RANGKUMAN

UJIAN TENGAN SEMESTER

Oleh:

ARDYE AMANDO PRATAMA 1117032011
AZHARICO DARUSMAN 1117032015
PANDYA PANDITATWA 1117032044



MATA KULIAH : JARINGAN SYARAF TIRUAN
DOSEN : IRWAN PRIBADI , M.Kom





JURUSAN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS LAMPUNG
2014

PENGERTIAN
Artificial Neural Network (Jaringan Syaraf Tiruan / ANN) adalah sebuah bentuk
perhitungan yang meniru bentuk jaringan syaraf pada makhluk hidup. Sama
seperti pada jaringan syaraf asli, jaringan syaraf tiruan memiliki neuron untuk
memproses input/output. ANN merupakan sistem yang adaptif, karena struktur
sistemnya dapat berubah seiring dengan berubahnya informasi internal ataupun
eksternal yang diproses pada saat learning phase (tahap pembelajaran).
Pembuatan sistem ANN dimaksudkan agar komputer dapat mengenali suatu pola,
bentuk, atau struktur tertentu karena komputer tidak mempunyai intelegensia,
meskipun pada kenyataannya, sebuah komputer dapat melakukan operasi dalam
waktu yang jauh lebih singkat daripada manusia.


KEMAMPUAN

Jaringan saraf tiruan harus diintegrasikan ke dalam sebuah sistem yang konsisten
dengan keahlian teknik, khususnya pada masalah yang kompleks . Jaringan saraf
tiruan menawarkan kemampuan sebagai berikut:
1. Nonlinearity. Sebuah neuron buatan yang bisa saja linear atau tidak linear.
Jaringan saraf tiruan yang terdiri dari interkoneksi neuron yang nonlinear yang
membuat jaringan saraf nonlinear.
2. Input-output mapping. Sebuah paradigma populer dari pembelajaran disebut
learning with a teacher (belajar dengan guru) atau supervised learning
(pembelajaran terbimbing) yang melibatkan modifikasi bobot sinapsis
jaringan saraf tiruan dengan mengaplikasikan kumpulan sampel training.
3. Adaptivity. Neural network memiliki kemampuan untuk menyesuaikan bobot
sinaptik terhadap perubahan pada lingkunganya. Secara khusus, jaringan saraf
dilatih untuk beroperasi pada lingkungan tertentu dalam menghadapi
perubahan kecil yang terjadi dalam kondisi lingkungan operasi.
4. Evidential Response. Dalam konteks klasifikasi pola, jaringan saraf dapat
dirancang untuk memberikan informasi tidak hanya tentang pola yang khusus,
tetapi juga kepercayaan (confidence) tentang keputusan yang dibuat. Informasi
yang terakhir ini dapat digunakan untuk menolak pola ambigu, dengan
demikian meningkatkan kinerja klasifikasi jaringan.
5. Contextual Information. Pengetahuan direpresentasikan oleh struktur dan
aktivasi dari jaringan saraf. Setiap neuron dalam jaringan berpotensi
dipengaruhi oleh aktivitas global semua neuron lain dalam jaringan.
6. VLSI Implementability. Sifat dasar dari jaringan saraf tiruan yang paralel
membuatnya berpotensi untuk mengkomputasikan tugas-tugas tertentu dengan
cepat. Fitur yang sama ini membuat jaringan saraf tiruan tepat pada
implementasi penggunaan teknologi VLSI (very large scale integrated).
7. Uniformity of Analysis and Design. Pada dasarnya, jaringan saraf tiruan
dikenal sebagai pemroses informasi. Dikatakan sama dengan notasi yang
digunakan pada semua domain yang melibatkan aplikasi jaringan saraf tiruan.
8. Neurobiological Analogy. Rancangan jaringan saraf tiruan dianalogikan
dengan otak manusia, yang merupakan bukti nyata bahwa toleransi terhadap
kesalahan pada pemrosesan paralel tidak hanya mungkin tetapi juga cepat dan
kuat.


KOMPONEN
Neuron ,sel syaraf yang akan mentransformasikan informasi yang diterima
melalui sambungan keluarnya menuju neuron-neuron yang lain. Pada jaringan
syaraf, hubungan antar neuron-neuron dikenal dengan nama bobot.

Gambar ( Jaringan syaraf )
Pada jaringan syaraf, neuron-neuron akan dikumpulkan dalam lapisan-lapisan
(layer) yang disebut dengan lapisan neuron (neuron layers). Biasanya, sebuah
model neuron untuk ANN terdiri atas tiga bagian berikut.
1. Synapsis (Jalur Penghubung) antara neuron yang masing-masing memiliki
weight (bobot). Tiap Synapsis memiliki indeks tertentu untuk menunjukkan
input mana yang akan diproses menjadi output.
2. Summing Unit untuk menghitung total input.
3. Activation Function (Fungsi Aktivasi) untuk membatasi output.

Informasi yang diberikan pada jaringan syaraf akan dirambatkan lapisan ke
lapisan, mulai dari lapisan input sampai ke lapisan output melalui lapisan yang
lainnya, yang dikenal dengan lapisan tersembunyi (hidden layer), tergantung pada
algoritma pembelajarannya, bisa jadi informasi tersebut akan dirambatkan secara
mundur pada jaringan.

ARSITEKTUR
Faktor terpenting untuk menentukan kelakuan suatu neuron adalah fungsi aktivasi
dan pola bobotnya.
Ada beberapa arsitektur jaringan syaraf, antara lain :
a. Jaringan dengan lapisan tunggal (single layer net)
Hanya memiliki satu lapisan dengan bobot-bobot terhubung
Jaringan ini hanya menerima input kemudian secara langsung akan
mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi.

Gambar ( Topologi jaringan lapis tunggal )


b. Jaringan dengan banyak lapisan (multilayer net)
Memiliki1 atau lebih lapisan yang terletak diantara lapisan input dan
lapisan output
Ada lapisan yang berbobot yang terletak antara 2 lapisan yang
bersebelahan.

Gambar ( Topologi jaringan banyak lapisan )


c. Jaringan dengan lapisan kompetitif (compotitive layer net)
Hubungan antar neuron pada lapisan kompetitif tidak diperlihatkan pada
diagram arsitektur. Arsitektur ini memiliki bentuk berbeda dari kedua
arsitektur lainnya, di mana antar neuron saling dihubungkan. Jaringan ini
sering disebut feedback loop karena unit output ada yang memberikan
informasi terhadap unit masukan.

Gambar ( Topologi Jaringan lapisan kompetitif )


Struktur arsitektur dari neural network pada umumnya terdiri dari 3 layer yang
menjadi ciri khas dari sistem ini yaitu :
1. Input layer
Merupakan data yang kita masukkan sebagai data training pada sistem
ANN. Banyaknya jumlah node pada input layer tergantung pada jumlah
data input yang telah kita masukkan kedalam sistem
2. Hidden Layer
Jumlah node pada hidden layer sangat bervariasi tergantung
penggunaaannya.Semakin banyak hidden layer yang digunakan semakin
baik hasilnya, tetapi training yang dibutuhkan juga semakin lama. Jumlah
node yang yang terlalu sedikit menyebabkan jaringan tidak cukup fleksibel
untuk mempelajari data dan jika jumlah hidden node terlalu besar akan
terjadi overfitting.
3. Output Layer
Banyaknya node pada output layer tergantung pada sistem ANN itu
sendiri.Data output juga termasuk dari data training yang sebelumnya
telah diberikan.


FUNGSI-FUNGSI AKTIVASI
a. Fungsi Undak Biner ( Hard Limit )
Jaringan dengan lapisan tunggal sering menggunakan fungsi undak
untuk menkonversi input dari suatu variabel yang bernilai kontinu ke
suatu output biner. Fungsi hard limit dirumuskan :


Gambar ( Fungsi Hard Limit)

b. Fungsi Undak Biner ( Threshold )
Fungsi undak biner dengan menggunakan nilai ambang sering disebut
fungsi nilai ambang atau fungsi Heaviside.


Gambar ( Undak Biner Threshold )


c. Fungsi Bipolar
Hampir sama dengan fungsi undak biner, hanya saja output yang
dihasilkan berupa1, 0 atau -1. Fungsi Symetric Hard Limit dirumuskan
sebagai:


Gambar ( Fungsi Bipolar )

d. Fungsi Bipolar ( Threshold )
Fungsi yang menghasilkan output berupa1, 0 atau -1.


Gambar ( Fungsi Bipolar Threshold )

e. Fungsi Linear (identitas)
Fungsi linear memiliki nilai output yang sama dengan nilai input .
Dirumuskan: y = x.

Gambar ( Fungsi Linear )

f. Fungsi Saturating Linear
Fungsi ini akan bernilai 0 jika inputnya kurang dari -, dan akan
bernilai 1 jika inputnya lebih dari . Sedangkan jika nilai input
terletak antara - dan , maka outputnya akan bernilai sama dengan
nilai input ditambah . Fungsi saturating linear dirumuskan:


Gambar (Fungsi Saturating Linear )



g. Fungsi Symetric Saturating Linear
Fungsi ini akan bernilai-1 jika inputnya kurang dari -1. Sedangkan jika
nilai input terletak antara -1 dan 1, maka outputnya akan bernilai sama
dengan nilai inputnya.
Fungsi Symetric Saturating Linear dirumuskan:


Gambar ( Fungsi Symetric Saturating Linear )



h. Fungsi Sigmoid Biner
Digunakan untuk jaringan syaraf yang dilatih dengan menggunakan
metode back propagation. Memiliki nilai pada range 0 sampai 1.
Fungsi sigmoid biner dirumuskan:


Gambar ( Fungsi Sigmoid Biner )






i. Fungsi Sigmoid Bipolar
Output dari fungsi ini memiliki range antara1 sampai-1. Fungsinya
dirumuskan:


Gambar ( Fungsi Sigmoid Bipolar )




PROSES PEMBELAJARAN

a. Pembelajaran Terawasi (supervised learning)
Metode pembelajaran pada jaringan syaraf disebut terawasi jika output
yang diharapkan telah diketahui sebelumnya. Terdapat beberapa metode
diantaranya :
1. Hebb Rule
Metode pembelajaran yang paling sederhana, pembelajaran dilakukan
dengan cara memperbaiki nilai bobot sedemikian rupa sehingga jika
ada 2 neuron yang terhubung dan keduanya dalam kondisi on pada
saat yang sama, maka bobot antara keduanya dinaikkan.
2. Perception
Biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu
yang sering dikenal dengan pemisahan secara linear. Algoritma yang
digunakan akan mengatur parameter-parameter bebasnya melalui
proses pembelajaran.
3. Delta Rule
Mengubah bobot yang menghubungkan antara jaringan input ke unit
output dengan nilai target.

4. Backpropagation
Algoritma pembelajaran yang terawasi dan biasanya digunakan oleh
perception dengan banyak lapisan untuk mengubah bobot-bobot yang
terhubung dengan neuron-neuron yang ada pada lapisan tersembunyi.
5. Hetroassociative Memory
Jaringan yang bobot bobotnya ditentukan sedemikian rupa sehingga
jaringan tersebut dapat menyimapan kumpulan pola.
6. Bidirectional Associative Memory
Model jaringan syaraf yang memiliki 2 lapisan dan terhubung penuh
dari satu lapisan kelapisan lainnya. Pada jaringan ini dimungkinkan
adanya hubungan timbal balik antara lapisan input dan lapisan output.
7. Learning vector Quantization
Suatu metode untuk melakukan pembelajaran pada lapisan kompetitif
yang terawasi. Suatu lapisan kompetitif akan secara otomatis belajar
untuk mengklasifikasikan vektor-vektor input. Kelas-kelas yang
didapatkan sebagai hasil hanya tergantung pada jarak antara vektor-
vektor input

b. Pembelajaran Tak Terawasi (unsupervised learning)
Pada metode pembelajaran tak terawasi ini tidak memerlukan target
output. Tujuan metode ini adalah pengelompokan unit-unit yang hampir
sama dalam suatu area tertentu.
Pembelajaran Tak Terawasi (Jaringan Kohonen)
Jaringan kohonen pertama kali diperkenalkan oleh Prof. Teuvo
Kohonen tahun 1982.
Padajaringan ini, suatu lapisan yang berisi neuron-neuron akan
menyusun dirinya sendiri berdasarkan input nilai tertentu dalam
suatu kelompok yang dikenal dengan istilah cluster.
Selama proses penyusunan diri, cluster yang memiliki vektor bobot
paling cocok dengan pola input akan terpilih sebagai pemenang.


REFERENSI


Kusumadewi, Sri. 2011. Pdf : Pengantar Kecerdasan Buatan.