1.

Penjelasan Tentang Hubungan Antar Neuron Biolgis, Arsitektur ANN, dan Skema Proses

yang Terjadi Pada Setiap Neuron Kecuali Neuron Input.

a) Hubungan Antar Neuron Biologis

Gambar 1. Hubungan antar neuron biologis

Gambar 1 di atas adalah dendrite cabang dari Neuron. Sel-sel saraf di otak

disebut Neuron. Setiap neuron terdiri dari satu badan sel yang di dalamnya terdapat

sitoplasma dan inti sel. Dari badan sel keluar dua macam serabut saraf, yaitu dendrit

dan akson (neurit).

Dendrit berfungsi mengirimkan impuls ke badan sel saraf, sedangkan akson

berfungsi mengirimkan impuls dari badan sel ke jaringan lain. Akson biasanya sangat

panjang. Sebaliknya, dendrit pendek.

Setiap neuron hanya mempunyai satu akson dan minimal satu dendrit. Kedua

serabut saraf ini berisi plasma sel. Pada bagian luar akson terdapat lapisan lemak

disebut mielin yang merupakan kumpulan sel Schwann yang menempel pada akson.

Sel Schwann adalah sel glia yang membentuk selubung lemak di seluruh serabut saraf

mielin. Membran plasma sel Schwann disebut neurilema. Fungsi mielin adalah

melindungi akson dan memberi nutrisi. Bagian dari akson yang tidak terbungkus

mielin disebut nodus Ranvier, yang berfungsi mempercepat penghantaran impuls.

b) Arsitektur ANN

Gambar 2. Arsitektur ANN

• Lapisan input [Input Layer].

Lapisan input berfungsi sebagai penghubung jaringan ke dunia luar (sumber data).

Neuron-neuron ini tidak melakukan perubahan apapun terhadap data, tapi hanya

meneruskan data ini ke lapisan berikutnya.

• Lapisan tersembunyi [Hidden Layer]

Suatu jaringan dapat memiliki lebih dari satu lapisan tersembunyi (hidden layer) atau

bahkan bisa juga tidak memilikinya sama sekali. Jika jaringan memiliki beberapa

lapisan tersembunyi, maka lapisan tersembunyi terbawah berfungsi untuk menerima

masukan dari lapisan input. Besarnya nilai masukan (net) neuron ke-j pada lapisan

tersembunyi ini tergantung pada akumulasi jumlah perkalian antara nilai bobot (w,

kekuatan hubungan antar neuron) dengan nilai keluaran (O) neuron ke-i pada lapisan

sebelumnya (neuron input) ditambah dengan nilai bias (w, neuron ke-j).

Nilai bias ini merupakan nilai konstan yang dimiliki oleh setiap neuron (kecuali

neuron pada lapisan input) yang digunakan untuk memperbaiki keluaran jaringan

agar dapat menyamai atau mendekati nilai keluaran (output) yang diinginkan. Bobot
 wji bernilai 0 menunjukkan bahwa antara neuron ke-j dan ke-i tidak terdapat

hubungan. Nilai keluaran neuron pada lapisan tersembunyi ini merupakan fungsi dari

nilai masukannya f(net (j)). Pada eksperimen ini digunakan fungsi Sigmoid, yaitu :

Ox(j) = 1 / (1 + exp(-net(j)))

Pada hidden layer pada lapisan yang berikutnya (jika ada) berlaku hal yang sama

seperti hidden layer di atas, hanya saja data masukannya berasal dari hidden layer

lapisan sebelumnya.

• Lapisan Output [Output Layer]

Prinsip kerja neuron-neuron pada lapisan ini sama dengan prinsip kerja neuron-

neuron pada lapisan tersembunyi (hidden layer) dan di sini juga digunakan fungsi

Sigmoid, tapi keluaran dari neuron pada lapisan ini sudah dianggap sebagai hasil dari

proses Nilai bias ini merupakan nilai konstan yang dimiliki oleh setiap neuron

(kecuali neuron pada lapisan input) yang digunakan untuk memperbaiki keluaran

jaringan agar dapat menyamai atau mendekati nilai keluaran (output) yang

diinginkan. Bobot wji bernilai 0 menunjukkan bahwa antara neuron ke-j dan ke-i

tidak terdapat hubungan. Nilai keluaran neuron pada lapisan tersembunyi ini

merupakan fungsi dari nilai masukannya f(net (j)). Pada eksperimen ini digunakan

fungsi Sigmoid, yaitu :

Ox(j) = 1 / (1 + exp(-net(j)))
 Pada hidden layer pada lapisan yang berikutnya (jika ada) berlaku hal yang sama

seperti hidden layer di atas, hanya saja data masukannya berasal dari hidden layer

lapisan sebelumnya.

• Lapisan Output [Output Layer]

Prinsip kerja neuron-neuron pada lapisan ini sama dengan prinsip kerja neuron-

neuron pada lapisan tersembunyi (hidden layer) dan di sini juga digunakan fungsi

Sigmoid, tapi keluaran dari neuron pada lapisan ini sudah dianggap sebagai hasil dari

proses

c) Skema Proses yang Terjadi Pada Setiap Neuron, Kecuali Neuron Input

Gambar 3. Skema Proses yang Terjadi Pada Setiap Neuron, Kecuali Neuron Input

Bobot adalah parameter pengkali terhadap nilai output neuron. Bobot dan bias diset

secara random. Wj (bias) sebagai kalibrator. Momentum adalah penurunan nilai

bobot.f = fungsi aktivasi transfer function. Oi = nilai neuron ke-i. Wji = nilai bobot

penghubung neuron. Fungsi sigmoid paling sering digunakan karena terbukti secara

empiris paling efektif daripada fungsi yang lain.

2. Program Bilangan Ganjil-Genap-Nol

Gambar 4. Coding program bilangan ganjil,genap dan nol

Buka aplikasi notepad atau notepad ++, lalu ketikkan coding seperti pada gambar

diatas, dimana maksudnya adalah:

Baris 1 : Memberi nama program tersebut dengan nama “coba”. Kemudian “nl”

maksudnya adalah untuk membuat baris baru.

Baris 2 : Untuk mencetak tulisan “Program Genap – Ganjil”.

Baris 3 : Untuk mencetak tulisan “-----------------------------“.

Baris 4 : Untuk mencetak spasi.

Baris 5 : Untuk mencetak “Masukan Angka : “, sedangkan perintah read untuk membaca

variabel “nilai”.

Baris 6 : Jika variabel nilai yang kita input adalah 0 maka program akan mencetak

hasilnya adalah “ adalah Bilangan Nol”.

Baris 7 - 9 : Jika variabel nilai yang kita input dibagi 2 dan hasilnya tidak ada sisa bagi atau

habis dibagi 2 maka program mencetak “ adalah Bilangan Genap”, tetapi jika

tidak sesuai kondisi maka program akan mencetak “ adalah Bilangan Ganjil”.

Kemudian simpan program dengan nama: coba.pl dengan type: all type. Kemudian

menjalankan program dengan membuka file tersebut, kemudian ketika kita menjalankan

program ketikkan “coba .” ,didalam program prolog setiap memasukkan data tidak lupa

mengetik “ . “ (titik).

Gambar 5. Output Program Bilangan