Mata Kuliah : MACHINE LEARNING�Minggu ke 8

Tujuan Perkuliahan

Mampu menjelaskan konsep ANN.

​

Mampu mengidentifikasi, memodelkan, menganalisis, dan mengimplementasikan NN untuk menyelesaikan masalah klasifikasi

Materi Pembelajaran

• ANN
• Multi-Layer Perceptron (MLP) dengan Backpropragation learning.
• Probabilistic Neural Network

Probabilistic Neural Network (PNN) adalah sebuah metode jaringan syaraf tiruan yang menggunakan prinsip dari teori statistik yaitu Bayesian Classification untuk menggantikan prinsip heuristik yang digunakan oleh algoritma Backpropagation. Arsitektur dari PNN terdiri dari 4 layer, yaitu input layer, pattern layer, summation layer, dan decision layer / output layer.

Probabilistic NN

Arsitektur Probabilistic NN

• PNN jauh lebih cepat daripada jaringan perceptron multilayer.
• PNN bisa lebih akurat daripada jaringan perceptron multilayer.
• Jaringan PNN relatif tidak sensitif terhadap outlier.
• Jaringan PNN menghasilkan prediksi skor probabilitas target yang akurat.
• PNN mendekati klasifikasi optimal Bayes.

Kelebihan Probabilistic NN

• PNN lebih lambat dibandingkan jaringan perceptron multilayer dalam mengklasifikasikan kasus-kasus baru.
• PNN memerlukan lebih banyak ruang memori untuk menyimpan model.

Kekurangan Probabilistic NN

• Jaringan saraf probabilistik dalam memodelkan kerusakan struktural pipa air hujan.
• metode jaringan saraf probabilistik untuk diagnosis sampel endoskopi lambung berdasarkan spektroskopi FTIR.
• Penerapan jaringan saraf probabilistik pada farmakokinitas populasi.
• Jaringan Syaraf Probabilistik terhadap Prediksi Kelas Leukemia dan Tumor Embrional Sistem Saraf Pusat.
• Identifikasi Kapal Menggunakan Jaringan Neural Probabilistik.
• Manajemen konfigurasi sensor Berbasis Jaringan Neural Probabilistik di jaringan ad hoc nirkabel.
• Jaringan Neural Probabilistik dalam pengenalan karakter.
• Klasifikasi Gambar Penginderaan Jauh.

Aplikasi Penerapan Probabilistic NN