JST

Panduan Jaringan Saraf Tiruan STMIK TRIGUNA DHARMA
LANGKAH PASTI MENUJU SUKSES

BAB I
PENGENALAN JARINGAN SARAF TIRUAN
(Pertemuan I dan II)
1.1 Pengertian Jaringan Saraf Tiruan
Jaringan saraf tiruan bisa dibayangkan seperti otak buatan di dalam cerita-cerita fiksi
ilmiah. Otak buatan ini dapat berpikir seperti manusia, dan juga sepandai manusia dalam
menyimpulkan sesuatu dari potongan-potongan informasi yang diterima. Khayalan manusia
tersebut mendorong para peneliti untuk mewujudkannya. Komputer diusahakan agar bisa
berpikir sama seperti cara berpikir manusia. Caranya adalah dengan melakukan peniruan
terhadap aktivitas-aktivitas yang terjadi didalam sebuah jaringan saraf biologis.
Ketika manusia berpikir, aktivitas-aktivitas yang terjadi adalah aktivitas mengingat,
memahami, menyimpan, dan memanggil kembali apa yang pernah dipelajari oleh otak.
Sesungguhnya apa yang terjadi didalam otak manusia jauh lebih rumit dari apa yang telah
disebutkan di atas. Para ahli bedah otak sering membicarakan mengenai adanya pengaktifan
neuron, pembuatan koneksi baru, atau pelatihan kembali pola-pola tingkah laku pada otak
manusia. Sayangnya hingga saat ini bagaimana sesunguhnya aktivitas-aktivitas tersebut
berlangsung belum ada yang mengetahui dengan pasti. Itulah sebabnya mengapa jaringan saraf
tiruan dikatakan hanya mengambil ide dari cara kerja jaringan saraf biologis.
Salah satu contoh pengambilan ide dari jaringan saraf biologis adalah adanya elemen-
elemen pemrosesan pada jaringan saraf tiruan yang saling terhubung dan beroperasi secara
parallel. Ini meniru jaringan saraf biologis yang tersusun dari sel-sel saraf (neuron). Cara kerja
dari elemen-elemen pemrosesan jaringan saraf tiruan juga sama seperti cara neuron meng-
encode informasi yang diterimanya.
Hal yang perlu mendapat perhatian istimewa adalah bahwa jaringan saraf tiruan tidak
deprogram untuk menghasilkan keluaran tertentu. Semua keluaran atau kesimpulan yang
ditarik oleh jaringan didasarkan pada pengalamannya selama mengikuti proses pembelajaran.

Pada proses pembelajaran, kedalam jaringan saraf tiruan dimasukkan pola-pola input (dan
output) lalu jaringan akan diajari untuk memberikan jawaban yang bisa diterima.

1.2 Komparasi antara Jaringan Saraf Biologis dengan Jaringan Saraf Tiruan

GAMBAR 1.1 Sel saraf biologis
Sebelum membandingkan jaringan saraf biologis dengan jaringan saraf tiruan, sangat
baik bila dipahami terlebih dahulu apa yang terjadi di dalam sebuah jaringan saraf biologis.
Jaringan saraf biologis merupakan kumpulan dari sel-sel saraf (neuron). Neuron mempunyai
tugas mengolah informasi. Komponen-komponen utama dari sebuah neuron dapat
dikelompokkan menjadi 3 bagian, yaitu:
1. Dendrit. Dendrit bertugas untuk menerima informasi.
2. Badan sel (soma). Badan sel berfungsi sebagai tempat pengol;ahan informasi.
3. Akson (neurit). Akson mengirimkan impuls-impuls ke sel saraf lainnya.
Perhatikan Gambar 1.1. Sebuah neuron menerima impuls-impuls sinyal dari neuron yang lain
melalui dendrite dan mengirimkan sinyal yang dibangkitkan oleh badan sel melalui akson.
Akson dari sel saraf biologis ini bercabang-cabang dan berhubungan dengan dendrite dari sel
saraf lainnya dengan cara
mengirimkan impuls melalui sinapsis. Sinapsis adalah unit fungsional antara 2 buah sel saraf,
katakanlah A dan B, dimana yang satu adalah serabut akson dari neuron A dan satunya lagi
dendrite dari neuron B. Kekuatan sinapsis ini bias menurun atau meningkat tergantung kepada
seberapa besar tingkat propagasi (penyiaran) sinyal yang diterimanya.
Jaringan saraf tiruan disusun dengan asumsi yang sama seperti jaringan saraf biologis:

1. Pengolahan informasi terjadi pada elemen-elemen pemrosesan (neuron-neuron).
2. Sinyal antara dua buah neuron diteruskan melalui link-link koneksi.
3. Setiap link koneksi memiliki bobot terasosiasi.
4. Setiap neuron menerapkan sebuah fungsi aktivasi terhadap input jaringan ( jumlah
sinyal input berbobot). Tujuannya adalah untuk menentukan sinyal output. Fungsi
aktivasi yang digunakan biasanya fungsi yang non linier.
Adapun cara belajar jaringan saraf tiruan sebagai berikut: Ke dalam jaringan saraf tiruan
diinputkan informasi yang sebelumnya telah diketahui hasil keluarannya. Penginputan
informasi ini dilakukan lewat node-node atau unit-unit input. Bobot-bobot antar koneksi dalam
suatu arsitektur diberi nilai awal dan kemudian jaringan saraf tiruan dijalankan. Bobot-bobot ini
bagi jaringan digunakan untuk belajar dan mengingat suatu informasi. Pengaturan bobot
dilakukan secara terus-menerus dan dengan menggunakan criteria tertentu sampai diperoleh
keluaran yang diharapkan. Tabel 1.1 memperlihatkan keanalogan antara jaringan saraf tiruan
dengan jaringan saraf biologis.
Tabel 1.1 Analog Jaringan Saraf Tiruan terhadap Jaringan Saraf Biologis
Jaringan saraf tiruan Jaringan saraf biologis
Node atau unit Badan sel (soma)
Input Dendrit
Output Akson
Bobot Sinapsis

Hal yang ingin dicapai dengan melatih/ mengajari jaringan saraf tiruan adalah untuk
mencapai keseimbangan antara kemampuan memorisasi dan generalisasi. Yang dimaksud
dengan kemampuan memorisasi adalah kemampuan jaringan saraf tiruan untuk memanggil
kembali secara sempurna sebuah pola yang telah dipelajari. Kemampuan generalisasi adalah
kemampuan jaringan saraf tiruan untuk menghasilkan respons yang bias diterima terhadap
pola-pola input yang serupa (namun tidak identik) degan pola yang sebelumnya telah dipelajari.
Hal ini sangat bermanfaat bila pada suatu saat ke dalam jaringan saraf tiruan itu diinputkan

informasi baru yang belum pernah dipelajari, maka jaringan saraf tiruan masih akan tetap dapat
membarikan tanggapan yang baik, memberikan keluaran yang paling mendekati.

1.3 . Mengapa Jaringan Saraf Tiruan Perlu Dipelajari
Ada banyak alas an mengapa jaringan saraf tiruan perlu dipelajari, antara lain:
1. Ada banyaknya teknik (algoritma) jaringan saraf tiruan yang tersedia. Teknik-teknik yang
ada saat ini memiliki arsitektur yang sangat beragam dan canggih. Ini berbeda jauh
dengan arsitektur jaringan saraf tiruan pada masa-masa awal perkembangan jaringan
saraf tiruan> Pada waktu itu model yang ada sangat sederhana sehingga aplikasinya pun
terbatas.
2. Adanya computer digital berkecepatan tinggi. Hal semakin mempermudah proses
simulasi jaringan saraf tiruan.
3. Aplikasi yang sangat luas.
Bidang-bidang penelitian yang memanfaatkan jaringan saraf tiruan diantaranya:
Aeorospace
Autopilot pesawat terbang, simulasi jalur penerbangan, system kendali pesawat,
perbaikan autopilot dan simulasi komponen pesawat.
Otomotif
Sistem kendali otomatis mobil.
Keuangan dan Perbankan
Pendeteksian uang palsu, evaluator aplikasi kredit, pengidentifikasian pola-pola data
pasar saham.


Gambar 1.2 Pengenalan uang untuk deteksi uang palsu. Pola-pola uang dideteksi
menggunakan jaringan saraf decision-based (DBNN) [5]. Kotak yang di pinggir menunjukkan
fitur tekstur mata uang sementara kotak yang di ujung menunjukkan lokasi pola-pola uangnya.
Pertahanan (Militer)
Pengendali senjata, pendeteksi bom, penelusuran target, pembedaan objek, pengendali
sensor, sonar, radar, dan pengolahan sinyal citra yang meliputi kompresi data, ektrasksi
bagian istimewa dan penghilangan derau, pengenalan sinyal atau citra.
Elektronik
Pembuatan perangkat keras yang bias mengimplementasikan jaringan saraf tiruan
secara efisien (pendesainan VLSI), machine vision, pengontrol gerakan dan penglihatan
robot, sintesis suara.
Broadcast
Pencarian klip berita melalui pengenalan wajah.



Gambar 1.3 Sistem browsing video berdasarkan pengenalan wajah menggunakan
jaringan saraf tiruan probabilistic [5]. Pengenal wajah menguji semua frame untuk mengetahui
apakah frame tersebut berisikan wajah manusia. Jika berisi wajah manusia, dtektor wajah akan
melewatkan frame tersebut kepengenal wajah untuk diidentifikasi.

Keamanan
Jaringan saraf tiruandigunakan untuk mengenali mobil dan mengenali wajah oknum.



Gambar 1.4 Hasil online situasi npengenalan wajah [5]. Daerah fitur ditandai dengan
kotak dan posisi deteksi terakhir ditandai dengan lingkaran.
Medis
Analisa sel kanker payudara, pendeteksi kanker kulit.
Pengenalan Tulisan
Pengenalan tulisan tangan, penerjemahan tulisan ke dalam tulisan latin.
Matematika
Alat pemodelan masalah di mana bentuk eksplisit dari hubungan antara variable-
variabel tertentu tidak diketahui.
Pengenalan Benda Bergerak
Selain pola dari citra diam, jaringan saraf tiruan juga bias digunakan untuk mendeteksi
citra bergerak dari video seperti citra orang yang bergerak, citra angan yang bergerak,
dan lain-lain.



Gambar 1.5 Segmentasi pola citra-citra yang terhubung:

(a) Citra cangkir dan lampu meja disajikan dalam citra berukuran 15x15 dari osilator; (b) (c)
(d) melambangkan penyajian citra sesuai dengan aktivitas osilator melambangkan penyajian
citra sesuai dengan aktivitas osilator. (b) Hasil tangkapan aktivitas jaringan saraf tiruan
beberapa saat setelah osilator jaringan saraf tiruan mulai bekerja. (c) Hasil tangkapan setelah
beberapa waktu memperlihatkan efek pengelompokan. Osilator-osilator yang menjadi milik
dari objek yang sama memiliki aktivitas yang hampir sama. Juga terlihat bahwa aktivitas osilator
cangkir lebih tinggi daripada aktivitas osilator lampu meja. (d) Hasil tangkapan di mana osilator
lampu meja mencapai aktivitas tinggi sedangkan osilator cangkir aktivitasnya di bawah aktivitas
lampu meja. Model osilator ini diinterprerasikan secara biologis sebagai pendekatan terhadap
sel-sel saraf yang terangsang dan terhambat [10]


.
Gambar 1.6 Aliran optic tangan yang bergerak. Dimulai dari 128x128 citra piksel yang ditangkap
dari kamera video (a) (b) penapisan dengan Laplacian Gaussian (c) sampai aliran optikal sampai
1000 iterasi sampai akhirnya diperoleh citra terakhir di mana jari-jari tangan memiliki
kecepatan yang lebih cepat dari tangan sehingga dibutuhkan beberapa siklus untuk memutus
gerakan bersambung untuk menangkap sekitar garis luar tangan. Jaringan yang digunakan
adalah jaringan resistif [3].

Lain lain
Jaringan saraf tiruan juga dapat digunakan sebagai detector virus computer, penginderaan bau,
pengenalan pola-pola unik dalam penambangan data (data mining), dan mendukung system
pendukung keputusan (DSS-Decision Support System).
1.4 Konsep Dasar Jaringan Saraf Tiruan

Pembagian arsitektur jaringan saraf tiruan bias dilihat dari kerangka kerja dan skema
interkoneksi. Kerangka kerja jaringan saraf tiruan bias dilihat dari jumlah lapisan (layer) dan
jumlah node pada setiap lapisan.
Lapisan lapisan penyusun jaringan saraf tiruan dapat dibagi menjadi tiga, yaitu:
1. Lapisan input
Node-node di dalam lapisan input disebut unit-unit input. Unit-unit input menerima
input dari dunia luar. Input yang dimasukkan merupakan penggambaran dari suatu
masalah.
2. Lapisan tersembunyi
Node-node di dalam lapisan tersembunyi disebut unit-unit tersembunyi. Output dari
lapisan ini tidak secara langsung dapat diamati.
3. Lapisan output
Node-node pada lapisan output disebut unit-unit output. Keluaran atau output dari
lapisan ini merupakan output jaringan saraf tiruan terhadap suatu permasalahan.
Gambar 1.7 merupakan salah satu contoh arsitektur jaringan saraf tiruan multilapis yang
terdiri dari sebuah lapisan input, sebuah lapisan tersembunyi, dan sebuah lapisan output. W
ij

adalah bobot antara lapisan input dengan lapisan tersembunyi, W
jk
adalah bobot antara lapisan
tersembunyi dengan lapisan output. Sebuah neuron (disebut juga node atau unit) yang terletak
di dalam lapisan input akan memiliki fungsi aktivasi dan pola koneksi bobot yang sama dengan
neuron-neuron lainnya yang terletak di dalam lapisan tersembunyi akan memiliki fungsi aktivasi
dan pola koneksi bobot yang sama dengan neuron-neuron lainnya yang terletak di dalam
lapisan tersembunyi. Demikian seterusnya, untuk neuron-neuron pada lapisan output juga
berlaku hal yang sama.


Gambar 1.7 Sebuah jaringan saraf tiruan multilapis (multilayer neural networks)
Mengenai pengelompokan jaringan saraf tiruan, ada pula yang membagi ke dalam 2
kelompok, yaitu jaringan saraf tiruan umpan maju (feed-forward networks). Jaringan saraf
tiruan umpan maju adalah graf yang tidak memunyai loop, sedangkan jaringan saraf tiruan
berulang/umpan balik dicirikan dengan adanya loop-loop koneksi balik. Jika mengikuti aturan
ini, taksonomi jaringan saraf tiruan akan tampak seperti pada Gambar 1.8.



Gambar 1.8 Taksonomi jaringan saraf tiruan beserta nama-nama algoritma pembelajaran yang
termasuk ke dalamnya.
Kembali ke Gambar 1.7 yang digambarkan dengan panah dengan garis terputus-putus
adalah koneksi balik (recurrent networks atau feedback networks). Ciri dari jaringan saraf tiruan
yang memiliki arsitektur ini adalah adanya loop-loop koneksi umpan balik. Sementara tanda
panah dengan garis tidak terputus-putus merupakan jaringan saraf tiruan koneksi umpan maju
(feed-forward networks) yang bergerak maju dan tidak memiliki loop. Dengan menerapkan
fungsi aktivasi ke dalam bobot dan input dilakukan perhitungan yang hasilnya dianggap sebagai
sinyal berbobot yang diteruskan ke lapisan di atasnya. Sinyal berbobot inilah yang menjadi
input bagi lapisan di atasnya. Kemudian diterapkan lagi fungsi aktivasi pada lapisan ini untuk
menghitung output jaringan. Proses ini akan berulang sampai kondisi berhenti terpenuhi.
Pendapat lain mengenai arsitektur jaringan saraf tiruan adalah sebagai berikut: jaringan saraf
tiruan dibagi ke dalam 3 macam arsitektur, yaitu:
1. Jaringan lapisan tunggal
Jaringan yang memiliki arsitektur jenis ini hanya memiliki satu buah lapisan bobot
koneksi. Jaringan lapisan-tunggal terdiri dari unit-unit input yang menerima sinyal dari
dunia luar, dan unit-unit output dimana kita bias membaca respons dari jaringan saraf
tiruan tersebut.

2. Jaringan multilapis
Merupakan jaringan dengan satu atau lebih lapisan tersembunyi. Multilayer net ini
memiliki kemampuan lebih dalam memcahkan masalah bila dibandingkan dengan
single-layer net, namun pela-tihannya mungkin lebih rumit.
3. Jaringan kompetitif
Jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif.
Untuk lebih jelasnya, ketiga macam arsitektur jaringan saraf tiruan ini dapat dilihat pada
Gambar 1.9.

Gambar 1.9 jaringan saraf tiruan menurut arsitekturnya
(a) Jaringan lapis tunggal (single-layer net)
(b) Jaringan kompetitif (competitive layer)
(c) Jaringan multilapis (multilayer net)

1.5 Istilah-istilah Jaringan Saraf Tiruan
Berikut ini beberapa istilah jaringan saraf tiruan yang sering ditemui:
Neuron atau Node atau Unit: Sel saraf tiruan yang merupakan elemen pengolahan
jaringan saraf tiruan. Setiap neuron menerima data input, memroses input tersebut

(melakukan sejumlah perkalian dengan melibatkan summation function dan fungsi
aktivasi), dan mengirim-kan hasilnya berupa sebuah output.
Jaringan: Kumpulan neuron yang saling terhubung dan membentuk lapisan.
Input atau Masukan: Berkorespon dengan sebuah atribut tunggal dari sebuah pola atau
data lain dari dunia luar. Sinyal-sinyal input ini kemudian diteruskan ke lapisan
selanjutnya.
Output atau Keluaran: Solusi atau hasil pemahaman jaringan terhadap data input.
Tujuan pembangunan jaringan saraf tiruan sendiri adalah untuk mengetahui nilai
output.
Lapisan Tersembunyi (hidden layer): Lapisan yang tidak secara langsung berinteraksi
dengan dunia luar. Lapisan inimrmemperluas kemampuan jaringan saraf tiruan dalam
menghadapi masalah-masalh yang kompleks.
Bobot: Bobot dalam jaringan saraf tiruan merupakan nilai matematis dari koneksi, yang
mentransfer data dari satu lapisan ke lapisan lainnya. Bobot ini digunakan untuk
mengatur jaringan sehingga jaringan saraf tiruan bias menghasilkan output yang
diinginkan sekaligus bertujuan membuat jaringan tersebut belajar.
Summation Function: Fungsi yang digunakan untuk mencari rata-rata bobot dari semua
elemen input. Yang sederhana adalah dengan mengalikan setiap nilai input (Xj) dengan
bobotnya (Wij) dan menjumlahkannya (disebut penjumlahan berbobot, atau Si).
Untuk N elemen input summation function dituliskan sebagai:

N
Si = Wij * Xj
J=i
Ini diibaratkan dengan sebuah neuron yang memonitor sinyal yang dating dari neuron-neuron
lain. Neuron ini menghitung penjumlahan berbobotnya dan kemudian menentukan sinyal untuk
dikirim ke neuron-neuron lain.

Fungsi Aktivasi atau Fungsi Tranfer: Fungsi yang menggambarkan hubungan antara
tingkat aktivasi internal (summation function) yang mungkin berbentuk linier atau
nonlinier. Beberapa fungsi aktivasi jaringan saraf tiruan diantaranya: hard limit, purelin,
dan sigmoid. Yang popular digunakan adalah fungsi sigmoid yang memiliki beberapa
varian: sigmoid logaritma, sigmoid biner, sigmoid bipolar, dan sigmoid tangent.

Hard limit Purelin Sigmoid logaritma
Gambar 1.10 Macam-macam fungsi aktivasi. Hard limit memberikan batasan tegas 0 atau 1,
purelin memisahkan secara linier, sedangkan sigmoid berupa fungsi smooth bernilai antara 0
sampai dengan 1 (bila biner ), atau antara -1 sampai 1 (bila bipolar), atau dapat juga berbentuk
sigmoid tangen.
Paradigma Pembelajaran: Cara berlangsungnya pembelajaran atau pelatihan jaringan
saraf tiruan, apakah terawasi (supervisod learning), tidak terawasi (unsupervised
learning), atau merupakan gabungan keduanya (hybrid).
Pada pembelajaran terawasi, kumpulan input yang digunakan, output-outputnya telah
diketahui.Perbedaan antara output-output actual dengan output-output yang diinginkan
digunakan untuk mengoreksi bobot jaringan saraf tiruan agar jaringan saraf tiruan dapat
menghasilkan jawaban sedekat (semirip) mungkin dengan jawaban yang benar yang telah
diketahui oleh jaringan saraf tiruan.
Pada pembelajaran tak terawasi, atau pembelajaran tanpa guru, jaringan saraf tiruan
mengorganisasi dirinya sendiri untuk membentuk vector-vektor input yang serupa, tanpa
menggunakan data atau contoh-contoh pelatihan. Struktur menggunakana dasar data atau
korelasi antara pola-pola data yang diekplorasi. Paradigma pembelajaran ini mengorganisasi
pola-pola ke dalam kategori-kategori berdasarkan korelasi yang ada.

Paradigma pembelajaran hibrida merupakan kombinasi dari kedua aturan di atas. Sebagian dari
bobot-bobotnya ditentukan melalui pembelajaran terawasi.
Aturan Pembelajaran: Aturan kerja secara umum dari teknik/ algoritma jaringan saraf
tiruan. Ada 4 tipe dasar aturan pembelajaran, yaitu aturan pengoreksian kesalahan
(error correcting), aturan Boltzmann, aturan Hebbian, dan aturan pembelajaran
kompetitif (competitive learning).
1. Aturan Pengoreksian Error
Prinsip dasar dari aturan pembelajaran pengoreksian error adalah memodifikasi
bobot-bobot koneksi dengan menggunakan sinyal kesalahan (output target output
actual)untuk mengurangi besarnya kesalahan secara bertahap.
2. Aturan Pembelajaran Boltzmann
Mesin Bolztmann merupakan jaringan saraf tiruan balik yang simetris, terdiri dari
nit-unit biner (+1 dan -1, masing masing untuk on dan off). Dengan
kesimetrisannya, bobot pada koneksi dari unit I ke unit j sama dengan bobot koneksi
dari unit j ke unit I (W
ij
= W
ji
). Setiap neuron pada

mesin Boltzmann ,merupakan sebuah unit stokastik yang menghasilkan output
menurut distribusi mekanik statistic Boltzmann.
Aturan Boltzmann juga dapat dikatakan sebagai kasus lain dari aturan pembelajaran
pengoreksian error. Bedanya, kesalahan (error) diukur bukan sebagai perbedaan
langsung antara output actual dengan output yang diinginkan, melainkan sebagai
perbedaan antara korelasi output-output dari dua buah neuron dalam kondisi
operasi clamped dan free-running. Pada clamped, neuron-neuron visible ditahna
pada keadaan- keadaan tertentu. Pada free running, baik neuron visible maupun
hidden dapat beroperais dengan bebas. Neuron neuron yang berinteraksi dengan
lingkungan disebut neuron yang visible, sedangkan neuron-neuron yang tidak
berinteraksi dengan lingkungan disebut neuron tersembunyi (hidden neurons).
3. Aturan Hebbian

Kekuatan koneksi antara 2 buah neuron akan meningkat jika kedua neuron memiliki
tingkah laku yang sama (keduanya memiliki aktivasi positif atau keduanya memiliki
aktivasi negative).

Gambar 1.11 Orientasi selektivitas sebuah neuron tunggal yang dilatih
menggunakan aturan Hebbian.
Gambar 1.11 menunjukkan keselektifan orientasi dari sebuah neuron tunggal yang
dilatih dengan menggunakan aturan Hebbian. Titik titik yang digambarkan berasal
dari distribusi Gauss 2 dimensi dan digunakan untuk melatih neuron. Vektor bobot
pada neuron diinisialisasi sebagai W
0
seperti ditunjukkan dalam gambar. Selama
pelatihan berlangsung, vector bobot bergerak semakin dekat kearah variansi
maksimal data (w). w merupakan vector eigen matriks kovariansi data yang
berkesesuaian dengan nilai eigen terbesar.
4. Aturan Pembelajaran Kompetitif
Unit unit output pada aturan pembelajaran kompetititf ini hanya harus saling
bersaing untuk beraktivasi. Jadi hanya satu unit output yang aktif pada satu waktu.
Fenomena ini dikenal sebagai winner-take-all. Bobot-bobotnya diatur setelah satu
node pemenang terpilih.
Pada table 1.2 diperlihatkan paradigm, aturan pembelajaran, arsitektur, algoritma
pembelajaran jaringan saraf tiruan beserta bidang aplikasinya yang sudah umum
diketahui.


Tabel 1.2 Paradigma, aturan pembelajaran, arsitektur, algoritma dan aplikasi jaringan saraf
tiruan
Paradigma Aturan
Pembelajaran
Arsitektur Algoritma Pembelajaran Bidang Kerja
Terawasi
(supervised)
Pengoreksian-
Error

Boltzmann

Hebbian

Kompetitif

Perceptron
Lapisan tunggal
Atau multilapis
Recurrent
(berulang)
Umpan maju
multilapisan
(multilayer
Feedforward)
Kompetitif

Jaringan ART
Perceptron
Propagasi Balik
Adaline danMadaline
Boltzmann

Analisis
Diskriminan
Linear

LVQ (learning
Vector
Quantilization)
ARTMap
Klarifikasi Pola
AproksimasiFungsi
Prediksi Control
Klarifikasi pola

Analisis data
Klarifikasi pola
Kategori kelas

Kompresi data
Klarifikasi Pola

Kategori kelas

Tidak terawasi
(unsupervised)
Pengkoreksian
Error
Hebbian

Kompetitif

Multilayer
Feedforward
Umpanmaju
Atau kompetitif
Hopfield net
Kompetitif
Kohonen SOM
Jaringan ART
Proyeksi
Sammon
Analisis
Komponen
Principal
Aturan memori
Asosiatif
Kuantisasi
Analisis data
Analisis data
Kompresi data
Memori asosiatif
Kategorisasi
Kompresi data
Kategorisasi
Analisis data

Vector
Kohonen SOM
ART1,ART2

Kategorisasi
Hibrida (hybrid) Pengkoreksian
Error dan
kompetitif
Jaringan RBF Algoritma RBF Klarifikasi pola
Aproksimasi fungsi
Prediksi, kontrol

1.6 Algoritma Umum Jaringan Saraf Tiruan
ALgoritma pembelajaran/ pelatihan jaringan saraf tiruan:
Dimasukkan contoh pelatihan ke dalam jaringan saraf tiruan. Lakukan:
1. Inisialisasi bobot-bobot jaringan. Set I = 1
2. Masukkan contoh ke-I (dari sekumpulan contoh pembelajaran yang terdapat dalam set
pelatihan) ke dalam jaringan pada lapisan input.
3. Cari tingkat aktivasi unit-unit output menggunakan algoritma aplikasi.
If kinerja jaringan memenuhi standar yang ditentukan sebelumnya (memenuhi
syarat berhenti).
Then exit
4. Update bobot bobot dengan mengunakan aturan pembelajaran jaringan.
5. If I = n, then reset I = 1.
Else I = I 1.
Ke langkah 2.
Algoritma aplikasi/inferensi jaringan saraf tiruan:
Dimasukkan sebuah contoh pelatihan kedalam jaringan saraf tiruan.
Lakukan:
1. Masukkan kasus kedalam jaringan pada lapisan input.
2. Hitung tingkat aktivasi node-node jaringan.

3. Untuk jaringan koneksi umpan maju, jika tingkat aktivasi dari semua unit outputnya
telah dikalkulasi, maka exit. Untuk jaringan koneksi balik, jika tingkat aktivasi dari semua
unit output menjadi konstan, maka exit. J juka tidak, kembali ke langkah 2. Jika
jaringannya tidak stabil, maka exit dan fail.

1.7. Soal soal Latihan
1.1 Berikan pengertian jaringan saraf tiruan!
1.2 Komponen komponen apa saja yang dimiliki oleh sebuah jaringan saraf tiruan?
1.3 Apakah kegunaan dari bobot dan sinapsis?
1.4 Menurut Anda apakah jaringan saraf tiruan perlu untuk dipelajari?
Sertai jawaban Anda dengan 3 contoh aplikasi jaringan saraf tiruan selain dari apa yang
diberikan di buku!
1.5 Apakah arti dari istilah berikut:
a. Competitive layer net
b. Lapisan tersembunyi
c. Fungsi aktivasi sigmoid bipolar
d. Pembelajaran terawasi
1.6 Jelaskan pembagian jaringan saraf tiruan menurut arsitekturnya!
Apakah yang kita pergunakan sebagai dasar pertimbangan kita dalam memilih salah satu
arsitektur tersebut? Jelaskan pendapat Anda!
1.7 Bagaimanakah cara kerja jaringan saraf tiruan secara umum?

Jelaskan dengan bahasa Anda sendiri! Apakah pengertian algoritma pembelajaran dan
algoritma aplikasi?

BAB II
PERCEPTRON
(Pertemuan III)
2.1 Perceptron Lapis Tunggal
Teknik perceptron ditemukan oleh seorang psikolog bernama Frank Rosenblatt di
penghujung tahun 1950-an. Teknik ini merupakan pemodelan sederhana dari retina mata
manusia. Sebuah photoperceptron yang berespons terhadap pola-pola optic digambarkan
seperti pada Gambar 2.1. Photoperceptron menrima cahaya pada titik sensor (S) pada struktur
retinanya. Impulsimpuls yang dibangkitkan oleh titik S kemudian dikirim ke unit-unit asosiator
(A) pada lapisan asosiasi.



Daerah sensor (S) Daerah asosiasi (A) Daerah respons (R)
Koneksi inhibitory
Koneksi excitatory
Bukan inhibitory
Atau excitatory

Gambar 2.1 sebuah photoperceptron sederhana [2]

Setiap unit A terhubung secara acak dengan sekumpulan acak titik-titik S yang dengan
koneksi tersebut mungkin terangsang (excitatory) atau terhambat (inhibitory) dengan
kemungkinan nilai-nilainya adalah +1, -1, dan 0. Nilai +1 untuk koneksi excitatory , -1 untuk
koneksi inihibitory, dan 0 untuk koneksi yang bukan inbihibitory maupun excitatory. Unit A ini
akan menjadi aktif bila jumlah dari input-inputnya melampaui nilai ambang, lalu ia akan
menghasilakn output yang dikirim ke lapisan respons.
Uuit unit pada lapisan respons bekerja dengan cara yang serupa dengan unit unit
pada lapisan sensor namun ada tambahan koneksi umpan balik inhibitory dari lapisan respons
ke lapisan asosiasi dan dari koneksi inhibitory antar unit unit R. Jika jumlah inputnya
melampaui nilai ambang maka output yang dihasilkan adalah 1, selain itu diberikan nilai putput
-1.

Pola yang serupa akan membangkitkan unit respons R yang sama. Hal ini dapat
dimanfaatkan untuk mengklarifikasikan pola pola ke dalam kategori kategori tertentu.
Caranya adalah dengan melakukan pemisahan kelompok pola yang berbeda, yaitu yang dikenal
dengan sebutan pemisahan linier (linear separability).
2.1.1 Arsitektur
Perceptron lapis tunggal dapat dikatakan sebagai salah satu teknik jaringan saraf tiruan
yang sederhana. Teknik hanya mempunyai sebuah lapisan input dan sebuah unit output seperti
tampak pada Gambar 2.2. Pada gambar tersebut terdapat bias (b), yaitu unit yang aktivasinya
selalu 1 dan berperilaku sebagai layaknya bobot (w).

Lapisan input Bobot Output
1
Y
X1
Xn
Bias (b)
W1
Wn

Gambar 2.2 Arsitektur perceptron lapis tunggal
2.1.2 Algoritma Pelatihan
Algoritma pelatihan digunakan untuk melatih jaringan saraf tiruan, yaitu dengan cara
mengajarinya dengan contoh contoh kasus/ pola sampai jaringan saraf tiruan berhasil
mengenali pola tersebut. Setiap kali output yang dihasilkan oleh jaringan tidak sesuai dengan
target yang diharapkan maka setiap kali pula bobotnya di-update. Hal ini terus-menerus
dilakukan sampai tidak ada lagi bobot yang brubah untuk setiap pasangan latihan sensor dan
target. Bobot - bobot terakhir yang diperoleh pada saat pelatihan jaringan saraf tiruan inilah
yang akan digunakan pada saat pengaplikasian (dengan menggunakan algoritma aplikasi
perceptron).
Algoritma pelatihan perceptron adalah sebagai berikut:
Langkah 0. Inisialisasi bobot bobot dan bias.
Tentukan angka pembelajaran (0<1).
Tentukan nilai ambang (0<1)
Langkah 1. Ulangi
Langkah 2. Untuk setiap pasangan latihan s:t, lakukan
Langkah 3. Tentukan aktivasi unit-unit input:
X
i
= S
i

Langkah 4. Hitung respons dari unit output:
Y
in
= b + X
i

1 jika Y
in
> ..2-1)
Y = 0 jika Y
in
..2-2)
-1 jika Y
in
, - ..2-3)
Langkah 5. Updatelah bobot bobot dan bias jika
Error terjadi pada pola y
Jika yt maka
i

W
i
(baru) = w
i
(lama) + t X
i,
B (baru) = b (lama) + t
Selain itu
W
i
(baru) = w
i
(lama)
B(baru) = b(lama)
Langkah 6. Sampai kondisi terhenti terpenuhi.
Kondisi berhenti adalah kondisi di mana tidak terdapat bobot
yang berubah pada langkah 2.
Keterangan:
s sensor
t target
x
i
unit input ke-i
S
i
unit sensor ke-i
w
i
bobot ke-i
b bias
y unit respons (output)
angka pembelajaran
nilai ambang
I 1,.,n di mana n adalah banyaknya unit input
Pada saatpenginisialisasian, sebaiknya bobot bobot dan bias diset sama dengan
0,sedangkan untuk angka pembelajaran()diset sama dengan 1
Sekarang mari kita memperhatikan langkah 4 yaitu langkah untuk menghitung respons
dari unit output. Perhatikan persamaan 2-1. Ini berarti respons akan diberikan jika b + x
i
w
i

lebih besar dari nilai . Dengan demikian bila untuk 2 buah unit input, pernyataan di atas bias
dituliskan kembali sebagai:
X
1
w
1
+ x
2
w
2
+ b >
Dengan garis pembatasnya:
- X
1
w
1
b +
i

X
2
=
W
2
Pada pertidaksamaan-pertidaksamaan di atas terlihat ada sebuah daerah yang tidak
menghasilkan baik respons positif maupun respons negative. Ini memenuhi persamaan 2-2,
yaitu x
1
w
1
+ x
2
w
2
+ b . Daerah tersebut dinamakan undecided bound yang memisahkan
daerah respons positif dengan daerah respons negative.
Pada teknik perceptron juga dikenal istilah linier separability, yaitu kemampuan jaringan
saraf tiruan untuk memisahkan pola pola pelatihan berdasarkan kelompoknya dengan
menggunakan sebuah garis lurus, bidang, atau hyperplane yang memiliki persamaan linier yang
mendefinisikannya. Senagai contoh adalah ruang berdimensi n (hyper-space). Pemisahnya
berupa sebuah permukaan objek berdimensi n -1 (hyperplane). Ruang berdimensi n-1
pemisahnya berupa sebuah permukaan objek berdimensi n-2. Begitu seterusnya, sampai ke
bidang yang memiliki pemisah berupa garis.
2.1.3 Algoritma Aplikasi Perceptron
Langkah 0. Terapkan algoritma pelatihan untuk mengeset bobot-bobot.
Langkah 1. Untuk setiap vector input x yang ingin diklarifikasikan, lakukan langkah 2-3.
Langkah 2. Set aktivasi unit-unit input (x
i
), i=1,,n
Langkah 3. Hitung respons unit output (y):
Y
in
= b + x
i
w
i
1 jika Y
in
>
Y = 0 jika y
in

-1 jika y
in
<

2.1.4 Aplikasi
Berikut ini salah satu contoh aplikasi perceptron untuk pengenalan fungsi logika OR. Tabel
fungsi logika OR (dalam biner) terlihat pada Tabel 2.1.
i

Tabel 2.1 Fungsi logika OR
INPUT
(x
1
x
2
1)
TARGET
( 1 1 1) 1
( 1 0 1) 1
( 0 1 1) 1
(0 0 1) 0
Sementara arsitektur perceptron yang digunakan pada percobaan ini tampak seperti
pada Gambar 2.3

Gambar 2.3 Arsitektur perceptron lapis tunggal untuk fungsi logika OR
Langkah persiapan jaringan saraf tiruan (perceptron) adalah sebagai berikut: Pertama
tama kita perlu menginisialisasi jaringan terlebih dahulu. Angka pembelajaran () yang diambil
adalah 1 sementara bobot w
1
dan w
2
serta bias b kesemuanya diberi nilai 0. Nilai ambang
(threshold ) ditetapkan sebesar 0,1.
Ada tiga cara representasi data yang dilakukan, yaitu:

1
Y
X1
X2
W1
W2
Lapisan input
Bobot Output

(i). Baik input maupun target berbentuk biner.
(ii). Input berbentuk biner, target berbentuk bipolar.
(iii). Baik input maupun target berbentuk bipolar.
2.15. Hasil Percobaan Pengenalan Fungsi Logika OR
(i). Input : biner
Target : biner
Tabel 2.2 Pengenalan fungsi logika OR dengan input dan target biner
Counter INPUT
(X1 X2 1)
NET
Y
n
OUTPUT
Y
TARGET
T
BOBOT
( W1 W2 B)
Perubahan
Bobot
D( W1 W2 B)
Keterangan
( 0 0 0 ) inisialisai
1
2
3
4

[ 1 1 1 ]
[ 1 0 1 ]
[ 0 1 1 ]
[ 0 0 1 ]

0
2
2
1
0
1
1
1
1
1
1
0
[ 1 1 1 ]
[ 1 1 1 ]
[ 1 1 1 ]
[ 1 1 1 ]

[ 1 1 1 ]
[ 0 0 0 ]
[ 0 0 0 ]
[ 0 0 0 ]

Epoch-1
Y=t bobot
Tetap
Y=t

1
2
3
4

[ 1 1 1 ]
[ 1 0 1 ]
[ 0 1 1 ]
[ 0 0 1 ]

3
2
2
1
1
1
1
1
1
1
1
0
[ 1 1 1 ]
[ 1 1 1 ]
[ 1 1 1 ]
[ 1 1 1 ]

[ 0 0 0 ]
[ 0 0 0 ]
[ 0 0 0 ]
[ 0 0 0 ]

Epoch-2
Y=t
Y=t
Y=t stagnasi
Keterangan:
Epoch adalah satu kali presentasi yang mencakup semua pola pelatihan.
Perhatikan Tabel 2.2 di atas. Dari Tabel 2.2 terlihat bahwa sampai epoch kedua habis,
bobot dan biasnya konstan, tidak mengalami. Oleh karena itu dapat dipastikan bahwa jaringan
mengalami stagnasi. Bahkan bila perhitungan terus dilakukan maka output jaringan (Y) tidak
akan pernah sama dengan target (T) karena Y tidak pernah berubah. Perhatikan langkah 5 pada
algortima pelatihan perceptron. Nilai target 0 pada percobaan di ataslah yang mengakibatkan
terjadinya kemandekan tersebut. Oleh sebab itu penggunaan input dan target biner pada kasus
fungsi logika OR (atau fungsi fungsi lain yang melibatkan target bernilai 0) tidak disarankan
karena jaringan tidak akan pernah mengenali semua pola yang diajarkan kepadanya.
(ii). Input : biner
Target : bipolar



Tabel 2.3 Percobaan pengenalan fungsi logika OR dengan input berbentuk biner dan target
berbentuk bipolar.
Counter INPUT
(X1 X2 1)
NET
Y
n
OUTPUT
Y
TARGET
T
BOBOT
( W1 W2 B)
Perubahan
Bobot
D( W1 W2 B)
Keterangan
1
2
3
4

[ 1 1 1 ]
[ 1 0 1 ]
[ 0 1 1 ]
[ 0 0 1 ]

0
2
2
1
0
1
1
1
1
1
1
-1
[ 1 1 1 ]
[ 1 1 1 ]
[ 1 1 1 ]
[ 1 1 0 ]

[ 1 1 1 ]
[ 0 0 0 ]
[ 0 0 0 ]
[ 0 0 0-1]

Epoch-1
Y=t bobot
Tetap
Y=t
5
6
7
8

[ 1 1 1 ]
[ 1 0 1 ]
[ 0 1 1 ]
[ 0 0 1 ]

2
1
1
0
1
1
1
0
1
1
1
-1
[ 1 1 0 ]
[ 1 1 0 ]
[ 1 1 0 ]
[ 1 1 -1 ]

[ 0 0 0 ]
[ 0 0 0 ]
[ 0 0 0 ]
[ 0 0 -1 ]

Epoch-2
Y=t
Y=t
Y=t

9
10
11
12
[ 1 1 1 ]
[ 1 0 1 ]
[ 0 1 1 ]
[ 0 0 1 ]

1
0
1
0
1
0
1
0
1
1
1
-1
[ 1 1 -1 ]
[ 2 1 0 ]
[ 2 1 0 ]
[ 2 1 -1 ]

[ 0 0 0 ]
[ 1 0 1 ]
[ 0 0 0 ]
[ 0 0 -1 ]

Epoch-3
Y=t

Y=t
13
14
15
16
[ 1 1 1 ]
[ 1 0 1 ]
[ 0 1 1 ]
[ 0 0 1 ]

2
1
0
0
1
1
0
0
1
1
1
-1
[ 2 1 -1 ]
[ 2 1 -1 ]
[ 2 2 0 ]
[ 2 2 -1 ]

[ 0 0 0 ]
[ 0 0 0 ]
[ 0 1 1 ]
[ 0 0 -1 ]

Epoch-4
Y=t
Y=t

17
18
19
20
[ 1 1 1 ]
[ 1 0 1 ]
[ 0 1 1 ]
[ 0 0 1 ]

3
1
1
-1
1
1
1
-1
1
1
1
-1
[ 2 2 -1 ]
[ 2 2 -1 ]
[ 2 2 -1 ]
[ 2 2 -1 ]

[ 0 0 0 ]
[ 0 0 0 ]
[ 0 0 0 ]
[ 0 0 0 ]

Epoch-5
Y=t
Y=t
Y=t
Y=t
sukses
Simak Tabel 2.3. Perhatikan bahwa jaringan perceptron berhasil mengenali fungsi
logika OR pada epoch ke-5.Pergeseran batasan keputusan fungsi logika OR selama proses
pelatihan berlangsung dapat dilihat pada Gambar 2.4. Pertidaksamaan pertidaksamaan yang
menghasilkan daerah dengan respons positif dan daerah dengan respons negative pada setiap
langkah dapat dilihat pada Tabel 2.4.



Tabel 2.4 Range Respons positif dan respons negative untuk fungsi logika OR dengan input
biner dan target bipolar
Counter Daerah Respon Positif
W1.X1 + W2.X2 + b > 0
Daerah Respon Negatif
W1.X1 + W2.X2 + b < 0
1 X1 + X2 + 1 > 0.1 X1 + X2 + 1 < -0.1
2 X1 + X2 + 1 > 0.1 X1 + X2 + 1 < -0.1
3 X1 + X2 + 1 > 0.1 X1 + X2 + 1 < -0.1
4 X1 + X2 > 0.1 X1 + X2 < -0.1
5 X1 + X2 > 0.1 X1 + X2 < -0.1
6 X1 + X2 > 0.1 X1 + X2 < -0.1
7 X1 + X2 > 0.1 X1 + X2 < -0.1
8 X1 + X2 1 > 0.1 X1 + X2 - 1 < -0.1
9 X1 + X2 1 > 0.1 X1 + X2 - 1 < -0.1
10 2.X1 + X2 > 0.1 2.X1 + X2 < -0.1

11 2.X1 + X2 > 0.1 2.X1 + X2 < -0.1
12 2.X1 + X2 - 1 > 0.1 2.X1 + X2 - 1 < -0.1
13 2.X1 + X2 - 1 > 0.1 2.X1 + X2 - 1 < -0.1
14 2.X1 + X2 - 1 > 0.1 2.X1 + X2 - 1 < -0.1
15 2.X1 + 2.X2 > 0.1 2.X1 + 2.X2 < -0.1
16 2.X1 + 2.X2 - 1 > 0.1 2.X1 + 2.X2 - 1 < -0.1
17 2.X1 + 2.X2 - 1 > 0.1 2.X1 + 2.X2 - 1 < -0.1
18 2.X1 + 2.X2 - 1 > 0.1 2.X1 + 2.X2 - 1 < -0.1
19 2.X1 + 2.X2 - 1 > 0.1 2.X1 + 2.X2 - 1 < -0.1
20 2X1 + 2.X2 - 1 > 0.1 2.X1 + 2.X2 - 1 < -0.1



Gambar 2-4, Pergeseran Batasan Keputusan Fungsi Logika OR dengan masukan biner dan target bipolar
(iii) Input : bipolar
Target : bipolar


Table 2.5 Percobaan pengenalan fungsi logika OR dengan input dan target berbentuk bipolar.
Counter INPUT
(X1 X2 1)
NET
Y
n
OUTPUT
Y
TARGET
T
BOBOT
( W1 W2 B)
Perubahan
Bobot
D( W1 W2 B)
Keterangan
1
2
3
4

[ 1 1 1 ]
[ 1 -1 1 ]
[ -1 1 1 ]
[ -1 -1 1 ]

0
1
1
-1
0
1
1
-1
1
1
1
-1
[ 1 1 1 ]
[ 1 1 1 ]
[ 1 1 1 ]
[ 1 1 1 ]

[ 1 1 1 ]
[ 0 0 0 ]
[ 0 0 0 ]
[ 0 0 0 ]

Epoch-1
Y=t bobot
Tetap
Y=t
Y=t
1
2
3
4

[ 1 1 1 ]
[ 1 -1 1 ]
[ -1 1 1 ]
[ -1 -1 1 ]

3
1
1
-1
1
1
1
-1
1
1
1
-1
[ 1 1 1 ]
[ 1 1 1 ]
[ 1 1 1 ]
[ 1 1 1 ]

[ 0 0 0 ]
[ 0 0 0 ]
[ 0 0 0 ]
[ 0 0 0 ]

Epoch-2
Y=t
Y=t
Y=t suksesi
Untuk kerja jaringan menunjukkan peningkatan bila data berada dalam format bipolar, baik
input maupun targetnya.
Dari ketiga percobaan di atas dapat dilihat bahwa dibutuhkan 20 langkah (lima epoch)
sampai jaringan mengenali fungsi logika OR bila menggunakan input biner dan target bipolar.
Bandingkan dengan yang menggunakan input bipolar dan target bipolar. Percobaan hanya
membutuhkan 8 langkah ( dua epoch) saja!

Pergeseran batasan keputusan fungsi logika OR selama proses pelatihan berlangsung
dapat dilihat pada Gambar 2.5. Pertidaksamaan pertidaksamaan yang menghasilkan daerah
dengan respons positif dan daerah respons negative pada setiap langkah dapat dilihat pada
Tabel 2.6 berikut ini.
Tabel 2.6 Range respons positif dan respons negartif untuk fungsi logika OR dengan input dan
target bipolar.
Counter Daerah Respon Positif
W1.X1 + W2.X2 + b > 0
Daerah Respon Negatif
W1.X1 + W2.X2 + b < 0
1 X1 + X2 + 1 > 0.1 X1 + X2 + 1 < -0.1
2 X1 + X2 + 1 > 0.1 X1 + X2 + 1 < -0.1
3 X1 + X2 + 1 > 0.1 X1 + X2 + 1 < -0.1
4 X1 + X2 + 1 > 0.1 X1 + X2 + 1 < -0.1
5 X1 + X2 + 1 > 0.1 X1 + X2 + 1 < -0.1
6 X1 + X2 + 1 > 0.1 X1 + X2 + 1 < -0.1
7 X1 + X2 + 1 > 0.1 X1 + X2 + 1 < -0.1
8 X1 + X2 + 1 > 0.1 X1 + X2 + 1 < -0.1



Gambar 2.5 Batasan keputusan fungsi logika OR dengan input dan target bipolar
Gambar 2.5 memperlihatkan bahwa daerah output positif dengan daerah output
negative sudah terpisahkan (bila diberi input -1 dan -1 outputnya adalah -1, input selain itu
menghasilkan output +1).
2.1 Jelaskan apa yang Anda ketahui mengenai teknik perceptron!
2.2 Jelaskan kondisi berhenti apa saja yang boleh ditetapkan untuk jaringan
perceptron!

X2
Undecided
bound
-1.1 -0.9
0.9
1.1
X1
+
+
- +

2.3 Jelaskan mengenai pengaturan awal bobot, bias dan threshold pada
perceptron!
2.4 Apa itu linier separability dan mengapa perceptron gagal mengenali fungsi sederhana XOR?
Mengapa perceptron berhasil mengenali fungsi logika AND atau OR? Bagaimana dengan
pemisah bidang berdimensi 4, adakah pemisahnya menurut teori linier separability?
2.5 Jelaskan apa yang Anda ketahui mengenai undecided bound, Dapatkah perceptron
membawanya kea rah solusi?



BAB III
JARINGAN HOPFIELD DISKRIT
(Pertemuan IV DAN V)
Jaringan Hopfield diskrit merupakan jaringan saraf tiruan yang terhubung penuh (fully
connected), yaitu bahwa setiap unit terhubung dengan setiap unit lainnya. Jaringan ini memiliki
bobot bobot yang simetris. Pada jaringan Hopfield, setiap unit tidak memiliki hubungan
dengan dirinya sendiri. Secara matematik hal ini memenuhi W
ij
= W
ji
untuk I j dan W
ij
= 0 untuk
I = j.
Jaringan saraf tiruan merupakan kumpulan dari neuron neuron (sel-sel saraf) di mana
sebuah neuron lainnya dengan cara mengirimkan informasi dalam bentuk fungsi aktivasi. Fungsi
aktivasi yang digunakan dalam jaringan Hopfield adalah fungsi energy Lyapunov, yaitu sebuah
fungsi yang terbatas dan menurun untuk mendapatkan kestabilan pada aktivasinya.

3.1 Arsitektur


Gambar 3.1 Jaringan Hopfield dengan 6 buah neuron
Gambar 3.1 menunjukkan sebuah jaringan Hopfield dengan 6 buah neuron yang
terhubung satu sama lain. Setiap unit tidak memilikin hubungan dengan dirinya sendiri.
Hubungan antar neuron tersebut memiliki bobot positif atau negative. Berikut bobot bobot
tersebut digambarkan sebagai vector W.
0 w
12
w
13
w
14
w
15
w
16
w
21
0 w
23
w
24
w
25
w
26
w
31
w
32
0 w
34
w
35
w
36
W = w
41
w
42
w
43
0 w
45
w
46
w
51
w
52
w
53
w
54
0 w
56
w
61
w
62
w
63
w
64
w
65
0
Perhatikan bahwa bobot bobot yang terletak pada diagonal utamanya adalah nol yang
menunjukkan bahwa neuron neuron pada jaringan Hopfield tidak memiliki hubungan dengan
dirinya sendiri (W
ij
= 0
i
I = j). SEmentara itu kesimetrisan vector bobot berarti berlakunya W
ij
=
W
ji
di mana I j, sehingga w
12
= w
21
= w
13
, w
31
, w
23
= w
32
,, dan seterusnya.
3.2 Algoritma
Berikut ini adalah langkah langkah menuju ke algoritma Hopfield diskrit.
Misal terdapat 2 buah pola yang ingin dikenali, yaitu pola A (1,0,1,0,1,0) dan pola B (0,1,0,1,0,1).
Bobot bobot jaringan saraf tiruan kemudian, sebagai contoh, ditentukan seperti di bawah ini:



0 -2 2 -2 2 -2
-2 0 -2 2 -2 -2
W = 2 -2 0 -2 2 -2
-2 2 -2 0 -2 2
2 -2 2 -2 0 -2
-2 2 -2 2 -2 0
Bobot bobot tersebut simetris (w
ij
= w
ji
; di mana I = baris dan j = kolom) dan diagonal
utamanya adalah 0.
Pola A dan pola B diperlakukan sebagai vector. Dot poduct antara A dengan B diperoleh
dengan cara mengalikan komponen kedua vector tersebut dengan vector bobot W sesuai
komolm/ node yang diingini dari kemudian menambahkannya seperti berikut ini.
Aktivasi node pertama untuk pola A:
0
-2
(1 0 1 0 1 0) 2 = 0 + 0 + 2 + 0 +2 + 0 = 4
-2
2
-2


Aktivasi node kedua:
-2
0
(1 0 1 0 1 0) -2 = (-2) + 0 + (-2) + 0 + (-2) + 0 = -6
2
-2
2
Dan setetusnya dengan cara yang sama untuk node ketiga, keempat, kelima dan keenam
diperoleh masing masing 4, -6, 4, -6.
Masih dengan cara yang sama untuk pola B, hasil aktivasi node pertama sampai keenam
diperoleh, masing masing -6, 4, -6, 4, -6, 4. Kemudian fungsi ambang (threshold function)
ditentukan agar jaringan saraf tiruan bisa menghasilkan pola A dan pola B sebagai berikut:
1 jika t 0
F(t) =
0 jika t < 0
Di mana:
T = aktivasi node
0 = nilai ambang

Untuk contoh ini diambil sebagai 0 adalah 0.
Bila dimasukkan 4 dan -6 ke dalam fungsi di atas maka akan diperoleh f(4) = 1 dan f(-6) =
0. Pola output untuk pola A dan pola B kemudian bisa ditentukan. Untuk pola A, output yang
dihasilkan adalah (1,0,1,0,1,0). Ini sama seperti pola inputnya. Dikatakan bahwa jaringan saraf
tiruan sukses dalam mengenali atau berhasil memanggil kembali pola A yang dimasukkan ke
dalam jaringan. Sedangkan untuk pola B, aktivasi (-6, 4, -6, 4, -6, 4 ) menghasilkan pola output
(0, 1, 0, 1, 0, 1). Yang berarti pola B juga sukses dipanggil kembali.
Sekarang pertimbangkan kedua pola berikut: C (1, 0, 1, 0, 0, 0 ) dan D(0, 0, 0, 1, 0, 1).
Dengan melihat sepintas dapat diketahui bahwa pola C mirip dengan pola A dan pola D mirip
dengan pola B. Memang benar bahwa pola C dan pola D dianggap sebagai citra dari pola A dan
pola B yang mengalami distorsi. Hasil pengujian terhadap pola C dan pola B adalah sebagi
berikut:
o Pengujian terhadap pola C menghasilkan aktivasi pada node pertama sampai keenam,
masing masing adalah (2, -4, 2, -4, 4, -4) dengan outputnya (1, 0, 1, 0, 1, 0). Ini berarti
ketika pola C dimasukkan ke dalam jaringan maka ia memanggil pola A sebagai
outputnya.
o Hasil pengujian terhadap pola D senngaja ditinggalkan sebagai latihan bagi pembaca
dengan hasil akhir menunjuk ke pemanggilan kembali pola B.
Kesimpulan yang dapat diambil adalah adalah bahwa jaringan Hopfield yang tengah dirancang
ini akan menghasilkan output sesuai dengan kedekatan pola input terhadap pola target. Pada
kasus diatas yang menjadi output adalah pola tersimpan yang lebih dekat dengan pola input.
Secara matematika kedekatan antara 2 buah pola dapat dibuktikan sebagai berikut:
1. Lihat Gambar 3.2. Jarak antara 2 buah titik berdimensi dua P(a,b) dan Q(c,d) dapat dicari
sebagai berikut:



Jarak
p-Q
=
2
Y

d Q(c,d)
Jarak
p-Q

b
P(a,b)

Gambar 3.2 Jarak antara 2 buah titik pada bidang dimensi dua
ii. Dengan menggunakan pemikiran yang sama untuk 2 buah titik berdimensi tiga (Lihat
Gambar 3.3) diperoleh:
Jarak
p-Q
= (a - d)
2
+ ( b e )
2
+ ( c f )
2
Dengan P(a,b,c) dan Q(d,e,f).
Jarak antara 2 titik berdimensi tiga p(4,0,0) dan Q (4,0,3)

c a
X
Q
(4,0,3)
Jarak
p-Q
=3
P
(4,0,0)
3
2
1
1
0
0,5
-0,5
0
-1 3
3,5
4
4,5
5
z
y
x


Gambar3.3 Jarak antara 2 titik dimensi tiga
Demikian berlaku untuk titik-titik berdimensi empat, lima dan seterusnya, sehingga jarak
antara kedua belah titik berdimensi enam adalah :
Jarak P-Q =
Dengan P(a,b,c,d,e,f) dan Q (g,h,I,j,k,l)
Pengujian kedekatan antara pola C(1,0,1,0,0,0) dan D(0,0,0,1,0,1) terhadap pola
A(1,0,1,0,1,0) dan B(0,1,0,1,0,1) dilakukan dengan menghitung jarak pola C atau D terhadap
pola A dan B:
a. Perhitungan jarak antara C(1,0,1,0,0,0) dengan A(1,0,1,0,1,0)
Jarak C-A=
= 1
b. Perhitungan jarak antara C(1,0,1,0,0,0) dengan B(0,1,0,1,0,1)
Jarak C-B =
Terlihat jarak C lebih dekat ke A dibandingkan dengan jarak C ke B. Kesimpulan Pola C lebih
dekat dengan pola A

Pengujian Untuk Pola D:

c. Perhitungan jarak antara D(0,0,0,1,0,1) dengan A(1,0,1,0,1,0)
Jarak D-A =
d. Perhitungan jarak antara D(0,0,0,1,0,1) dengan B(0,1,0,1,0,1)
Jarak D-B =
= 1
Terlihat bahwa jarak D lebih dekat ke B dibandingkan dengan ke A. Kesimpulan: POla D lebih
dekat dengan pola B.
Telah disebutkan di atas bahwa jaringan Hopfield akan menghasilkan output sesuai
dengan kecenderungan/ kedekatan pola input terhadap sebuah pola target. Sekarang
pertimbangkanlah suatu kasus di mana ternyata jarak sebuah pola input yan dimasukkan ke
dalam jaringan ternyata sama dekatnya terhadap kedua pola target. Sebagai cintih adalah pola
E( 1,0,1,1,0,1 ) yang memiliki jarak yang sama terhadap pola A dan pola B.
Jarak antara E terhadap A dan B adalah sebagai berikut:
o Hitung jarak antara E(1,0,1,1,0,1) dengan A(1,0,1,0,1,0)


Jarak
E-A
= ( 1 - 1)
2
+ ( 0 0 )
2
+ ( 1 1 )
2
+ ( 1 0 )
2
+ ( 0 1 )
2
+ ( 1 0 )
2
= 0 + 0 + 0 + 1 + 1 + 1
= 3
o Hitung jarak antara E(1,0,1,1,0,1) dengan B(0,1,0,1,0,1):
Jarak
E-B
= ( 1 0 )
2
+ ( 0 1 )
2
+ ( 1 0 )
2
+ ( 1 1 )
2
+ ( 0 0 )
2
+ ( 1 1 )
1
= 1 + 1 + 1 + 0 + 0 + 0
= 3
Terlihat bahwa jarak E terhadap A dan B adalah sama.
Dengan menggunakan langkah langkah yang serupa dengan sebelumnya diperoleh
aktivasi node pertama sampai keenam untuk vector E adalah (-2,0,-2,-2,0-2) dengan output
(0,,0,0,1,0). Vektor outputnya berupa sebuah pola yang sama sekali baru. Karena yang
diinginkan adalah jaringan di mana outpur yang dihasilkan berupa pola A atau pola B maka
algoritm yang diterapkan sebelumnya perlu dimodifikasi. Ide yang kemudian timbul adalah
meng-update jaringan secara tidak sinkron (asynchronous update), artinya peng-update-an
tidak dilakukan secara bersamaan ke semua output yang diumpankan kembali sebagai input
melainkan hanya dilakukan pada satu komponen vector pada satu waktu. Algoritma tersebut
dirumuskan seperti berikut ini.
3.3. Algoritma jaringan Hopfield diskrit:
0. Inisialisasi matriks bobot W.
1. Masukkan vector input (invec), lalu inisialisasi vector output (outvec) sebagai berikut:
Outvec Invec
2. Mulai dengan counter I = 1
3. While Invec Outvec do langkah 4-7.
(Jika I sudah mencapai nilai maksimum, I akan mereset ke 1 untuk melanjutkan siklus).
4. Hitung Nilai
I
= DotProduct(Invec
i,
Kolom
i
, dari W)
5. Hitung Outvec
i
= f(Nilai
i
) di mana adalah fungsi ambang (threshold function).

Untuk pola input biner:
1 jika t
f(t) =
0 jika t <
di mana 0 biasanya sama dengan 0.
Untuk pola input bipolar:

1 jika t >
f(t) =
-1 jika t
di mana threshold 0 biasanya sama dengan 0
6. Update input jaringan dengan komponen Outvec
i

7. I = I + 1;
Catatan:
Jaringan Hopfield dikatakan sampai kepada nilai maksimum jika sebuah pola tertentu stabil
dipanggil ulang. Batas iterasi biasanya cukup satu kali siklus setelah pola tertentu dipanggil
secara stabil.
Penerapan algoritma jaringan Hopfield pada vector input E yang memiliki jarak yang
sama terhadap pola pola yang dikenali oleh jaringan memberikan hasil seperti pada Tabel 3.1.
Ternyata pola yang dipanggil kembali secara stabil oleh vector E adalah pola B (0,1,0,1,0,1).

Tabel 3.1 Aplikasi algoritma jaringan Hopfield diskrit pada vector E
La
n
g
k
I
n
v
e
Kolom
Vector bobot
Nila
i
Akti
vasi
O
u
t
V
Catatan

a
h
c e
c
0 1
0
1
1
0
1
1
0
1
1
0
1
Inisialisasi
1 1
0
1
1
0
1
0 -2 2 -2 2 -2 -2 0
0
1
1
0
1
Siklus pertama
Kolom ke-I outvec
diubah sesuai output
aktivasi
2 0
0
1
1
0
1
-2 0 -2 2 -2 2 2 0
1
1
1
0
1
Kolom ke-2 outvec
Diubah sesuai output
Aktivasi
3 0
1
1
1
0
1
2 -2 0 -2 2 -2 -6 0
1
0
1
0
1
Kolom ke-3 outvec
Diubah sesuai output
Aktivasi
4 0
1
0
1
0
1
-2 2 -2 0 -2 2 4 0
1
0
1
0
1
Kolom ke-4 outvec tetap
karena sesuai output aktivasi
5 0
1
0
1
0
1
2 -2 2 -2 0 -2 -6 0
1
0
1
0
1

6 0
1
0
1
0
1
-2 2 -2 2 -2 0 4 0
1
0
1
0
1
7 0
1
0
1
0
1
0 -2 2 -2 2 -2 -6 0
1
0
1
0
1
Siklus kedua
Kolom ke-1 outvec
Tetap
8 0
1
0
1
0
1
-2 0 -2 2 -2 2 4 0
1
0
1
0
1
Kolom ke-2 outvec
Tetap
9 0
1
0
1
0
1
2 -2 0 -2 2 -2 -6 0
1
0
1
0
1
Kolom ke-3 outvec
Tetap
1
0
0
1
0
1
0
1
-2 2 -2 0 -2 2 4 0
1
0
1
0
1
Kolom ke-4 outvec
Tetap
1
1
0
1
0
1
0
1
2 -2 2 -2 0 -2 -6 0
1
0
1
0
1
Kolom ke-5 outvec
Tetap
1
2
0
1
-2 2 -2 2 -2 0 4 0
1
Kolo ke-6 outvec tetap. Pola
yang dipanggil ulang secara

0
1
0
1
0
1
0
1
stabil = 010101

Mengenai penginisialisasian matriks bobot:
(i). Set bobot bobot pada diagonal utamanya dengan 0; ini mengi-ngat ketentuan bahwa
jaringan terhubung penuh kecuali kepada dirinya sendiri (w
ij
= 0 ; I = j, untuk I = baris dan
j = kolom).
(ii). Set bobot bobot selain yang terletak pada diagonal utama de-ngan bilangan
sembarang sedemikian sehingga vector output yang dihasilkan sama persis dengan pola
input. Ini memerlukan pemilihan bobot secara hati hati dengan memperlihatkan
kesimetrisan matriks bobot inisial. Pengertian dari simetris di sini adalah: antara matriks
bobot dengan transpose dari matriks bobot sama. Untuk menjamin hal tersebut w
ij
harus sama dengan w
ji
dimana I j (I = baris, j = kolom).
3.4. Aplikasi
Jaringan Hopfield diskrit dapat digunakan untuk menentukan apakah suatu vector
input dikenali atau tidak dikenali dan jaringan berkovergensi menghasilkan sebuah vector
yang tidak merupakan salah satu pola yang disimpan dalam jaringan maka keadaan seperti ini
disebut keadaan stabil palsu (spurious stable state).
Berikut ini diberikan salah satu aplikasi jaringan Hopfield diskrit (Contoh 3.1) untuk
mengenali pola = dan pola x. Contoh 3.2 menjelaskan mengenai spusious stable state.
Contoh 3.1 Pengenalan Pola = dan x

(a) (b)

Gambar 3.4 Pola pola yang ingin dikenali
(a) Pola = (b) pola x
Masing masing pola pada Gambar 3.4 diterjemahkan sebagai data bipolar:
Pola sama dengan =(1,1,1,-1,-1,-1,1,1,1)
Pola kali =(1,-1, 1,-1,1,-1,1,-1,1)
Sementara itu matriks bobot inisial yang digunakan untuk mengenali kedua pola di atas
ditentukan melalui serangkaian pemilihan yang hati-hati agar menghasilkan vector
output sama dengan vector input. Matriks bobot inisial:

0 0 3 -3 0 -3 3 0 3
0 0 0 0 0 0 0 3 0
3 0 0 -3 0 -3 3 0 3
-3 0 -3 0 0 3 -3 0 -3
W = 0 0 0 0 0 0 0 -3 0
-3 0 -3 3 0 0 -3 0 -3
3 0 3 -3 0 -3 0 0 3
0 3 0 0 -3 0 0 0 0
3 0 3 -3 0 -3 3 0 0
Cara menghitung nilai aktivasi node prtama sampai node ke-9 adalah dengan menggunakan
cara yang sama seperti pada vector biner. Untuk pola input sama dengan diperoleh nilai
aktivasi (3,3,3,-9,-6,-9,12,6,15) sedangkan untuk pola input kali diperoleh (9,-9,9,-9,6,-9,6,-

6,9). Vektor output untuk pola sama dengan dan pola kali masing masing adalah (1,1,1,-
1,-1,-1,1,1,1) dan (1,-1,1,-1,1,-1,1,-1,1). Ini berarti jaringan Hopfield diskrit sukses dalam
memanggil kembali pola sama dengan dan pola kali.
3.5. Contoh 3.2 Keadaan Stabil Palsu (Spurious Stable State)
Untuk melihat contoh mengenai spurious stable state, coba masukkan vector input
berikut ke dalam jaringan pada contoh 3.1 di atas: (-1,-1,-1,1,-1,1,-1,-1,-1).

Tabel 3.2 Aplikasi algoritma jaringan Hopfield diskrit pada vector E

INSERT KOLOM VECTOR BOBOT OUTVEC CATATAN
0 -1,-1,-1,1,-1,1,-1,-1,-1 -1,-1,-1,1,-1,1,-1,-1,-1 Inisialisasi
1 1 -1,-1,-1,1,-1,1,-1,-1,-1 0 0 3 -3 0 -3 3 0 3 -15 -1,-1,-1,1,-1,1,-1,-1,-1 Siklus pertama
karena sesuai output
aktivasi
2 2 -1,-1,-1,1,-1,1,-1,-1,-1 0 0 0 0 0 0 0 3 0 -3 -1,-1,-1,1,-1,1,-1,-1,-1 Kolom ke-2 outvec tetap
aktivasi
3 3 -1,-1,-1,1,-1,1,-1,-1,-1 3 0 0 -3 0 -3 3 0 3 -15 -1,-1,-1,1,-1,1,-1,-1,-1 Kolom ke-3 outvec tetap
aktivasi
4 4 -1,-1,-1,1,-1,1,-1,-1,-1 -3 0 -3 0 0 3 -3 0 -3 15 -1,-1,-1,1,-1,1,-1,-1,-1 Kolom ke-4 outvec tetap
aktivasi
5 5 -1,-1,-1,1,-1,1,-1,-1,-1 0 0 0 0 0 0 0 -3 0 3 -1,-1,-1,1,1,1,-1,-1,-1 Kolom ke-5 outvec

berubah sesuai output
aktivasinya
6 6 -1,-1,-1,1,1,1,-1,-1,-1 -3 0 -3 3 0 0 -3 0 -3 15 -1,-1,-1,1,1,1,-1,-1,-1 Kolom ke-6 outvec tetap
aktivasi
7 7 -1,-1,-1,1,1,1,-1,-1,-1 3 0 3 -3 0 -3 0 0 3 -15 -1,-1,-1,1,1,1,-1,-1,-1 Kolom ke-7 outvec tetap
aktivasi
8 8 -1,-1,-1,1,1,1,-1,-1,-1 0 3 0 0 -3 0 0 0 0 -6 -1,-1,-1,1,1,1,1,-1 Kolom ke-8 outvec tetap
aktivasi
9 9 -1,-1,-1,1,1,1,-1,-1,-1 3 0 3 -3 0 -3 3 0 0 -15 -1,-1,-1,1,1,1,-1,1,-1 Kolom ke-9 outvec tetap
aktivasi
10 1 -1,-1,-1,1,1,1,-1,-1,-1 0 0 3 -3 0 -3 3 0 3 -15 -1,-1,-1,1,1,1,-1,1,-1 Siklus kedua
11 2 -1,-1,-1,1,1,1,-1,-1,-1 0 0 0 0 0 0 0 3 0 -3 -1,-1,-1,1,1,1,-1,1,-1 Kolom ke-2 outvec tetap
13 4 -1,-1,-1,1,1,1,-1,-1,-1 -3 0 -3 0 0 3 -3 0 -2 15 -1,-1,-1,1,1,1,-1,1,-1 Kolom ke-4 outvec tetap
14 5 -1,-1,-1,1,1,1,-1,-1,-1 0 0 0 0 0 0 0 -3 0 3 -1,-1,-1,1,1,1,-1,1,-1 Kolom ke-5 outvec tetap
15 6 -1,-1,-1,1,1,1,-1,-1,-1 -3 0 -3 3 0 0 -3 0 -3 15 -1,-1,-1,1,1,1,-1,1,-1 Kolom ke-6 outvec tetap
16 7 -1,-1,-1,1,1,1,-1,-1,-1 3 0 0 3 -3 0 -3 0 0 3 -15 -1,-1,-1,1,1,1,-1,1,-1 Kolom ke-7 outvec tetap
17 8 -1,-1,-1,1,1,1,-1,-1,-1 0 3 0 0 -3 0 0 0 0 -6 -1,-1,-1,1,1,1,-1,1,-1 Kolom ke-8 outvec tetap
pola yang dipanggil ulang
secara satbil adalah -1,1,-
1,1,-1,1,-1,1,-1

3.1 Jaringan Hopfield diskrit merupakan saraf tiruan yang unit-unitnya saling terhubung
penuh kecuali loop ke unit dirinya sendiri. Menurut Anda, aplikasi apa saja yang cocok
untuk jaringan Hopfield? Jelaskan alas an Anda!
3.2 Bila pola keluaran yag dihasilkan jaringan Hopfield merupakan spurious stable state,
apkah itu berate kegagalan bagi jaringan Hopfield ? Jelaskan apakah ada suatu cara
untuk menangani hal tersebut!

3.3 Susun matrik bobot inisial dengan jaringan Hopfield diskrit untuk mengenali pola pola
berikut:
A = (1,0,1,0)
B = (0,1,0,1)
Gunakan pasangan pasangan bilangan: -3 dan 3, -2 dan 2, serta -1
dan 1.

3.4 Apakah output yang dihasilkan jaringan pada Contoh 3.1 bila dimasukkan input input
berikut (Gambar 3.5) ke dalam jaringan:

(a) (b)

Gambar 3.5 POla pola yang bermasalah
(a) Pola sama dengan yang kehilangan sebuah pixel hitamnya (incomplete data).
(b) Pola kali yang mendapat tambahan sebuah pixel hitam (noisy data)
3.5 Modifikasilah matriks bobot pada Contoh 3.1 (-3 dan 3 digantin dengan -5 dan 5). Masih
dengan pembahasan soal yang sama (mengenali pola sama dengan dan kali), bila
dimasukkan input (bipolar) untuk pola-pola pada gambar 3.6 apakah yang akan
dihasilkan oleh jaringan? Apa yang dapat Anda simpulkan? Bandingkan pula hasilnya bila
menggunakan pasangan bobot semula (-3 dan 3).



BAB IV
METODE PROPAGASI BALIK
(Pertemuan VI)
Metode propagasi balik merupakan metode yang sangat baik dalam menangani
masalah pengenalan pola pola kompleks. Metode inin merupakan jaringan saraf tiruan yang
popular. Beberapa contoh aplikasi yang melibatkan metode ini adalah pengompresian data,

pendeteksian virus komputer, pengidentifikasian objek, sintesis suara dari teks, dan lain lain.
Beragam aplikasi jaringan saraf tiruan dapat dilihat di Bab 7.
Istilah propagasi balik (atau penyiaran kembali) diambil dari cara kerja jaringan ini,
yaitu bahwa gradient error unit unit tersembunyi diturunkan dari penyiaran kembali error
error yang diasosiasikan dengan unit unit output. Hal ini karena nilai target untuk unit unit
tersembunyi tidak diberikan.
Metode ini menurunkan gradient untuk meminimkan penjumlahan error kuadrat output
jaringan. Nama lain dari propagasi balik adalah aturan delta yang digeneralisasi (generalized
delta rule). Lihat [3] untuk mengetahui lebih jauh mengenai aturan delta yang digeneralisasi.
4.1 Arsitektur
Di dalam jaringan propagasi balik, setiap unt yang berada dilapisan input terhubung
dengan setiap unit yang ada di lapisan tersembunyi. Hal serupa berlaku pula pada lapisan
tersembunyi. Setiap unit yang ada dilapisan tersembunyi terhubung dengan setiap unit yang
ada di lapisan output. Lebih jelas tentang hal ini ditunjukkan pada Gambar 4.1.
Jaringan saraf tiruan propagasi balik terdiri dari banyak lapisan (multilayer neural
networks):
1. Lapisan input (1 buah ). Lapisan input terdiri dari neuron neuron atau unit unit input,
mulai dari unit input 1 sampai unit input n.
2. Lapisan tersembunyi (minimal 1). Lapisan tersembunyi terdir dari unit unit
tersembunyi mulai dari unit tersembunyi 1 sampai unit tersembunyi p.
3. Lapisan output (1 buah). Lapisan output terdiri dari unit unit output mulai dari unit
output 1 sampai unit output m.n,p, m masing masing adalah bilangan integer
sembarang menurut arsitektur jaringan saraf tiruan yang dirancang. V
0j
dan W
ok
masing
masing adalah bias untuk unit tersembunyi ke-j dan untuk unit output ke-k. Bias V
0j

dan W
ok
berperilaku seperti bobot dimana output bias ini sealu sama dengan 1. V
ij

adalah bobot koneksi antar unit ke-I lapisan input dengan unit unit ke-I lapisan
tersembunyi dengan unit ke-j lapisan output.

Gamber 4.1 Jaringan propagasi balik dengan satu buah lapisan tersembunyi. Perbedaan
antara output actual dengan output target dikembalikan lagi ke lapisan tersembunyi sebagai
input untuk meng-update bobot, membawa keluaran jaringan kea rah semakin mendekati
output target.

4.2 Algoritma

P
E
L
A
T
I
H
A
N

J
LAPISAN
OUTPUT
LAPISAN
Tahap
umpan maju
Output aktual
Output
target

+
Error
Lapisan
input
Lapisan
tersembunyi
Lapisan
output
Y
1 Y
K
Y
m
Z
1 Z
j z
p
X
1
x
i x
n
W
0K
W
JK
Unit output error
Unit input
V
01

v
v
0j
v
1j
unit tersembunyi
Bias
Bias
W
01
1
1


Gambar 4.2 Alur kerja jaringan propagasi balik
Keterangan berikut ini mengacu pada Gambar 4.2. Agar dapat digunakan untuk suatu
aplikasi, jaringan saraf tiruan perlu belajar terlebih dahulu. Caranya, pada jaringan dimasukkan
sekumpulan contoh pelatihan yang disebut set pelatihan. Set pelatihan ini digambarkan dengan
sebuah vector feature yang disebut vector input yang diasosiasikan dengan sebuah output yang
menjadi target pelatihannya. Pelatihan kemudian dilangsungkan dengan maksud membuat
jaringan saraf tiruan beradaptasi terhadap karakteristik karakteristik dari contoh contoh
pada set pelatihan dengan cara melakukan pengubahan/ peng-update-an bobot bobot yang
ada dalam jaringan.
Cara kerja jaringan propagasi balik adalah sebagai berikut: Mula mula jaringan
diinisialisasi dengan bobot yang diset dengan bilangan acak. Lalu contoh contoh pelatihan
dimasukkan ke dalam jaringan. Contoh pelatihan terdiri dari pasangan vector inout dan vector
output target. Keluaran dari jaringan berupa sebuah vector output actual. Selanjutnya vector
output actual jaringan dibandingkan dengan vector output target untuk mengetahui apakah
output jaringan sudah sesuai dengna harapan (output actual sudah sama dengan output
target).

Error yang timbul akibat perbedaan antara output actual dengan output target tersebut
kemudian dihitung dan digunakan untuk meng-update bobot bobot yang relevan dengan
jalan mempropagasikan kembali error. Setiap perubahan bobot yang terjadi diharapkan dapat
mengurangi besar error. Epoch (siklus setiap pola pelatihan) seperti ini dilakukan pada semua
set pelatihan sampai unjuk kerja jaringan mencapai tingkat yang diinginkan atau sampai kondisi
berhenti terpenuhi. Yang dimaksud dengan kondisi kondisi berhenti di sini misalnya: pelatihan
akan dihentikan setelah epoch mencapai 1000 kali, atau pelatihan akan dihentikan samapi
sebuah nilai ambang yang dittapkan terlampaui. Setelah proses pelatihan selesai, barulah
diterapkan algoritma aplikasi. Biasanya sebelum digunakan untuk aplikasi yang sebenarnya,
pengujian untuk kerja jaringan dilakukan dengan cara memasukkan set pengujian (set tes) ke
dalam jaringan. Karena bersifat untuk menguji, set pengujian hanya berupa input saja. Dari
respons jaringan dapat dinilai kemapuan memorisasi dan generalisasi jaringan dalam menebak
output berdasarkan pada spa yang telah dipelajarinya selama ini.
Algoritma propagasi balik dapat dibagi ke dalam 2 bagian:
1. Algoritma pelatihan
Terdiri dari 3 tahap: tahap umpan maju pola pelatihan input, tahap
pempropagasibalikan error, dan tahap pengaturan bobot.
2. Algoritma aplikasi
Yang digunakan hanyalah tahap umpan maju saja.
Berikut ini adalah algoritma pelatihan untuk jaringan propagasi balik dengan sebuah
lapisan tersembunyi yang disusun menurut Gambar 4.1 dan 4.2.
4.3. ALgoritma Pelatihan
0. Inisialisasi bobot bobot.
Tentukan angka pemeblajaran ().
Tentukan nilai toleransi error atau nilai ambang (bila menggunakan nilai ambang sebagai
kondisi berhenti); atau set maksimal epoch (bila menggunakan bayaknya epoch sebagai
kondisi berhenti).

1. While kondisi berhenti tidak terpenuhi do langkah ke-dua sampai langkah ke-9.
2. Untuk setiap pasangan pola latihan, lakukan langkah ke-3 sampai langkah ke-8.
Tahap Umpan Maju
3. Setiap unit input x
i
(dari unit ke-1 sampai unit ke-n pada lapisan input) mengirimkan
sinyal input ke semua unit yang ada di lapisan atasnya (ke lapisan tersmbunyi:
4. Pada setiap unit di lapisan tersembunyi z
j
(dari unit ke-1 sampai unit ke-p; i=1,..,p)
sinyal output lapisan tersembunyinya dihitung dengan menerapkan fungsi aktivasi
terhadap penjumlahan sinyal sinyal input berbobot x
i
:

Z
j
= f(V
0j
+ V
ij
)

Kemudian dikirim ke semua unit di lapisan atasnya.
5. Setiap unit di lapisan output y
k
(dari unit ke-1 sampai unit ke-m; I = 1,..; k = 1,,m)
dihitung sinyal outputnya dengan menerapkan fungsi aktivasi terhadap penjumlahan
sinyal sinyal input berbobot z
j
bagi lapisan ini:
Z
j
= f(W
0k
+ W
jk
)
Tahap Pempropagasibalikan Error.
6. Setiap unit output y
k
(dari unit ke-1 sampai unit ke-m; j=1,.,p; k=l,..,m) menerima
pola target t
k
lalu informasi kesalahan lapisan output ( dihitung.
k
dikirim ke lapisan
dibawahnya dan digunakan untuk menghitung besar koreksi bobot dan bias ( w
jk
dan
w
0k
) antara lapisan tersembunyi dengan alpisan output:
7. Pada setiap unit di lapisan tersembunyi (dari unit ke-1 sampai unit ke-p;
i=1,..,n;j=1,,p;k = 1,..,m) dilakukan perhitungan informasi kesalahan lapisan
tersembunyi (
j
).
j
kemudian digunakan untuk menghitung besar koreksi bobot dan
bias ( v
ij
dan v
0j
) antara lapisan input dan lapisan tersembunyi.
n
ii=1
p

Tahap peng-update-an Bobot dan Bias
8. Pada setiap unit output Y
k
(dari unit ke-1 sampai unit ke-m) dilakukan peng-update-an
bias dan bobot (j=0,.,p; k=1,.,m) sehingga bias dan bobot yang baru menjadi:
W
jk
(baru) = w
jk
(lama) + v
ij
9. Tes kondisi berhenti
4.4. Algoritma Aplikasi
Inisialisasi bobot. Bobot ini diambil dari bobot bobot terakhir yang diperoleh dari
algoritma pelatihan.
0. Untuk setiap vector input, lakukan langkah ke-2 sampai ke-4.
1. Setiap unit input x
i
(dari unit ke-1 sampai unit ke-n pada lapisan input; I =1 ,.,n)
menrima sinyal input pengujian x
i
. Sinyal output dari lapisan tersembunyi kemudian
dikirim kesemua unit pada lapisan input; I = 1,.n) menerima sinyal input pengujian x
i
dan menyiarkan sinyal x
1
ke semua unit pada lapisan di atasnya (unit unit
tersembunyi):
2. Setiap unit di lapisan tersembunyi z
j
dari unit ke-1 sampai unit ke-p; I = 1,..,n)
menghitung sinyal outputnya dengan menerapkan fungsi aktivasi terhadap penjumlahan
sinyal sinyal input x
i.
Sinyal outputnya dengan menerapkan fungsi aktivasi terhadap
penjumlahan sinyal sinyal input x
i.
Sinyal output dari lapisan tersembunyi kemudian
dikirim ke semua unit pada lapisan diatasnya:
3. Setiap unit output Y
k
(dari unit ke-1 sampai unit ke-m; j = 1,.,p; k = 1,.,m) menghitung
sinyal outputnya dengan menerapkan fungsi aktivasi terhadap penjumlahan sinyal
sinyal input bagi lapisan ini,yaitu sinyal sinyal input z
j
dari lapisan tersembunyi:

4.5. Minimum Error Kuadrat

Gambar 4.3 menggambarkan pencarian error minimum pada permukaan error
sepanjang gradient. Permukaan error kadang kadang mengalami penurunan sampai mencapai
suatu kondisi minimum namun kadang kala menaik lagi. Turunan yang paling curam (error yang
paling minim, lihat Gambar 4.3 (a) dari semua minimum minimum local yang ada disebut
minimum global. Kondisi minimum global merupakan kondisi yang diinginkan.

Gambar 4.3 Pencarian error minimum
(a) Permukaan error beserta minimum local dan minimum global
(b) Pergerakan pencarian error minimum setelah pelatihan berlangsung.
Persyaratan minimum error:
E = (t
k
y
k
)
2
Pencarian error minimum pada saat pelatihan jaringan propogasi balik sedang berlangsung
digambarkan secara lebih jelas pada Gambar 4.3 (b).
3.3 Pilihan pilihan dalam Pengaplikasian Metode Propagasi Balik
3.3.1 Fungsi Aktivasi

Ada beberapa pilihan fungsi aktivasi yang digunakan di dalam metode propagasi balik,
seperti fungsi sigmoid biner, sigmaid bipolar, dan tangent hiperbolik. Karakteristik yang
harus dimiliki fungsi aktivasi tersebut adalah kontinu, diferensiabel, dan tidak menurun
secara monoton. Fungsi aktivasi diharapkan jenuh (mendekati nilai nilai maksimum dan
minimum secara asimatot).
4.3.2. Fungsi Sigmoid Biner
Fungsi ini merupakan fungsi yang umum digunakan. Range-nya adalah (0,1) dan
didefinisikan sebagai:
1
F1(x) = 1 + e
-x

Dengan turunan:
F1
(x) =
f
1
(x) (1-f
1
(x))
Fungsi sigmoid biner ini diilustrasikan pada Gambar 4.4

Gambar 4.4 Fungsi sigmoid biner dengan range (0,1)
F(x)
1
x
0

4.3.3. Fungsi Sigmoid bipolar
Fungsi sigmoid bipolar merupakan fungsi yang umum digunakan dan memiliki range (-1,-)
yang didefinisikan sebagai:
F
2
(x) = 2(f1(x) -1 Dengan turunan
1
F2(x)= (1 + f
2
(x) (1 f
2
(x))
2
Fungsi sigmoid bipolar digambarkan pada gambar 4.5

Gambar 4.5 Fungsi sigmoid bipoar dengan range (-1,1)
4.3.4. Fungsi Tangen Hiperbolik
Fungsi tangent hiperbolik didefinisikan sebagai:
e
x
e
-x
1 e
-2x
tanh(x) = e
x
+ e
-x
=

1 + e
-2x

F(x)
x
1
-1


tanh(x) =(1 + tanh(x)) (1 tanh(x))
Penginisialisasian Bobot dan Bias
4.4.1. Inisialisasi Acak
Prosedur yang umum dilakukan adalah menginisialisasi bias dan bobot, baik dari unit
input ke unit ke unit tersembunyi maupun dari unit output ke dalam sebuah interval tertentu (-
Y dan Y), misalnya antara -0,4 sampai 0.4, -0.5 samapi 0.5, dan -1 sampai 1.
4.4.2. Inisialisasi Nguyen-Widrow
Waktu pembelajaran jaringan propagasi balik yang bobot dan biasnya diinisialisasikan
dengan inisialisasi Nguyen-Widrow, insialisasi acak tetap terpakai tetapi digunakan untuk
menginisialisasi bias dan bobot dari unit tersembunyi ke unit output saja.
Untuk bias dan bobot dari unit unit input ke unit unit tersembunyi digunakan bias dan bobot
yang khusus diskala agar jatuh pada range tertentu. Dengan pengskalaan maka diharapkan
kemampuan belajar dari unit unit tersembunyi dapat meningkat.
Faktor skala Nguyen-Widrow () didefinisikan sebagai:
= 0.7 (p)
1/n
di mana:
n = banyak unit input
p = banyak unit tersembunyi
= factor skala
Prosedur Inisialisasi Nguyen - Widrow
Untuk setiap unit tersembunyi dari unit ke-1 sampai unit ke-p:

1. Inisialisasi vector bobot dari unit-unit input ke unit unit tersembunyi (j=1,.,p) dengan
cara:
o Menentukan bobot bobot antara unit input ke unit tersembunyi (V
ij
):
V
ij
(lama) = bilangan acak antara - dan
Dimana I = 1,..,n.
o Menghitung ||V
ij
||.
o Menginisialisasi kembali V
ij
:
V
ij
(lama)
Vij =
||V
ij
||.
2. Menentukan bias antara unit input tersembunyi (j = 1,,p);
V
oj
diset dengan bilangan acak yg terletak pada skala antara dan .
Sebuah eksperimen menarik untuk memecahkan masalah XOR dengan jaringan
propagasi balik 2-4-1 dilakukan dengan 3 cara representasi: representasi biner, bipolar , dan
bipolar yang dimodifikasi, sedangkan inisialisasi bobot dan bias dilakukan masing masing
dengan cara acak dan Nguyen-Widrow [2]. Adapun bipolar yang dimodifikasi adalha
representasi bipolar yang nilai nilai target terpilihnya tidak berada pada asimtot fungsi
sigmoid dengan harapan agar konvergensi lebih cepat tercapai.
Berikut ini jumlah epoch yang dibutuhkan masing masing pada representation biner, bipolar,
dan bipolar yang dimodifikasi:
- Dengan inisialisasi acak: 2891, 387, dan 264.
- Dengan inisialisasi Nguyen-WIdrow: 1935, 224, dan 127.
Dapat disimpulkan bahwa penggunaan inisialisasi Nguyen-WIdrow mereduksi waktu yang
dibutuhkan untuk melatih jaringan.
Jumlah Lapisan Tersembunyi yang Digunakan

Satu buah lapisan tersembunyi bisa dikatakan cukup memadai untuk menyelesaikan masalah
sembarang fungsi pendekatan. Dengan menggunakan lebih dari satu buah lapisan tersembunyi,
kadang kadang suatu masalah lebih mudah untuk diselesaikan. Mengenai banyaknya jumlah
lapisan tersembunyi yang dibutuhkan tidak ada ketentuan khusus. Untuk hanya dibutuhkan
sedikit modifikasi terhadap algoritma propagasi balik yang telah dibahas sebelumnya
(permodifikasian dilakukan dengan tetap berpegang pada konsep yang sama).

Pengupdatean Bobot dengan Momentum
Penambahan parameter momentum dalam mengupdate bobot seringkali bisa mempercepat
proses pelatihan. Ini disebabkan karena momentum memaksa proses perubahan bobot terus
bergerak sehingga tidak terperangkap dalam minimum minimum local (lihat Gambar 4.3).
Untuk membuktikan hal ini dapat dilihat kembali persamaan:
W
jk
=
k
Z
j
V
ij
=
j
X
i
Jika error terjadi (output aktual telah sama dengan output target) maka
k
menjadi nol dan hal
iniakan menyebabkan koreksi bobot W
jk
= 0, atau dengan kata lain peng-update-an bobot
berlanjut dalam arah yang sama seprti sebelumnya.
Jika parameter momentumnya digunakan maka persamaan persamaan peng-update-
an bobot dengan langkah pelatihan t, dan t + 1 untuk langkah pelatihan selanjutnya, mengalami
modifikasi sebagai berikut:
W
jk
(t + 1) =
k
Z
j
+ W
jk
(t)
V
ij
(t + 1) =
j
X
1
+ W
ij
(t)
dengan adalah parameter momentum dalam range antara 0 sampai 1.
4.1 Jelaskan cara kerja jaringan propagasi balik!

4.2 Agar proses pelatihan jaringan tidak terjebak dalam minimum local, hal apa yang
perlu dilakukan?
4.3 Jelaskan mengenai pengesetan bobot dari bias serta criteria untuk menghentikan
pelatihan pada jaringan propagasi balik!
4.4 Apa maksud angka pembelajaran ( atau learning rate)? Jika untuk membelajarkan
jaringan agar dapat mengidentifikasi lukisan palsu atau bukan, apa yang perlu
dilakukan? Perlukah nilai
Diperkecil, atau justru sebaliknya diperbesar?
4.5. Berlatihlah mengenali fungsi logika AND dengan :
a. representasi biner
b. representasi bipolar
Arsitektur jaringan 2-4-1 diberikan seperti pada Gambar 4.6

1
1
Z
1
Y1
Z
2
Z
3
Z
4
X
1
X
2
W
0.1
W
1.1
W
2.1
W
3.1
W
4.1
V
0.1
V
0.2
V
0.3
V
0.4
V
1.1
V
1.2
V
1.3
V
1.4
V
2.1
V
2.2
V2.3
V
2.4


Gambar 4.6 Arsitektur jaringan 2-4-1

BAB V

PEMBUATAN APLIKASI JARINGAN SARAF TIRUAN

(Pertemuan VII)

5.1 Siklus Pembuatan Aplikasi Jaringan Saraf Tiruan
-Pemeliharaan
aplikasi
-Pemeliharaan
Paradigma
-Pemeliharaan
-Evaluasi sistem
-Implementasi dan
pelatihan
-Verifikasi dan
-Validas
-Integrasi
eksternali
-Pendesainan
jaringan saraf tiruan
-Pengumpulan data
pelatihan
-Pemilihan lingkungan
pengembangan


Gambar 5.1 Siklus pembuatan aplikasi jaringan saraf tiruan
Seperti halnya pembuatan perangkat lunak pada umumnya, pembuatan sebuah aplikasi
jaringan saraf tiruan juga melalui tahap tahap atau metodologi pengembangan yag dapat
dibagi ke dalam 4 tahap, yaitu tahap konsep,tahap desain, tahap implementasi, dan tahap
pemeliharaan system (lihat Gambar 5.1). Namun sebelumnya perlu dipahami terlebih dahulu
proses proses computing jaringan saraf tiruan.
Masalah yang ditangani, di bawah pengawasan orang yang ahli dalam permasalahan
tersebut, ditransformasikan ke dalam bentuk jaringan saraf tiruan oleh insinyur
neurocomputing. Langkah langkahnya adalah sebagai berikut:
1. Mendeskripsikan permasalahan secara jelas. Pendeskripsian masalah secara jelasnya
nantinya akan sangant membantu insinyur neurocomputing dalam merancang arsitetur
jaringan saraf tiruan.
2. Merepresentasikan pengetahuan yang dimiliki insinyur neurocomputing ke dalam
bentuk set data pelatihan dan pengujian ( untuk jaringan saraf tiruan terawasi). Disini
pakar berperan untuk menjamin keakurasian dari set set data tersebut.
3. Memilih teknik representasi data yang akan digunakan.
4. Set data diubah ke dalam format presentasi yang layak, termasuk di dalamnya adalah
perancangan arsitektur jaringan saraf tiruan yang optimal untuk mewakili
perepsentasian masalah. Format yang layak akan berpengaruh pada kualitas dan unjuk
kerja jaringan selama menjalani proses pelatihan.
5. Coding atau pemilihan lingkungan pengembangan. Dewasa ini telah banyak tersedia
perangkat lunak pengembang jaringan saraf tiruan. Tinggal diputuskan apakah akan
memakai perangkat lunak pengembang yang tersedia di pasaran atau membuat
program sendiri.
6. Melatih jaringan saraf tiruan sampai sebuah tingkat akuarasi yang ditetapkan tercapai.
7. Menguji jaringan saraf tiruan dengan menggunakan set pengujian yang berisikan contoh
contoh yang hasil outputnya sudah diketahui sebelumnya.

8. Verifikasi dan validasi jaringan saraf tiruan.

5.2 Tahap Konsep
5.2.1 Pemilihan Aplikasi
Pada tahap ini masalah yang ada perlu diselidiki terlebih dahulu, apakah aplikasi untuk
masalah itu memang layak menggunakan jaringan saraf tiruan. Lazimnya aplikasi aplikasi yang
bisa diselesaikan dengan baik dengan menggunakan teknik teknik algoritma atau aplikasi
aplikasi yang membutuhkan deduksi dan logika sekuensial dipecahkan dengan teknik lain
semisal system pakar.
Adapun pertimbangan dalam penggunaan teknik jaringan saraf tiruan antara lain:
1. Tidak memadainya basis pengetahuan.
Hal ini mungkin disebabkan beberapa hal:
o Pakar yang tidak tersedia
Ketidaktersediaan pakar membuat wawancara mengenai aturan aturan
pengetahuan yang berlaku tidak mungkin dilakukan. Oleh karena itu
pengumpulan data atau penyusunan basis pengetahuan harus dilakukan dengan
cara lain.
o Aturan pengetahuan yang sulit dirumuskan
Meskipun aturan pengetahuan sulit dirumuskan namun bila data historis
tersedia dalam jumlah besar maka jaringan saraf tiruan layak dipakai.
2. Basis pengetahuan yang tidak tetap
Pengupdatean harus sering dilakukan guna menambah perbendaharaan pengetahuan
dari aplikasi jaringan saraf tiruan. Tambahan pegetahuan tinggal disisipkan ke dalam set
set data untuk dilatih ulang. Pemodifikasian pada jaringan saraf tiruan berlangsung
jauh lebih mudah daripada pemodifikasian pada system pakar. Pada system pakar,

selain aturan pengetahuan harus dimodifikasi, pendebugan program juga harus
dilakukan kembali.
3. Sistem data yang intensif
Di dalam system data yang intensif, input datanya dalam jumlah besar dan perlu
pemrosesan secara cepat. Selain itu input inputnya ambigu, mengadung noise, atau
cenderung mengalami error.
4. Analisis regresi
Pada jaringan saraf tiruan, masalah masalah yang bisa diselesaikan dengan
menggunakan analisis regresi diselesaikan dengan memanfaatkan data stastitikal untuk
mencapai pola atau kecenderungannya.
5. Perangkat keras parallel
Tersedianya perangkat keras parallel jaringan saraf tiruan yang murah merupakan
keuntungan karena akan memperbaiki aplikasi jaringan saraf tiruan, misalnya dibidang
robotika.
Beberapa contoh perangkat keras yang mengimplementasikan model jaringan saraf tiruan:
- Spert-II (Synthetic Perceptron Testbed II) merupakan prototip mikroprosesor vector
full-custom . Arsitektur mikroprosesor vector akan membuat elemen elemen
pengolahan untuk aplikasi multimedia dan antarmuka manusia mesin yang sering
berisi algoritma berbentk data-paralel. Spert-II mempercepat pelatihan multiparameter
jaringan saraf tiruan untuk pengenalan suara.
- Coprocessor board yang khusus dirancang untuk aplikasi mesin yang bisa mengonversi
suara ke dalam tulisan (neural phonetic typewriter).
- Penelitian mengenai pengimplementasian model jaringan saraf tiruan pada sirkuit VLSI
CMOS telah banyak dilakukan. Salah satunya adalah pengimplementasian model
jaringan saraf tiruan pada sirkuit VLSI CMOS sebagai memori asosiatif maupun sebagai
pengklafikasi pola.
5.2.2 Pemilihan Paradigma

Dalam pemilihan paradigma pembelajaran jaringan saraf tiruan, hal hal yang harus
diperhatikan adalah sebagai berikut:
1. Ukuran jaringan
Pada saat mendesain jaringan saraf tiruan, kebutuhan node dan lapisan dapat
diperkirakan. Untuk jaringan berukuran besar maka tentunya tidak mungkin
menggunakan metode pembelajaran yang hanya mampu menampung jaringan kecil.
Contohnya, teknik Hopfield menampung jaringan yang lebih kecil dari teknik propagasi
balik yang mampu menampung jaringan yang berukuran lebih besar. Kapasitas pola
yang bisa disimpan jaringan propagasi balik relative lebih besar daripada jaringan
Hopfield.
2. Pembawaan input dan output
Pembawaan input dan output, misalnya matriks angka cocok untuk optimisasi, diskrit cocok
untuk klarifikasi dan pengenalan pola.
3. Mekanisme memori
Mekanisme memori ada 2 macam, yaitu memori autoasosiatif dan memori
heteroasosiatif.
o Memori autoasosiatif: mengambil informasi secara parsial yang kemudian
digunakan untuk merekonstruksi pola pola yang sudah tersimpan sebelumnya.
Karena setiap pola diasosiasikan dengan dirinya sendiri (vector output = vector
input) maka jika suatu ketika input input yang kurang lengkap atau terbalik
balik dimasukkan ke dalam jaringan, pola yang tetap masih tetap bisa dipanggil.
o Memori hetertoasosiatif: Sebuah jaringan saraf tiruan yang didesain
menghubungkan pasangan pola input dengan pola output, di mana pola input
dan pola outputnya tidak sama (vector output vector input).
4. Tipe pelatihan: terawasi dan tidak terawasi

o Pelatihan terawasi: Pelatihan yang menghadirkan serangkaian vektor input
pelatihan yang masing masing berhubungan dengan vector output yang
menjadi targetnya.
o Pelatihan tidak terawasi: Jaringan saraf tiruan yang mengorganisasi dirinya
sendiri membentuk vektor vektor input yang sama tanpa menggunakan data
pelatihan untuk menunjukkan vector vector tersebut termasuk ke dalam
kelompok yang mana.
5. Batasan waktu operasi rutin dari system berjalan.
Batasan waktu berbeda beda tergantung dari model dan ukuran jaringan serta kualitas
data.

5.3 Tahap Desain
Terbagi atas 3 tahap, yaitu tahap pendesainan jaringan saraf tiruan, tahap
pengumpulan data, dan tahap pemilihan lingkungan pengembangan.

5.3.1 Pendesainan Jaringan Saraf Tiruan
Ada tiga tingkat pendesainan:
1. Desain node
- Menentukan tipe input
- melakukan pemilihan fungsi transfer
2. Desain jaringan
- menentukan banyak lapisan yang akan digunakan
- menentukan ukuran setiap lapisan.
- merancang desain output.
3. Desain pelatihan
Menentukan parameter parameter jaringan (angka pembelajaran, nilai ambang).
Angka pembelajaran digunakan untuk mengukur ukuran langkah jaringan jaringan yang telah
didesain, sedangkan nilai ambang digunakan untuk menghentikan pelatihan.


5.3.2 Pengumpulan Data
- Mengumpulkan data yang dapat dipercaya.
- Membagi data tersebut kedalam set pelatihan dan set tes. Set pelatihan digunakan
untuk digunakan untuk melatih jaringan, sedangkan set tes digunakan setelah pelatihan
jaringan selesai, yaitu untuk menguji apakah jaringan menghasilkan output sesuai
dengan yang diinginkan pada waktu input yang belum pernah dipelajari oleh jaringan
dimasukkan.
-
5.3.3 Pemilihan Lingkungan Pengembangan
Yang perlu dipertimbangkan pada tahap ini adalah pertimbangan waktu dan
biaya. Saat ini telah banyak perangkat lunak pengembang jaringan saraf
tiruan yang tersedia dipasaran dengan beragam harga dan platform masing
masing.

5.4 Tahap Implementasi

START
Menganalisasi
Bobot, bias, dan
Parameter-parameter
Data pelatihan
Modifikasi
Jaringan saraf tiruan
Mengupdate bobot
Dan bais
Melatih
Jaringan saraf tiruan


6.
7.
8.

i

Gambar 5.2 Prosedur pelatihan jst
5.4.1 Implementasi dan Pelatihan
- Mendesain penyimpanan data dan memanipulasi data agar data bisa berada dalam tipe
dan format yang layak.
Melakukan prosedur pelatihan jaringan saraf tiruan seperti pada Gambar 5.2.
Metode metode untuk memperbaiki proses pelatihan jaringan:
1. Membatasi Jaringan
Semakin besar jaringan maka akan menjadi semakin kompleks. Sebaiknya jaringan
dibatasi maksimal 3 lapis dengan jumlah node kurang dari 300 node [5].

2. Memperluas lapisan tengah
Pelatihan jaringan yang memakan waktu terlal lama bisa dikurangi dengan menambah
node pada lapisan tengah lapisan denganketentuan ukuran node <300 [5].
3. Menggunakan momentum
Dengan menggunakan momentum, pelatihan dapat terus berlanjut, yaitu dengan cara
meng-update bobotnya dengan menambahkan pecahan bobot terakhir terhadap bobot.
4. Memperbesar nilai toleransi perbedaan nilai output terhadap nilai target yang diizinkan
pada jaringan.
5. Mengatur jaringan
6. Menambahkan data yang mengandung noise
Selain menambah efisien pelatihan juga membuat jaringan mampu menghasilkan
output yangbagus meski input yang dimasukkan tidak lengkap.
7. Memulai lagi dari awal prosedur pelatihan pelatihan jaringan saraf tiruan.

5.4.2. Overtraining
Hal yang perlu dihindari adalah jangan sampai melatih jaringan saraf secara berlebihan
(overtraining). Contohnya seperti dengan 200 epoch keluaran jaringan sudah bagus tetapi
pelatihan terus diteruskan sampai 1000 kali epoch dengan anggapan bahwa semakin sering
dilatih maka kelauaran jaringan akan semakin baik. Anggapan tersebut tidak benar. Jika pola
pola pelatihan yang sama dimasukkan kejaringan berulang kali maka bobot bobot akan diatur
semakin mendekati output yang diinginkan. Ini sama halnya dengan memaksa jaringan saraf
untuk menghafal pola pola (memorisasi) dan bukan mengambil maksud dari relasi yang ada
(generalisasi). Jaringan saraf tiruan akan bagus dalam memberikan keluaran untuk data
pelatihan tetapi tidak memberikan unjuk kerja yang bagus ketika ia diuji dengan pola pola
yang belum pernah dipelajarinya. Tujuan dari pelatihan jaringan adalah keseimbangan antaran
kemampuan memorisasi dan genarlisasi. Jaringan saraf tiruan diharapkan tidak hanya baik
dalam memprediksi dengan masukan set training, akan tetapi juga baik dalam memprediksi
pada set testing dan data validasi. Tool tool komersial jaringan saraf tiruan biasanya

menyediakan pergantian antara data set training untuk mengecek unjuk kerja jaringan pada
data testing.
5.5. Teknik Penambahan dan Pemangkasan Jaringan
Tudak ada aturan yang pasti untuk mengetahui seberapa banyak lapisan tersembunyi
yang sebenarnya diperlukan. Ada 2 ide yang bias dipakai. Pertama adalah dengan menerapkan
jaringan yang besar kemudian memangkas yang tidak perlu; atau sebaliknya, bergerak dari
jaringan yang kecil kemudian bergerak melakukan penambahan yang dipandang perlu.
1. Dari jaringan besar ke kecil
Arsitektur jaringan dibangun berdasarkan data, membentuk jaringan yang besar dan
kemudian memangkas node node dan koneksi koneksi sampai menjadi jaringan
terkecil yang bias melakukan aplikasi yang diinginkan. Algoritma genetika (GA = Genetic
Algorithm) sering digunakan untuk mengoptimasi Fungsi fungsi menggunakan metode
pencarian parallel berdasarkan teori evolusi biologis. Di sini pemilihan banyaknya
lapisan tersembunyi dan unit unit tersembunyi dipandang sebagai sebuah masalah
optimasi, dan GA bisa digunakan untuk menemukan arsitektur optimumnya.
Untuk mengetahui yang mana yang harus dipangkas, lakukan analisis pada bobot
bobot yang terkoneksi pada sebuah node, apakah benar bobot bobot tersebut
membawa kea rah prediksi yang akurat dari pola output. Jika ditemukan bobot bobot
tersebut nilainya sangant kecil maka pangkas saja node tersembunyi tersebut. Proses
pemangkasan seperti ini diteruskan sampai node node tersmbunyi yang menyebabkan
penurunan unjuk kerja set testing habis dipangkas.
2. Dari jaringan kecil ke besar
Dimulai dari pembangunan sebuah jaringan kecil, kemudian secara bertahap dilakukan
penambahan node node tersembunyi (dan bobot bobot ). Error prediksi jaringan
dipantau dan sepanjang unjuk kerja jaringan pada set testing meningkat sehingga unit

unit tersembunyi terus ditambahkan. Jaringan saraf dengan korelasi bertinghkat
mengalokaikan sekumpulan node potensial baru yang kemudian dipersaingka n satu
sama lain, lalu node yang paling besar dalam mereduksi error dalam prediksi akan dipilih
sebagai node yang ditambahkan ke jaringan.
5.6. Verifikasi dan Validasi (V & V)
Verifikaasi adalah pembuktian bahwa system telah dibangun secara layak ditinjau dari
segi mekanis. Validasi adalah pengecekan apakah system yang dibangun sesuai dengan
kebutuhan yang sudah diidentifikasikan sebelumnya pada awal proyek. Pendekatan V &
V yang paling umum digunakan untuk jaringan saraf tiruan adalah pengujian trial-and-
error.
Verifikasi
Beberapa aspek deklaratif dalam verifikasi jaringan saraf tiruan:
1. Jaringan
- Apakah arsitektur jaringan saraf tiruan berbentuk lapisan tunggal atau
multilapis?
- Apakah aliran informasi jaringan adalah umpan maju atau berulang?
- Apakah pola koneksinya terhubung penuh atau terhubung sebagian?
2. Unit
- Bagaimana koneksi inputnya?
- Bagaimana koneksi outputnya?
- Mengenai nonlinearitas, apakah hard limit atau sigmoid atau tangent hiperbola?
3. Perilaku
- Bagaimana inisialisasi bobotnya?
- Bagaimana perhitungan aktivasinya?
- Bagaimana pengupdatean bobotnya?
Hal lain yang juga perlu diverifikasi adalah apakah persamaan persamaan matematika
dari teknik jaringan saraf tiruan yang dipilih sudah diimplementasikan dengan benar.

Verifikasi aspek procedural:
1. Konvergensi
Apakah jaringan saraf tiruan akan berkonvergensi ke sebuah nilai asimtot melalui
epoch epoch yang dijalani selama tahap pelatihan?
2. Stabilitas
Apakah epoch epoch yang terjadi semakin lama semakin membawa perubahan
output kea rah yang semakin kecil sehingga output mendekati konstan?
Di dalam pen-debugan, ketersediaan source code sangat penting untuk melakukan
perbaikan. Mengenai pengujian terhadap jaringan saraf tiruan bisa dilakukan dengan
cara:
- Melihat dari bobot bobotnya
Bobot bobot bernilai besar menunjukkan terjadinya overtraining. Bila bobot
bobot bernilai sangat kecil menunjukkan ada node node yang sebenarnya tidak
diperlukan. Untuk menganalisis bobot bobot ini, antarmuka pemakai sebaiknya
dibuat sedemikian sehingga output numeriknya bisa dibaca, bila perlu output
dalam bentuk grafik sehingga perubahan yang terjadi selama pelatihan dan
pengujian jaringan mudah untuk dipantau.
- Memasukkan input baru ke dalam jaringan
Output yang dihasilkan oleh jaringan saraf tiruan diteliti terlebih dahulu apakah
memang telah sesuai dengan output target.
Validasi
Untuk memvalidasian jaringan saraf tiruan, terdapat dua kali validasi
yaitu pada saat pelatihan dan setelah pelatihan berakhir. Pada saat pelatihan,
jaringan saraf tiruan dipandang sebagai sebuah sebuah system pembelajaran.
Setelah pelatihan, jaringan saraf tiruan dipandang sebagai sebuah system kerja
(application system).
Aspek aspek validasi jaringan saraf tiruan sebagi sebuah system pembelajaran:

a. Aspek unjuk kerja
Apakah kerja system sebagai pemecah masalah menghasilkan solusi yang
memuaskan dalam menghadapi berbagai kondidi baik data normal, data
terkena noise, data tidak lengkap, atau data yang tidak relevan?
Untuk menjawab pertanyaan tersebut kemampuan generalisasi jaringan
saraf tiruan harus teruji.
b. Aspek Keumuman ( generalis )
Semakin baik jika bisa diaplikasikan untuk memecahkan banyak masalah.
c. Aspek stabilitas
Apakah pengetahuan yang pernah dipelajari oleh jaringan saraf tiruan tetap
terpelihara?
d. Aspek efisiensi
Aspek efisiensi merupakan criteria yang yang lemah. Di sini dibicarakan
mengenai kompleksitas algoritma pembelajaran dan kecepatan
pembelajaran. Walaupun jaringan saraf tiruan belajar dengan lambat tetapi
akurat yang ditawarkan lebih tinggi maka jaringan saraf tiruan tersebut tetap
dapat diterima.

e. Aspek kualitas
Yang dilihat dari aspek kualitas adalah seberapa menarik atau seberapa besar
manfaat dari system.
f. Aspek konsistensi
Apakah sebuah system pembelajaran bisa membangkitkan system dengan
unjuk kerja yang konsisten berdasarkan data yang sama?
g. Aspek Penambahan pembelajaran
Aspek ini penting untuk system pembelajaran yang terus menerima input
dari lingkungan dunia nyata.
h. Aspek sensitivitas

Unjuk kerja sebuah system pembelajaran bersifat sensitive terhadap
perubahan parameter system ataupun pada perubahan yang terjadi pada
data pelatihan.
Contoh penganalisasian sensitivitas misalnya pada sebuah jaringan saraf
tiruan metode propagasi balik yang ujuk kerja jaringannya akan memberikan
hasil yang berbeda bila dilakukan perubahan terhadap bobot bobot
inisialnya.
Aspek aspek validasi jaringan saraf tiruan sebagai sebuah system kerja:
a. Keakurasian
Keakurasian adalah ketepatan dalam menjawab permasalahan.
b. Kekuatan (robustness)
Sistem memiliki unjuk kerja yang memadai di segala keadaan.
c. Efisiensi
Seberapa cepat system sampai pada jawaban yang benar dan seberapa besar memori
yang dibutuhkan.
d. Konsistensi
Sistem yang buruk hanya menunjukkan penanganan yang bagus pada kasus kasus
tertentu.
e. Kemampuan adaptasi dan kemampuan perluasan (adaptability and extensibility)
Sistem akan sangat terbatas penggunaannya jika tidak bisa dimodifikasi atau diperluas.
f. Keandalan dan toleransi kesalahan (reliability and fault tolerance)
Seberapa jauh penurunan unjuk kerja jaringan bila sebagian dari system mengalami
kegagalan.
g. Sensitivitas
Sistem harus cukup sensitive mendeteksi perubahan pada data input (walaupun kecil)
tetapi tetap menghasilkan output yang tepat. Selain itu yang harus dihindari adalah
system yang terlalu sensitive terhadap noise sehingga system menghasilkan konklusi
yang salah.


5.7. Teknik Validasi
Beberapa teknik validasi untuk memperkirakan tingkat kesalahan:
1. Holdout
Data dibagi ke dalam 2 set terpisah. Yang satu dipergunakan untuk pelatihan (set
training) dan satunya lagi digunakan untuk pengujian (set testing). Perlu kasus
pengujian dalam jumlah yang cukup untuk menjamin pengestimasian yang bisa
dipercaya. Metode ini cocok untuk contoh contoh kasus dalam jumlah besar.
Contoh pembagian data yang adil untuk set training dan set testing untuk kasus
penentuan penerimaan lamaran kartu kredit menggunakan jaringan saraf tiruan [7]:
Dipunyai basis data yang terdiri dari 31000 contoh pelamar dengan kategori: resiko
rendah, resiko tak dapat ditentukan, dan risiko tinggi. Langkah pertama adalah
mengambil data untuk testing. Misalnya 10 persen dianggap sudah mewakili. Set testing
ini kemudian diambil secara sekuensial dan menyeluruh dengan cara mengambil setiap
kelipatan 10 dari data. Hasilnya adalah sebagai berikut:

Kategori

Data Awal Set Testing
( 10%)
Set Training Contoh Tak Terpakai
Risiko rendah 17284 1739 6179 9366
Risiko tak dapat
ditentukan
7523 755 6179 589
Risiko tinggi 6851 672 6179 0
Total: 31658 3166 18537 9955
Pada contoh di atas, untuk memilih set training, carilah kuantitas data terkecil, yaitu
resiko tinggi (sebanyak 6851 contoh) kemudian kurangi dengan set testingnya (672)
diperoleh set training untuk resiko tinggi sebesar 6179. Kategori lainnya kemudian

mengikuti kuantitas terkecil ini. Dalam melakukan pelatihan jaringan saraf, set training
dari setiap kategori diambil secara acak untuk menghindari sembarang bias yang
mungkin ada disebabkan pengurutan yang biasa dikenakan kepada basis data. Biasanya
dalam pelatihan, setiap kategori dimasukkan secara bergantian, berselang seling
(contoh: resiko rendah risiko tak dapat ditentukan resiko tinggi risiko rendah
risiko tak dapat ditentukan - - Resiko tinggi dan seterusnya berulang). Maksud dari
penyajian secara berselang seling ini adalah agar jaringan tidak melupakan contoh
contoh yang pernah dipelajari atau sebaliknya terlalu ingat kepada pola pola terakhir
yang pernah dipelajari. Ingat bahwa tujuan pembelajaran jaringan saraf tiruan adalah
keseimbangan antara kemampuan memorisasi dan kemampuan generalisasi.
2. Leave one out
Mengulangi sebanyak n kali untuk contoh contoh kasus sejumlah n dengan setiap kali
mengeluarkan satu kasus untuk pengujian. Angka perkiraan kesalahan adalah angka
kesalahan pengujian rata rata setelah n kali percobaan. Metode in cocok untuk contoh
contoh kasus dalam jumlah yang kecil (sedikit).
Contoh:
Terdapat data berisikan contoh contoh kasus 1,2,3,4,5,6,7,8. Eksperimen dilakukan
dengan cara sebagai berikut:

Eksperimen ke- Pelatihan Pengujian
1 1,2,3,4,5,6,7 8
2 1,2,3,4,5,6,8 7
3 1,2,3,4,5,7,8 6
4 1,2,3,4,6,7,8, 5
5 1,2,3,5,6,7,8 4
6 1,2,4,5,6,7,8 3

7 1,3,4,5,6,7,8, 2
8 2,3,4,5,6,7,8 1
Angka kesalahan pengujian misalnya 0.00, 1.00, 0.00, 0.00, 1.00, 1.00, 0.00, 1.00
sehingga angka error rata ratanya adalah antara 1 dan 0 sehingga semakin kecil
nilainya semakin tangguh jaringan tersebut.
3. Cross validation
Teknik ini juga disebut dengan leave some out atau leave one out
K-fold cross validation cocok untuk data baik dalam jumlah besar maupun kecil.
Contoh:
Terdapat data berisikan contoh contoh kasus 1,2,3,4,5,6,7,8. Eksperimen bisa
dilakukan antara lain dengan cara sebagai berikut (four-fold cross-validation).

1 1,2,3,4,5,6 7,8
2 1,2,3,4,7,8 5,6
3 1,2,5,6,7,8 3,4
4 3,4,5,6,7,8 1,2
Atau dengan two-fold-cross-validation:
1 1,2,3,4 5,6,7,8
2 5,6,7,8 1,2,3,4

Validasi terhadap system diterapkan melalui uji lapangan atau uji turing. Uji lapangan di
mana system diterapkan di lapangan dengan dipantau oleh pemakai. Uji turing yaitu
membandingkan hasil yang diperoleh system dengan hasil yang diperoleh oleh pakar di
mana system valid jika manusia tidak bisa mengetahui hasil yang dikeluarkan oleh
system.

5.4.3 Integrasi Eksternal
Bila jaringan saraf tiruan merupakan bagian dari system yang lebih besar maka
dibutuhkan antarmuka yang bagus terhadap system informasi lainnya, juga terhadap
perangkat input/ output serta terhadapa pemakai simulator. Misalnya untuk manipulasi
input/ output mungkin saja digunakan sinyal digitizer.

5.5 Tahap Pemeliharaan
Untuk memelihara keakuratan data agar tidak menurun atau memenuhi kebutuhan system
yang meningkat sebaiknya dilakukan pemeliharaan system dengan melatih kembali
jaringan (misalnya dengan menyegarkan jaringan saraf tiruan dengan data baru) dan
mengevaluasi ulang output yang dihasilkan.
Perubahan besar besaran mungkin juga dilakukan bila menyangkut pengubahan
antarmuka jaringan saraf tiruan. Hal ini mengakibatkan pembangunan system harus
dimulai kembali dari tahap desain.

5.6. Soal Soal Latihan
5.1 Dalam memilih paradigm pembelajaran (tahap konsep), hal hal apa saja yang perlu
dipertimbangkan oleh seorang insinyur neurocomputing? Apakah dapat memilih sembarang
paradigm atau disesuaikan dengan jenis aplikasi yang akan dibangun? Jelaskan!
5.2 Untuk memperbaiki proses pelatihan jaringan, apakah dengan menambah atau mengurangi
jumlah lapisan tersembunyi akan mempercepat pembelajaran jaringan? Apakah ada
patokan yang jelas untuk ini? Terangkan!

5.3 Epoch adalah sekali siklus yang melibatkan keseluruhan set training. Bila semakin sedikit
epoch yang dilalui ketika tujuan pembelajaran tercapai (jaringan sukses belajar) berarti
jaringan semakin bagus.Jelaskan pandapat Anda mengenai hal ini.
5.4 Sebuah bank bermaksud membuat system untuk menilai kelayakan kredit. Dapatkah ini
diselesaikan dengan jaringan saraf tiruan? Ataukah aplikasi ini perlu diselesaikan dengan
jaringan saraf tiruan? Ataukah aplikasi ini perlu diselesaikan dengan gabungan metode
jaringan saraf tiruan dan system pakar ( neuro-expert)?
5.5 Jika sebuah swalayan menerapkan system sortir buah buahan secara otomatis
menggunakan jaringan saraf tiruan terhadap buah mangga, jeruk, dan belimbing, apakah
keluaran system jika tomat diberikan ke dalam system?

BAB VI
APLIKASI PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN
METODE PROPAGASI BALIK
(Pertemuan IX dan X)
6.1 Tahap Konsep
6.1.1 Pemilihan Aplikasi
Salah satu contoh aplikasi pengenalan pola yang cukup kompleks adalah pengenalan
karakter alfanumerik ([A Z] dan [0 .. 9]) (Freeman, j., and Skapura, D.M.,1992].

Diasumsikan ingin dibuat sebuah desain program komputer yang bertugas mengenali
karakter alfanumerik dengan jalan menrjemahkan sebuah matriks berukuran 5 x 7 yang
berisikan bilangan bilangan biner yang menggambarkan citra pixel (picture element)
pemetaan-bit (bit-mapped pixel image) dari sebuah karakter alfanumerik kedalam bentuk kode
ASCII 8 bit. Masalah ini digambarkan seperti pada Gambar 6.1.
= 00100010100101011111100011000110001
2

= 114AFC631
10

= 65
10
ASCII
Gambar 6.1 Setiap Citra Karakter dipetakan ke dalam kode ASCII
Tidak tersedianya fungsi matematika yang jelas yang bisa menghasilkan translasi yang
diinginkan membuat masalah penerjemahan karakter alfanumerik inimenjadi cukup
memusingkan karena untuk menghasilkan translasi yang salah satu caranya adalah dengan
melakukan korelasi pixel dibutuhkan waktu yang relative terlalu lama. Solusi lain yag
ditawarkan adalah dengan menggunakan sebuah table lookup berupa sebuah array linear
dengan struktur sebagai berikut:

record AELEMENT =
pattern : long integer;
ascii : byte;
end record;
Terdapat dua hal yang perlu mendapatkan perhatian:
i) 001000101001010111111100011000110001
2
yang merupakan persamaan numeric dari
kode pola-bit dihasilkan dengan jalan memindahkan 7 baris matriks ke dalam sebuah
baris dengan hasilnya berupa sebuah angka biner 35 bit.
ii) Kode ASCII beserta asosiasi karakternya. Alogoritma yang digunakan untuk proses
konversi ke ASCII adalah sebagai berikut:

function TRANSLATE (INPUT : long integer;
LUT:^AELEMENT[]) return ascii;
{konversi matriks-pixel ke dalam bentuk karakter ASCII}
Var TABLE:^AELEMENT[];
Found : Boolean;
I : integer;
Begin
TABLE = LUT ; {menempatkan ke table translasi}
Found = false; {translasi belum ditemukan}
for I = 1 to length (TABLE) do {untuk semua item pada TABLE}
if TABLE[i].pattern=INPUT
then Found = True; Exit;
{Translasi ditemukan, keluar dari loop}
end:
If Found
Then return TABLE[i].ascii {mengembalikan ascii}
Else return 0
end;
Terlihat bahwa pendekatan table lookup ini cukup cepat dan mudah. Sayangnya, di
dalam system nyata ada situasi situasi yang tidak dapat ditangani dengan metode ini karena
sangat dimungkinkan sebuah citra yang dibaca ternyata mengandung noise atau kurang
lengkap. Adanya noise atau citra yang kurang lengkap mengakibatkan algoritma lookup akan
mengembalikan kode ASCII yang salah sebab di dalam proses pencocokan antara pola input dan
pola asosiasi target tidak menghasilkan karakter yang dimaksudkan.



Gambar 6.2 Contoh citra karakter A yang tidak lengkap (I dan ii atau mengadung noise (iii)
Anggaplah masalah citra yang mengandung noise atau kurang lengkap dapat
diselesaikan dengan menambah sejumlah program (yang berarti penambahan waktu yang
dihabiskan CPU) ke dalam algoritma table lookup.Penambahan program ini akan memperbaiki
kemampuan komputer untuk menebak pada karakter mana yang seharusnya terletak citra yang
mengandung noise. Pada bit tunggal adalah cukup mudah untuk menemukan dan kemudian
mengoreksi error. Namun demikian akan menjadi sulit bila error terjadi bukan hanya pada bit
tunggal, melainkan pada banyak bit. Selain itu, pengeliminasian noise dari pola input untuk
kemudian diterjemahkan ke dalam ASCII akan menghabiskan banyak waktu CPU.
Solusi untuk masalah pengenalan karakter alfanumerik ini adalah dengan menggunakan
jaringan saraf tiruan. Dengan memanfaatkan sifat parallel jaringan saraf tiruan maka waktu
yang dibutuhkan oleh sebuah prosesor sekuensial untuk melalakukan pemetaan dapat
dikurangi.
Dengan melihat pertimbangan pertimbangan (lihat bagian 5.2.1) di atas maka
penggunaan jaringan saraf tiruan untuk pengenalan karakter alfanumerik ini dipilih berdasarkan
pertimbangan 1 dan 3. Adapun alas an mengapa basis pengetahuannya dikatakan tidak
memadai adalah karena aturan aturannya sangat sulit untuk dirumuskan. Juga pengenalan
karakter alfanumerik ini melibatkan data yang mengandung noise dan berjumlah cukup besar
(perlu system data intensif).
6.2.1 Pemilihan Paradigma
Di dalam pemilihan paradigma, hal hal yang harus diperhatikan antara lain adalah
ukuran jaringan yang dirancang, pembawaan input dan output, tipe pelatihan, dan waktu
operasi rutin dari system berjalan. Mengenai kemampuan jaringan saraf tiruan dapat dilihat
pada Tabel 6.1 {Medsker,L, and Liebowitz,J,1994}.

Tabel 6.1 Kemampuan jaringan saraf tiruan
Paradigma Metode Pelatihan Waktu Pelatihan Waktu Eksekusi
Propagasi balik Terawasi Lambat Cepat
ART2 Tidak terawasi Cepat Cepat
Kohonen Tidak terawasi Sedang Cepat
Hopfield Terawasi Cepat Sedang
Boltzmann Terawasi Lambat Lambat

Metode propagasi balik dipilih oleh penulis sebagai solusi kasus pengenalan karakter
alfanumerik dengan pertimbangan bahwa pembawaan dari input dan outputnya dalam bentuk
diskrit (biner). Tipe pelatihannya adalah pelatihan terawasi.
6.2 Tahap Desain
6.2.1 Pendesainan Jaringan Saraf Tiruan
Ada 3 tingkat dalam pendesainan sebuah system jaringan saraf tiruan, yaitu tingkat
node, tingkat jaringan, dan tingkat pelatihan. Masing masing tingkatan tersebut akan
diterangkan berikut ini.

6.2.1.a. Tingkat Node
Melihat karakteristik dari karakter alfanumerik yang merupakan feature diskrit maka
tipe input yang cocok adalah yang bertipe biner. Demikian pula dengan tipe outputnya . Fungsi
transfer yang akan digunakan adalah fungsi transfer sigmoid biner dengan alas an bahwa fungsi
transfer ini yang paling umum digunakan untuk metode propagasi balik. Pemilihan ini dengan
memperhatikan beberapa karakteristik penting untuk jaringan propagasi balik, yaitu kontinu,

diferensiabel, tidak menurun secara monoton, dan turunannya mudah melakukan perhitungan
(hal ini untuk keefisienan perhitungan).
Fungsi transfer sigmoid biner (range antara 0 dan 1) didefinisikan sebagai:
1
F
1
(x) =
1 + e
x
Dengan turunannya
F
1
(x) = f
1
(x) . [1 f
1
(x)]
6.2.1.b. Tingkat jaringan
Pada tingkat jaringan dilakukan penentuan banyaknya lapisan. Seperti telah dinyatakan
sebelumnya bahwa jaringan propagasi balik merupakan jaringan multilayer dalam pengertian
bahwa jaringan dapat memiliki lapisan tersembunyi yang berjumlah lebih dari satu. Namun
demikian, dalam jaringan saraf tiruan untuk aplikasi pengenalan karakter alfanumerik ini hanya
akan digunakan lapisan tersembunyi sebanyak sebuah saja, sehingga secara keseluruhan
jaringan propagasi balik untuk pengenalan karakter alfanumerik ini hanya terdiri dari 3 lapisan,
yaitu sebuah lapisan input, sebuah lapisan tersembunyi, dan sebuah lapisan output.
Jaringan propagasi balik tersebut direncanakan hanya akan menerima input biner
sehingga data harus diatur sebagai sekumpulan angka (vector). Elemen elemen yang
dikelompokkan bersama ke dalam sebuah vector ini menggambarkan feature data dank arena
disusun bersama sama maka akan mempermudah jaringan untuk mengenali feature tersebut.
6.2.1.c. Tingkat Pelatihan
Rancangan jumlah node pada jaringan saraf tiruan untuk pengenalan karakter alfanumerik:
1. Lapisan input sebanyak 35 node
2. Lapisan tersembunyi sebanyak 35 node

3. Lapisan output sebanyak 6 node
Penentuan 35 node pada lapisan input didasarkan pada pembacaan yang dilakukan oleh
scanner. Sebagaimana telah dijelaskan sebelumnya. Karakter alfanumerik yang dibaca oleh
scanner diterjemahkan ke dalam bentuk matriks berukuran 5 x 7 (atau = 35) yang
melambangkan pixel pixel. Data ini dimasukkan ke dalam jaringan saraf tiruan dalam
bentuk biner. Angka 1 menunjukkan pixel berisi citra, angka 0 menunjukkan kosong. Untuk
lebih jelasnya , lihat Gambar 6.3.

Pembacaan scanner Vektor input

00100 01010 01010 11111 10001 10001 10001

11110 10001 10001 11110 10001 10001 11110

Gambar 6.3 Citra karakter A dan B yang dipetakan sebagai input jaringan
Mengenai jumlah node untuk lapisan output adalah sebanyak 6 node dengan
pertimbangan bahwa pertimbangan 36 karakter alfanumerik dalam bentuk biner akan
menghabiskan tempat sebanyak 6 digit.
36
10
= 100100
2

6 Digit

Pada pengolahan data output, ketigapuluhenam karakter alfanumerik tersebut diurutkan
sesuai dengan urutan binernya. Seb agai contoh dapat dilihat pada TAbel 6.2.
Tabel 6.2 Output dan karakter yang diwakilinya

Sementara dari Tabel 6.1 (kemampuan jaringan saraf tiruan) dapat dilihat bahwa
jaringan saraf tiruan yang menggunakan metode propagasi balik memiliki waktu pelatihan yang
lambat. Dengan mengingat bahwa tujuan penerapan jaringan propagasi balik adalah untuk
mendapatkan kesetimbangan antara respons yang benar terhadap pola pelatihan (kemampuan
memorisasi) dan respons yang baik terhadap pola pola input baru (kemampuan
menggenaralisasi) maka tidak terlalu penting untuk melanjutkan pelatihan sampai total error
kuadratnya mencapai nilai minimum. Oleh sebab itu nilai error yang dapat diterima oleh
jaringan (nilai toleransi error atau disebut juga dengan istilah limit) ditentukan terlebih
dahulu dan nilai ini digunakan untuk menghentikan pelatihan bila error jaringan lebih kecil atau
sama dengan nilai limit yang telah ditentukan tersebut. Pada aplikasi untuk pengenalan
karakter alfanumerik ini nilai limit ini nilai limit yang direncanakan akan digunakan adalah
sebesar 0,002.
Nilai limit sengaja dipilih yang bernilai kecil untuk tetap menjaga keakuratan hasil yang
diperoleh.

Output Karakter
000001
000010
000011
000100

dst

A
B
C
D

dst

6.2.2 Pengumpulan Data Pelatihan
Langkah langkah pengumpulan data untuk membangun aplikasi pengenal karakter
alfanumerik adalah sebagai berikut:
1. Membuat rancangan data (input dan output) yang akan digunakan sebagai latihan dan
testing.
Karena di dalam dunia nyata citra karakter yang dibaca sangat mungkin mengandung
derau (noise) atau tidak lengkap,maka jaringan propogasi balik yang dirancang harus
dilatih dengan banyak contoh yang juga mengandung oise atau tidak lengkap.
Diharapkan dengan contoh contoh tersebut maka jaringan dapat
menggeralisasikannya sehingga bila di masa depan dimasukkan input baru yang berbeda
yang citranya juga mengandung error maka jaringan tetap mampu mengenalinya
sebagai sebuah karakter tertentu.
Pada penelitian ini belum keseluruhan karakter alfanuerik yang dicobakan, hanya
terbatas pada karakter A, B, dan C saja, namun telah dipikirkan pengembangan
jaringan kearah itu (sengaja disediakan tempat untuk node output sebanyak 6 node
untuk kemungkinan pengembangan).
2. Memisahkan data ke dalam 2 bagian, yaitu set pelatihan (set training) dan set testing.
Citra citra karakter yang digunakan untuk pelatihan dan testing diubah ke dalam
bentuk biner. Citra citra tersebut mempunyai ketidaklengkapan citra sampai sebanyak
2 pixel dengan pertimbangan jika lebih dari itu citra mungkin sangat susah dikenali
(Lihat Tabel 6.3).
Pada pembelajaran set pelatihan, karakter karakter yang berbeda disajikan ke dalam
jaringan secara berselang seling (misalnya A, lalu B, lalu C, kemudian kembali lagi ke A, dan
seterusnya). Jika batas error yang dapat diterima belum dicapai maka pelatihan akan terus
berlangsung (sangat mungkin terjadi banyak epoch), dan jaringan akan dilatih mulai dari contoh
kasus pelatihan yang pertama lagi, begitu seterusnya sampai kondisi berhenti terpenuhi.
3. Mengonfirmasikan keandalan

Jumlah set pelatihan adalah sebanyak 183 contoh kasus sedangkan set
testingnya sebanyak 90 kasus. Jumlah set pelatihan (183 contoh kasus) dianggap
cukup mampu melatih jaringan untuk dapat mengenali karakter karakter yang
telah dipelajarinya.
6.2.3 Pemilihan Lingkungan Pengembangan
Walaupun perangkat lunak pengembang jaringan saraf tiruan banyak tersedia (misalnya
dari Ward Systems, NeuralWare, dan lain lain) namun pembaca dapat membangun sendiri
simulator jaringan saraf tiruan sesuai dengan bahasa pemrograman yang dikuasai. Pada buku
ini digunakan bahsa pemrograman Turbo Pascal 7. Pembaca dapat juga menggunakan program
MAtlab (toolbox Neural network) atau dengan pemrograman berorientasi objek seperti Delphi
atau Visual Basic.
Berikut ini diuraikan langkah langkah pembangunan simulator jaringan propagasi balik
untuk pengenalan karakter alfanumerik.

6.2.4. Arsitektur Jaringan
Pembangunan simulator jaringan saraf tiruan dimulai dari perancangan arsitektur
jaringan seperti terlihat pada Gambar 6.4

Y
1
Y
1
Y
6
W
0.1
W
1.1
W
J.1
W
35.1
W
0.K
W
1.K
W
J.K
W
35.K
W
0.6
W
1.6
W
J.6
W
35.6


Gambar 6.4 Rancangan arsitektur jaringan saraf propagasi balik untuk pengenalan karakter
balik untuk pengenalan karakter alfanumerik.
Dari gambar 6.4 terlihat:
1) Unit input = 36 node
2) Unit tersembunyi = 36 node HiddenSize = 36
3) Unit output = 6 node OutSize = 6
Hal lain yang perlu diperhatikan di dalam perancangan jaringan propagasi balik untuk
pengenalan karakter alfanumerik ini adalah:
1) Ambang pembelajaran (limit) = 0,002

2) Angka pembelajaran (alpha) = 0,Z
3) Jumlah contoh kasus pada set pelatihan (MaxInputX) = 183
Sementara untuk bobot bobot yang terlibat adalah:
a. Bobot bobot antara lapisan input dengan lapisan tersembunyi (V
ij
)
V
ij
= 36 x 35 = 1260 buah
b. Bobot bobot antara lapisan tersembunyi dengan lapisan output (w
jk
)
W
jk
= 36 x 6 = 216 buah
6.2.5. Struktur Data
Berdasarkan pemahaman tentang cara jaringan propagasi balik beroperasi, maka
struktur top-level dari simulator jaringan propagasi balik (BPN = BackPropagation Network)
dapat didefinisikan sebagai berikut:
BPN = record
Inp_layer : Tlayer_in ; {lapisan input}
Hid_layer : Tlayer _ Hid ; {lapisan tersembunyi}
Out _ layer : Tlayer _ Out ; {lapisan output}
end;
Struktur lapisan input didefinisikan sebagai:
TLayer_In = record
Input : Pdouble36;
Bobot : Pdouble1260;
end;
Untuk lapisan tersembunyi, strukturnya adalah:
TLayer _ Hid = record
input : Pdouble36;
bobot : Pdouble1260;
output : Pdouble35;

delta_k : Pdouble6;
delta _ I : Pdouble35;
delta _ vij : Pdouble1260;
end;
Sedangkan untuk lapisan output, strukturnya adalah:
TLayer _ Out = record
input : Pdouble35;
output : Pdouble6;
bobot : Pdouble126;
target : Pdouble6;
delta_k : Pdouble6;
delta _ wjk : Pdouble216;
end;
dengan
Pdouble6 = ^double6;
Dimana :
Pdouble6 = array[1..6] of double;
Pdouble216 = array[0..35, 1..6] of double;
Pdouble1260 = array[0..35, 1..35] of double;
Enam pilihan menu lainnya yang ditawarkan oleh simulator ini adalah:
0. Readme
Berisi panduan menu, semacam help.

1. Pelatihan
Digunakan untuk melatih jaringan, menggunakan algoritma pelatihan propagasi balik
(lihat bagian 4.2).
2. Mengambil hasil pelatihan
Bobot bobot hasil pelatihan dikirim kesebuah file (Result1 sampai dengan Result4)
sehingga bisa dilihat bobot final hasil pelatihannya.
3. Aplikasi dari set pelatihan
Jaringan propagasi balik diuji kemampuan memorisasinya dengan pilihan ini. Sebagai
kasusnya adalah isi dari set pelatihan (semua kasus telah dipelajari sebelumnya oleh
jaringan). HAsil pengujian dari set training ini berbentuk file teks.
4. Aplikasi pengenal karakter alfanumerik
Kemampuan generalisasi jaringan diuji dengan pilihan ini. Untuk menguji jaringan
digunakan kasus kasus yang belum pernah dipelajari oleh jaringan. Kasus kasus ini
terdapat pada set tes. Sebelum mengambil pilihan ini harus mengambil pilihan 2 dulu
untuk pengesetan bobot awal pada rutin untuk aplikasi penengenal karakter
alfanumerik (yaitu dengan menginisialisasinya dengan bobot final yang diperoleh selam
pelatihan). Pilihan ini juga digunakan untuk menguji kemampuan jaringan saraf tiruan
untuk mengenali karakter alfanumerik dengan input sembarang.
5. Keluar
Untu keluar dari program.
6.3 Tahap Implementasi
6.3.1 Implementasi dan Pelatihan
Tujuan dari tahap ini adalah untuk menghasilkan sebuah system berjalan yang akurat dan
konsisten serta mampu mengeksploitasi keungulan keunggulan jaringan saraf tiruan. Guna
mencapai hal ini perlu dipahami proses proses yang terjadi di dalam jaringan propagasi balik.
Perlu diperhatikan sebelumnya bahwa:
i. n adalah pencacah unit unit input dengan nilai tertinggi n = 35

ii. p adalah pencacah unit unit tersembunyi dengan nilai tertinggi p = 35
iii. m adalah pencacah unit unit output dengan nilai tertinggi m = 6.
Prosese proses yang terjadi di dalam sebuah jaringan propagasi balik:
1. Inisialisasi Bobot
Seluruh bobot diset ke dalam bilangan acak yang kecil.
a. Bobot bobot antara lapisan input dengan lapisan tersembunyi disebut sebagai V
ij
sejumlah 1260 buah dengan I = 1,,n dan j = 1,,p.
b. Bobot bobot bias antara lapisan input dengan lapisan tersembunyi disebut V
ij -
sejumlah 35 buah dengan j = 1,p,.
c. Bobot bobot antara lapisan tersembunyi dengan lapisan output disebut sebagai
W
jk
sejumlah 216 buah dengan j = 1,p, dan k = 1,,m.
d. Bobot bobot bias antara lapisan tersembunyi v
ok
sejumlah 6 buah dengan k =
1,,m.
Untuk menghindari minimum local, keseluruhan bobot di atas diinisialisasi dengan
menggunakan bilangan acak antara -0,5 dan 0,5.
2. Penentuan kondisi berhenti
Pelatihan jaringan akan berhenti jika informasi error jaringan <=limit.
3. Set pelatihan sejumlah 183 kasus (pasangan vector input dan vector output) akan
menjalani tahap tahap sebagai berikut:
3.1 Umpan maju
Pada tahap ini setiap unit input (X
i
, I = 1,.,35) menerima sinyal input x
1
dan
menyiarkan sinyal ini ke semua unit (node) yang ada pada lapisan di atasnya, yaitu
unit unit tersembunyi.
Unit unit tersembunyi (Zj, j = 1,.,35) menjumlahkan sinyal sinyal input
berbobotnya dengan menggunakan formula berikut:
Z_INj = Voj + E Xi.Vij [ I = 1]

Kemudian menerapkan fungsi aktivasi untuk menghitug sinyal outputnya: Zj
= f[Z_inj]
= 1 / [ 1 + e ^-z_in1 ]
Sinyal ini lalu dikirim ke semua unit di lapisan atasnya (ke unit unit output).
Setiap output (Y
k,
k=1,6) menjumlahkan sinyal sinyal input berbobotnya dengan
formula:
Y_ink = wok + E Zj Wjk [ j = 1 35]
dan menerapkan kembali fungsi aktivasi untuk menghitung sinyal outputnya :
Yk = f[y_ink]
= 1/[1+e^-y_ink ]
3.2 Pempropagasibalikan error
Unit unit (Y
k
, k = 1,6,) menerima masing masing sebuah pola target (t
k
)yang
berhubungan dengan pola latihan input, kemudian persamaan informasi errornya
(
k
) dihitung:
Delta = [tk yk] f[y_ink]
= [tk yk].yk.[1-yk]
Demikian pula persamaan koreksi bobotnya yang kelak dipergunakan untuk
mengupdate w
jk
,
Segitiga Wjk = alfa.deltak.zj
Menghitung persamaan koreksi biasnya dengan formula seperti berikut:
Segitiga Wok = alfa.

Lalu menyiarkan
k
ke lapisan di bawahnya (
k
dipropagasibalikan). Persamaan
koreksi bias ini nantinya dipergunakan untuk meng-update w
ok
.
Setiap unit tersembunyi (Zj, j=1,.,35) menjumlahkan input input deltanya (dari
unit unit pada lapisan di atasnya):
.
_inj
= E .
k
Wjk

Mengalikannya dengan turunan dari fungsi aktivasinya untuk . menghitung
persamaan informasi errornya dengan menggunakan formula:
j
=
_inj.
[Z_inj].[1-
Z_inj]
Menghitung persamaan koreksi bobotnya yang akan digunakan untuk mengupdate
Vij:
Delta Vij = alfa.
j
Xi
Dan menghitung persamaan koreksi biasnya yang akan digunakan untuk
mengupdate Voj:
Delta Voj = alfa.
j

3.3 Peng update an bobot dan bias
Tiap tiap unit output (Y
k
, k = 1,.,6) akan mengupdate bias dan bobotnya (j =
0,,35):
Wjk [baru] = Wjk [lama] + Wjk
Setiap unit tersembunyi (Z
j,
j =1,.,35) mengupdate biasnya dan juga bobotnya (I =
0,,35):
Vjk [baru] = Vjk [lama] + Vjk
Langkah nomor 3 akan terus diulangi sampai kondisi berhenti dipenuhi sehingga
mungkin akan memerrlukan banyak sekali iretasi seperti ini sebelum proses
pembelajaran (pelatihan) berhenti.

Sementara itu pada pengujian jaringan aplikasi jaringan sebagai medium pengenal
karakter alfanumerik yang diterapkan hanya tahap umpan maju (algoritma aplikasi)
seperti berikut ini:
1. Setelah pelatihan selesai bobot bobot yang diperoleh digunakan untuk menginisialisasi
bobot pada pengujian atau aplikasi.
2. Untuk setiap vector input (misalnya set tes), yang terjadi adalah:
i. Memasukkan unit input x
i.

ii. Melakukan perhitungan node node (unit unit) tersembunyi:

Z_inj = Voj + E Xi.Vij
Dengan { j = 1, .35}
iii. Menghitung sinyal outputnya (j = 1,..,35):
Zj = f(z_inj)
= 1 / (1+ e^-z_inj)
Sinyal ini lalu dikirim ke semua unit di lapisan atasnya (keunit unit output)
iv. Setiap unit output (Yk, k = 1,.,6) menjumlahkan sinyal sinyal input
berbobotnya:
Y_ink = Wok + E Zj.Wjk ( j = 16)
v. Menerapkan fungsi aktivasi untuk menghitung sinyal output.
Yk = f(Y_ink)
= 1 / (1 + e^-y_ink)
Set data yang meliputi 273 pasangan vector input dan vector output (untuk pengenalan 3
karakter :A,B,C) dibagi ke dalam 2 bagian, yaitu set pelatihan dan set tes. Set pelatihan
terdiri dari 183 pasangan vector input dan vector output dengan karakter A, B, dan C.
masing masing terdiri dari 61 pasangan. Pelatihan berjalan memadai dengan hasil akhir
keseluruhan set pelatihan (183 kasus) dapat dikenali, baik yang mengandung noise ataupun
yang tidak.
6.3.2 Verifikasi dan Validasi
Jaringan saraf tiruan diuji dengan menggunakan 2 set data, yaitu set pelatihan dan set
tes. Seperti telah dikemukakan sebelumnya, set pelatihan terdiri dari 183 pasangan vector
input dan vector output dengan karakter A, B, dan C, masing masing 61 pasangan. Set
data tes terdiri dari 90 pasangan vector input dan vector output dengan karakter A, B, dan
C, masing masing 30 pasangan. Set pelatihan digunakan untuk menguji kemampuan
generalisasi jaringan.

Ketika jaringan diuji dengan menggunakan set pelatihan, yang diuji adalah ingatan
jaringan, sebab kasus kasus yang dimasukkan telah ia pelajari sebelumnya. Sebaliknya, pada
saat jaringan diuji dengan mengunakan set tes, apa yang dimasukkan ke dalam jaringan adalah
kasus kasus yang belum pernah dipelajari oleh jaringan. Dari pengalaman selama pelatihan
diharapkan jaringan akan mampu menggeneralisasikan kasus yang ia hadapi dan kemudian
menarik kesimpulan yang cenderung ke output tertentu.
Hasil percobaan memperlihatkan bahwa jaringan saraf tiruan yang dirancang ternyata
dapat mengenali dengan baik sekali kesembilanpuluh kasus alfanumerik (berhasil mengenali
100 persen) baik karakter A, karakter B, maupun karakter C yang datanya mengandung
noise.
6.1 Berikan pertimbangan Anda dalam menentukan banyaknya unit input dan unit output
yang diperlukan dalam jaringan saraf heteroa-sosiatif. Bagaimana pula dengan banyak
unit input dan unit output pada jaringan autoasosiatif?
6.2 JIka Anda diminta untuk membuat system pengenalan untuk mendeteksi lukisan palsu
atau uang palsu, bagaimana Anda mengatur besar angka pembelajaran () atau nilai
ambang()?
6.3 Pemberian pola pola mengandung noise ke dalam set training akan semakin
mempertangguh kemampuan jaringan saraf tiruan dalam mengenali pola. Bila dalam
system untuk mengenali beberapa pola yang Anda buat itu Anda cobakan pembelajaran
secara incremental, pertama, dengan mengenali pola pertama mulai dari citra sempurna
hingga pola pola pertama yang mengandung noise yang masih dapat diterima,
kemudian dilanjutkan dengan pola pola kedua mulai dari yang sempurna hingga citra
pola kedua dengan derajat noise tertentu, demikian seterusnya keseluruhan pola dicoba
dikenali dengan cara yang sama, jelaskan hasil keluaran dari jaringan saraf tersebut!

6.4 Apa saja yang menjadi pertimbangan anda dalam menetapkan kondisi berhenti dalam
pelatihan sebuah jaringan saraf tiruan?

BAB VII
PENELITIAN PENELITIAN DAN APLIKASI JARINGAN SARAF TIRUAN
(Pertemuan XI dan XII)
7.1 Penelitian dengan Bantuan Jaringan Saraf Tiruan
Berikut ini dibahas beberapa penelitian yang menggunakan jaringan saraf tiruan:
HYpernet : Penerapan jaringan saraf tiruan system pakar untuk pendiagnosisan dan
perawatan tekanan darah tinggi.
Pengenalan pola tulisan tangan: menggunakan jaringan saraf tiruan dan logika samar,
dan
Mesin ketik suara (neural phonetic typewriter) yang menerjemahkan suara ke dalam
bentuk tulisan.

7.1.1 Hypernet
Hypernet adalah perpaduan antara system pakar dengan jaringan saraf tiruan yang
digunakan untuk pendiagnosisan dan perawatan penyakit darah tinggi. Hypernet tidak dapat
digolongkan sebagai system pakar klasik karena pengetahuan tidak dikodekan dalam bentuk
simbolik (berbentuk frame frame atau rule rule) tetapi pengetahuan tidak dikodekan dalam
bentuk simbolik (berbentuk frame frame atau rule rule) tetapi pengetahuan tersebut

didistribusikan ke seluruh jaringan. Pelatihan atau pembelajaran jaringan ini dapat digolongkan
sebagai basis pengetahuan yang mudah dimodifikasi dengan bantuan program basis data
sederhana. Hypernet dikembangkan oleh beberapa pakar Italia, di antaranya Ricardo Poli,
Stefano Cagnoni (University of Florence), Ricardo LIvi (Interniversity Center of Clinical
Chronobiology), dan kawan kawan.
Mayoritas keputusan keputusan klinis, kesimpulan kesimpulan yang kompleks, dan
juga pengetahuan pathofisiologi, diambil berdasarkan pengalaman ahli medis. Namun demikian
tidak semua pengalaman dapat dibuat ke dalam set relasi yang kecil sehingga hal ini membuat
pendekatan algoritmik kurang leluasa untuk digunakan. Dilain pihak jaringan saraf tiruan
memiliki property property seperti kemampuan belajar berdasarkan pengalaman, memiliki
toleransi terhadap kesalahan (jaringan tidak sensitive terhadap noise pada pola input),
degradasi kinerja yang terjadi perlahan lahan (bila noise yang diberikan pada pola input
sangat besar), dan meningkatnya sinyal, yang mampu mengatasi permasalahan di atas. Hal ini
yang melatarbelakangi penggunaan jaringan saraf tiruan pada aplikasi ini.
7.1.2. Arsitektur Sistem
Gambar 7.1 menggambarkan struktur logika Hypernet yang mensimulasikan
pengambilan keputusan seorang dokter yang dibagi dalam 3 buah modul utama, yaitu modul
pembangkit referensi (RGM), modul kompatibilitas obat (DMC), dan modul pemilihan terapi
(TSM). Metode jaringan saraf tiruan yang digunakan pada setiap modul adalah metode
propagasi balik.
Input : Data anamnestik subyek subyek (pasien/ orang sehat) dan serangkaian data tekanan
darah diastolic dan sistolik dalam skala waktu 24 jam.
Output: 4 buah array yang berisikan 24 item, yang masing masing nilainya menunjukkan dosis
per jam obat antihipertensi yang paling umum digunakan.

Umur Jenis kelamin Data klinis

Data BP

Referensi
(tekanan darah)
Modul
pembangkit
referensi
Modul
kompatibilitas
obat


Gambar 7.1 Struktur logika Hypernet [5]
7.1.2.a. RGM
Lapisan input: terdiri dari dua buah unit input (RGM digambarkan seperti pada Gambar 7.2.
Tujuan dari modul ini adalah untuk memanggil pengetahuan medis mengenai konsep
normalitas dari rekaman tekanan darah.
- melambangkan jenis kelamin dan umur).
- Lapisan tersembunyi: terdiri dari 4 buah unit tersembunyi.
- Lapisan output: terdiri dari 24 unit output (P
0
. P
23
) melambangkan serangkaian
tekanan darah selama 24 jam.
Pada jaringan ROM dilakukan pembandingan antara serangkaian tekanan darah
yang dimiliki oleh orang yang normal dengan tekanan darah pasien (kedua subjek
tersebut memiliki jenis kelamin dan umur yang sama).

Lapisan Jenis kelamin Umur
input

Lapisan
tersembunyi

Lapisan
output
P P P


Gambar 7.2 Arsitektur modul pembangkit referensi
(Referensi Generating Module = RGM) [5]
7.1.2.b. DCM
Tujuan DCM adalah untuk menganalisa entri entri terpenting dari laporan klinis pasien dan
untuk menentukan derajat kecocokan sipasien dengan masing masing obat yang
dipertimbangkan akan diberikan kepadanya. DCM berupa jaringan saraf sederhana yang terdiri
dari 2 lapisan berisi 17 input (masukan laporan klinis pasien) dan 4 buah unit output (lihat
Gambar 7.3).




7.1.2.c. TSM
TSM bertujuan memilih kombinasi obat yang paling sesuai untuk pasien, dan menetukan
berapa banyak obat yang harus diberikan untuk setiap obat terpilih (berapa dosis setiap kali
pemberian). TSM terdiri dari 6 lapis jaringan saraf tiruan (lihat Gambar 7.4)berikut:
i. Lapisan tersembunyi pertama berisi 12 unit yang input inputnya adalah (Ps),
perbedaan tekanan darah diastolic ((P
D
), dan 5 data anamnesis yang bias
mempengaruhi diagnosis.
ii. Lapisan tersembunyi: terdiri dari 4 lapisan tersembunyi:
- Lapisan tersembunyi pertama berisi 12 unit yang input inputnya adalah Ps dan
P
D.
Hal ini merupakan penggambaran tersebar kelebihan tekanan darah.
- Lapisan tersembunyi kedua berisi 12 unit tambahan yang terhubung baik ke lapisan
sebelumnya maupun ke lima buah unit yang menggambarkan data anamnesis.
- Lapisan tersembunyi ketiga terdiri dari 12 unit yang terhubung baik ke lapisan
sebelumnya maupun ke 4 buah unit yang menggambarkan perkiraan kompatibilitas
data oleh DCM.
- Lapisan tersembunyi keempat yang menggambarkan keseluruhan data.
iii. Lapisan output: berisi dosis 4 macam obat (enalapril, nifedipine, acebutolol, dan
chlortalidon).
7.1.2.d. Jalannya Percobaan
Jaringan saraf tiruan pada Hypernet ini didefinisikan dengan menggunakan bahasa deskriptif
simbolik sederhana. Pada saat file definisi jaringan telah siap, program C yang oleh

pengembang Hypernet dinamakan sebagai compiler jaringan saraf tiruan menerjemahkan
primitf primitive bahasa tersebut ke dalam struktur data yang cocok, lalu pelatihan jaringan
dimulai (NNC memproses sekitar 20.000 bobot perdetik pada PC 80386 20-Mhz). Setelah
pelatihan, NNC mengeksekusi set tes dan menerjemahkan struktur data set tes ke dalam
bentuk primitive primitif bahasa, dan kemudian menuliskan file definisi jaringan yang telah
di-update tersebut pada disk.
Data yang digunakan untuk melatih dan menguji untuk kerja jaringan terdiri dari serangkaian
waktu tekanan darah dari sekitar 300 subyek yang dinyatakan sehat oleh Italian Multicentric on
Blood Pressure Variability, dan juga dari 85 subyek yang diduga mengidap penyakit tekanan
darah tinggi.
Tabel 7.1 Hasil evaluasi diagnosis Hypernet oleh spesialis
Benar Salah
Dirawat 11 1
Tidak dirawat 22 1
Total 33 2

Hasil yang diperoleh : Hypernet berhasil mendiagnosis dengan benar 33 subjek dari 35 subyek
(94% sensitivitas dan 96% terjadi spesivitas (tidak perlu dirawat, tetapi membutuhkan obat
khusus).
7.1.3 Metode Jaringan Saraf Tiruan Logika Samar dalam Pengenalan Tulisan Tangan
Pengenalan tulisan tangan melibatkan pencocokan citra digital sebuah kata tulisan
tangan sampai ke pencocokan kamusnya. Pengenalan tulisan tangan dikatakan sukses bila ia
bisa mencapai interpretasi terbaik. Jadi tidak hanya sekedar berhasil mengisolasi dan mengenali
karakter karakter individual. Untuk pencapaian intrepretasi terbaik, informasi mengenai
konteks dari kata tersebut harus diketahui. Paul D. Gader, James M. Keller, Raghu
Krishnapuram, Jung-Hsien Chiang, dan Magdi A. Mohamed dari University of Missouri, AS,

menggunakan jaringan saraf tiruan dan logika samar untuk memcahkan masalah pengenalan
tulisan tangan tersebut. Jaringan saraf tiruan digunakan untuk memroses informasi yang tidak
tepat karena jaringan saraf tiruan mampu melakukan pendekatan batasan keputusan yang
rumit dengan baik. Metode logika samar digunakan untuk mewakili derajat kebenaran.

Gambar 7-5, Dinamic Programming Matching
Program pengenalan kata tulisan tangan yang berhasil dikembangkan menerima input
berupa sebuah citra digital dari sebuah kata dan sebuah kamus. Struktur program ini
ditunjukkan seperti pada Gambar 7.5.
Pada Gambar 7.5 tersebut kata Richmond dibagi ke dalam 25 primitif lalu dilakukan
proses pencocokan untuk menemukan cara terbaik menyusun primitif primitf tersebut agar
bias sesuai dengan salah satu kata yang ada dalam kamus dengan menggunakan algoritma

optimasi. Program kemudian menetapkan nilai kebenaran antara 0 sampai 100 terhadap setiap
segmen yang menunjukkan derajat kemiripan sebuah segmen terhadap sebuah karakter.
Segmen yang mengambarkan citra citra nonkarakter, misalnya Edmund pada Gambar
7.5 di atas harus diberikan nilai kepercayaan yang rendah untuk menghindari
penginterprestasian yang salah. Nilai nilai kepercayaan ini kemudian digabungkan untuk
mengetahui skor kecocokan keseluruhan. Skor ini digunakan untuk mengurutkan stringn
string dalam leksikon sesuai dengan seberapa besar kecocokan string string tersebut terhadap
citra.
7.1.2.a. Penentuan Kepercayaan Karakter
Nilai kepercayaan karakter terhadap segmen segmen individual ditentukan dengan
menggunakan set set logika samar dan jaringan saraf tiruan umpan balik multilapis.
Algoritma logika samar yang digunakan adalah algoritma k-nearest neighbor. Nilai nilai
keanggotaan kelas karakter yang dihasilkan oleh logika samar kemudian digunakan sebagai set
pelatihan oleh jaringan saraf tiruan umpan balik multilapis.
7.1.2.b. Jaminan Kekompatibilitasan Spasial


Segmen segmen individu bisa terlihat mirip seperti karakter hanya berbeda dala ukuran dan
lokasi spasial semisal segmen ke-5 dan segmen ke-6 dalam Gamabr 7.6. Untuk itu segmen ke-5
dan ke-6 tersebut harus diberikan nilai keanggotaan kelas-karakter yang tinggi pada kelas u
dan kelas e. Sedangkan untuk mengukur kompatibilitas lokasi spasial relative dari pasangan
segmen segmen yang bertetangga (dengan interpretasi sebagai pasangan karakter) digunakan
jaringan saraf tiruan umpan balik multilapis lagi.
Hasil penelitian menunjukkan pada saat keanggotaan dalam kelas kelas kompatibilitas
diterapkan untuk mengagumentasi nilai karakter logika samar, unjuk kerja pengenalan kata
menunjukkan peningkatan dari 79,5% menjadi 85,3%. Adapun yang dimaksud dengan kelas
kelas kompatibilitas, yaitu kelas kelas pola yang didefinisikan untuk menggambarkan
konfigurasi yang berbeda beda dari karakter karakter yang bertetangga.
7.1.2.c. Pengumpulan Nilai Kepercayaan
Pemrograman dinamis (algoritma optimasi) digunakan untuk menemukan kecocokan
optimal antara sebuah kata dalam kamus dengan sebuah segmentasi kata. Hal ini perlu untuk
mencari fungsi objektif standar, yaitu rata rata dari nilai kepercayaan karakter.
NIlai kepercayaan karakter dari sebuah segmentasi lalu dikumpulkan dengan
menggunakan integral logika samar yang disebut integral Choquet. integral Choquet adalah
sebuah penjumlahan berbobot yang tergantung pada urutan nilai kepercayaan karakter.
Melalui percobaan dapat ditentukan bahwa bobot bobot menjadi menurun secara
eksponensial seiring dengan meningkatnya nilai kepercayaan, sehingga bobot yang kecil berate
memiliki nilai kepercayaan karakter yang besar. Dapat dikatakan bahwa integral Choquet ini
mengurangi efek salah letak, yaitu segmen segmen tunggal yang berada di kelas karakter yang
salah.



7.1.3 Mesin Ketik Suara
Pengenalan suara merupakan masalah yang cukkup rumit dan melibatkan banyak hal, mulai
dari pendeteksian fonem fonem sampa kepada pemahaman pesan yang disampaikan. Contoh
contoh masalah yang harus ditangani dalam pengenalan suara diantaranya:
Ketika mendengar sebuah ucapan yang asing di telinga, maka secara tidak sadar
manusia langsung menguji dan mengulangi kembali persepsi dari berbagai pengalaman
berisi konteks konteks yang telah akrab didengarnya. JAdi apa yang dipercayai oleh
didengar berupa potongan potongan informasi yang diterima kemudian akan
mengalami rekonstruksi di dalam pikiran manusia. Pertanyaan yang timbul adalah:
bagiamana caranya membuat sebuah system (mesin ketik suara) yang memiliki
kemampuan merekonstruksi.
Distribusi sampel sampel spectral mengalami overlap meskipun suara berasal dari
pembicara yang sama dan diucapkan dengan jelas.
Fonem fonem yang sama yang diucapkan oleh orang yang berbeda kadang kadang
juga bisa membingungkan.
Bagaimana membuat sebuah system pengenalan suara tingkat tinggi yang bisa
menginterpretasikan isi semantik dari pengucapan /pembicaraan.
Karena otak mampu berfungsi untuk mengenali suara, para peneliti beranggapan bahwa
jaringan saraf tiruan juga harus dapat berbuat hal yang sama. Pada penelitian ini metode
jaringan saraf tiruan yang digunakan adalah metode pemetaan yang mengorganisasi sendiri
(self-organizing map) yang lebih dikenal dengan, sesuai nama penemunya, Kohonen-SOM.
Metode ini di luar pembahsan buku ini.
Masin ketik suara menunujukkan potensi jaringan saraf tiruan dalam membangun
pengenalan suara speaker-independent pada sebuah computer. Lebih jauh lagi , mesin ketik

suara juga menunjukkan bagaimana teknologi jaringa saraf tiruan bisa bisa digabunngkan
dengan pengolahan sinyal tradisional dan teknik teknik standar kecerdasan buatan untuk
memecahkan suatu masalah. Mesin ketik suara dapat menrjemahkan suara ke dalam bentuk
teks tertulis dengan kamus yang tidak terbatas dan secara real time dengan keakurasian antara
92 hingga 97 persen. Alasan mengapa disebut mesin ketik karena alat ini hanya sekedar
menrjemahkan, tidak dimaksudkan unutk mengerti makna pembicaraan. Mesin ketik suara
hanya mendukung bahasa Finlandia dan bahasa Jepang.
Sebagai input, sebuah array berupa node node 2 dimensi dilatih dengan menggunakan
15 komponen analisis spectral dari kata kata yang diucapkan dan diambil sebagai sampel
setiap 9,83 milidetik. Vektor vector input ini dihasilkan dari serangkaian langkah pemrosesan
awal suara, meliputi :
1) Penggunaan mikrofon penghilang noise (noise-canceling microphone)
2) Preamplifter dengan sebuah kapasitor bersaklar, low pass filter 5,3-kHz
3) Konverter 12 bit analog 12 bit analog ke digital dengan angka sampling 13,02-kHz
4) Fast Fourier Transform 256-point, dihitung setiap 9,83 milidetik menggunakan
sebuah jendela Hamming 256-point
5) Logaritmisasi dan pemfilteran power spectrum menggunakan low-pass filter fourth
order ellipitic
6) Pengelompokan saluran saluran spectrum ke dalam 15 komponen vector pola
nyata
7) Pengurangan rata rata dari semua komponen, dan
8) Normalisasi 15 komponen vector input yang dihasilkan ke dalam panjang konstan.
Dengan menggunakan algoritma pengklusteran Kohonen, node node dalam sebuah array 2
dimensi diijinkan mengorganisasi dirinya sendiri dalam berespons dengan vector input. Setelah
pelatihan dilakukan, peta yangn dihasilkan disesuaikan dengan menggunakan spectrum fonem
fonem sebagai vector inputnya. Kebanyakan node berespons terhadap sebuah fonem tunggal
seperti ditunjukkan pada Gambar 7.7


Ketika sebuah kata diucapkan, kata tersebut disampel lalu dianalisis dan dikirimkan ke
jaaaaringan sebagai rangkaian vector input. Begitu node node dalam jaringan berespons,
sebuah jalur muncul pada peta yang bersesuaian dengan ranngkaian pola input ( liujat Gamabr
7.8 sebagai ncontoh kata humpila). Pada Gambar 7.8, tanda panah sesuai dengan waktu
sampling 9,83 milidetik. Jalur ini merupakan transkripsi fonetik dari kata, yang kemudian
dibandingkan dengan kata kata yang sudah dikenali atau digunakan sebagai input kesebuah
system berbasis aturan. Analisis dilakukan secara cepat dan efisien menggunakan berbagai
teknik, termasuk jaringan saraf tiruan memori asosiatif.
Secara singkat dapat dikatakan, begitu kata kata diucapkan ke mikropon maka
transkripsinya akan muncul di layar computer. Dengan demikian mesin ketik suara ini akan
sangat membantu dalam pekerjaan kantor modern. Pelatihan jaringan sarf tiruan seorang
pembicara individual hanya membutuhkan pendiktean sekitar 100 buah kata dengan memakan
waktu sekitar 10 menit pada sebuah PC.


7.2 Aplikasi Jarinmgan Saraf Tiruan
Berikut ini beberapa aplikasi jaringan saraf tiruan:
7.2.a. Detektor virus computer
Jaringan saraf tiruan digunakan untuk mendeteksi dan mengoreksi virus computer.
Contohnya, program anti virus IBM yang selain mendeteksi juga mengeradikasi virus
virus baru secara otomatis. Virus baru yang ditemukan ;kemudian digunakan sebagai set
pelatihan untuk versi antivirus berikutnya yang jauh lebih cerdas. JAringan saraf tiruan
yang digunakan adalah propagasi balik.
7.2.b. Pendeteksian kanker kulit
Jaringan saraf tiruan digunakan untuk mendiagnosis malignant melanoma. Citra tumor
dipisahkan antara malignant atau benign. Ada 3 kategori tumor benign yang dibedakan
dari malignant melanoma. Citra digital dari tumor diklasifikasikan dengan menggunakan
propagasi balik.
7.2.c. Pengidentifikasian pola pola data pasar saham

Jaringan saraf tiruan digunakan untuk mempraproses informasi dari basis data yang
besar untuk mencari pola dan kecenderungan. Hasil pengolahan ini digunakan dalam
keputusan investasi. Contohnya, apakah membeli atau menjual saham, atau apakah
membeli kemudian menahannya dulu [7]
7.2.d. Pendeteksi bom
Jaringan saraf tiruan dilatih untuk mengenali bentuk bentuk bom dalam tampilan
sinyal sinyal spektrograf yang mengindikasikan muatan nitrogen tinggi pada barang
barang.
7.2.e. Pengontrol gerakan dan penglihatan robot
Jaringan saraf tiruan digunakan koordinasi mata tangan robot untuk memegang objek
melalui pelatihan robot.
7.2.f. Pendukung pengolahan Bahasa Alami
Pada pengenalan suara, jaringan saraf tiruan melalui pelatihan menyimpan informasi
bagian bagian pembicaraan untuk nantinya dicocokkan secara cepat dengan pola
pola input. Sebuah system yang dikembangkan oleh Teuvo Kohonen, yaitu mesin tik
suara (neural phonetic typewriter) yang memiliki akurasi paling tinggi dan kamus paling
besar. Jaringan saraf tiruan yang digunakan adalah Kohonen self-organizing map.
Sistem yang disebut NETtalk yang dikembanngkan oleh Sejnowski dan Rosenberg
berupa sebuah jaringan saraf tiruan tiga lapis yang mensintesis suara dari teks. Langkah
pelatihannya mirip dengan tahap perkembangan anak yang belajar berbicara.
Pendukung DSS (-Decision Support System)
- Optomasi

Jaringan saraf tiruan dapat digunakan untuk menemukan solusi optimal dari masalah
masalah yang melibatkan banyak parameter, misalnya masalah TSP (Traveling
Salesperson Problem)
- Alokasi sumber daya
Alokasi ditentukan berdasarkan data historis.
- Sistem hybrid
Sistem yang melakukan analisis statistical standar pada kumpulan data yang telah
diseleksi oleh jaringan saraf tiruan.
- Basis data cerdas (Inteliligent database)
Tujuan dari system basis data cerdas adalah untuk menangani informasi dan
pembuatan keputusan dengan cara yang lebih mirip dengan cara manusia. Jaringan
saraf tiruan berperan penting dalam penemuan pola pola data, menemukan
pendekatan yang cocok, dan perkiraan terbaik. Jaringan saraf tiruan juga
menfasilitasi query tidak pasti.

Gambar 7.9 Arsitektur sebuah system basis data cerdas
Arsitektur untuk system basis data cerdas seperti pada Gambar 7.9. Fitur cerdas dari system ini
berasal dari bermacam macam teknologi, seperti system pakar, orientasi objek, logika samar,
dan jaringan saraf tiruan.
7.4. Soal Latihan
Basis
data
Pengolahan
awal
Jaringan saraf
tiruan
Sistem Pakar
Logika Samar
dll
Formulasi
query

P.7.1. Bangunlah sebuah system biometric untuk mengenali berbagai macam sidik jari.
Perhatikan masalah kemiringan, pergeseran, zooming (anggap bahwa jika semula ketika
diambil sidik jarinya seseorang masih remaja dan bagaimana perubahan/ perbesarannya
ketika dewasa), bagaimana pula dengan goresan/ luka pada jari, pengaruh tebal tipisnya
tinta, dan sebagainya, dapatkah jaringan saraf tiruan mengatasi hal hal tersebut?
P.7.2. Bangunlah system OCR yang mampu mengenali jenis huruf yang tersedia di pengolah
kata, seperti Comic Sans, Franklin Gothic Book, Tahoma. Mampukah system Anda
mengenali tulisan dengan besar huruf yang berlainan, misalnya 12 pt, 8 pt, dan 16pt?
P.7.3. Bangunlah sebuah system jaringan saraf tiruan untuk memprediksi beban pemakaian
listrik pada perusahaan listrik Negara. Sebagai masukan, bedakan antara pemakaian
listrik pada hari biasa Senin Sabtu dengan pemakaian pada hari hari libur nasional.
Sebagai keluaran adalah 24 unit output yang melambangkan pemakaian selama 24 jam.
Set training adalah kumpulan pola pola kasus pemakaian listrik 3 tahun terakhir.
P.7.4. Bangunlah system pengenalan suara dengan jarinngan saraf tiruan. Beberapa perangkat
lunak tambahan yang Anda perlukan adalah MATLAB, PowerPoint, dan Noise Editor.
Jalan percobaan: File audio dan Video direkam dalam ruangan tanpa gangguan suara
lain. Pengisi suara input menggunakan mikrofon headset dengan kamera yang
dioperasikan manual berfokus pada mulut sipenutur untuk merekam bentuk dan
pergerakan bibir. Powerpoint digunakan untuk menunjukkan secara otomatis kata
kata yang harus diucapkan sipenutur. Dengan Noise Editor suara dipisahkan dari File
AVI. Untuk mensimulasikan lingkungan dengan noise, tambahkann sinyal noise masing
masing dengan SNR (signal to Noise Ratio) sebesar 0 dB, 5 dB, 10 dB, 15 dB, 20 dB, 25
dB, 30 dB. Gunakan toolbox Signal Processing dan Neural Networks di MATLAB).
Penelitian ini dapat dikembangkan untuk meneliti pengenalan pengucapan bersambung
dan pengucapan dengan jeda, serta apakah pengenalan suara tergantung kepada
penutur atau tidak. Pada proyek P.7.4 ini jaringan saraf tiruan dilatih selain untuk
mengenali suara juga untuk mengenali pergerakan mulut. Sebagai fitur input adalah

lebar dan tinggi bibir serta sudut kontur garis bibir terluar. Keluaran dari system ini
dalam bentuk teks. Yang dibandingkan adalah kata input dan hasill pengenalan jaringan
saraf.

BAB VIII
JARINNGAN SARAF TIRUAN DAN STRATEGI INTEGRASI DENGAN EXPERT SYSTEM
(Pertemuan XIII)
8.1 Keunggulan dan Kelemahan Jaringan Saraf Tiruan
Sebagai alat pemecahan masalah, jaringan saraf tiruan memiliki keunggulan
keunggulan dan kelemahan kelemahan. Beberapa keunggulan yang dimiliki oleh jaringan saraf
tiruan di antaranya:
1. Mampu memecahkan masalah yang sukar disimulasikan dengan menggunakan teknik
analitikal logika seperti pada system pakar dan teknologi software standar.
Sebagai contoh, jaringan saraf tiruan memiliki kemampuan menganalisis data (dalam
jumlah besar) dimana aturannya tidak diketahui tersebut, data yang ada tadi digunakan/
diolah oleh jaringan saraf tiruan untuk membangun pola.
2. Mampu memahami data yang dimasukkan meskipun data tersebut tidak lengkap
(incomplete data) atau data yang terkena gangguan (noisy data ).
3. Jaringan saraf tiruan memiliki kelebihan yang sulit diciptakan dengan pendekatan
simbolik/ logical dari teknik tradisional artificial intelligence, yaitu bahwa jaringan saraf
tiruan mampu belajar dari pengalaman.
4. Hemat biaya dan lebih nyaman bila dibandingkan dengan harus menulis program seperti
software standar. Pada jaringan saraf tiruan, yang perlu dilakukan adalah tinggal melatih

jaringan untuk belajar dengan cara memasukkan set data berisi sekumpulan kasus ke
dalam jaringan.
5. Jaringan saraf tiruan terbuka untuk digabungkan dengan teknologi lain untuk
menghasilkan system hibrida yang memiliki kemampuan memecahkan masalah dengan
lebih baik lagi. Misalnya, jaringan saraf tiruan dengan expert system, dengan logika
samar (fuzzy), dengan algoritma genetika, atau diintegrasikan dengan database.
Beberapa kelemahan yang dimiliki oleh jaringan saraf tiruan adalah:
1. Jaringan saraf kurang sesuai kurang sesuai untuk aritmatika dan pengolahan data.
2. Jaringan saraf tiruan masih membutuhkan campur tangan pakar untuk memasukkan
pengetahuan dan menguji data.
3. Belum ditemukan cara terbaik untuk mempresentasikan data input, memilih arsitektur,
serta jumlah, dan jumlah lapisan. Cara yang digunakan hingga saat ini masih dengan
cara coba coba (trial-and-error).
Untuk merepsentasikan data input dan output dalam jaringan saraf tiruan, semua harus
diubah ke dalam bentuk nilai antara 0 dan 1. Hal ini tentu saja membutuhkan pra-
pemrosesan manipulasi data input yang membawa dampak perlu tambahan waktu,
kekuatan CPU, dan konsumsi ruang hard disk. Biasanya tool tool jaringan saraf tiruan
menyediakan histogram untuk mengamati nilai nilai kategorikal dan bisa secara
otomatis mengubah nilai nilai numeric ke dalam kisaran 0 sampai 1.
4. Jaringan saraf tiruan kurang dapat menjelaskan hasil. Ini kritik terbesar yang sering
dilontarkan tentang jaringan saraf tiruan [1]. Untuk domain aplikasi di mana aturan
aturan penjelasan merupakan hal yang penting, misalnya seperti penolakan aplikasi
pinjaman di bank, jaringan saraf tiruan mungkin bukan tool yang tepat untuk
menjelaskan. Akan lebih tepat jika menggunakan expert system lengkap dengan fasilitas
penjelasan penarikan inferensi. Sebaliknya jika aplikasi lebih membutuhkan hasil, bukan
pada pemahaman penarikan inferensi seperti pada prediksi pola pola pasar saham,
maka jaringan saraf tiruan adalah tool yang tepat.

Dengan tidak mengesampingkan kelemahan kelemahan di atas, jaringan saraf tiruan
secara umum dapat dikatakan baik dalam menangani masalah masalah pada bidang
bidang berikut:
o BIdang yang mellibatkan pengklasifikasian fitur geometric atau fitur fisik.
Contohnya:
transmisi data,
speech generation,
pengenalan suara,
pembelajaran bobot,
pengenalan tulisan.
o Pengklasifikasian pola data (penginterpretasian data dalam jumlah besar dan
dari bermacam sumber). Contohnya:
Analisis keuangan,
Diagnosis medical,
Evaluasi permohonan pinjaman,
Peramalan banyak kursi pesawat yang akan laku,
Evaluasi karyawan dan pekerjaan yang cocok bagi karyawan tersebut,
Diagnostic mesin jet dan roket.
o Bidang yang melibatkan masalah optimasi (contohnya traveling salesmen
problem).
8.2 Strategi Integrasi Jaringan Saraf Tiruan Expert System
Seperti telah diungkapkan pada bagian sebelumnya, salah satu kelebihan jaringan saraf
tiruan adalah ia bisa digabungkan dengan teknologi lain untuk menghasilkan system hibrida
yang memiliki kemampuan pemecahan masalah yang lebih baik lagi. Model pengintegrasian
jaringan saraf tiruan dapat dilihat pada Gambar 8.1



Model Stand Alone
Sesuai namanya, pada model stand alone, baik expert system maupun jaringan saraf
tiruan masing masing berdiri sendiri, tidak ada ketergantungan di antara keduanya.
Tujuan penggunaan model stand alone:
1. Sebagai system paralel ada 2 kemampuan yang ditawarkan oleh model stand
alone:
o Kemampuan yang berasal dari jaringan saraf tiruan, yaitu kemampuan
generalisasi dan kemampuan adaptasi.
o Kemampuan yang berasal dari expert system, situ langkah deduksi dan fasilitas
penjelasan.
2. Untuk memverifikasi aplikasi yang telah dibuat sebelumnya.
Diberikan satu permasalahan yang sama dipecahkan secara terpisah, masing
masing oleh expert system dan jaringan saraf tiruan. Hasil dari keduanya lalu
dibandingkan sehingga dari keduanya bisa diketahui apakah system yang dibangun
telah melaksanakan tugasnya dengan benar.
3. Untuk membangun prototype dalam waktu singkat sementara aplikasi yang
sebenarnya yang lebih makan waktu tenngah didesain.


Contoh: Model stand alone expert system dan jaringan saraf tiruan pada perbaikan
computer
Keterangan : Baik expert system maupun jaringan saraf tiruan masing masing di bangun untuk
memecahkan masalah pengelompokan diagnostic gejala gejala kerusakan computer.
Cara kerja:
Ketika sebuah computer tidak berfungsi sebagaimana mestinya, gejala gejala dimasukkan ke
kedua komponen (expert system dan jaringan saraf tiruan). Keduanya kemudian mengeluarkan
sebuah solusi. Kedua solusi dibandingkan, dan jika terdapat ketidaksamaan hasil dari keduanya,
pemakai system boleh memilih salah satu dari solusi solusi itu untuk diimplementasikan.
Kelebihan model stand alone:
Lebih mudah dibangun karena tidak memerlukan antarmuka antara expert system
dengan jaringan saraf tiruan.
Tinggal memakai paket perangkat lunak komersial yang tersedia
Kekurangan model stand - alone
Tidak dapat saling mendukung kekurangan karena benar benar independent satu sama
lain.
Membutuhkan pemeliharaan ganda. Kedua komponen harus diupdate secara bersamaan
untuk menghindari kebingungan.

8.4.1. Model Transformasional
Serupa dengan model stand alone, bedanya hanya bahwa system dimulai dengan
salah satu tipe system (misalnya jaringan saraf tiruan) dan system diakhiri dengan tipe
lainnya (misalnya expert system).
Dua bentuk model transformasi: expert system yang ditransformasi ke jaringan saraf
tiruan dan jaringan saraf tiruan yang ditransformasi ke expert system. Yang lebih umum
terjadi adalah jaringan saraf tiruan yang ditransformasi ke expert system.



Contoh: Model transformasi untuk keputusan pemasaran
Keterangan: Analisis data dan adanya pengetahuan pendahuluan adalah ciri cirri tipe
model transformasi ini. Jaringan saraf tiruan ditransformasikan expert system untuk
dokumentasi pengetahuan dan verifikasi, langkah langkah pemikiran, dan kebutuhan
fasilitas penjelasan. Pada contoh ini, jaringan saraf tiruan dibangun untuk
mengidentifikasi trend dan hubungannya dengan data penjualan. Jaringan ini digunakan
sebagai basis expert system dalam mengalokasikan sumberdaya periklanan.
Cara kerja:
Jaringan saraf tiruan digunakan untuk mengadaptasi masalah data intensif yang
kompleks secara cepat untuk keperluan generalisasi dan untuk memfilter error pada
data. Expert system ditargetkan sebagai system pemesanan dengan alas an
dokumentasi dan verifikasi pengetahuan yang digunakan pada pembuatan keputusan,
dank arena peneliti pemasaran biasanya menginginkan sesuatu ditetapkan dengan alas
an alas an yang dapat dibenarkan.
Kelebihan model transformasi:
Dapat dibangun dengan cepat
Pemeliharaan hanya pada satu system saja.
Kekurangan model transformasi
Tidak terdapat alat yang otomatis secara penuh untuk mentransformasi jaringan
saraf tiruan ke expert system atau sebaliknya dari expert system ke jaringan
saraf tiruan.
Modifikasi penting yang dilakukan terhadap system mungkin akan
membutuhkan usahan pembangunan baru yang akan membawa ke sebuah
transformasi yang berbeda.

8.4.2. Model Coupling Longgar
Sistem terdiri dari jaringan saraf tiruan dan expert system yang terpisah dimana jaringan
saraf tiruan dan expert system berkomunikasi lewat file file data. Beberapa variasi

model coupling longgar adalah preprosesor, postprosesor, koprosesor dan antarmuka
pemakai (user interface).
Kelebihan model coupling longgar:
Mudah dibangun.
Beban pemrograman berkurang karena bisa memakai perangkat lunak expert
system dan jaringan saraf tiruan komersial.
Desain system dan proses implementasi lebih sederhana.
Waktu pemeliharaan berkurang karena kesederhanaan mekanisme antarmuka
file data.
Kekurangan model coupling longgar:
Memakan waktu operasi yang lebih lama karena ada antarmuka.
Sering terjadi redundansi dalam membangun komponen komponen jaringan
saraf tiruan dan expert system secara terpisah.
Diperlukan biaya komunikasi yang cukup tinggi untuk model coupling longgar ini.
Contoh contoh model coupling longgar:
Pada preposesing, jaringan saraf tiruan berfungsi sebagai front end yang
mengondisikan data sebelum melewatkannya ke expert system. Sebagai
contoh, jaringan saraf tiruan melakukan penyatuan data, memindahkan
error, mengidentifikasi objek, dan mengenali pola pola yang informasinya
kemudian oleh komponen expert system digunakan untuk memecahkan
masalah, misalnya di bidang klasifikasi dan identifikasi.
Pada postprosesing terjadi hal kebaikan dari prosesing. Expert system
melakukan persiapan data dan manipulasi, mengklasifikasikan input input
dan membuat keputusan. Output ini kemudian diteruskan lewat sebuah file
data ke komponen jaringan saraf tiruan yang kemudian melakukan
peramalan, analisis data, memonitor, dan penjebakan error.
Pada koprosesing data dilewatkan secara dua arah sehingga memungkinkan
perilaku interaktif dan kooperatif antara jaringan saraf tiruan dan expert
system.

Pada antarmuka pemakai, jaringan saraf tiruan sebagai teknologi pengenalan
pola yang mampu meningkatkan fleksibilitas interaksi pemakai dengan
expert system. Contoh aplikasi: pengenalan suara dan pengenalan tulisan
tangan.

9. Model Coupling Ketat
Model coupling ketat serupa dengan model coupling longgar. Bedanya, jaringan saraf
tiruan dan expert system meneruskan informasi lewat struktur datanya yang bersifat
(memory resident). Untuk preprosesor, postprosesor dan koprosesor yang
menggunakan model coupling ketat biasanya lebih cepat daripada yang menggunakan
coupling longgar.
Kelebihan model coupling:
Mengurangi overhead komunikasi dan memperbaiki waktu unjuk kerja (bila
dibandingkan dengan coupling longgar).
Beberapa paket komersial tersedia, tinggal menggunakan.
Fleksibilitas desain dan integrasi yang kokoh.
Kekurangan model coupling ketat:
Kompleksibilitas pembangunan dan pemeliharaan meningkat karena
menggunakan antarmuka data internal.
Sering terjadi redundansi pada pengumpulan data dan pengolahan.
Verifikasi dan validasi yang lebih sulit.
Beberapa variasi lain dari coupling ketat:
Blackboard : Struktur data berbagi yang memfasilitasi pemecahan masalah interaktif
lewat system berbasis pengetahuan. Contoh aplikasi: pengenalan pola kompleks dan
pendukung keputusan tingkat lanjut.
Cooperative system : serupa dengan koprosesing model coupling longgar tetapi lebih
interaktif karena kemudian lewatnya data. Contoh: aplikasi antara lain: monitoring dan
control.

Embedded system: modul modul dari satu teknik membantu pengendalian fungsi yang
lainnya. Komponen embedded jaringan saraf tiruan digunakan untuk memfokuskan
penarikan inferensi, memandu pencarian, dan melakukan pencocokan pola. Komponen
expert system digunakan untuk menginterpretasikan hasil yang diperoleh jaringan saraf
tiruan, menyediakan konektivitas antarjaringan, dan untuk menyediakan fasilitas
penjelasan. Contoh aplikasi embedded system: robotika dan klasifikasi.

8.10. Model Terintegrasi Penuh
Pada model terintegrasi penuh, expert system dan jairngan saraf tiruan merupakan
komponen dari system yang sama. Komponen jaringan saraf tiruan merepresentasikan basis
penegtahuan yang dimilikinya sebagai bobot bobot koneksi. Jadi system didesain dengan
bobot bobot yang menggambarkan cabang cabang logika dari basis aturan sehingga cara
mendapatkan kesimpulan dapat dijelaskan. LIhat jaringan koneksionis Gallant sebagai contoh
(Gambar 8.2).

Gambar 8.2 Arsitektur expert system koneksionis Gallant [3]
Node node input menggambarkan gejala gejala. Nilai input +1,-1, atau 0 masing
masing mengindikasikan gejala itu ditemukan, tidak ditemukan, atau tidak teruji. Data pelatihan
Operasi (perawatan)

Perawatan

Penyakit

Input (gejala-gejala)

terdiri dari gejala gejala dengan diagnosis yang sudah diketahui, digunakan untuk mencari
bobot bobot di antara node node yang memberikan unjuk kerja yang diingini. Node node
intremediat tambahan membuat system menjadi lebih akurat dan kokoh dalam menyarankan
perawatan atas penyakit yang didiagnosis. Mesin inferensi digunakan untuk interpretasi hasil
secara lebih jauh. Aspek expert system juga menyediakan penjelasan mengenai hasil hasil
yang diperoleh. Keuntungannya adalah kemampuan memakai file file data pelatihan untuk
mengubah perilaku system tanpa harus mengetahui atau menulis ulang aturan aturan dalam
basis pengetahuan.
Kelabihan model terintegrasi penuh:
Integrasi yang kokoh,
Perbaikan unjuk kerja,
Kemampuan pemecahan masalah yang lebih baik.
Kekurangan model terintegrasi penuh:
Adanya kompleksitas dalam penspesifikasian, pendesainan, dan pembangunan system.
Kurangnya tool tool yang memfasilitasi model integrasi penuh,
Sulit memverifikasi, memvalidasi, dan memelihara system yang terintegrasi penuh.
Strategi integrasi atau sinergisme antara jaringan saraf tiruan dengan expert system juga
dapat dilihat dari perspektif yang berbeda yaitu dengan melihatnya dari segi fungsioanal
dan hubungan structural. Kelima arsitektur integrasi tersebut adalah sebagai berikut:
Overlap penuh
Memiliki sifat ganda: Jaringan saraf tiruan dan expert
system. Bisa direpresentasikan kepada pemakai dalam
bentuk expert system atau jaringan saraf tiruan.
Overlap bagian
Sistem merupakan persilangan /hibrida dari expert system
dan jaringan saraf tiruan. Kedua komponen berbagi
beberapa bagian tetapi bukan keselu-ruhan variable internal
atau struktur data.

Paralel
Expert system dan jaringan saraf tiruan bekerja secara
paralel dalam memecahkan suatu masalah. Keduanya bisa
berbentuk sistem yang stand-alone dan saling berkomunikasi
melalui file data. Sebagai contoh pada system diagnosis
medical, jaringan saraf tiruan menganalisis citra dan sinyal,
sementara expert system mengin-terpretasi gejala
gejala klinis.Hasil dari keduanya kemudian dikombinasi
dengan Sekuensial control.

Expert system embedded di dalam
jaringan saraf tiruan atau sebaliknya.
X embedded didalam Y maksudnya X
(tamu ) menjadi elemen dari Y (host).
Jadi fitur eksternal dari system
ditentukan hanya oleh komponen
host.
Contoh jaringan saraf tiruan yang
terembedded dalam expert system
adalah pada system pemahaman
bahasa, jaringan saraf tiruan
digunakan untuk menganalisis sinyal
tingkat rendah dan prilaku yang
bergantung pada waktu.
Expert system dan jaringan saraf tiruan
beroperasi secara berurutan dalam
memecahkan masalah. Keduanya juga
bisa berbentuk sistem yang stand
alone. Output dari satu komponen
diteruskan ke komponen lain untuk
pemrosesan lebih lanjut.
Contohnya, jaringan saraf tiruan yang di
gunakan sebagai fornt end (prepro-sesor)
untuk memfilter noise yang kemudian
oleh expert system dilanjutkan dengan
mentransformasi sinyal kedalam symbol.


8.1 Carilah system hibrida yang melibatkan jaringan saraf tiruan di dalamnya dan siapkan
diri Anda untuk mempresentasikannya dikelas.
a. Tentukan jenis model integrasinya.
b. Buatlah resume dari system hibrida tersebut. Jelaskan hal hal penting dari
system ini (ingat kembali tahap tahap dari siklus pembangunan jaringan saraf
tiruan).
8.2 Dapatkah jaringan saraf tiruan digunakan sebagai tool untuk Sistem Pendukung
Keputusan? Sertai penjelasan Anda dengan contoh.
8.3 Apa yang Anda ketahui tentang aplikasi jaringan saraf tiruan untuk:
a. Penambangan data (data mining)
b. Bioinformatika
c. Sistem biometric (retina, sidik jari, tandatangan)
d. Sistem pengenalan suara
e. Deteksi objek pada penglihatan robot.
f. Diagnosis medis
g. Intelligent multimedia system yang mampu mengenali objek, pembicaraan,
teks pada video, dan situasi (siang, malam, diluar ruangan, atau di dalam
ruangan).
h. Pengendali kendaraan secara otomatis.



BAB IX
METODE PELATUHAN MANDIRI
(Pertemuan XIV)
Metode Pelatihan tak terbimbing adalah pelatihan tanpa memerlukan target pada
keluarannya. Proses pelatihan berdasarkan proses transformasi dari bentuk variable kontinyu
menjadi variable diskrit yang dikenal dengan kuantitasi vector. Jaringan yang digunakan untuk
proses pelatihan tak terbimbing ini adalah jaringan umpan balik (feedback network).
9.1. Metode Kohonen/ Self Organizing Map (SOM)
Teknik self organizing map (SOM) dikenalkan pertama kali oleh Teuvo Kohonen,
merupakan proses unsupervised learning yang mempelajari distribusi himpunan pola pola
tanpa informasi kelas.
Ide dasar teknik ini diilhami dari bagaimana proses otak manusia menyimpan gambar/
pola yang telah dikenalinya melalui mata,kemudian mampu mengungkapkan kembali gambar/
pola tersebut. Pada mata kita proses tersebut adalah realisasi pemetaan Imapping dari retina
menuju cortex, oleh karenanya aplikasi model JST ini banyak digunakan pada pengenalan
obyek/ citra visual (visual image).
Proses pemetaan terjadi bila sebuah pola berdimensi bebas diproyeksikan dari ruang
masukan ke posisi pada array berdimensi satu atau dua. Metode ekstraksi informasi tersebut
dapat dinyatakan sebagai observasi terhadap sebuah pola melalui jendela yang terbentuk oleh
lokasi unit unit luasan pola, pola yang dikenali hanya dapat dilakukan bila lokasi pola tersebut
mendapat iluminasi/ pencahayaan yang cukup/ normal.
Meskipun SOM adalah proses klasifikasi, namun tidak seperti teknik klasifikasi atau
pengelompokan yang umum digunakan, yang hanya menyediakan penataan kelas kelas
berdasarkan topologinya. Kemiripan pada pola masukan dipertahankan agar tidak berubah

sampai pola keluaran proses. Topologi untuk mempertahankan pola kemiripan pada proses SOM
membuatnya berguna sekali, khususnya pada klasifikasi data yang memiliki jumlah kelas yang
besar. Pada klasifikasi sampel subcitra, sebagai contoh, mungkin ada sejumlah besar kelas yang

perubahnnya dari satu kelas ke kelas selanjutnya tidak begitu jauh (membuatnya sulit untuk
mendefinisikan batas kelas yang jelas).
Pada jaringa saraf tiruan ini lapisan masukan (pertama) terhubung secara penuh dengan
lapisan kompetitif (kedua). Jadi setiap unit masukan terhubung ke semua unit keluaran dan pada
hubungan tersebut terdapat nilai penimbang (weight) tertentu.

Gambar 9-1, Struktur Dasar Pelatihan Mandiri Kohonen

9.2. Algoritma Pelatihan Mandiri ( SOM)
Berikut ini adalah tahapan/ algoritma dalam pelatihan mandiri kohonen:
Menentukan unit keluaran pemenang yaitu yang memiliki derajat kemiripan terbesar
diantara semua vector penimbang W
i
dan vector masukan e. Metode jarak Euclidean
digunakan untuk menentukan unit pemenangnya.
9.1.
Dimana c adalah indek pemenang

Menetukan tetangga disekitar pemeneang. Memperbarui penimbang pemenang dan
tetangganya.
9.2
Dimana NB
c
adalah tetangga disekitar pemenang c, dan n adalah laju pelatihan.
Untuk menentukan tetangga dapat menggunakan fungsi Gaussian:

9.3.
Dimana p
i
dan p
c
adalah posisi keluaran dan o adalah cakupan tetangga

Gambar 9.2. Tetangga di sekitar pemenang
9.3 Metoda Hopfield
Metoda ini dikembangkan oleh John Hopfield pada tahun 1980. Cara pemahaman paling
mudah JST Hopfield bila dinyatakan sebagai sebuah memori asosiatip (assosiative memory )
yang gambaran umumnya adalah sebagai berikut:
Bila ada sebuah JST berbentuk dari N X N neuron dimana N adalah jumlah variable dari
obyek yang akan dioptimasi. Setiap neuron terhubung penuh satu sama lainnya. Ilustrasi
pernyataan tersebut adalah gambar x.9.


Gambar 9.3. Layout dari JST Hopfield

JST Hopfield merupakan salah satu metoda optimasi untuk pencarian nilai minimum dari
kombinasi fungsi obyektif. Sebagai contoh untuk menjelaskan metoda ini secara rinci
digambarkan/ dianalogikan sebagai suatu problema penyelesaian permasalahan rute perjalanan
salesman/ pramuniaga, permasalahan ini dituntut untuk menentukan rute/ jalur terpendek yang
bisa ditempuh oleh seorang sales dengan beberapa ketentuan antara lain:
1. Setiap kota harus dikunjungi satu kali saja.
2. Setiap singgah hanya mungkin untuk mengunjungi satu kota saja.
3. DIcari rute dengan total jarak minimum.
JIka terdapat 4 kota maka dapat didefinisikan matrik 4 x 4 berisikan neuron/ elemen biner
sebagai berikut:


Tabel 1 Contoh neron permasalahan rute sales

Terlihat bahwa setiap kolom hanya ada 1 neuron yang bernilai 1 dan setiap baris hanya
terdapat neuron yang bernilai 1. Dengan maksud bahwa hanya diperbolehkan
mengunjungi satu kota saja dalam tiap kunjungan, dan setiap kota hanya diperbolehkan
dikunjungi satu kali saja. Contoh kota ke-tiga dikunjungi pada urutan ke 2 setelah kota
pertama. Berikutnya kota ke tiga dan terakhir kota ke 4.
Dari tetapan tetapan tersebut dapat disusun sebuah persamaan energy yang merupakan
gabungan dari beberapa fungsi obyektif sebagai sebagai berikut:

9.4

Dimana :
A,B,C,D,n = Konstanta
V
xy
= Aktifasi antara neuron x dan neuron y
d
xy
= Parameter jarak neuron x dan neuron y
Pada setiap notasi penjumlahan tersebut, dimaksudkan mempunyai batas (range) dari 1 ke
n dimana n mengacu pada indek yang berhubungan dengan permasalahan, untuk
problema perjalanan pramuiaga tersebut adalah jumlah kota.
Persamaan energy tersebut merupakan implementasi dari tetapan tetapan yang
digunakan dalam masalah ini. Pada suku pertama persamaan (3.59), jika merupakan rute
yang valid menyatakan bahwa tidak boleh lebih dari satu element yang bernilai 1 pada
setiap barisnya, ini berarti bahwa tidak ada satu kota yang dikunjungi lebih dari satu kali.
Suku kedua jika merupakan rute yang valid menyatakan bahwa tidak boleh lebih dari satu
elemen yang bernilai 1 pada setiap kolomnya, ini berarti bahwa tidak mungkin dua kota
dikunjungi dalam waktu yang sama.

Pada suku ketiga terdapat variable dpi ini menunjukkan jarak kota k ke kota j, atau
parameter lainnya sesuai dengan permasalahan yang dioptimasi.
Sebagai contoh perhitungan berikut matrik jarak antara empat kota yang ada:
Tabel 2 Matrik jarak empat kota

Seperti telah dijelaskan bahwa masing masing suku pada persamaan energy
menggambarkan keadaan dari suatu rute yang di dapat. Kita tetapkan suatu rute
perjalanan sebagai berikut , kota pertama kota 1, diteruskan ke kota 2 kemudian kota 3
dan terakhir 4 sebelum kembali ke kota 1. Secara jelas ditulis kembali rute perjalanan
adalah : 1-2-3-4-1.
Jika rute ini merupakan sebuah rute yang benar maka suku pertama dan kedua dari
persamaan energy akan bernilai nol. (0). Suku ketiga dengan sendirinya akan bernilai (0).
Sehingga berapa jarak total yang ditempuh pada rute tersebut dapat dihitung dengan suku
ketiga dari persamaan energy yang dituliskan kembali berikut ini.
9.5
Diketahui bahwa D adalah konstanta energy dan diambil 0.5, maka persamaan (x.25)
dapat dikembangkan sebagai berikut:

9.6
Untuk data jarak antar kota seperti table 9.2 dapat dibuat matrix jarak sebagai berikut :

D =
Sedangkan untuk rute 1 2 3 4 1 matriks neuron adalah sebagai berikut :

X =
Sehingga dengan memasukkan nilai ke persamaan 9.6 didapatkan perhitungan sebagai
berikut :


Untuk beberapa kombinasi rute yang bisa dicapai table 9.3 adalah beberapa rute dengan
jarak total yang ditempuh :

Tabel 9-3, Kombinasi rute 4 Kota


9.4. Komputasi Pada Metoda Hopfield
Contoh kasus yang telah diuraikan tersebut adalah jarak tempuh minimal untuk mencapai
titik optimal. Dalam ukuran matrik yang sangat besar, komputasi diselesaikan oleh program
komputer. Untuk membawa analogi perhitungan tersebut ke dalam JST, kita lihat kembali
bahasan didepan yang mana disebutkan terdapat sejumlah N X N neuron yang didefinisikan
sebagai U
xi
berarti sebuah neuron itu menghubungkan elemen permasalahan x dengan elemen i.
Atau, kota x ditempuh pada kunjungan ke i. Sebagai contoh U
xi
menunjukkan bahwa kota ke x
dilewati oleh sales pada kunjungan ke i. Sehingga terdapat n
2
neuron, dengan nilai 0 dan 1.
Dengan nilai 0 menunjukkan tidak ada hubungan antara x dan I, dan nilai 1 berarti kota ke
x disinggahi pada urutan ke i.


Matrik Penimbang (Weight Matrix)
Langkah yang paling penting adalah bagaimana menemukan matrik penimbang. Elemen
penimbang diperlukan untuk memisahkan jalur jalur yang valid dengan jalur jalur yang tidak
valid. Artinya dengan matrik penimbang akan diketahui neuron mana yang valid dan neuron
mana yang tidak bisa digunakan.
Jika sebuah neuron yang menggambarkan kota dan nomor kunjungan menggunakan dua
index maka elemen penimbang yang menghubungkan dua elemen neuron memerlukan empat (4)
index. Contoh, W
ik,1j
mengacu pada nilai penimbang pada hubungan antara neuron V
ik
dan
neuron V
ij.
Persamaan dari penimbangnya adalah sebagai berikut:
9.7
Dimana:
A,B,C,D = Konstanta positif.
W
ik,1j
= Nilai penimbang neron U
ik
dan neuron U
ij.
Dan, didefinisikan sebagai fungsi Kroneckers Delta sebagai berikut:
Maka hanya ada nilai yang berarti untuk sepasang neuron dari neuron neuron yang
berurutan, dengan kata lain untuk kota yang bisa ditempuh secara berurutan atau berhubungan
langsung akan bernilai sebanding dengan jaraknya. Dan untuk kota dimana tidak bisa ditempuh
secara berurutan atau dipisahkan oleh kota lain mempunyai nilai konstan.
Masukan
Sebagai nilai masukan dari metoda JST ini bisa dipilih masukan yang berubah ubah,
namun demikian pemilihan masukan ini bisa menyebabkan kondisi minimal dari perhitungan
tidak tercapai. Dan untuk menghindari hal tersebut diberikan sinyal tambahan ke neuron sebagai
sinyal gangguan berupa angka acak yang berbeda setiap neuron. Banyak dipakai sinyal masukan
yang digunakan adalah perkalian sebuah angka konstan dengan jumlah kota ditambah dengan
angka acak kecil yang berbeda pada setiap neuronnya.
Aktifasi, Keluaran dan Pembaharuan Neuron

Telah kita definisikan sebelumnya bahwa U
ij
sebagai aktifasi dari neuron pada baris ke I
dan kolom ke j dan mempunyai nilai keluaran yang didefinisikan sebagai X
ij,
sebuah konstanta
waktu dan sebuah konstanta penguatan juga parameter n. Dari konstanta tersebut selanjutya
didefinisikan VT sebagai kenaikan nilai aktifasi setiap waktu, dari satu pengulangan ke
pengulangan berikutnya.
Sebagai nilai masukan dari metoda JST ini bisa dipilih masukan yang berubah ubah, namun
demikian pemilihan masukan ini bisa menyebabkan kondisi minimal dari perhitungan tidak
tercapai. Dan untuk menghindari hal tersebut diberikan sinyal tambahan ke neuron sebagai sinyal
gangguan berupa angka acak yang berbeda setiap neuron. Banyak dipakai sinyal masukan yang
digunakan adalah perkalian sebuah angka konstan dengan jumlah kota ditambah dengan angka
acak kecil yang berbeda setiap neuronnya.
Fungsi dari dilakukannya iterasi ini adalah untuk mendapatkan nilai aktifasi sedemikian
hingga keluaran yang dicap ia dapat memenuhi tetapan yang ada persamaan yang digunakan
dalam memperbarui (updating) nilai aktifasi adalah sebagai berikut:
9.8
Dimana :

Uij : Aktifasi dari setiap Neuron
Xij : Nilai Keluaran dari aktifasi
Dik : Nilai parameter jarak
Maka perubahan nilai dari aktifasi neuron untuk setiap kali dilakukan pembaharuan
diperoleh dengan persamaan sebagi berikut :

9.9
Dan keluaran masing-masing aktivasi diperoleh dengan persamaan sebagai berikut :
9.10
Disini dipakai persamaan hiperbolik tangent dengan 1 sebagai konstanta penguatan. Nilai
keluaran dicari pada setiap sekali iterasi dilakukan. Idelanya nilai keluaran yang dihasilkan
adalah 0 atau 1, maka diperlukan pendekatan terhadap nilai keluaran yang real ke nilai
terdekatnya 0 atau 1.


9.5. Latihan
Sebuah Jaringan Saraf Tiruan dengan algoritma backpropagation digunakan untuk
mengkonversi bilangan biner ke kode grav. Topologi jaringan terdiri dari satu lapisan
tersembunyi dengan 4 unit, sedangkan fungsi aktivasi menggunakan fungsi sigmoid. Learning
rate dan momentum dipilih sendiri yang terbaik. Tentukan nilai bobot pada iterasi pertama
dengan training data sebagai berikut :
Binari Input Gray Output
010 000
101 001
101 011
100 010
011 110
010 111
001 101
000 100



BAB X
JARINGAN SARAF TIRUAN METODE PELATIHAN HIBRIDA
( Pertemuan 15 )
Semakin tinggi tingkat ketidaklinieran suatu system, maka semakin sulit diselesaikan
dengan kedua metode yang sudah dijelaskan sebelumnya, yaitu metode pelatihan terbimbing
dan tak terbimbing. Salah satu hibrida yang berhasil dan banyak digunakan adalah metode
radial basis function network ( RBFN).
10.1. Jaringan Saraf Tiruan Berbasis Fungsi Radial
Model jaringan ini neuron-neuron keluarnya adalah hasil kombinasi linier fungsi basis
neuron-neuron pada lapisan tersembunyi. Sebagai fungsi basis yang umum digunakan adalah
gausian. Perbedaan utama antara jaringan multi lapis perseptron (MLP) dengan jaringan
berbasis fungsi radial yaitu penggunaan Gaussian pada lapisan tersembunyi jaringan RBF,
jaringan saraf tiruan MLP menggunakan fungsi simoid.
Pada prinsipnya RBF adalah emulasi sifat jaringan biologi yang neuron yang paling aktif
adalah neuron yang paling sensitive menerima rangsangan sinyal masukan. Sehingga orientasi
sensitivitas respon tersebut hanya terhadap beberapa daerah dalam wilayah masukan. JST
dengan lapisan tersembunyi tunggal pada dasarnya lapisan tersebut berisi neuron-neuron yang
sensitive secara local. Sedangkan keluaran terdiri dari unit linier.
Pada unit-unit dalam lapisan tersenbunyi, respon unitnya bersifat local dan berkurang
sebagai fungsi jarak masukan dari pusat unit penerima rangsangan. Metode ini menjadi
terkenal sejak Broomhead dan Lowes pada tahun 1988 menyampaikan makalah yang berjudul
Multivariate Fungsional Interpolation And Adaptive Network. JST-RBF mempunyai kesamaan
dasar dengan JST-MLP yang struktur dasarnya ditunjukkan pada gambar 10.1.



Gambar 10-1, JST RBF
Unit-unit pada lapisan tersembunyi menggunakan fungsi aktivasi Gauss.
10.2. Fungsi Radial
Fungsi Radial adalah suatu fungsi yang mempunyai karakteristik merespon pengurangan
atau penambahan secara monoton dengan jarak yang berasal dari nilai tengahnya. Jenis fungsi
radial yang banyak digunakan adalah fungsi Gaussian seperti pada persamaan berikut :
10.1
Dimana O adalah jenis fungsi aktivasi yang digunakan dalam RBF
C adalah pusat ( nilai tengah )
R adalah matriks dengan R: r2 dan r merupakan jari-jari scalar.
( X C )^T R^-1 ( X C ) adalah jarak antara input x dab pusat c dalam matriks yang ditetapkan
oleh R.

Beberapa tipe fungsi aktivasi RBF adalah sebagai berikut :
1. Fungsi Thinplate-Splane
10.2
2. Fungsi Multiquadratic
10.3
3. Fungsi Inverse Multiquadratic
10.4
4. Fungsi Gauss
10.5
Hasil penelitian menyatakan bahwa seleksi dari keempat fungsi non linier tersebut tidak
dominant menentukan kinerja RBF. Bila jarak Euclidian antara vector masukan dan unit-unit
dalam lapis tersembunyi mempunyai nilai yang berbeda, maka jarak yang sama untuk setiap
unit cukup untuk pendekatan secara universial. Ini berarti semua jarak dapat disesuaikan pada
nilai Q untuk menyederhanakan strategi pelatihan.
10.2. Optimalisasi Vektor Penimbang
Pada metoda Least Square ditetapkan pelatihan terbimbing dengan perhitungan
galatnya sebagai fungsi Sum Square Error ( SSE)
10.6
Dimana :
10.7

Jika satu syarat menimbang akhir yang dijumlahkan ke fungsi SSE, seperti pada kasus dengan
menggunakan ridge regression, maka nilai fungsi mengikuti persamaan berikut:
10.8
Dimana : : adalah parameter regulasi
Y = f(x) sebagai keluaran
Nilai P running rate fungsi disesuaikan dengan m buah persamaan linier secara simultan dengan
penimbang dan persamaan linier tersebut dinyatakan sebagai persamaan matriks berikut :
10.9
Dimana matriks H adalah :
H = 10.10
A^-1 adalah matriks varian :ihan data keluaran. Hasil solusi dinyatakan dengan persamaan
normal.

10.11
Elemen matriks A adalah semua yang bernilai nol kecuali diagonalnya sebagai parameter
regulasi dan y = [ y1, y2, ,yp ] adalah vector pelatihan data keluaran. Hasil solusi dinyatakan
dengan persamaan normal.
10.12
Dan W = [ W1, W2, , Wm] adalah vector penimbang yang memperkecil nilai fungsi.


10.3. Metode Pelatihan RBF
Proses pelatihan RBF dilakukan untuk perbaikan penimbang yang menghubung-kan unit-
unit masukan dengan lapis tersembunyi dan unit-unit lapis tersembunyi dengan unit-unit
keluaran dari JST. Lapis yang berbeda dari suatu RBF mengerjakan tugas yang berbeda dan
karenanya optimasi lapis tersembunyi dan lapis keluaran dari jaringan dipisahkan dengan
memakai teknik yang tidak sama.
Ada perbedaan strategi pelatihan yang akan dijelaskan dalam merancang suatu RBF dan
tergantung pada bagaimana pusat-pusat RBF dari jaringan dispesifikasi. Tiga macam
pendekatan yang akan dijelaskan sebagai dasar teori untuk melakukan pelatihan adalah sebagai
berikut :

10.3.1. Seleksi Titik Pusat Secara Random
Pendekatan yang pertama dengan mengasumsikan fungsi-fungsi aktivasi dari unit-unit
lapis tersembunyi adalah tetap atau fixed. Secara khusus lokasi dari pusat RBF dipilih secara
random dari himpunan data pelatihan. Untuk itu digunakan suatu fungsi Gauss yang sama
sebagai standart deviasi yang tepat dalam mengikuti penyebaran dari titik pusat. Secara spesifik
suatu RBF ternormalisasi dengan titik pusat c dan didefinisikan sebagai berikut :
10.13
M : jumlah dari titik pusat
D : jarak maximum diantara titik pusat yang dipilih I = 1,2,M
Standart Deviasi dari RBF Gauss Fixed :
10.14
Sebagai suatu pilihan untuk standart deviasi O menyatakan fungsi-fungsi gauss tidak begitu
tajam atau datar.

10.3.2. Titik Pusat diseleksi Dengan Metode Pelatihan Mandiri
Pendekatan yang kedua, fungsi radial yang diijinkan untuk memindahkan lokasi dari titik
pusat yang terorganisasi mandiri, dimana penimbang linier dari lapis keluaran dihitung
menggunakan aturan pelatihan terbimbing. Proses pelatihan pada komponen terorganisasi
mandiri menempatkan titik pusat dari RBF hanya dalam daerah dari ruang masukan atau input
space dimana data yang significant muncul.
RBFN adalah jaringan dan pelatihan hibrida yang mengkombinasikan paradigma
terbimbing dan skema pelatihan terbimbing. Dimana sebagian dari penimbang ditentukan
dengan pelatihan terbimbing dan sebagian diperoleh dari pelatihan tak terbimbing. RFBN
dilatih dengan aturan tak terbimbing pada lapis masukan dan aturan pelatihan terbimbing pada
lapis keluaran.
10.3.3. Ttitik Pusat Diseleksi secara Terbimbing
Pendekatan ketiga, pusat-pusat dari RBF dan semua parameter-parameter bebas dari
jaringan mengalami suatu proses pelatihan terbimbing. Langkah pertama dalam pengembangan
suatu proses pelatihan. Parameter yang dibutuhkan adalah menemukan parameter-parameter
bebas, Wi, ti yang meminimsasi E :
10.15
10.4. Latihan
Sebuah Jaringan Saraf Tiruan dengan algoritma backpropagation digunakan untuk
mengkonversi bilangan biner ke kode grav. Topologi jaringan terdiri dari satu lapisan
tersembunyi dengan 4 unit, sedangkan fungsi aktivasi menggunakan fungsi sigmoid. Learning
rate dan momentum dipilih sendiri yang terbaik. Tentukan nilai bobot pada iterasi pertama
dengan training data sebagai berikut :

Binari Input Gray Output
000 000
001 001
010 011
011 010
100 110
101 111
110 101
111 100

i



DAFTAR PUSTAKA

1. Bao, HT.,_ : Introduction To Knowledge Discovery And Data Mining, Institute Of
Information Technology National Center for Natural Science and Technology.
2. Fu,L, 1994 : Neural Network in Computer Intellegence, Mc-Graw Hill, New York.
3. Medsker, L., and Liebowitch.,J 1994: Design and Development of Expert System and
Neural Network, MacMilliian Publishing Co, New York.
4. Fausett, L., 1994 : Fundamental Of Neural Networks: Architecture, Algorithm and
Apllication , Prentice Hall, Englewood Clift, N.J.
5. Fu, L., 1994, Neural Network in Computer Intelligence, Mc-Graw-Hill,N.Y
6. Jain, Mao, and Mohudin, March 1996, Artificial Neural Network, A Tutorial IEEE
Computer.
7. Medsker and Liebowitz, 1994, Design and Development Of Expert System and Neural
Network, MacMillan College Publishing Co.Inc. N.Y.
8. Wang, D.,August 1993, Pattern Recognition : Neural Networks in Perspective, IEEE
Expert, hal. 52-60.
9. Fausett, L, 1994: Fundamentals Of Neural Networks: Architecture, Algorithm, and
Application, Prentice Hall, Englewoods Clift, N,J.
10. Fausett, L., 1994: Fundamental Of Neural Networks: Architecture and Applications,
Prentice Hall, Englewood Clifs, N,J
11. Freeman, J.A and Skapura, D.M.,1992: Neural Networks: Algorithm, Application, and
Programming Techniques Addison-Weslwy, Reading,MA
12. Bharath, R, and Drosen, J.,1994: Neural Network Computing, Tab Asian Student Edition
Wincrest, Mc-Graw-Hill,NY



KATAPENGANTAR
Alhamdullilah Puji Syukur kepada Tuhan Yang Maha Kuasa atas berkat yang telah
diberikan Nya dalam pembuatan dan penyusunan buku ajar Jaringan Saraf Tiruan / Neural
Network ini. Terima kasih juga kepada semua pihak yang telah membantu baik, secara
langsungmaupuntidaklangsung.
Pembuatan dan penyusunan buku ajar Jaringan Saraf Tiruan / Neural Network ini
digunakan untuk mempermudah dalam system ajar mengajar antara mahasiswa / i dengan
dosen pengajar dan menggunakan referensi dari daftar pustaka serta buku lain yang
berhubungandenganbukuajarini.
Besar harapan penyusun agar para pengguna, baik praktikan maupun pengajar serta
pembimbingdapat memberikankritikdan saranmengenaiisi ataupunpenyusunanpembuatan
danpenyusunanbukuajarJaringanSarafTiruan/NeuralNetworkini.
Akhir kata, penyusun mengucapkan terima kasih kepada para pengguna. Selamat
belajardanberprestasi!
Medan,Maret2012
Penyusun



DAFTARISI
KataPengantar ii
DaftarIsi iii
BabI :PengenalanJaringanSarafTiruan 1
1.1. Pengertian Jaringan Saraf Tiruan 1
1.2. Komparasi antara Jaringan Saraf Biologis dengan Jaringan Tiruan 2
1.3. Mengapa Jaringan Saraf Tiruan Perlu Dipelajari 4
1.4. Konsep Dasar Jaringan Saraf Tiruan 9
1.5. Istilah-istilah Dalam Jaringan Saraf Tiruan 13
1.6. Algoritma Umum Jaringan Saraf Tiruan 17
1.7. Soal Latihan 18

Bab II : Perceptron 29
2.1. : Perceptron Lapis Tunggal 29
2.1.1. : Architecture 30
2.1.2. : Algoritma Pelatihan 31
2.1.3. : Algoritma Aplikasi 33
2.1.4 : Aplikasi 34
2.1.5. : Soal-soal Latihan 41

Bab III : Jaringan Hopfield Diskrit 43
3.1. : Architecture 43
3.2. : Algortima 44
3.3. : Aplikasi 52
3.4. : Soal Latihan 54

Bab IV : Metode Propagasi Balik 55
4.1. : Architecture 55
4.2. : Algoritma 57
4.2.1. : Algoritma Pelatihan 59
4.2.2. : Algoritma Aplikasi 60
4.2.3. : Minimum Error Kuadrat 61
4.3. : Pilihan dalam Aplikasi Metode Propagasi Balik 62
4.3.1. : Fungsi Aktivasi 62
4.3.a. : Fungsi Sigmoid Biner 63
4.3.b. : Fungsi Sigmoid Bipolar 63
4.3.c. : Fungsi Tangen Hiperbolik 64


4.3.2. : Inisialisasi Bobot dan Bias 64
4.3.2.a: Inisialisasi Acak 64
4.3.2.b: Inisialisasi Nguyen-Widrow 64
4.3.3. : Jumlah Lapisan Tersembunyi yang digunakan 66
4.3.4. : Peng-Update-an Bobot dengan Momentum 66
4.4. : Aplikasi 67

Bab V : Pembuatan Aplikasi Jaringan Saraf Tiruan 71
5.1. : Siklus Pembuatan Aplikasi Jaringan Saraf Tiruan 71
5.2. : Tahap Konsep 72
5.2.1. : Pemilihan Aplikasi 72
5.2.2. : Pemilihan Paradigma 74
5.3. : Tahap Desain 76
5.3.1 : Desain Jaringan Saraf Tiruan 76
5.3.2. : Pengumpulan Data 76
5.3.3. : Pemilihan Lingkungan Pengembangan 76
5.4. : Tahap Implementasi 77
5.4.1. : Implementasi dan Pelatihan 77
5.4.1.a: Overtraining 78
5.4.1.b: Teknik Penambahan dan Pemangkasan Jaringan 79
5.4.2. : Verifikasi dan Validasi 80
5.4.2.a: Verifikasi 80
5.4.2.b: Validasi 82
5.4.2.c: Teknik Validasi 84
5.4.3. : Integrasi Eksternal 86
5.5. : Tahap Pemeliharaan 87

Bab VI : Aplikasi Pengenalan Karakter Alfanumerik Menggunakan
Metode Propagasi Balik 88
6.1. : Tahap Konsep 88
6.1.1. : Pemilihan Aplikasi 88
6.1.2. : Pemilihan Paradigma 91
6.2. : Tahap Desain 91
6.2.1. : Desain Jaringan Saraf Tiruan 91
6.2.1.a: Tingkat Node 92
6.2.1.b: Tingkat Jaringan 92
6.2.1.c: Tingkat Pelatihan 93
6.2.2 : Pengumpulan Data Pelatihan 95
6.2.3 : Pemilihan Lingkungan Pengembangan 102
6.2.3.a: Architecture Jaringan 103


6.2.3.b: Struktur Data 104
6.2.3.c: Rancangan Simulator Jaringan Propagasi Balik 106
6.3. : Tahap Implementasi 106
6.3.1 : Implementasi dan Pelatihan 106
6.3.2. : Verifikasi dan Validasi 116

Bab VII : Penelitian dan Jaringan Saraf Tiruan 118
7.1 : Penelitian dengan Bantuan Jaringan Saraf Tiruan 118
7.1.1. : Hipernet 118
7.1.2. : Metode Jaringan Saraf Tiruan Logika Samar Dalam Pengenalan
Tulisan Tangan 123
7.1.2.a: Penentuan Kepercayaan Karakter 125
7.1.2.b: Jaminan Kekompabilitas Spacial 125
7.1.2.c: Penilaian Nilai Kepercayaan 126
7.1.3. : Mesin Ketik Suara 126
7.2. : Aplikasi Jaringan Saraf Tiruan 129

Bab VIII : Jaringan Saraf Tiruan dan Strategi Integrasi dengan Expert
System 134
8.1. : Keunggulan dan Kelemahan Jaringan Saraf Tiruan 134
8.2. : Strategi Integrasi Jaringan Saraf Tiruan Expert system 136
8.3 : Soal Latihan 144

Bab IX : Jaringan Saraf Mandiri 145
9.1 : Metode Kohonen / Self Organizing-Map (SOM) 145
9.2. : Algoritma Pelatihan Mandiri Self-Organizing-Map
9.3. Metode Hopfield
9.4. Komputasi Metode Hopfield
9.5. : Soal Latihan

Bab X : Jaringan Saraf Tiruan Meode Radial
10.1. Jaringan Saraf Tiruan Berbasis Fungsi Radial
10.2. Optimalisasi Vektor Penimbang
10.3. Metode Pelatihan RBF
10.4: Soal Latihan

JST

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

JST

Diunggah oleh

Hak Cipta:

Format Tersedia

Panduan Jaringan Saraf Tiruan STMIK TRIGUNA DHARMA

LANGKAH PASTI MENUJU SUKSES

Anda mungkin juga menyukai