Jika kita lihat, neuron buatan diatas mirip

dengan sel neuron biologis.

Informasi (input) akan dikirim ke neuron
dengan bobot tertentu.
Input ini akan diproses oleh suatu fungsi
yang akan menjumlahkan nilai-nilai bobot
yang ada.

Hasil penjumlahan kemudian akan

dibandingkan dengan suatu nilai ambang
(threshold)tertentu melalui fungsi aktivasi
setiap neuron.
Apabila input tersebut melewati suatu nilai
ambang tertentu, maka neuron tersebut
akan diaktifkan, jika tidak, maka neuron
tidak akan diaktifkan.
Apabila neuron tersebut diaktifkan, maka
neuron tersebut akan mengirimkan output
melalui bobot-bobot outputnya ke semua
neuron yang berhubungan dengannya.

Himpunan unit-unit yang dihubungkan

dengan jalur koneksi.
Jalur-jalur tersebut memiliki bobot yang
berbeda-beda.
Bobot yang bernilai positif akan
memperkuat sinyal dan yang bernilai
negatif akan memperlemah sinyal yang
dibawa.
Jumlah, struktur, dan pola hubungan antar
unit-unit tersebut akan menentukan
arsitektur jaringan.

Suatu unit penjumlah yang akan

menjumlahkan input-input sinyal yang
sudah dikalikan dengan bobotnya.
Fungsi aktivasi yang akan menentukan
apakah sinyal dari input neuron akan
diteruskan ke neuron lain atau tidak

Lapisan-lapisan penyusun JST tersebut dapat

dibagi menjadi 3, yaitu :
Lapisan input
Unit-unit di dalam lapisan input disebut unit-unit
input. Unit-unit input tersebut menerima pola
inputan data dari luar yang menggambarkan
suatu permasalahan.
Lapisan tersembunyi
Unit-unit di dalam lapisan tersembunyi disebut
unit-unit tersembunyi. Dimana outputnya tidak
dapat secara langsung diamati.
Lapisan output
Unit-unit di dalam lapisan output disebut unitunit output. Output dari lapisan ini merupakan
solusi JST terhadap suatu permasalahan.

Jaringan layar tunggal

(single layer network)
Contoh algoritma JST
yang menggunakan
metode ini yaitu :
ADALINE, Hopfield,
Perceptron.

Jaringan layar jamak

(multi layer network)
JST yang enggunakan
metode ini yaitu :
MADALINE,
backpropagation,
Neocognitron.

Jaringan dengan
lapisan kompetitif
(competitive layer
network)
Pada jaringan ini
sekumpulan
neuron bersaing
untuk
mendapatkan hak
menjadi aktif.
Contoh algoritma
yang
menggunakan
metode ini adalah
LVQ.

Jaringanrecurrent
Jika suatu jaringan berulang (mempunyai koneksi
kembali dari output ke input) akan menimbulkan
ketidakstabilan dan akan menghasilkan dinamika
yang sangat kompleks. Jaringan yang berulang
sangat menarik untuk diteliti dalam Jaringan Syaraf
Tiruan, namun sejauh ini structure feedforward
sangat berguna untukmemecahkanmasalah.
Yang termasuk dalam stukturrecurrent (feedback) :
-Competitive networks
- Self-organizing maps
- Hopfield networks
- Adaptive-resonanse
theory models

Jaringan Syaraf Tiruan Recurrent Layer

Ketika sebuah Jaringan Syaraf digunakan, Input

dari nilai suatu variabel ditempatkan dalam suatu
input unit kemudian unit lapisan tersembunyi dan
lapisan output menjalankannya.
Setiap lapisan tersebut menghitung nilai aktivasi
dengan mengambil jumlah bobot output dari
setiap unit dari lapisan sebelumnya dan kemudian
dikurangi dengan nilai ambang.
Nilai aktifasi kemudian melalui fungsi aktifasi untuk
menghasilkan output dari sel syaraf.
Ketika semua unit pada Jaringan Syaraf telah
dijalankan maka aksi dari lapisan output
merupakan output dari seluruh jaringan syaraf.

Supervised learning(pembelajaran terawasi)

Pada metode ini, setiap pola yang diberikan
kedalam JST telah diketahui outputnya.
Selisih antara pola output aktual (output yang
dihasilkan) dengan pola output yang
dikehendaki (output target) disebut error
error digunakan untuk mengoreksi bobot JST
sehingga JST mampu menghasilkan output
sedekat mungkin dengan pola target yang
telah diketahui oleh JST.
Contoh algoritma JST yang menggunakan
metode ini adalah : Hebbian, Perceptron,
ADALINE, Boltzman, Hopfield,
Backpropagation.

Unsupervised learning (pembelajaran tak

terawasi)
Pada metode ini, tidak memerlukan target
output.
Pada metode ini tidak dapat ditentukan
hasil seperti apakah yang diharapkan
selama proses pembelajaran.
Selama proses pembelajaran, nilai bobot
disusun dalam suatu range tertentu
tergantung pada nilai input yang diberikan.

Unsupervised learning (pembelajaran tak

terawasi)
Tujuan pembelajaran ini adalah
mengelompokkan unit-unit yang hampir
sama dalam suatu area tertentu.
Pembelajaran ini biasanya sangat cocok
untuk klasifikasi pola.
Contoh algoritma JST yang menggunakan
metode ini adalah : Competitive, Hebbian,
Kohonen, LVQ (Learning Vector
Quantization), Neocognitron

Hybrid Learning(pembelajaran hibrida)

Merupakan kombinasi dari metode
pembelajaran supervised learning dan
unsupervised learning.
Sebagian dari bobot-bobotnya ditentukan
melalui pembelajaran terawasi dan
sebagian lainnya melalui pembelajaran tak
terawasi.
Contoh algoritma JST yang menggunakan
metode ini yaitu : algoritma RBF.

Berdasarkan arsitektur JST:

Jaringan Layar Tunggal. Contoh: ADALINE, Hopfield,
Perceptron, LVQ
Jaringan LayarJamak, Contoh: MADALINE,
Backpropagation, Neocognitron
Recurrent. Contoh: BAM, Hopfield, Boltzman
Machine
Spesifikasi masalah dapat digunakan untuk menolong
dalam penentuan arsitektur jaringan, sbb. :
Jumlah input jaringan = jumlah input masalah
Jumlah neuron dalam lapisan output = jumlah output
masalah
Fungsi transfer lapisan output dipilihsedemikian rupa
sesuai dengan spesifikasi output masalah

Aplikasi yang sudah ditemukan

Klasifikasi

Model yangdigunakan: ADALINE LVQ

Backpropagation
Pengenalaan Pola
Model yang digunakan: Adaptive Resononance
Theory (ART), LVQ, Backpropagation
Peramalan.
Model yang digunakan: ADALINE, MADALINE,
Backpropagation
Optimisasi.
Model yang digunakan: ADALINE, Hopfield,
Backpropagation

Fungsi Undak Biner (Hard Limit)

Jaringan dengan lapisan tunggal sering
menggunakan fungsi undak untuk menkonversi
input dari suatu variable yang bernilai kontinu ke
suatu output biner. Fungsi hard limit dirumuskan:

Fungsi Undak Biner (Threshold)

Fungsi undak biner dengan menggunakan nilai
ambang sering disebut fungsi nilai ambang atau
fungsi Heaviside. Dirumuskan:

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

Fungsi Bipolar (dengan Threshold)

Fungsi yang menghasilkan output berupa 1, 0 atau
-1

Fungsi Linear (identitas)

Fungsi linear memiliki nilai output yang sama
dengan nilai input. Dirumuskan: y = x

Fungsi Sturating 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:

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:

Fungsi Sigmoid Biner

Digunakan untuk jaringan syaraf yang dilatih
dengan menggunakan metode backpropagation.
Memiliki nilai pada range 0 sampai 1. Fungsi
sigmoid biner dirumuskan:

Fungsi Sigmoid Bipolar

Output dari fungsi ini memiliki range antara 1
sampai -1. Fungsinya dirumuskan:

Kadang dalam jaringan ditambahkan sebuah unit

masukan yang nilainya selalu = 1. Unit yang
demikian disebut bias .

Bias dapat dipandang sebagai sebuah input yang

nilainya = 1.
Bias berfungsi untuk mengubah nilaithreshold
menjadi = 0 (bukan = (a).
Jika melibatkan bias, maka keluaran unit
penjumlah adalah
Fungsi aktivasi threshold menjadi

Suatu jaringan layar tunggal seperti gambar di

atas terdiri dari 2 input x1 = 0,7 dan x2 = 2,1 dan
memiliki bias.
Bobot w1 = 0,5 dan w2 = -0,3 dan bobot bias b = 1.
Tentukan keluaran neuron Y jika fungsi aktivasi
adalah threshold bipolar

= +

= 1 + 0,7 0,5 + 2,1 0,3

Karena net > 0 maka keluaran dari jaringan y

=f(net) = 1

= 0,72

Model JST yang digunakan oleh McP merupakan model

yang pertama ditemukan. Model neuron McP memiliki
karakteristik sbb:
Fungsi aktivasinya biner
Semua garis yang memperkuat sinyal (bobot positif) ke
arah suatu neuron memiliki kekuatan (besar bobot)
yang sama. Hal yang sama untuk garis yang
memperlemah sinyal (bobot negatif) ke arah neuron
tertentu
Setiap neuron memiliki batas ambang (threshold) yang
sama. Apabila total input ke neuron tersebut melebihi
threshold, maka neuron akan meneruskan sinyal

Neuron Y menerima sinyal dari (n+m) buah neuron

x1, x2, ..xn, xn+1, .xn+m
n buah penghubung dengan dari x1x2, ..xn ke Y
merupakan garis yang memperkuat sinyal (bobot
positif), sedangkan m buahpenghubung dari xn+1,
.xn+m ke Y merupakan garis yang
memperlemah sinyal (bobot negatif).
Semua penghubung dari x1 x2, ..xn ke Y memiliki
bobot yang sama. Hal yang sama dengan
penghubung dari xn+1, .xn+m ke sama. Hal yang
sama dengan penghubung dari x , .x keY
memiliki bobot yang sama. Namun jika ada neuron
lain katakan Y2, maka bobot x1 ke Y1 boleh
berbeda dengan bobot dari x2 ke Y2 dari x2ke Y2.

Fungsi aktivasi neuron Y adalah

Bobot tiap garis tidak ditentukan dengan proses

pelatihan, tetapi dengan metode analitik.
Beberapa contoh berikut memaparkan bagaiman
neuron McP digunakan untuk memodelkan fungsi
logika sederhana.

Contoh: buat fungsi logika and, input X1 dan X2,

dan Y = 1 jika dan hanya jika masukan 1
X1
1
1
0
0

X2
1
0
1
0

Y
1
0
0
0

X1
1
1
0
0

X2
1
0
1
0

net
1.1+1.1=2
1.1+0.1=1
0.1+1.1=1
0.1+0.1=0

Y, 1 jika net >=2, 0 jika net < 2

1
X1
1
0
0
Y
2
0
X2
1

Ternyata BERHASIL mengenali pola

X1
1
1
0
0

X2
1
0
1
0

net
1.1+1.1=2
1.1+0.1=1
0.1+1.1=1
0.1+0.1=0

Y, 1 jika net >=1, 0 jika net < 1

1
X1
1
1
1
Y
1
0
X2

Ternyata BERHASIL mengenali pola

X1
1
1
0
0

X2
1
0
1
0

net
1.2+1.-1=1
1.2+0.-1=2
0.2+1.-1=-1
0.2+0.-1=0

Y, 1 jika net >=2, 0 jika net < 2

0
X1
2
1
0
Y
2
0
X2

Ternyata BERHASIL mengenali pola

-1

X1
1
1
0
0

X2
1
0
1
0

GAGAL!

0
1
1
0

F(0,1) = 1

F(1,1) = 0

F(0,0) = 0

F(1,0) = 1

XOR = (x1 ^ ~x2) V (~x1 ^ x2)

Ternyata dibutuhkan sebuah layer
tersembunyi
2

X1

Z1

-1
Y

-1
1
X2

Z2

2
2