MAKALAH

JARINGAN SARAF TIRUAN
(ARTIFICIAL NEURAL NETWORK)
TUGAS KECERDASAN BUATAN

DISUSUN OLEH :

MUHAMMAD FAJAR ANDI P
NIM. 09.43.121

STMIK WIDYA CIPTA DHARMA
PROGRAM STUDI TEKNIK INFORMATIKA SAMARINDA 2011

1

KATA PENGANTAR Alhamdulillah puji syukur kehadirat Allah SWT yang telah melimpahkan rahmat-Nya sehingga saya dapat menyelesaikan penulisan makalah tentang jaringan saraf tiruan ini dengan lancar. 10 April 2011 Muhammad Fajar Andi Patappari 2 .kami mohon bimbingan Bapak Dosen selaku dosen saya agar lebih mengerti banyak tentang Hal tersebut. Dengan adanya Makalah ini saya berharap dapat menambah wawasan atau pun menambah Referensi dalam kaitannya dengan jaringan saraf tiruan. Makalah jaringan saraf tiruan ini bertujuan untuk melengkapi Tugas mata kuliah Kecerdasan Buatan dan untuk meningkatkan pengetahuan tentang penggunaannya. Saya menyadari banyak kekurangan dalam menyusun makalah ini. Samarinda. Dalam Makalah ini menjelaskan jaringan saraf tiruan secara detail dari mulai pengertian sampai tahap pembuatan jaringan saraf tiruan dan implementasinya untuk dapat bekerja seperti halnya yang dilakukan manusia.

.............. 6 6 7 8 9 10 11 13 14 BAB III......... PENDAHULUAN Latar Belakang .....DAFTAR ISI Halaman KATA PENGANTAR ................................ Tujuan ........ C....... B.................................................. Komponen Neural Network .................. KESIMPULAN DAFTAR PUSTAKA 3 ............................. Algoritma Pembelajaran ....... PEMBAHASAN 4 5 2 3 A......................... Pengertian Jaringan Saraf Tiruan ....................................................................................... BAB I........................................................................................... Multi Layer Perceptron ........................................ DAFTAR ISI .......................... G......................... Supervised Learning ................................. D.......... F.............................................. A.................................... B.................. Algoritma Dalam Jaringan Saraf Tiruan ............ Arsitektur Jaringan Saraf Tiruan ...................................................................... E......................... BAB II.............................................

Informasi hasil olahan ini akan menjadi masukan bagi sel saraf lain dimana antar dendrite tersebut akan dipertemukan dengan sinapsis. Skema sederhana dari otak manusia dapat dilihat dari gambar berikut ini. JST merupakan suatu model kecerdasan yang diilhami dari struktur otak manusia dan kemudian diimplementasikan menggunakan program computer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran berlangsung. Selain menerima informasi. Informasi yang datang dan diterima oleh dendrite akan dijumlahkan dan dikirimkan melalui axon ke dendrite akhir yang bersentuhan dengan dendrite dari sel saraf lain. Informasi sel akan diterima oleh dendrite yang merupakan dari cell body.1 Diagram sederhana dari sel otak Dari gambar diatas dapat dilihat bahwa setiap sel saraf mempunyai satu inti sel (nucleus). PENDAHULUAN A. Gambar 1. Latar Belakang Jaringan Saraf Tiruan (JST) atau Artificial Neural Network merupakan suatu pendekatan yang berbeda dari metode AI lainnya. dendrit juga menyertai axon sebagai keluaran dari suatu pemrosesan informasi.BAB I. Informasi yang akan 4 . Inti sel akan bertugas melakukan proses informasi. Informasi yang dikirimkan antar neuron berupa rangsangan yang dilewatkan melalui dendrite.

diterima oleh neuron lain jika memenuhi batasan tertentu yang lebih dikenal sebagai threshold (nilai ambang). tetapi dari gambaran itu semua komponen dari sel saraf tersebut relevan bagi saraf model komputasi. dapat dikatakan bahwa setiap unit komputasional dihitung dari beberapa fungsi input. Secara khusus. Tujuan Tujuan dalam penulisan makalah ini adalah untuk menambah pengetahuan dan informasi bagi yang membacanya dan diharapkan dapat bermanfaat bagi kita semua. Pengembangan terhadap jaringan saraf ini terus dilakuakan dan memunculkan harapan baru yang dicapainya suatu mesin yang dapat belajar sehingga tidak memerlukan adanya pengulangan proses perhitungan yang sama untuk persoalan yang mirip. Gambaran di atas merupakan gambaran sederhana dari jaringan saraf. B. 5 .

Input ini diproses oleh suatu fungsi propagation yang menaikan nilai bobot input. 3.BAB III. Informasi (sebagai input) dikirim ke neuron melalui suatu pembobotan input. 4. 2. dan algoritma trainingnya. Setiap neuron memiliki fungsi aktivasi yang output. tetapi kesemuanya mempunyai komponen yang hampir sama. yaitu pola hubungan antara neuron-neuron. Jika input 6 . yaitu cara penentuan nilai bobot pada penghubung. Jaringan saraf tiruan dikembangkan sebagai model matematis dari saraf berdasarkan asumsi bahwa: biologis dengan 1. Komponen Neural Network Terdapat banyak struktur NN.1994]. Pemrosesan terjadi pada elemen-elemen sederhana yang disebut neuron. Hasilnya kemudian dibandingkan dengan threshold oleh activation function. Seperti terlihat pada gambar. akan menentukan nilai sinyal Jaringan saraf dapat digolongkan menjadi berbagai jenis berdasarkan pada arsitekturnya. PEMBAHASAN A. Pengertian Jaringan Saraf Tiruan Jaringan saraf tiruan adalah suatu sistem pemrosesan informasi yang cara kerjanya memiliki kesamaan tertentu dengan jaringan saraf biologis [Fausett. Gambar berikut memperlihatkan struktur ideal NN. B. struktur NN mirip dengan struktur otak manusia diatas. Sinyal dilewatkan antar neuron melalui penghubung. Setiap penghubung memiliki bobot yang akan mengalikan sinyal yang lewat.

melampaui threshold. Gambar berikut menunjukan NN dengan tiga neuron layers. merupakan pengembangan dari Perceptron dan mempunyai satu atau lebih hidden layers yang terletak antara input dan output layers. Dalam NN. C. Ada NN yang tidak mempunyai hidden layer. dipropagasi layer – per – layer mulai dari input hingga output tanpa atau melalui satu atau lebih hidden layers. Informasi yang dikirim dalam sebuah NN. jika sebaliknya maka neutron akan inhibit. Biasanya setiap neuron dari sebuah layer dihubungkan ke semua neuron yang ada di layer belakang maupun depannya (kecuali input dan output). informasi juga dapat dipropagasi ke arah belakang (backpropagation). dan seterusnya. Papert pada tahun 1969. neuron akan mengirim output melalui pembobotan output ke neuron lainnya. yang disebut neuron layer. 7 . Multi Layer Perceptron Diperkenalkan oleh M. maka neutron akan diaktifkan. Minsky dan S. Perlu dicatat bahwa gambar ini bukan merupakan struktur umum dari NN. atau ada juga NN yang layer-nya berbentuk matriks. neuron dikelompokan dalam layer. Bergantung pada algoritma yang digunakan. Multi-layer-perceptron dapat digunakan untuk operasi logik termasuk yang kompleks seperti XOR. Jika diaktifkan.

Setiap neuroni di dalam jaringan adalah sebuah unit pemrosesan sederhana yang menghitung nilai aktivasinya yaitusi terhadap input eksitasi yang juga disebut melambangkan himpunan predesesor dari uniti. seringkali bias digantikan dengan suatu bobot yang terhubung dengan unit bernilai 1. Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set). Lapisan input menerima sinyal dari luar.lapisan yang terdiri dari satu lapisan input (input layer). Untuk membuat representasi menjadi lebih mudah. Neuron-neuron tersebut disusun dalam lapisan. 1994]. kemudian melewatkannya ke lapisan tersembunyi pertama. yang akan diteruskan sehingga akhirnya mencapai lapisan output [Riedmiller. Supervised Learning Tujuan pada pembelajaran supervised learning adalah untuk menentukan nilai bobot-bobot koneksi di dalam jaringan sehingga jaringan dapat melakukan pemetaan (mapping) dari input ke output sesuai dengan yang diinginkan. danθi adalah nilai bias dari uniti. Dengan demikian bias dapat diperlakukan secara sama dengan bobot koneksi. 8 . satu atau lebih lapisan tersembunyi (hidden layer). dan satu lapisan output (output layer). D.Multi-Layer Perceptron adalah jaringan syaraf tiruan feed-forward yang terdiri dari sejumlah neuron yang dihubungkan oleh bobot-bobot penghubung.wij melambangkan bobot koneksi dari unitj ke uniti.

Secara matematis [Rumelhart. Input nilai data pelatihan sehingga diperoleh nilai output. jika diberikan masukan xp seharusnya jaringan menghasilkan nilai output. Tujuan dari training ini pada dasarnya sama dengan mencari suatu nilai minimum global dari E. yaitu: 1. 1986]. 3.  Algoritma Backpropagation Salah satu algoritma pelatihan jaringan syaraf tiruan yang banyak dimanfaatkan dalam bidang pengenalan pola adalah backpropagation. Algoritma ini umumnya digunakan pada jaringan syaraf tiruan yang berjenis multi-layer feedforward. Ketiga tahapan tersebut diulangi terus-menerus sampai mendapatkan nilai error yang diinginkan. 1994]. Algoritma pelatihan backpropagation pada dasarnya tahapan [Fausett. E. Propagasi balik dari nilai error yang diperoleh. Algoritma Dalam Jaringan Saraf Tiruan. Setelah training selesai dilakukan. yang tersusun dari beberapa lapisan dan sinyal dialirkan secara searah dari input menuju output. Penyesuaian bobot koneksi untuk meminimalkan nilai error. 9 .Setiap pasangan polap terdiri dari vektor input xp dan vektor target. Besarnya perbedaan antara nilai vektor target dengan output actual diukur dengan nilai error yang disebut juga dengan di mana adalah banyaknya unit pada output layer. 2. ide dasar dari algoritma terdiri dari tiga backpropagation ini sesungguhnya adalah penerapan dari aturan rantai (chain rule) untuk menghitung pengaruh masing-masing bobot terhadap fungsi error. hanya tahap pertama yang diperlukan untuk memanfaatkan jaringan syaraf tiruan tersebut. Setelah selesai pelatihan.

lapisan tersembunyi (hidden layer). Arsitektur Jaringan Saraf Tiruan Secara umum. 1993] juga menunjukkan peningkatan kecepatan training dan unjuk kerja yang signifikan. 1988]. Perubahan bobot pada algoritma Quickprop dirumuskan sebagai berikut: Pada eksperimen dengan masalah XOR dan encoder/decoder [Fahlman.2 Arsitektur Jaringan Saraf Tiruan 10 . Masing-masing lapisan mempunyai jumlah node atau neuron yang berbedabeda. Dengan demikian perhitungan perubahan bobot hanya menggunakan informasi lokal pada masingmasing bobot. Arsitektur JST terdiri atas beberapa lapisan. dan gradien dari kurva error untuk suatu bobot tidak terpengaruh oleh bobot-bobot yang lain [Fahlman. yaitu lapisan masukan (input layer). Arsitektur JST tersebut dapat diilustrasikan sebagai gambar berikut ini : Gambar 1. dan lapisan keluaran (output layer). 1988]. terbukti bahwa algoritma Quickprop dapat meningkatkan kecepatan training. F. Eksperimen dari [Schiffmann. Algoritma Quickprop Pada algoritma Quickprop dilakukan pendekatan dengan asumsi bahwa kurva fungsi error terhadap masing-masing bobot penghubung berbentuk parabola yang terbuka ke atas.

3. Lapisan tersembunyi berfungsi meningkatkan kemampuan jaringan dalam memecahkan masalah. Membandingkan output dengan target yang diinginkan. G. 2. Lapisan keluaran merupakan tiruan dari sel saraf motor pada jaringan saraf biologis. Proses yang lazin dari pembelajran meliputi tiga tugas. Lapisan tersembunyi (hidden layer) Lapisan tersembunyi merupakan tiruan dari sel-sel syaraf konektor pada jaringan saraf bilogis. 3. Menyesuaikan bobot dan mengulangi prosesnya. Lapisan Masukan (input layer) Lapisan masukan merupakan lapisan yang terdiri dari beberapa neuron yang akan menerima sinyal dari luar dan kemudian meneruskan ke neuronneuron lain dalam jaringan. Lapisan ini dillhami berdasarkan cirri-ciri dan cara kerja sel-sel saraf sensori pada jaringan saraf biologi. Suatu Jaringan Saraf Tiruan belajar dari pengalaman. 2. Proses pembelajaran tersebut dapat dilihat pada gambar berikut ini : 11 . Lapisan keluaran (output layer) Lapisan keluaran berfungsi menyalurkan sinyal-sinyal keluaran hasil pemrosesan jaringan. Konsekuensi dari adanya lapisan ini adalah pelatihan menjadi makin sulit atau lama. Lapisan ini juga terdiri dair sejumlah neuron. Perhitungan Output.1. Algoritma Pembelajaran Belajar Untuk JST merupakan suatu proses dimana parameter-parameter bebas JST diadaptasikan melalui suatu proses perangsangan berkelanjutan oleh lingkungan dimana jaringan berada. yaitu : 1.

yaitu : 1.Gambar Proses Pembelajaran dari suatu JST Proses pembelajaran atau pelatihan tersebut merupakan proses perubahan bobot antar neuron sehingga sebuah jaringan dapat menyelesaikan sebuah masalah. jaringan Hopfield dan perceptron. Contoh dari tipe ini adalah metode back propagation. Proses pembelajaran dalam JST dapat diklasifikasikan menjadi dua bagian. Unsupervised Learning (pembelajaran tidak terawasi) yang hanya menggunakan sejumlah pasangan data masukan tanpa ada contoh keluaran yang diharapkan. Semakin besar bobot keterhubungannya maka akan semakin cepat meyelesaikan suatu masalah. 2. Supervised Learning (pembelajaran terawasi) yang menggunakan sejumlah pasangan data masukan dan keluaran yang diharapkan. 12 .

KESIMPULAN Jaringan Saraf Tiruan (JST) atau Artificial Neural Network merupakan suatu pendekatan yang berbeda dari metode AI lainnya. neuron dikelompokan dalam layer. dipropagasi layer – per – layer mulai dari input hingga output tanpa atau melalui satu atau lebih hidden layers. JST merupakan suatu model kecerdasan yang diilhami dari struktur otak manusia dan kemudian diimplementasikan menggunakan program computer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran berlangsung. Informasi yang dikirim dalam sebuah NN. Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set). 13 . yang disebut neuron layer. Dalam NN. Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set). Tujuan pada pembelajaran supervised learning adalah untuk menentukan nilai bobot-bobot koneksi di dalam jaringan sehingga jaringan dapat melakukan pemetaan (mapping) dari input ke output sesuai dengan yang diinginkan.BAB III. Multi-Layer Perceptron adalah jaringan syaraf tiruan feed-forward yang terdiri dari sejumlah neuron yang dihubungkan oleh bobot-bobot penghubung. Tujuan pada pembelajaran supervised learning adalah untuk menentukan nilai bobot-bobot koneksi di dalam jaringan sehingga jaringan dapat melakukan pemetaan (mapping) dari input ke output sesuai dengan yang diinginkan. Biasanya setiap neuron dari sebuah layer dihubungkan ke semua neuron yang ada di layer belakang maupun depannya (kecuali input dan output).

2005. Penerbit ANDI. 2002. Yogyakarta http://asro.com/category/instrument-kontrol/ http://id. Konsep Dasar Sistem Pakar. M. Yogyakarta Kusumadewi. S.wikipedia.DAFTAR PUSTAKA Arhami. Graha Ilmu.wordpress. Artificial Intelligence (Teknik dan Aplikasinya)..org/wiki/Jaringan_Saraf_Tiruan 14 .

15 . Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set). Informasi yang dikirim dalam sebuah NN. Tujuan pada pembelajaran supervised learning adalah untuk menentukan nilai bobot-bobot koneksi di dalam jaringan sehingga jaringan dapat melakukan pemetaan (mapping) dari input ke output sesuai dengan yang diinginkan. Biasanya setiap neuron dari sebuah layer dihubungkan ke semua neuron yang ada di layer belakang maupun depannya (kecuali input dan output). dipropagasi layer – per – layer mulai dari input hingga output tanpa atau melalui satu atau lebih hidden layers. JST merupakan suatu model kecerdasan yang diilhami dari struktur otak manusia dan kemudian diimplementasikan menggunakan program computer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran berlangsung.BAB III. neuron dikelompokan dalam layer. Tujuan pada pembelajaran supervised learning adalah untuk menentukan nilai bobot-bobot koneksi di dalam jaringan sehingga jaringan dapat melakukan pemetaan (mapping) dari input ke output sesuai dengan yang diinginkan. KESIMPULAN Jaringan Saraf Tiruan (JST) atau Artificial Neural Network merupakan suatu pendekatan yang berbeda dari metode AI lainnya. Multi-Layer Perceptron adalah jaringan syaraf tiruan feed-forward yang terdiri dari sejumlah neuron yang dihubungkan oleh bobot-bobot penghubung. yang disebut neuron layer. Dalam NN. Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set).

Artificial Intelligence (Teknik dan Aplikasinya).wordpress. Konsep Dasar Sistem Pakar. Graha Ilmu. S.com/category/instrument-kontrol/ http://id. M. Yogyakarta Kusumadewi.wikipedia. 2002. Penerbit ANDI. 2005.org/wiki/Jaringan_Saraf_Tiruan 16 . Yogyakarta http://asro.DAFTAR PUSTAKA Arhami..

Sign up to vote on this title
UsefulNot useful