MODUL PRAKTIKUM - Repository.unas.ac.id
MODUL PRAKTIKUMPeruntukkan Mata Kuliah: Jaringan Syaraf Tiruan (2 SKS)Deep Learning (2 SKS)Kecerdasan Buatan & Fuzzy Logic (2 SKS)Dosen Pengampu:Dr. Ucuk Darusalam, ST, MTLaboratorium Artificial IntelegenceProgram Studi InformatikaFakultas Teknologi Komunikasi dan InformatikaUniversitas NasionalJl. Sawo Manila No. 61, Jakarta, 12520www.unas.ac.id
Designed by Dr. Ucuk Darusalam, ST, MTKata PengantarJaringan Syaraf Tiruan atau Neural Network merupakan algoritma yangpaling fundamental dalam pengembangan teknologi kecerdasan buatan atauartificial intelegence (AI). Hingga kini JST telah dikembangkan menjadi DeepLearning, untuk meningkatkan kapasitas kemampuan JST dalam menganalisa suatupemecahan masalah yang komplek berbasis data dan pembelajaran serta evaluasi.Untuk itu Modul Praktikum JST ini dapat digunakan untuk 3 mata kuliah yakni:1. Jaringan Syaraf Tiruan (Mata Kuliah Pilihan Prodi, 2 SKS)2. Deep Learning (Mata Kuliah Pilihan Prodi, 2 SKS)3. Kecerdasan Buatan & Logika Fuzzy (Mata Kuliah Prodi, 2 SKS)Pada modul ini dirancang kemampuan dasar dalam penguasaan metode JST yangdapat digunakan untuk AI atau Deep Learning. Mahasiswa dikenalkan prinsip dasarJST dan cara melakukan simulasi contoh-contoh kasus. Simulasi di lakukan diMatlab yang dapat diinstalasi secara mandiri oleh mahasiswa. Sehingga praktikumdapat dilakukan secara mandiri di rumah atau di Laboratorium.Jakarta, .Mei 2019Dr. Ucuk Darusalam, ST, MTModul Praktikum Jaringan Syaraf Tiruan2
Designed by Dr. Ucuk Darusalam, ST, MTTujuan PraktikumCapaian Pembelajaran Praktikum Kecerdasan Buatan dan Logika FuzzyDengan mengacu pada portofolio Kurikulum Pendidikan Tinggi BerbasisStandar Nasional Pendidikan Tinggi Prodi Informatika S1, CPMK untuk matakuliah Kecerdasan Buatan dan Logika Fuzzy (2 SKS) adalah dirumuskan sebagaiberikut:1. Mampu memahami prinsip dasar jaringan syaraf tiruan/Neural Networks(JST/NN) sebagai basis pengembangan kecerdasan buatan berbasisteknologi komputasi atau pemrograman.2. Mampu menerapkan JST atau NN secara simulasi di Matlab denganelaborasi studi kasus.3. Mampu mendesain JST sebagai metode pemecahan masalah atau problemsolving secara artificial intelegence berbasis komputasional.4. Mampu menganalisis hasil dari implementasi JST di Matlab dari studi kasusyang dijadikan sebagai masalah untuk dipecahkan secara kecerdasanbuatan.5. Mampu mengembangkan JST atau NN menjadi metode kecerdasan buatanyang dapat diintegrasikan dengan metode lain dalam kerangka memperkuatartificial intelegence berbasis komputasi.Software SimulasiUntuk dapat mencapai sasaran CPMK, praktikum dilakukan dengan carasimulasi menggunakan perangkat lunak. Perangkat lunak yang digunakan adalahsebagai berikut:1. Software Matlab 2019.a student version.Praktikan diwajibkan untuk menginstall software tersebut di PC atau laptopmasing-masing. Panduan instalasi dan sumber software tersedia di laboratoriumdan pemanduan step-by-step dilakukan oleh asisten laboratorium.Modul Praktikum Jaringan Syaraf Tiruan3
Designed by Dr. Ucuk Darusalam, ST, MTFormat LaporanLaporan praktikum dibuat dalam bentuk dokumen “Laporan Praktikum” perdua minggu sesuai dengan topik-topik yang telah disusun dalam modul praktikum.Dokumen laporan ditulis dengan menggunakan Word Processor, dengan ukuranmargin halaman sebagai berikut: Margin atas: 4 cm Margin kiri: 4 cm Margin kanan : 3 cm Margin bawah : 3 cmFont yang digunakan dalam dokumen adalah Times New Roman ukuran 12 fontuntuk body text, sedangkan untuk bab adalah 14. Spasi yang digunakan setiapkalimat adalah 1,5. Sistematika penyusunan laporan per topik praktikum adalahsebagai berikut:a) Halaman sampul disertai dengan judul praktikum, nama praktikan, NPM,dan alamat email.b) Abstrak (tidak lebih dari 200 kata)c) Pendahuluan (berisi latar belakang, permasalahan, dan tujuan)d) Dasar Teori (tidak lebih dari 4 halaman)e) Metode Praktikumf) Hasil dan Analisag) Kesimpulanh) Daftar PustakaGrafik yang disertakan dalam dokumen dibuat dengan menggunakan Matlab.Sebagai contoh pembuatan grafik dengan Matlab berikut Y)plot(Y,LineSpec)plot( ,Name,Value)plot(ax, )Modul Praktikum Jaringan Syaraf Tiruan4
Designed by Dr. Ucuk Darusalam, ST, MTh plot( )Descriptionplot(X,Y) creates a 2-D line plot of the data in Y versus the corresponding values in X. If X and Y are both vectors, then they must have equal length. The plot functionplots Y versus X. If X and Y are both matrices, then they must have equal size. The plot function plotscolumns of Y versus columns of X. If one of X or Y is a vector and the other is a matrix, then the matrix must have dimensionssuch that one of its dimensions equals the vector length. If the number of matrix rowsequals the vector length, then the plot function plots each matrix column versus the vector.If the number of matrix columns equals the vector length, then the function plots eachmatrix row versus the vector. If the matrix is square, then the function plots each columnversus the vector. If one of X or Y is a scalar and the other is either a scalar or a vector, then the plot functionplots discrete points. However, to see the points you must specify a marker symbol, forexample, plot(X,Y,'o').plot(X,Y,LineSpec) sets the line style, marker symbol, and color.plot(X1,Y1,.,Xn,Yn) plots multiple X, Y pairs using the same axes for all lines.plot(X1,Y1,LineSpec1,.,Xn,Yn,LineSpecn) sets the line style, marker type, and color for each line.You can mix X, Y, LineSpec triplets with X, Y pairs. Forexample, plot(X1,Y1,X2,Y2,LineSpec2,X3,Y3).plot(Y) creates a 2-D line plot of the data in Y versus the index of each value. If Y is a vector, then the x-axis scale ranges from 1 to length(Y). If Y is a matrix, then the plot function plots the columns of Y versus their row number.The x-axis scale ranges from 1 to the number of rows in Y. If Y is complex, then the plot function plots the imaginary part of Y versus the real partof Y, such that plot(Y) is equivalent to plot(real(Y),imag(Y)).plot(Y,LineSpec) sets the line style, marker symbol, and color.plot( ,Name,Value) specifies line properties using one or more Name,Value pair arguments. Fora list of properties, see Line Properties. Use this option with any of the input argumentcombinations in the previous syntaxes. Name-value pair settings apply to all the lines plotted.plot(ax, ) creates the line in the axes specified by ax instead of in the current axes (gca). Theoption ax can precede any of the input argument combinations in the previous syntaxes. h plot( ) returns a column vector of chart line objects. Use h to modify properties of a specific chartline after it is created. For a list of properties, see Line Properties.Contoh:x 0:pi/100:2*pi;y sin(x);plot(x,y)Modul Praktikum Jaringan Syaraf Tiruan5
Designed by Dr. Ucuk Darusalam, ST, MTDaftar HalamanHalaman sampul .Kata Pengantar .Tujuan Praktikum .Daftar Halaman .Praktikum 1: Fitting Data Via Neural Network .Praktikum 2: Supervised Learning in Neural Network. .Praktikum 3: Klasifikasi Pola Data .Praktikum 4: Data Cluster with Self Organizing Map . .Daftar Pustaka . . .Modul Praktikum Jaringan Syaraf TiruanHal.12367152129356
Designed by Dr. Ucuk Darusalam, ST, MTPraktikum 1: Fitting Data Via Neural NetworkA. Kompetensi AkhirPada modul ke-1 praktikum Jaringan Syaraf Tiruan mahasiswa ditargetkandapat mencapai kompetensi akhir dengan mengacu pada rumusan CPMKsebagaimana berikut ini:1. Mampu memahami proses kerja JST sebagai representasi dari system syarafmanusia yang dimodelkan secara matematis hingga algoritma.2. Mampu memahami alur JST sebagai bentuk perjalanan sinyal input kedalam proses matematis sebagai output.3. Mampu memahami dasar JST dalam bentuk arsitektur neuron yangsederhana.4. Mampu melakukan simulasi JST untuk permasalahan yang sederhana.5. Mampu menganalisa hasil simulasi JST di Matlab.B. Teori DasarJaringan syaraf tiruan (JST) atau Neural Networks (NN) adalah merupakanalgoritma matematis yang didesain dengan mengacu pada system kecerdasan syarafmanusia dalam menalar suatu respon atau input sensor. Syaraf manusia merupakansystem jaringan sinyal yang sangat cerdas yang terdiri dari jutaan atau milyaranneuron sebagai basis utama cara kerjanya. JST atau NN berupaya melakukansintesis dari cara kerja neuron tersebut dan merepresentasikannya dalam bentukalgoritma pemrograman di computer. Struktur utama neuron sebagai basis carakerja JST adalah dinyatakan dalam Gambar 1.1.Gambar 1.1 Basis representasi 1 buah neuron.Modul Praktikum Jaringan Syaraf Tiruan7
Designed by Dr. Ucuk Darusalam, ST, MTKetika sensor neuron menerima rangsangan maka input akan menerima sinyaltersebut (p) untuk diteruskan ke dalam fungsi penjumlahan. Sinyal input (p) akandibobot oleh w dan dikoreksi oleh b di dalam fungsi penjumlahan. Selanjutnyafungsi penjumlahan akan menerukan ke dalam fungsi aktifasi f(a) sehingga luaran1 buah neuron adalah a.Fungsi aktivasi berfungsi sebagai pemicu atau pemberi tanggapan sinyaldan secara matematis dapat digambarkan sebagai fungsi transfer (Gambar 1.2).Gambar 1.2 Fungsi transfer dari fungsi aktivasi.Dalam menerima respon, input bisa digambarkan atau dimodelkan lebih dari satuinput sebagaimana Gambar 1.3. Artinya semua sinyal input akan dibobot satu persatu dengan w menjadi vector penjumlahan. Sehingga luaran dari fungsipenjumlahan berupa elemen vector input.Gambar 1.3 Elemen vector input.Jika elemen input tersebut direspon oleh susunan fungsi aktivasi yang berbeda-bedamaka akan dihasilkan arsitektur jaringan input, node dan fungsi aktivasisebagaiman digambarkan pada Gambar 1.4. Elemen input akan meneruskan sinyalyang telah dibobot atau dikuantisasi ke semua fungsi penjumlahan untuk diteruskanModul Praktikum Jaringan Syaraf Tiruan8
Designed by Dr. Ucuk Darusalam, ST, MTke masing-masing fungsi aktivasi yang tersedia. Dengan cara demikian 1 buahsinyal input akan melalui transmisi dalam jaringan ke setiap fungsi aktivasi.Gambar 1.4 Kombinasi sinyal input pada node dan fungsi aktivasi yang bersusunmembentuk jaringan.Dan jika jaringan input dan fungsi aktivasi tersebut tersusun secara serial danberulang maka akan didapatkan susunan layer atau lapisan syaraf aktif sebagaimanaGambar 1.5. Dengan cara demikian, sinyal input akan mengalami prosespembobotan, penjumlahan dan aktivasi yang terjadi secara berulang di setiap layerdan merupakan kombinasi dari jalur setiap layer. Sehingga setiap input sinyal akandirespon secara lebih panjang secara fisik namun menghasilkan luaran yang tentulebih akurat karena transmisi terjadi secara berulang dan direspon oleh fungsiaktivasi beberapa kali dalam beberapa layer.Gambar 1.5 Layer pada JST.Modul Praktikum Jaringan Syaraf Tiruan9
Designed by Dr. Ucuk Darusalam, ST, MTC. Prosedur SimulasiPada software Matlab yang telah diinstall pada laptop atau PC, bukalahMatlab dan lakukan langkah-langkah berikut ini:1. Pada workspace ketiklah nntools2. Pilihlah Fitting tool.3. Klik nextModul Praktikum Jaringan Syaraf Tiruan10
Designed by Dr. Ucuk Darusalam, ST, MT3. Pilihlah Load Example Data Set4. Pilihlah House Pricing dan klik import5. Set validation dan training masing-masing 15%, dan kilik Next.Modul Praktikum Jaringan Syaraf Tiruan11
Designed by Dr. Ucuk Darusalam, ST, MT6. Set jumlah layer neuron sebanyak 10 lapisan dan klik Next.7. Pilihlah algoritma training Levenberg-Marquardt, klik Train, setelah itu klikNext.8. Selanjutnya akan muncul display JST sedang berproses dengan jumlahiterasi sebanyak 20 kali, setelah selesai progress bar klik performance. Akanditampilkan data hasil simulasi sebagai berikut.Modul Praktikum Jaringan Syaraf Tiruan12
Designed by Dr. Ucuk Darusalam, ST, MTD. Laporan PraktikumUntuk laporan praktikum dapatkan data analisa sebagai berikut:1. Dengan cara yang sama sebagaimana prosedur simulasi diatas, ulangilahdimana pada langkah ke-5 set jumlah neuron layer dengan jumlah sebagaiberikut:a. 20 neuron layersb. 30 neuron layersc. 40 neuron layersModul Praktikum Jaringan Syaraf Tiruan13
Designed by Dr. Ucuk Darusalam, ST, MTd. 50 neuron layers2. Semakin banyak jumlah neuron layers, apa yang terjadi pada beberapa haldibawah ini:a. Time of simulationb. Performance3. Dengan semakin banyak layers apakah keakurasian data training semakinmeningkat? Jelaskan.Modul Praktikum Jaringan Syaraf Tiruan14
Designed by Dr. Ucuk Darusalam, ST, MTPraktikum 2: Supervised Learning in Neural NetworkA. Kompetensi AkhirKompetensi akhir dari simulasi Jaringan Syaraf Tiruan denganmenggunakan Matlab adalah sebagai berikut:1. Mampu memahami prinsip kerja supervised learning in neural network.2. Mampu menganalisa hasil supervised learning in neural network.3. Mampu meningkatkan keakurasian supervised learning in neural network.4. Mampu mengembangkan ide supervised learning in neural network.5. Mampu melakukan simulasi supervised learning in neural network denganmenggunakan Matlab.B. Teori DasarKeterkaitan machine learning dengan neural network pada hakikatnyaberkaitan serat satu sama lain. Bahkan saling mendukung untuk mencapaikeakurasian hasil yang optimal. JST tidak dapat bekerja dengan optimal tanpaadanya data referensi yang sahih yang telah teruji berulang-ulang. JST tanpa datasahih hanya akan menghasilkan pengulangan data yang tidak berarti dan tidakkonvergen pada suatu hasil. Untuk keterkaitan tersebut dibutuhkan sebagaimanadigambarkan pada diagram berikut.Gambar 2.1 Skema NN dengan Training Data.Untuk itu JST dengan machine learning akan bertemu pada training data yangdibutuhkan oleh system agar menghasilkan keakurasian hasil simulasi. TrainingModul Praktikum Jaringan Syaraf Tiruan15
Designed by Dr. Ucuk Darusalam, ST, MTdata dihasilkan oleh metode pembelajaran dalam hal ini adalah machine learning.Metode pembelajaran dalam JST ada dua jenis yakni supervised learning(pembelajaran terpandu atau terevaluasi) dan unsupervised learning (pembelajarantidak terpandu/terevaluasi).Secara alur perjalanan sinyal dari input ke output, JST dibedakan dua jenisyakni feed forward propagation atau backward propagation. Dalam perihal contohpembelajaran supervised learning dalam mode alur feed forward propagation dapatdigambarkan sebagai berikut:Gambar 2.2 Supervised learning dalam mode backward propagation.Langkah-langkah metode pembelajaran terpandu atau supervised learningdalam backward propagation adalah sebagai berikut:1.Initialize the weights with adequate values.2.Take the “input” from the training data, which is formatted as { input, correct output}, and enter it into the neural network. Obtain the output from the neural network andcalculate the error from the correct output.3.Adjust the weights to reduce the error.4.Repeat Steps 2-3 for all training dataC. Prosedur SimulasiPada workspace Matlab atau editor, ketiklah source berikut ini:a. Metode Training DeltaSGDModul Praktikum Jaringan Syaraf Tiruan16
Designed by Dr. Ucuk Darusalam, ST, MTW DeltaSGD(W, X, D)Selanjutnya script kedua adalah sebagai berikut:b. Metode training kedua adalah DeltaBatch sebagaimana berikut ini:W DeltaBatch(W, X, D)Modul Praktikum Jaringan Syaraf Tiruan17
Designed by Dr. Ucuk Darusalam, ST, MTc. Perbandingan metode training DeltaSGD dan DeltaBacthModul Praktikum Jaringan Syaraf Tiruan18
Designed by Dr. Ucuk Darusalam, ST, MTD. Laporan PraktikumDari hasil simulasi pada langkah c akan dihasilkan grafik performansiperbandingan training Delta SGD dan Delta Bacth sebagai berikut:Modul Praktikum Jaringan Syaraf Tiruan19
Designed by Dr. Ucuk Darusalam, ST, MT1. Apakah keuntungan training data dengan alur backward propagation?Jelaskan.2. Bagaimanakah keakurasian training data diperoleh dengan feed forwardpropagation? Jelaskan.Modul Praktikum Jaringan Syaraf Tiruan20
Designed by Dr. Ucuk Darusalam, ST, MTPraktikum 3: Klasifikasi Pola DataA. Kompetensi AkhirKompetensi akhir yang dirancang pada modul praktikum 3 Jaringan SyarafTiruan adalah berikut ini:1. Mampu memahami prinsip kerja Jaringan Syaraf Tiruan dalam penerapanuntuk klasifikasi pola data.2. Mampu menganalisa hasil pemetaan klasifikasi pola data yang dihasilkandari Feed Forward of Neural Network.3. Mampu menerapkan klasifikasi pola data dengan JST di Matlab.4. Mampu mengevaluasi hasil dan performansi simulasi JST dalam penerapanklasifikasi pola data.5. Mampu mengembangkan ide untuk meningkatkan performansi keakurasianJST dalam penerapan klasifikasi pola data.B. Teori DasarFenomena di alam semesta dari sisi proses dapat dikategorikan dalambeberapa jenis sebagai berikut:[1] Pasti dalam kepastian[2] Pasti dalam ketidakpastian[3] Tidak pasti dalam kepastian[4] Tidak pasti dalam ketidakpastianEmpat jenis proses tersebut menghasilkan karakteristik proses dan ouput yangberbeda-beda satu sama lain. Namun demikian, keempat proses tersebut dalam halkomplektisitasnya dapat juga dikategorikan sebagai berikut:[1] Teratur dalam keteraturan[2] Teratur dalam ketidakteraturan[3] Tidak teratur dalam keteraturan[4] Tidak teratur dalam ketidakaturanModul Praktikum Jaringan Syaraf Tiruan21
Designed by Dr. Ucuk Darusalam, ST, MTSehingga semua proses dan output yang terjadi dan tersedia di alam semesta inimemiliki benang merah, yakni adanya pola baik secara proses maupun secaraoutput. Untuk dapat memberikan kemudahan dalam memetakan pola yang terjadi,JST dapat difungsikan untuk dapat membantu mencari pola-pola yang tersedia.Sebagai contoh, semisal ada input dan target sebagai berikut:Maka pemetaan masalah pada input dapat dilakukan dengan membangkitkankemungkinan pola yang terjadi matrik 2 kelas pada nilai 1 dan 0. Hal yang samajuga bisa dimisalkan jika ada kemungkinan pemetaan masalah dalam 5 barissebagaimana berikut ini:Untuk itu JST dapat dirancang sebagai pendekatan pemetaan atau klasifikasi poladata untuk mendapatkan ciri kesamaan proses atau hasil yang dapat digunakanuntuk analisis data selanjutnya.C. Prosedur PraktikumPada workspace Matlab atau editor, jalankanlah script berikut ini danperhatikan setiap proses yang terjadi.1. Pada workspace ketiklah nnstart sehingga muncul tools neural networksebagai berikut:2. Pilihlah pattern recognition tool, sehingga muncul dialog box berikut ini:Modul Praktikum Jaringan Syaraf Tiruan22
Designed by Dr. Ucuk Darusalam, ST, MT3. Klik next4. Klik Load Example Data Set, sehingga muncul dialog berikut ini:5. Pilihlah data example yakni Breast Cancer, sehingga berlanjut munculberikut ini:Modul Praktikum Jaringan Syaraf Tiruan23
Designed by Dr. Ucuk Darusalam, ST, MT6. Set training dan validation pada harga masing-masing 15%.7. Setelah muncul network architecture, set jumlah neuron layers sebanyak10.8. Klik train sehingga muncul proses simulasi berikut ini:Modul Praktikum Jaringan Syaraf Tiruan24
Designed by Dr. Ucuk Darusalam, ST, MT9. Tunggu hingga progress bar masing-masing selesai pada iterasi Epoch,dan klik performance jika sudah selesai.10. Dengan JST mengolah data grafik yakni breast cancer, akan dihasilkanberupa confusion matrik.Modul Praktikum Jaringan Syaraf Tiruan25
Designed by Dr. Ucuk Darusalam, ST, MT11. Selain itu pula dihasilkan analisis data ROC (receiver operatingcharacteristics) dari data training image breast cancer.12. Jika hasil simulasi belum cukup, anda bisa melakukan simulasi ulangdengan klik Train Again. Atau anda bisa evaluasi fungsi dengan klikevaluate function pada dialog box yang tersedia.Modul Praktikum Jaringan Syaraf Tiruan26
Designed by Dr. Ucuk Darusalam, ST, MT13. Namun jika anda sudah puas dengan hasil simulasi maka anda bisamenyimpan data dengan menu dialog box berikut ini:14. End.Cara membaca data hasil simulasi ROC:Kotak-kotak pada arah diagonal adalah menunjukkan jumlah kasus yang berhasildiklasifikasikan karena memiliki kesamaan pola. Sedangkan kotak-kotak pada offdiagonal menunjukkan kasus-kasus yang tidak dapat diklasifikan atau tidakmemiliki kesamaan pola. Kotak biru pojok diagonal menunjukkan jumlah totalprosentase klasifikasi kasus yang terkoreksi dengan benar (warna hijau). Sedangkanwarna merah adalah total prosentase yang tidak dapat diklasifikasikan.Modul Praktikum Jaringan Syaraf Tiruan27
Designed by Dr. Ucuk Darusalam, ST, MTD. Laporan PraktikumUntuk laporan praktikum dapatkan data analisa sebagai berikut:1. Dengan cara yang sama sebagaimana prosedur simulasi diatas, ulangilahdimana pada langkah ke-5 set jumlah neuron layer dengan jumlah sebagaiberikut:a. 20 neuron layersb. 30 neuron layersc. 40 neuron layersd. 50 neuron layers2. Semakin banyak jumlah neuron layers, apa yang terjadi pada beberapa haldibawah ini:a. Time of simulationb. Performance3. Dengan semakin banyak layers apakah keakurasian ROC semakinmeningkat? Jelaskan.Modul Praktikum Jaringan Syaraf Tiruan28
Designed by Dr. Ucuk Darusalam, ST, MTPraktikum 4: Data Cluster with Self Organizing MapA. Kompetensi AkhirKompetensi akhir yang dirancang untuk praktikum simulasi JST padamodul ke-4 adalah berikut ini:1. Mampu menguasai menguasai klasifikasi atau pemetaan pola ataukesamaan suatu data dengan menggunakan JST.2. Mampu memahami cara kerja JST dalam melakukan pemetaan polaberdasarkan ciri kesamaan data yang tersedia (self-organizing map).3. Mampu menganalisa hasil pemetaan klasifikasi pola data yang dihasilkandari Feed Forward of Neural Network berdasarkan ciri kesamaan data yangtersedia (self-organizing map).4. Mampu menerapkan klasifikasi pola data berdasarkan ciri kesamaan datayang tersedia (self-organizing map) dengan JST di Matlab.5. Mampu mengevaluasi hasil dan performansi simulasi JST dalam penerapanklasifikasi pola data berdasarkan ciri kesamaan data yang tersedia (selforganizing map s).6. Mampu mengembangkan ide untuk meningkatkan performansi keakurasianJST dalam penerapan klasifikasi pola data.B. Teori DasarKlasterisasi merupakan hal yang paling esensial dalam upaya mencari ataumenggali ilmu pengetahuan berbasis knowledge based. Sebagai contoh, datapemasaran yang terjadi dalam kehidupan sehari-hari, tidak ada yang bisamengetahui pola kebutuhan konsumsi suatu produk akibat tidak adanyaklasterisasis atau pemetaan berdasarkan cara kerja self-organizing map. Denganmendapatkan data klasterisasi selanjutnya berbagai manfaat atau keuntungan akandiperoleh, karena dengan data tersebut akan dapat diorientasikan untuk bisnis,ekonomi, sekuriti dan prediksi. Contoh-contoh bidang pekerjaan yang terkait dalamkebutuhan klasterisasi adalah sebagai berikut:Modul Praktikum Jaringan Syaraf Tiruan29
Designed by Dr. Ucuk Darusalam, ST, MT Market segmentation by grouping people according to their buying patterns Data mining by partitioning data into related subsets Bioinformatic analysis by grouping genes with related expression patternsUntuk itu JST dapat dihadirkan sebagai metode yang dapat mengolah atau mencarikesamaan pola dari berbagasi aspek untuk dijadikan sebagai data yang berbasisknowledge based. Data tersebut diperoleh dengan mencari kesamaan antar datayang terjadi. Dalam artian sederhana, setiap data memiliki kesamaan dalambeberapa hal dan hal ini lah yang dituju oleh JST untuk dipetakan, dipolakan dandianalisis lebih lanjut sebagai hasil pengetahuan baru.C. Prosedur SimulasiPada workspace Matlab atau editor, jalankanlah script berikut ini danperhatikan setiap proses yang terjadi.1. Pada workspace ketiklah nnstart sehingga muncul tools neural networksebagai berikut:2. Pilihlah clustering tool, sehingga muncul dialog box berikut ini:Modul Praktikum Jaringan Syaraf Tiruan30
Designed by Dr. Ucuk Darusalam, ST, MT3. Klik Next sehingga muncul dialog berikut ini:4. Klik Load Example Data5. Pilihlah Simple Cluster dan bacalah deskripsi file tersebut pada dialog boxtext kanan, klik import.Modul Praktikum Jaringan Syaraf Tiruan31
Designed by Dr. Ucuk Darusalam, ST, MT6. Set Self-Organizing Map (SOM) sejumlah 10, sehingga architecturenetwork menjadi konfigurasi input dan layer untuk SOM 10 x 10, klik next.7. Klik Train.Modul Praktikum Jaringan Syaraf Tiruan32
Designed by Dr. Ucuk Darusalam, ST, MT8. Tunggu hasil progress bar selesai pada dialog box yang muncul diatas, danakan muncul hasil-hasil simulasi sebagai berikut:9. Jika hasil simulasi belum cukup, anda bisa melakukan simulasi ulangdengan klik Train Again. Atau anda bisa evaluasi fungsi dengan klikevaluate function pada dialog box yang tersedia.Modul Praktikum Jaringan Syaraf Tiruan33
Designed by Dr. Ucuk Darusalam, ST, MT10. Namun jika anda sudah puas dengan hasil simulasi maka anda bisamenyimpan data dengan menu dialog box berikut ini:11. End.Cara Membaca Data Kesamaan Klasifikasi Pola (Self-Organizing Map)Data yang berupa matrik heksagonal merupakan susunan neuron 10 x 10 yangmasing-masing menunjukkan angka bobot sebagaimana gambar dibawah ini:Modul Praktikum Jaringan Syaraf Tiruan34
Designed by Dr. Ucuk Darusalam, ST, MTPola bobot dapat diketahui disetiap neuron dan sedangkan pola kesamaansecara 2 dimensi direpresentasikan dalam degradasi warna pada setiapmatrik heksagonal. Dari kedua data grafik tersebut dapat diketahui polakesamaan data berdasarkan ciri data input yakni SOM.D. Laporan PraktikumUntuk laporan praktikum dapatkan data analisa sebagai berikut:1. Dengan cara yang sama sebagaimana prosedur simulasi diatas, ulangilahdimana pada langkah ke-5 set jumlah SOM dengan jumlah sebagai berikut:a. 20 x 20 neuron layersb. 30 x 30 neuron layersc. 40 x 40 neuron layersd. 50 x 50 neuron layers2. Semakin banyak jumlah neuron layers, apa yang terjadi pada beberapa haldibawah ini:c. Time of simulationd. Performance3. Dengan semakin banyak layers apakah keakurasian SOM semakinmeningkat? Jelaskan.Modul Praktikum Jaringan Syaraf Tiruan35
Designed by Dr. Ucuk Darusalam, ST, MTDaftar Pustaka[1] Hu YH, Hwang JN, editors. Handbook of neural network signal processing.[2] Badiru AB, Cheung J. Fuzzy engineering expert systems with neural networkapplications. John Wiley & Sons; 2002 Oct 8.[3] Krishnaswamy CR, Gilbert EW, Pashley MM. Neural Network Applicationsin. Financial Practice and Education. 2000:75-84.[4] Maren AJ, Harston CT, Pap RM. Handbook of neural computing applications.Academic Press; 2014 May 10.[5] Sivanandam SN, Deepa SN. Introduction to neural networks using Matlab 6.0.Tata McGraw-Hill Education; 2006.[6] Matlab Guide Book for Neural Network, 2019.Modul Praktikum Jaringan Syaraf Tiruan36
Modul Praktikum Jaringan Syaraf Tiruan Designed by Dr. Ucuk Darusalam, ST, MT Format Laporan Laporan praktikum dibuat dalam bentuk dokumen "Laporan Praktikum" per dua minggu sesuai dengan topik-topik yang telah disusun dalam modul praktikum. Dokumen laporan ditulis dengan menggunakan Word Processor, dengan ukuran margin halaman sebagai berikut:
Praktikum Biologi Sel merupakan salah satu praktikum yang mendasari praktikum pada mata praktikum yang lain seperti Praktikum Teknik Analisa Biologi Molekuler, Praktikum Kultur Jaringan dan Sel Hewan serta Praktikum Imunologi. Petunjuk Praktikum Biologi Sel ini disusun sejak tahun akademik 2004/2006 yang saat itu hanya memuat tiga materi.
TUGAS PENDAHULUAN PRAKTIKUM SISTEM OPERASI MODUL XX April 19, 2014 Pada modul kali ini, mungkin akan sedikit berbeda dengan modul-modul sebelumnya. Masih dapat kita ingat bahwa modul-modul sebelumnya, kita membahas manajemen administrasi dalam sistem operasi Windows. Sekarang, kita beralih kepada sistem operasi yang berbasi GNU/Linux.
E. Dasar Hukum F. Materi Pokok dan Sub Materi MATERI POKOK 1 KARAKTERISTIK MODUL A. Self Instructional B. Self Contain C. Stand Alone D. Adaptive E. User Friendly MATERI POKOK 2 PENGEMBANGAN MODUL DAN MUTUNYA A. Pengembangan Modul B. Mutu Modul MATERI POKOK 3 PROSEDUR PENYUSUNAN MODUL A. Analisa Kebutuhan Modul B. Penyusunan Modul PENUTUP A .
Alur Bagi Peserta Praktikum : 1. Peserta praktikum menerima dan kemudian mempelajari modul praktikum. 2. Peserta praktikum mengerjakan tugas prepraktikum yang diberikan. 3. Peserta praktikum melakukan asistensi tugas prepraktikum. Asistensi ini digunakan sebagai bahan bagi asisten un
Modul Praktikum Desain Web 2015 1 Retno Indah R.,S.Pd.,M.Pd. FILKOM, UNIVERSITAS BRAWIJAYA MODUL 1 DASAR-DASAR HTML A. TUJUAN PRAKTIKUM Melalui praktikum Dasar-dasar HTML, diharapkan mahasiswa dapat memiliki kompetensi, antara lain: 1. Memahami struktur dasar doku
praktikum 5 Modul 10 Usahatani Gurem dan Keputusan Alokasi Tenaga Kerja Keluarga TM 13, praktikum 6 Modul 11 Skala Usahatani dan Produktivitas Faktor Produksi TM 14, praktikum 7 Modul 12 Perubahan teknologi dalam Perspektif Usahatani Gurem TM 15, Praktikum 8 UJIAN AKHIR PRAK
9. Modul OC IV (Organische Stoffklassen und Synthesen) 13 10. Modul PC I (Allgemeine Chemie) 14 11. Modul PC II (Physikalische Chemie II) 15 12. Modul PC III (Physikalische Chemie III) 16 13. Modul PC IV (Physikalische Chemie IV) 17 14. Modul MC (Makromolekulare Chemie) 18 15. Modul BC (Biochemie und Zellbiologie) 19 16. Modul Physik 20 17.
EXTERIOR WALLS Weathertightness AAMA 501-15 TF & F Air leakage ASTM E 283-04(2012) TF & F Water penetration ASTM E 331-00(2016) TF & F Structural performance ASTM E 330/330M-14 TF & F CURTAIN WALLING Impact resistance of opaque wall components - hard body impact tests BS 8200:1985 TF Impact resistance of opaque wall components - soft body impact tests BS 8200:1985 TF Impact resistance BS EN .
