lapisan, dan berapa jumlah keluaran. Berdasarkan desaiin itu, bangunlah jaringan dengan menetukan bobot awalnya. Gunakan net.IW untuk menetukan bobot awal input, net.b untuk menetukan bobot awal bias input, net.LW untuk menentukan setiap bobot lapisan-lapisan. Pelajari script contoh sebelumnya, mudah2an bisa mencerahkan mbak meila.

      BobotAwal_Input = net.IW{1,1}
      BobotAwal_Bias_Input = net.b{1,1}
      BobotAwal_Lapisan1 = net.LW{2,1}
      BobotAwal_Bias_Lapisan1 = net.b{2,1}
      BobotAwal_Lapisan2 = net.LW{3,2}
      BobotAwal_Bias_Lapisan2 = net.b{3,1}

    • Bisa menggunakan jaringan kohonen. kalo dimatlab menggunakan perintah.
      >> net = newc(PR, S, KLR, CLR)

      untuk data latihannya bisa menggunakan perintah
      >> net = train(net, p);

      Saya sarankan bukunya pak JJ. Siang. Semoga jawaban ini bisa sedikiit membantu.

      • iya pak saya sudah membelinya dan sedang mencobanya,,,jika saya mengalami kesulitan saya mohon bantuannya…

        terima kasih
        meila

  5. Saya sedang buat Aplikasi peramalan penjualan dengan menggunakan JST Backpropagation, buatnya pake GUI Matlab.
    Nah sampai tahap pelatihan saya lancar tapi pas mw evaluasi data selalu keluar
    “unknown variabel trastd” kenapa ya ?

  6. Mas, saya sudah coba codenya tapi selalu keluar error message :

    ??? Undefined function or variable ‘meanp’.

    itu kenapa ya ?

  7. pak, saya mau membuat prediksi nilai IPK berdasarkan nilai Ujian Saringan Masuk dengan menggunakan algoritma Bayesian. Kira – kira membuat pohon keputusannya gimana ya pak??? Thx

  8. aslkm…
    maaf pak, saya sedang menyusun tugas akhir untuk peramalan menggunakan JST dan resilient propagation, saya ingin menggunakan encog (java), apakah bapak memiliki tutorial ttg hal tsb yg dalam bahasa indonesia?
    terimakasih ya pak ^____^

  9. mw nanya…saya bingung sama algoritma backpropagation, punya contoh perhitungan manual untuk backprogation g… mulai dari inisialisasi

  10. maaf pak saya mau tanya, apakah bapak punya tutorial cara penggunaan neural network toolbox di matlab 6.5…saya masih bingung cara penggunaannya.terima kasih

  11. ass…saya memakai JST back propagation brdasarkan bukunya JJ Siang untuk memprediksi curah hujan,,,saya mau tanya ; mengapa setiap di-run hasilnya selalu berbeda meskipun tidak ada parameter yang diganti ????????????,,,,apa karena inisialisasi bobotnya yg selalu acak ( net=init (net)) ???????…so bgmn solusinya????????????,mohon di balas yach…thank’s

  12. Asslm, saya sedang menyusun proposal tesis mengenai penggunaan JST backpropagation dalam memprediksi kebutuhan air di kota besar. apakah kita dapat meramalkan walaupun hanya menggunakan 1 parameter saja yaitu penggunaan air bersih pada tahun sebelumnya? bagaimana dengan tingkat akurasinya? terima kasih. email saya xxx@dudy.co.cc

      • apakah bisa hanya dengan 12 bulan terakhir untuk memprediksi 1 bln kedepan. dan bagaimana untuk memprediksi hingga 20 tahun kedepan bila data yang dimiliki adalah data bulanan? mohon pencerahannya.

  13. pak saya sedang bikin tugas besar matlab 7 tentang identifikasi mutu fisik jagung dengan menggunakan pengolahan citra digital dan jaringan syaraf tiruan,. kesulitan saya ada di jaringan syaraf tiruan atau JST nya.. bisa minta tolong untuk sciptnya pak? pilihan buttonnya ada biji utuh, biji rusak, dan biji patah..
    trims..

  14. pak, saya sdg bikin aplikasi data mining menggunakan jst, tapi saya bingung menggunakan pemrograman apa..
    kalau pake java bisa ga ya pak?
    kalau pake matlab apakah bisa merancang interface buat user?

  15. Aslm..
    pak, saya bingung kenapa terjadi error pada saat saya me-run untuk pengujian..dmn dalam data pengujian tersebut terdapat 15 baris dan 6 kolom,sdkgn untuk data pelatihan ada 30 baris dan 6 kolom..bgaimana yaa pak cara menyelesaikannya ketika mggunakan “trastd”..
    Mohon bantuannya..Terimakasih..
    Wslm..

  16. Asslm,
    Saya masih belum paham dengan digunakannya fungsi aktivasi purelin pada output layer. Adakah alasan digunakan fungsi tersebut mengingat fungsi purelin adalah untuk me-linear-kan sedangkan neural network adalah non-linear.

  17. pak, mau tanya . . . saya sedang nyusun skripsi nih tentang prediksi masa studi mahasiswa menggunakan algoritma backpropagation. saya bingung script program pelatihan dan pengujiannya di matlab, saya belum begitu menguasai matlab. Bapak bisa bantu saya pak? inputnya IPK semester 1,2,3 dan output targetnya lama masa studi mahasiswa tersebut. script pelatihan dan pengujiannya gimana pak?

  18. Assalamualaikum.wr.wb

    Saya ada tugas klasifikasi bunga iris pakai matlab, tapi saya belum belajar sama sekali, boleh saya di bantu di bantu source codenya…

    Terima Kasih
    Wassalamualaikum.wr.wb

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Logout / Ubah )

Twitter picture

You are commenting using your Twitter account. Logout / Ubah )

Facebook photo

You are commenting using your Facebook account. Logout / Ubah )

Google+ photo

You are commenting using your Google+ account. Logout / Ubah )

Connecting to %s