JARINGAN SYARAF TIRUAN

Jaringan syaraf tiruan (artifical neural network) adalah sistem komputasi yang arsitektur dan
operasinya diilhami dari pengetahuan tentang sel syaraf biologis di dalam otak. Jaringan syaraf
tiruan merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba
menstimulasi
proses
pembelajaran
pada
otak
manusia
tersebut.
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. Bobotbobot
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.
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,

perbaikan autopilot dan simulasi komponen pesawat.

system

kendali

pesawat,

Otomoti

Sistem kendali otomatis mobil.

Keuangan dan Perbankan

Pendeteksian uang palsu, evaluator aplikasi kredit, pengidentifikasian pola-pola data pasar
saham.

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
Lapisan
1.
Node-node
input dari
masalah.
2.
Node-node
lapisan
3.
Node-node
lapisan ini

klip

berita

melalui

pengenalan

wajah.

lapisan penyusun jaringan saraf tiruan dapat dibagi menjadi tiga, yaitu:
Lapisan
input
di dalam lapisan input disebut unit-unit input. Unit-unit input menerima
dunia luar. Input yang dimasukkan merupakan penggambaran dari suatu
Lapisan
tersembunyi
di dalam lapisan tersembunyi disebut unit-unit tersembunyi. Output dari
ini
tidak
secara
langsung
dapat
diamati.
Lapisan
output
pada lapisan output disebut unit-unit output. Keluaran atau output dari
merupakan output jaringan saraf tiruan terhadap suatu permasalahan.

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.
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

berinteraksidengan 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,
yangmentransfer 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
semuaelemen input. Yang sederhana adalah dengan mengalikan setiap nilai input (Xj)
denganbobotnya (Wij) dan menjumlahkannya (disebut penjumlahan berbobot, atau Si).

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.

Paradigma Pembelajaran: Cara berlangsungnya pembelajaran atau pelatihan jaringan

saraf tiruan, apakah terawasi (supervisod learning), tidak terawasi (unsupervised
learning), atau merupakan gabungan keduanya (hybrid).

1. 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.
2. 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

mengorganisasipola-pola ke dalam kategori-kategori berdasarkan korelasi yang ada.
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 pembelajarankompetitif (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 (Wij = Wji). Setiap neuron
pada
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).
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.

(http://fridusuhendra.blogspot.com/2013/09/jaringan-syaraf-tiruan-jaringan-syaraf.html)

Mengadopsi esensi dasar dari system syaraf biologi, syaraf tiruan digambarkan
sebagai berikut : Menerima input atau masukan (baik dari data yang dimasukkan
atau dari output sel syaraf pada jaringan syaraf. Setiap input datang melalui suatu
koneksi atau hubungan yang mempunyai sebuah bobot (weight). Setiap sel syaraf
mempunyai sebuah nilai ambang. Jumlah bobot dari input dan dikurangi dengan
nilai ambang kemudian akan mendapatkan suatu aktivasi dari sel syaraf (post
synaptic potential, PSP, dari sel syaraf). Signal aktivasi kemudian menjadi fungsi
aktivasi / fungsi transfer untuk menghasilkan output dari sel syaraf. Jika tahapan
fungsi aktivasi digunakan (output sel syaraf = 0 jika input <0 dan 1 jika input >= 0)
maka tindakan sel syaraf sama dengan sel syaraf biologi yang dijelaskan diatas
(pengurangan nilai ambang dari jumlah bobot dan membandingkan dengan 0
adalah sama dengan membandingkan jumlah bobot dengan nilai ambang).
Biasanya tahapan fungsi jarang digunakan dalan Jaringan Syaraf Tiruan. Fungsi
aktivasi dapat dilihat pada gambar berikut. Gambar Fungsi Aktifasi Jaringan Syaraf
Tiruan Model Dasar Jaringan Syaraf Tiruan,system syaraf biologi,syaraf
tiruan,jaringan syaraf,sel syara,dasar JST,model dasra JST,model dasar AI,model
dasar artificial intelegent,aktivasi sel syaraf,model dasar sel saraf tiruan,fungsi

aktivasi JST,fungsi transfer JST,output dari sel syaraf JST,Jaringan Syaraf

Tiruan,Fungsi Aktifasi Jaringan Syaraf Tiruan,syaraf motorik JST,prediksi JST,signal
kontrol JST,neuron JST,fungsi aktivasi,sel syaraf atau neuron Bagaimana sel syaraf
saling berhubungan? Jika suatu jaringan ingin digunakan untuk berbagai keperluan
maka harus memiliki input (akan membawa nilai dari suatu variabel dari luar) dan
output (dari prediksi atau signal kontrol). Input dan output sesuai dengan sensor
dan syaraf motorik seperti signal datang dari mata kemudian diteruskan ke tangan,
Dalam hal ini terdapat sel syaraf atau neuron pada lapisan tersembunyi berperan
pada jaringan ini. Input, lapisan tersembunyi dan output sel syaraf diperlukan untuk
saling terhubung satu sama lain.
Read more at: http://elektronika-dasar.web.id/teori-elektronika/model-dasarjaringan-syaraf-tiruan/
Copyright Elektronika Dasar

Jaringan saraf tiruan (JST) (Bahasa Inggris: artificial neural network (ANN), atau juga disebut
simulated neural network (SNN), atau umumnya hanya disebut neural network (NN)), adalah
jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf
manusia. JST merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan
masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan
tersebut.
Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-linier. JST dapat
digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk
menemukan pola-pola pada data.

Sejarah
Saat ini bidang kecerdasan buatan dalam usahanya menirukan intelegensi manusia, belum
mengadakan pendekatan dalam bentuk fisiknya melainkan dari sisi yang lain. Pertama-tama
diadakan studi mengenai teori dasar mekanisme proses terjadinya intelegensi. Bidang ini disebut
Cognitive Science. Dari teori dasar ini dibuatlah suatu model untuk disimulasikan pada
komputer, dan dalam perkembangannya yang lebih lanjut dikenal berbagai sistem kecerdasan
buatan yang salah satunya adalah jaringan saraf tiruan. Dibandingkan dengan bidang ilmu yang
lain, jaringan saraf tiruan relatif masih baru. Sejumlah literatur menganggap bahwa konsep
jaringan saraf tiruan bermula pada makalah Waffen McCulloch dan Walter Pitts pada tahun 1943.
Dalam makalah tersebut mereka mencoba untuk memformulasikan model matematis sel-sel otak.
Metode yang dikembangkan berdasarkan sistem saraf biologi ini, merupakan suatu langkah maju
dalam industri komputer.

Pengertian Dasar
Tidak ada dua otak manusia yang sama, setiap otak selalu berbeda. Beda dalam ketajaman,
ukuran dan pengorganisasiannya. Salah satu cara untuk memahami bagaimana otak bekerja
adalah dengan mengumpulkan informasi dari sebanyak mungkin scan otak manusia dan
memetakannya. Hal tersebut merupakan upaya untuk menemukan cara kerja rata-rata otak
manusia itu. Peta otak manusia diharapkan dapat menjelaskan misteri mengenai bagaimana otak
mengendalikan setiap tindak tanduk manusia, mulai dari penggunaan bahasa hingga gerakan.

Walaupun demikian kepastian cara kerja otak manusia masih merupakan suatu misteri. Meski
beberapa aspek dari prosesor yang menakjubkan ini telah diketahui tetapi itu tidaklah banyak.
Beberapa aspek-aspek tersebut, yaitu :
a. Tiap bagian pada otak manusia memiliki alamat, dalam bentuk formula kimia, dan sistem saraf
manusia berusaha untuk mendapatkan alamat yang cocok untuk setiap akson (saraf penghubung)
yang dibentuk.
b. Melalui pembelajaran, pengalaman dan interaksi antara sistem maka struktur dari otak itu
sendiri akan mengatur fungsi-fungsi dari setiap bagiannya.
c. Axon-axon pada daerah yang berdekatan akan berkembang dan mempunyai bentuk fisik mirip,
sehingga terkelompok dengan arsitektur tertentu pada otak.
d. Axon berdasarkan arsitekturnya bertumbuh dalam urutan waktu, dan terhubung pada struktur
otak yang berkembang dengan urutan waktu yang sama.
Berdasarkan keempat aspek tersebut di atas dapat ditarik suatu kesimpulan bahwa otak tidak
seluruhnya terbentuk oleh proses genetis. Terdapat proses lain yang ikut membentuk fungsi dari
bagian-bagian otak, yang pada akhirnya menentukan bagaimana suatu informasi diproses oleh
otak.
Elemen yang paling mendasar dari jaringan saraf adalah sel saraf. Sel-sel saraf inilah membentuk
bagian kesadaran manusia yang meliputi beberapa kemampuan umum. Pada dasarnya sel saraf
biologi menerima masukan dari sumber yang lain dan mengkombinasikannya dengan beberapa
cara, melaksanakan suatu operasi yang non-linear untuk mendapatkan hasil dan kemudian
mengeluarkan hasil akhir tersebut.
Dalam tubuh manusia terdapat banyak variasi tipe dasar sel saraf, sehingga proses berpikir
manusia menjadi sulit untuk direplikasi secara elektrik. Sekalipun demikian, semua sel saraf
alami mempunyai empat komponen dasar yang sama. Keempat komponen dasar ini diketahui
berdasarkan nama biologinya yaitu, dendrit, soma, akson, dan sinapsis. Dendrit merupakan suatu
perluasan dari soma yang menyerupai rambut dan bertindak sebagai saluran masukan. Saluran
masukan ini menerima masukan dari sel saraf lainnya melalui sinapsis. Soma dalam hal ini
kemudian memproses nilai masukan menjadi sebuah output yang kemudian dikirim ke sel saraf
lainnya melalui akson dan sinapsis.
Penelitian terbaru memberikan bukti lebih lanjut bahwa sel saraf biologi mempunyai struktur
yang lebih kompleks dan lebih canggih daripada sel saraf buatan yang kemudian dibentuk
menjadi jaringan saraf buatan yang ada sekarang ini. Ilmu biologi menyediakan suatu
pemahaman yang lebih baik tentang sel saraf sehingga memberikan keuntungan kepada para

perancang jaringan untuk dapat terus meningkatkan sistem jaringan saraf buatan yang ada
berdasarkan pada pemahaman terhadap otak biologi.
Sel saraf-sel saraf ini terhubung satu dengan yang lainnya melalui sinapsis. Sel saraf dapat
menerima rangsangan berupa sinyal elektrokimiawi dari sel saraf-sel saraf yang lain.
Berdasarkan rangsangan tersebut, sel saraf akan mengirimkan sinyal atau tidak berdasarkan
kondisi tertentu. Konsep dasar semacam inilah yang ingin dicoba para ahli dalam menciptakan
sel tiruan.

Definisi
Suatu jaringan saraf tiruan memproses sejumlah besar informasi secara paralel dan terdistribusi,
hal ini terinspirasi oleh model kerja otak biologis. Beberapa definisi tentang jaringan saraf tiruan
adalah sebagai berikut di bawah ini.
Hecht-Nielsend (1988) mendefinisikan sistem saraf buatan sebagai berikut:
"Suatu neural network (NN), adalah suatu struktur pemroses informasi yang terdistribusi dan
bekerja secara paralel, yang terdiri atas elemen pemroses (yang memiliki memori lokal dan
beroperasi dengan informasi lokal) yang diinterkoneksi bersama dengan alur sinyal searah yang
disebut koneksi. Setiap elemen pemroses memiliki koneksi keluaran tunggal yang bercabang (fan
out) ke sejumlah koneksi kolateral yang diinginkan (setiap koneksi membawa sinyal yang sama
dari keluaran elemen pemroses tersebut). Keluaran dari elemen pemroses tersebut dapat
merupakan sebarang jenis persamaan matematis yang diinginkan. Seluruh proses yang
berlangsung pada setiap elemen pemroses harus benar-benar dilakukan secara lokal, yaitu
keluaran hanya bergantung pada nilai masukan pada saat itu yang diperoleh melalui koneksi dan
nilai yang tersimpan dalam memori lokal".
Menurut Haykin, S. (1994), Neural Networks: A Comprehensive Foundation, NY, Macmillan,
mendefinisikan jaringan saraf sebagai berikut:
Sebuah jaringan saraf adalah sebuah prosesor yang terdistribusi paralel dan mempuyai
kecenderungan untuk menyimpan pengetahuan yang didapatkannya dari pengalaman dan
membuatnya tetap tersedia untuk digunakan. Hal ini menyerupai kerja otak dalam dua hal yaitu:
1. Pengetahuan diperoleh oleh jaringan melalui suatu proses belajar. 2. Kekuatan hubungan antar
sel saraf yang dikenal dengan bobot sinapsis digunakan untuk menyimpan pengetahuan.
Dan menurut Zurada, J.M. (1992), Introduction To Artificial Neural Systems, Boston: PWS
Publishing Company, mendefinisikan sebagai berikut:
Sistem saraf tiruan atau jaringan saraf tiruan adalah sistem selular fisik yang dapat memperoleh,
menyimpan dan menggunakan pengetahuan yang didapatkan dari pengalaman.

DARPA Neural Network Study (1988, AFCEA International Press, p. 60) mendefinisikan
jaringan syaraf buatan sebagai berikut :
Sebuah jaringan syaraf adalah sebuah sistem yang dibentuk dari sejumlah elemen pemroses
sederhana yang bekerja secara paralel dimana fungsinya ditentukan oleh stuktur jaringan,
kekuatan hubungan, dan pegolahan dilakukan pada komputasi elemen atau nodes.

Kegunaan
Jaringan saraf tiruan pada umumnya digunakan untuk tugas atau pekerjaan yang kurang praktis
jika dikerjakan secara manual.
Kegunaan Dalam Kehidupan Nyata

Perkiraan Fungsi, atau Analisis Regresi, termasuk prediksi time series dan
modeling.

Klasifikasi, termasuk pengenalan pola dan pengenalan urutan, serta

pengambil keputusan dalam pengurutan.

Pengolahan data, termasuk penyaringan, pengelompokan, dan kompresi.

Robotik

(HTTP: WIKIPEDIA)

Pengertian Jaringan Syaraf Tiruan (Neural Network)

ilustrasi: Struktur jaringan syaraf tiruan

Jaringan syaraf tiruan (JST) atau yang biasa disebut Artificial Neural Network (ANN) atau
Neural Network (NN) saja, merupakan sistem pemroses informasi yang memiliki karakteristik
mirip dengan jaringan syaraf pada makhluk hidup. Neural network berupa suatu model
sederhana dari suatu syaraf nyata dalam otak manusia seperti suatu unit threshold yang biner.

Neural network merupakan sebuah mesin pembelajaran yang dibangun dari sejumlah elemen
pemrosesan sederhana yang disebut neuron atau node. Setiap neuron dihubungkan dengan
neuron yang lain dengan hubungan komunikasi langsung melalui pola hubungan yang disebut
arsitektur jaringan. Bobot-bobot pada koneksi mewakili besarnya informasi yang digunakan
jaringan. Metode yang digunakan untuk menentukan bobot koneksi tersebut dinamakan dengan
algoritma pembelajaran. Setiap neuron mempunyai tingkat aktivasi yang merupakan fungsi dari
input yang masuk padanya. Aktivasi yang dikirim suatu neuron ke neuron lain berupa sinyal dan
hanya dapat mengirim sekali dalam satu waktu, meskipun sinyal tersebut disebarkan pada
beberapa neuron yang lain.
Misalkan input Z1,t, Z2,t, , Zm,t yang bersesuaian dengan sinyal dan masuk ke dalam saluran
penghubung. Setiap sinyal yang masuk dikalikan dengan bobot koneksinya yaitu w1, w2, ,
wm sebelum masuk ke blok penjumlahan yang berlabel . Kemudian blok penjumlahan akan
menjumlahkan semua input terbobot dan menghasilkan sebuah nilai yaitu Zt_in.
Zt_in = .wi = Zt,1.w1 + Zt,1.w2 + + Zm,1.wm
Aktivasi Zt ditentukan oleh fungsi input jaringannya, Zt=f(Zt_in) dengan f merupakan fungsi
aktivasi yang digunakan.
(http://statistikawanku.wordpress.com/2013/03/29/pengertian-jaringan-syaraf-tiruan-neuralnetwork/)

Sekilas Jaringan Saraf Tiruan

Jan 11
Posted by ekoariesubriyanto

Jaringan Saraf Tiruan (JST) (Bahasa Inggris: Artificial Neural Network (ANN), atau juga disebut
Simulated Neural Network (SNN), atau umumnya hanya disebut Neural Network (NN)), merupakan
cabang ilmu dari bidang ilmu Kecerdasan Buatan (Artificial Intelligence) yang merupakan alat untuk
memecahkan masalah terutam bidang-bidang yang melibatkan pengelompokan dan pengenalan pola
(pattern recognition). Jaringan saraf tiruan merupakan jaringan dari sekelompok unit pemroses kecil
yang memproses sejumlah besar informasi secara paralel dan terdistribusi yang dimodelkan
berdasarkan jaringan saraf biologis manusia. Beberapa definisi tentang jaringan saraf tiruan adalah
sebagai berikut di bawah ini.

Hecht-Nielsend (1988) mendefinisikan sistem saraf buatan sebagai berikut:

Suatu neural network (NN), adalah suatu struktur pemroses informasi yang terdistribusi dan
bekerja secara paralel, yang terdiri atas elemen pemroses (yang memiliki memori lokal dan
beroperasi dengan informasi lokal) yang diinterkoneksi bersama dengan alur sinyal searah yang
disebut koneksi. Setiap elemen pemroses memiliki koneksi keluaran tunggal yang bercabang (fan out)
ke sejumlah koneksi kolateral yang diinginkan (setiap koneksi membawa sinyal yang sama dari
keluaran elemen pemroses tersebut). Keluaran dari elemen pemroses tersebut dapat merupakan
sebarang jenis persamaan matematis yang diinginkan. Seluruh proses yang berlangsung pada setiap
elemen pemroses harus benar-benar dilakukan secara lokal, yaitu keluaran hanya bergantung pada
nilai masukan pada saat itu yang diperoleh melalui koneksi dan nilai yang tersimpan dalam memori
lokal.
Menurut Haykin, S. (1994), Neural Networks: A Comprehensive Foundation, NY, Macmillan,
mendefinisikan jaringan saraf sebagai berikut:
Sebuah jaringan saraf adalah sebuah prosesor yang terdistribusi paralel dan mempuyai
kecenderungan untuk menyimpan pengetahuan yang didapatkannya dari pengalaman dan membuatnya
tetap tersedia untuk digunakan. Hal ini menyerupai kerja otak dalam dua hal yaitu: [1]. Pengetahuan
diperoleh oleh jaringan melalui suatu proses belajar. [2]. Kekuatan hubungan antar sel saraf yang
dikenal dengan bobot sinapsis digunakan untuk menyimpan pengetahuan.
Dan menurut Zurada, J.M. (1992), Introduction To Artificial Neural Systems, Boston: PWS
Publishing Company, mendefinisikan sebagai berikut:
Sistem saraf tiruan atau jaringan saraf tiruan adalah sistem selular fisik yang dapat memperoleh,
menyimpan dan menggunakan pengetahuan yang didapatkan dari pengalaman.
DARPA Neural Network Study (1988, AFCEA International Press, p. 60) mendefinisikan
jaringan saraf buatan sebagai berikut :
Sebuah jaringan saraf adalah sebuah sistem yang dibentuk dari sejumlah elemen pemroses
sederhana yang bekerja secara paralel dimana fungsinya ditentukan oleh stuktur jaringan, kekuatan
hubungan, dan pegolahan dilakukan pada komputasi elemen atau nodes.
KOMPARASI JARINGAN SARAF TIRUAN DENGAN JARINGAN SARAF BIOLOGIS
Sebelum membandingkan jaringan saraf tiruan dengan jaringan saraf biologis, lebih baik kita pahami
terlebih dahulu apa yang terjadi pada jaringan saraf biologis. Jaringan saraf bilogis merupakan
kumpulan sel-sel saraf (neuron). Neuron merupakan satuan unit pemroses terkecil pada otak yang

mempunyai tugas mengolah informasi. Komponen-komponen utama dari sebuah neuron dapat
dikelompokan menjadi 3 bagian yaitu :

1. Dendrit. Dendrit bertugas untuk menerima informasi

2. Badan sel (soma). Badan sel (soma) berfungsi sebagai tempat pengolahan
informasi
3. Axon (neurit). Axon mengirimkan impuls-impuls ke sel saraf lainnya.
Salah satu bentuk sederhana neuron yang oleh para ahli dianggap sebagai satuan pemroses tersebut
seperti pada gambar di bawah ini :

Gambar 1. Proses Neuron dalam Menerima Informasi dari Indera Penglihatan

Struktur pada gambar 1 di atas merupakan standar dasar satuan unit jaringan otak manusia yang
telah disederhanakan. Secara garis besar proses pada gambar di atas yaitu sebuah neuron menerima
impuls-impuls sinyal dari neuron yang lain melalui dendrite dan mengirimkan sinyal yang dibangkitkan
oleh badan sel melalui axon. Axon dari sel saraf biologis ini bercabang-cabang dan berhubungan
dengan dendrite dari sel saraf lainnya dengan cara mengirimkan impuls melalui sinapsis yang
ditransmisikan melalui sinaptic gap. Sinapsis adalah unit fungsional antara 2 buah sel saraf. Kekuatan
sinapsis akan menurun atau meningkat tergantung kepada seberapa besar propagasi (penyiaran)
sinyal yang diterimanya.
Jaringan saraf tiruan (JST) disusun dengan asumsi yang sama seperti pada jaringan saraf biologis
seperti pada gambar di bawah ini :

Gambar 2. Struktur Dasar Jaringan Saraf Tiruan

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 antarkoneksi 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 terusmenerus dan dengan menggunakan criteria tertentu sampai diperoleh keluaran yang diharapkan.
Berikut merupakan tabel yang memperlihatkan ke-analogan antara jaringan saraf tiruan dengan
jaringan saraf biologis.
Tabel 1. Ke-analog-an Jaringan Saraf Tiruan terhadap Jaringan Saraf Biologis

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 dipelajari. Kemampuan generalisasi adalah kemampuan jaringan saraf tiruan untuk
menghasilkan respons yang bisa diterima terhadap pola-pola input yang serupa (namun tidak identik)
dengan pola-pola sebelumnya yang telah dipelajari. Hal ini sangat bermamfaat bila pada suatu saat
dalam jaringan saraf tiruan tersebut di-inputkan informasi baruyang belum pernah dipelajari, maka
jaringan saraf tiruan akan tetap dapat memberikan tanggapan baik, memberikan keluaran/output
yang paling mendekati.
Teknologi jaringan saraf tiruan yang berkembang pesat merupakan solusi persoalan komputasi yang
tidak dapat diselesaikan oleh komputer konvensional. Kemudian, jaringan saraf tiruan belajar dari
contoh yang disebut set pelatihan. Karena belajar dari contoh, jaringan saraf tiruan mempunyai
potensi membangun sistem komputasi sebagai hasil pemetaan hubungan masukan dan keluaran yang
ada dalam sistem. Set pelatihan dikenal sebagai pola pelatihan berupa suatu vektor dan didapatkan
dari sumber seperti citra, sinyal suara, data dari sensor, data keuangan, dan informasi.
Kemampuan dan proses komputasi pada jaringan saraf tiruan memberikan keuntungan-keuntungan
sebagai berikut :

1. Jaringan saraf tiruan bersifat adaptif terhadap perubahan parameter yang mempengaruhi
karakteristik sistem.

2. Jaringan saraf tiruan memiliki kekebalan atau toleran terhadap kesalahan. Artinya, jaringan
saraf tiruan tetap berfungsi walaupun ada ketidak-lengkapan data yang dimasukkan karena
memiliki kemampuan mengisi bagian masukan yang kurang lengkap sedemikian rupa sehingga
tetap diperoleh hasil keluaran yang lengkap.

3. Jaringan saraf tiruan dapat dilatih memberikan keputusan dengan memberikan set pelatihan
sebelumnya untuk mencapai target tertentu

4. Jaringan saraf tiruan mempunyai struktur paralel dan terdistribusi yang artinya, komputasi
dapat dilakukan oleh lebih dari satu elemen pemroses yang bekerja secara simultan.

5. Jaringan saraf tiruan mampu mengklasifikasi pola masukan dan pola keluaran.
6. Jaringan saraf tiruan mengurangi derau, sehingga dihasilkan keluaran yang lebih bersih.
7. Jaringan saraf tiruan dapat dimanfaatkan pada proses optimisasi penyelesaian suatu
masalah.

8. Jaringan saraf tiruan dapat digunakan pada proses pengendalian sistem agar masukan
memperoleh tanggapan yang diinginkan.

Walaupun jaringan saraf tiruan merupakan teknologi komputasi yang masih terus berkembang,
fungsi-fungsi jaringan yang dikehendaki jaringan saraf tiruan mempunyai 3 elemen dasar:

1. Topologi, bagaimana mengorganisasikan dan menginterkoneksikan jaringan menggunakan

lapisan elemen pemroses, sehingga terbentuk jaringan saraf tiruan.

2. Proses belajar, bagaimana informasi disimpan dalam jaringan saraf tiruan.

3. Pemanggilan kembali, bagaimana infoimasi yang disimpan dapat dipanggil kembali.
Berdasarkan ketiga elemen dasar, kita dapat menentukan arsitektur yang cocok. Untuk mengetahui
struktur dan arsitektur yang akan digunakan, kita perlu meninjau dari beberapa tingkatan yang
berbeda.

1. Struktur mikro, adalah struktur jaringan pada tingkat yang paling rendah yaitu elemen
pemroses (neuron).

2. Struktur meso, adalah struktur yang dibentuk berkaitan dengan fungsinya.

3. Struktur makro, adalah struktur yang terdiri atas banyak jaringan dan dapat
mengakomodasikan tugas-tugas yang kompleks. Struktur makro melibatkan dua atau lebih
jaringan yang berinteraksi.
Bidang-bidang penelitian yang memamfaatkan jaringan saraf tiruan antara lain :

1. Aerospace : Autopilot pesawat terbang, simulasi jalur penerbangan, system kendali pesawat,
perbaikan autopilot dan simulasi komponen pesawat.

2. Otomotif : Sistem kendali otomatis mobil.

3. Keuangan dan Perbankan :Pendeteksi uang palsu, evaluator aplikasi kredit,
pengindentifikasian pola-pola data pasar saham.

4. Pertahanan (Militer) : Pengendali senjata, pendeteksi bom, penelusuran target, pembedaan

objek, pengendali sensor, sonar, radar dan pengolahan sinyal citra yang meliputi kompresi
data, ekstrasi bagian istimewa dan penghilang derau, pengenalan sinyal atau citra.

5. Elektronik : Pembuatan perangkat keras yang bisa mengimplementasikan jaringan saraf

tiruan secara efisien (desain VLSI), machine vision, pengontrol gerakan dan penglihatan
robot, sintesis suara.

6. Broadcast : Pencarian klip berita melalui pengenalan wajah.

7. Keamanan : Jaringan saraf tiruan digunakan untuk mengendalikan mobil dan mengenali wajah
oknum.

8. Industri dan Pertambangan : Neuro Furnace Controller (NFC) yang merupakan penerapan
jaringan saraf tiruan untuk pengendali ketiga elektroda pada mesin EAF (industri baja)
secara terpadu yang ditujukan untuk menanggulangi masalah tidak efisiennya pemakaian
energi listrik dan elektroda pada mesin EAF (Electric Arc Furnace) tersebut, pengenalan
pola-pola unik dalam penambangan data (data mining).

9. Medis : Analisis sel kanker payudara, pendeteksi kanker kulit.

10. Pengenalan Suara : Pengenalan percakapan, klasifikasi suara.
11. Pengenalan Tulisan : Pengenalan tulisan tangan, penerjemahan tulisan ke dalam tulisan latin.
12. Matematika : Alat pemodelan masalah dimana bentuk eksplisit dari hubungan antara
variable-variabel tertentu tidak diketahui.

13. Pengenalan Benda Bergerak : Pengenalan citra orang bergerak, pengenalan citra tangan
yang bergerak dan lain-lain.
REFERENSI

1. Diyah Puspitaningrum, Pengantar Jaringan Saraf Tiruan, Andi Offset,Yogyakarta, 2006

2. Yudhi Gunardi, Modul Ajar Jaringan Saraf Tiruan, Universitas Mercu Buana, Jakarta, 2012

3. http://lecturer.eepis-its.edu/~entin/Kecerdasan%20Buatan/Buku/Bab%208%20Jaringan
%20Syaraf%20Tiruan.pdf

4. http://id.wikipedia.org
5. http://www.steelindonesia.com

(http://ekoariesubriyanto.wordpress.com/2013/01/11/jaringan-syaraf-tiruan/)

JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)

Posted on January 17, 2013 by rezahaikal

JARINGAN SARAF TIRUAN

(ARTIFICIAL NEURAL NETWORK)

BAB I. PENDAHULUAN
A. Latar Belakang
Jaringan Saraf Tiruan (JST) atau Artificial Neural Network merupakan suatupendekatan yang
berbeda dari metode AI lainnya. JST merupakan suatu model kecerdasan yang diilhami dari
struktur otak manusia dan kemudian diimplementasikan menggunakan program computer yang
mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran berlangsung.
Skema sederhana dari otak manusia dapat dilihat dari gambar berikut ini.

Gambar 1.1 Diagram sederhana dari sel otak

Dari gambar diatas dapat dilihat bahwa setiap sel saraf mempunyai satu inti sel (nucleus). Inti sel
akan bertugas melakukan proses informasi. Informasi sel akan diterima oleh dendrite yang
merupakan dari cell body. Selain menerima informasi, dendrit juga menyertai axon sebagai
keluaran dari suatu pemrosesan informasi. Informasi hasil olahan ini akan menjadi masukan bagi
sel saraf lain dimana antar dendrite tersebut akan dipertemukan dengan sinapsis. Informasi yang
dikirimkan antar neuron berupa rangsangan yang dilewatkan melalui dendrite. Informasi yang
datang dan diterima oleh dendrite akan dijumlahkan dan dikirimkan melalui axon ke dendri
terakhir yang bersentuhan dengan dendrite dari sel saraf lain. Informasi yang akan diterima oleh
neuron lain jika memenuhi batasan tertentu yang lebih dikenal sebagai threshold (nilai ambang).
Gambaran di atas merupakan gambaran sederhana dari jaringan saraf, tetapidari gambaran itu
semua komponen dari sel saraf tersebut relevan bagi saraf modelkomputasi. Secara khusus, dapat
dikatakan bahwa setiap unit komputasional dihitung dari beberapa fungsi input.
Pengembangan terhadap jaringan saraf ini terus dilakuakan dan memunculkanharapan baru yang
dicapainya suatu mesin yang dapat belajar sehingga tidak memerlukan adanya pengulangan
proses perhitungan yang sama untuk persoalan yang mirip.
B.

Tujuan

Tujuan dalam penulisan makalah ini adalah untuk menambah pengetahuan daninformasi bagi
yang membacanya dan diharapkan dapat bermanfaat bagi kita semua.
BAB III. PEMBAHASAN
A. Pengertian Jaringan Saraf Tiruan
Jaringan saraf tiruan adalah suatu sistem pemrosesan informasi yang cara kerjanya memiliki
kesamaan tertentu dengan jaringan saraf biologis [Fausett,1994]. Jaringan saraf tiruan
dikembangkan sebagai model matematis dari saraf biologis dengan berdasarkan asumsi bahwa:
1. Pemrosesan terjadi pada elemen-elemen sederhana yang disebut neuron.
2. Sinyal dilewatkan antar neuron melalui penghubung.
3. Setiap penghubung memiliki bobot yang akan mengalikan sinyal yang lewat.
4. Setiap neuron memiliki fungsi aktivasi yang akan menentukan nilai sinyaloutput.
Jaringan saraf dapat digolongkan menjadi berbagai jenis berdasarkan pada arsitekturnya, yaitu
pola hubungan antara neuron-neuron, dan algoritma trainingnya, yaitu cara penentuan nilai bobot
pada penghubung.

B. Komponen Neural Network

Terdapat banyak struktur NN, tetapi kesemuanya mempunyai komponen yanghampir sama.
Gambar berikut memperlihatkan struktur ideal NN.

Seperti terlihat pada gambar, struktur NN mirip dengan struktur otak manusiadiatas. Informasi
(sebagai input) dikirim ke neuron melalui suatu pembobotan input. Input ini diproses oleh suatu
fungsi propagation yang menaikan nilai bobot input. Hasilnya kemudian dibandingkan dengan
threshold oleh activation function. Jika input melampaui threshold, maka neutron akan
diaktifkan, jika sebaliknya maka neutronakan inhibit. Jika diaktifkan, neuron akan mengirim
output melalui pembobotan outputke neuron lainnya, dan seterusnya.
Dalam NN, neuron dikelompokan dalam layer, yang disebut neuron layer. Biasanya setiap
neuron dari sebuah layer dihubungkan ke semua neuron yang ada di layerbelakang maupun
depannya (kecuali input dan output). Informasi yang dikirim dalam sebuah NN, dipropagasi
layer per layer mulai dari input hingga output tanpa ataumelalui satu atau lebih hidden layers.
Bergantung pada algoritma yang digunakan,informasi juga dapat dipropagasi ke arah belakang
(backpropagation). Gambar berikutmenunjukan NN dengan tiga neuron layers.

Perlu dicatat bahwa gambar ini bukan merupakan struktur umum dari NN. Ada NNyang tidak
mempunyai hidden layer, atau ada juga NN yang layer-nya berbentuk matriks.
C. Multi Layer Perceptron
Diperkenalkan oleh M. Minsky dan S. Papert pada tahun 1969, merupakan pengembangan dari
Perceptron dan mempunyai satu atau lebih hidden layers yangterletak antara input dan output
layers. Multi-layer-perceptron dapat digunakan untukoperasi logik termasuk yang kompleks
seperti XOR.

Multi-Layer Perceptron adalah jaringan syaraf tiruan feed-forward yang terdiri dari sejumlah
neuron yang dihubungkan oleh bobot-bobot penghubung. Neuron-neurontersebut disusun dalam
lapisan- lapisan yang terdiri dari satu lapisan input (inputlayer), satu atau lebih lapisan
tersembunyi (hidden layer), dan satu lapisan output(output layer). Lapisan input menerima sinyal
dari luar, kemudian melewatkannya kelapisan tersembunyi pertama, yang akan diteruskan
sehingga akhirnya mencapai lapisan output [Riedmiller, 1994]. Setiap neuroni di dalam jaringan
adalah sebuah unit pemrosesan sederhana yang menghitung nilai aktivasinya yaitusi terhadap
inputeksitasi yang juga disebut melambangkan himpunan predesesor dari uniti,wij
melambangkan bobot koneksi dari unitj ke uniti, dani adalah nilai bias dari uniti. Untuk
membuat representasi menjadi lebih mudah, seringkali bias digantikan dengan suatu bobot yang
terhubung dengan unit bernilai 1. Dengan demikian bias dapat diperlakukan secara sama dengan
bobot koneksi.
D. Supervised Learning
Tujuan pada pembelajaran supervised learning adalah untuk menentukan nilai bobot-bobot
koneksi di dalam jaringan sehingga jaringan dapat melakukan pemetaan (mapping) dari input ke
output sesuai dengan yang diinginkan. Pemetaan ini ditentukanmelalui satu set pola contoh atau
data pelatihan (training data set).
Setiap pasangan polap terdiri dari vektor input xp dan vektor target. Setelah selesaipelatihan, jika
diberikan masukan xp seharusnya jaringan menghasilkan nilai output. Besarnya perbedaan antara
nilai vektor target dengan output actual diukur dengan nilaierror yang disebut juga dengan di
mana adalah banyaknya unit pada output layer.Tujuan dari training ini pada dasarnya sama
dengan mencari suatu nilai minimumglobal dari E.
E. Algoritma Dalam Jaringan Saraf Tiruan.

Algoritma Backpropagation

Salah satu algoritma pelatihan jaringan syaraf tiruan yang banyakdimanfaatkan dalam bidang
pengenalan pola adalah backpropagation. Algoritma iniumumnya digunakan pada jaringan syaraf
tiruan yang berjenis multi-layer feed-forward, yang tersusun dari beberapa lapisan dan sinyal
dialirkan secara searah dariinput menuju output. Algoritma pelatihan backpropagation pada
dasarnya terdiri dari tigatahapan [Fausett, 1994], yaitu:
1. Input nilai data pelatihan sehingga diperoleh nilai output.
2.

Propagasi balik dari nilai error yang diperoleh.

3. Penyesuaian bobot koneksi untuk meminimalkan nilai error.

Ketiga tahapan tersebut diulangi terus-menerus sampai mendapatkan nilai error yang diinginkan.
Setelah training selesai dilakukan, hanya tahap pertama yang diperlukan untuk memanfaatkan
jaringan syaraf tiruan tersebut. Secara matematis [Rumelhart, 1986], ide dasar dari
algoritmabackpropagation ini sesungguhnya adalah penerapan dari aturan rantai (chain rule)
untuk menghitung pengaruh masing-masing bobot terhadap fungsi error.

Algoritma Quickprop

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

Gambar 1.2 Arsitektur Jaringan Saraf Tiruan

1. Lapisan Masukan (input layer)

Lapisan masukan merupakan lapisan yang terdiri dari beberapa neuronyang akan menerima
sinyal dari luar dan kemudian meneruskan ke neuron-neuron lain dalam jaringan. Lapisan ini
dillhami berdasarkan cirri-ciri dancara kerja sel-sel saraf sensori pada jaringan saraf biologi.
2. Lapisan tersembunyi (hidden layer)

Lapisan tersembunyi merupakan tiruan dari sel-sel syaraf konektor pada jaringan saraf bilogis.
Lapisan tersembunyi berfungsi meningkatkan kemampuan jaringan dalam memecahkan masalah.
Konsekuensi dari adanya lapisan ini adalah pelatihan menjadi makin sulit atau lama.
3. Lapisan keluaran (output layer)

Lapisan keluaran berfungsi menyalurkan sinyal-sinyal keluaran hasil pemrosesan jaringan.

Lapisan ini juga terdiri dair sejumlah neuron. Lapisan keluaran merupakan tiruan dari sel saraf
motor pada jaringan saraf biologis.
G. Algoritma Pembelajaran
Belajar Untuk JST merupakan suatu proses dimana parameter-parameter bebas JST
diadaptasikan melalui suatu proses perangsangan berkelanjutan oleh lingkungan dimana jaringan
berada. Suatu Jaringan Saraf Tiruan belajar dari pengalaman. Proses yang lazin dari
pembelajaran meliputi tiga tugas, yaitu :
1. Perhitungan Output,

2. Membandingkan output dengan target yang diinginkan.

3. Menyesuaikan bobot dan mengulangi prosesnya.
Proses pembelajaran tersebut dapat dilihat pada gambar berikut ini :

Gambar Proses Pembelajaran dari suatu JST

Proses pembelajaran atau pelatihan tersebut merupakan proses perubahan bobot antar neuron
sehingga sebuah jaringan dapat menyelesaikan sebuah masalah. Semakin besar bobot
keterhubungannya maka akan semakin cepat meyelesaikan suatu masalah. Proses pembelajaran
dalam JST dapat diklasifikasikan menjadi dua bagian, yaitu:
1. Supervised Learning (pembelajaran terawasi) yang menggunakan sejumlah pasangan data
masukan dan keluaran yang diharapkan. Contoh dari tipe ini adalah metode back propagation,
jaringan Hopfield dan perceptron.
2. Unsupervised Learning (pembelajaran tidak terawasi) yang hanya menggunakan sejumlah
pasangan data masukan tanpa ada contoh keluaranyang diharapkan.
BAB III. KESIMPULAN
Jaringan Saraf Tiruan (JST) atau Artificial Neural Network merupakan suatu pendekatan yang
berbeda dari metode AI lainnya. JST merupakan suatu model kecerdasan yang diilhami dari
struktur otak manusia dan kemudian diimplementasikan menggunakan program computer yang
mampu menyelesaikan sejumlah proses perhitungan selamaproses pembelajaran berlangsung.

Dalam NN, neuron dikelompokan dalam layer, yang disebut neuron layer. Biasanyasetiap neuron
dari sebuah layer dihubungkan ke semua neuron yang ada di layer belakangmaupun depannya
(kecuali input dan output). Informasi yang dikirim dalam sebuah NN, dipropagasi layer per
layer mulai dari input hingga output tanpa atau melalui satu ataulebih hidden layers.
Multi-Layer Perceptron adalah jaringan syaraf tiruan feed-forward yang terdiri dari sejumlah
neuron yang dihubungkan oleh bobot-bobot penghubung. Tujuan padapembelajaran supervised
learning adalah untuk menentukan nilai bobot-bobot koneksi didalam jaringan sehingga jaringan
dapat melakukan pemetaan (mapping) dari input keoutput sesuai dengan yang diinginkan.
Pemetaan ini ditentukan melalui satu set polacontoh atau data pelatihan (training data set).
Tujuan pada pembelajaran supervised learning adalah untuk menentukan nilaibobot-bobot
koneksi di dalam jaringan sehingga jaringan dapat melakukan pemetaan(mapping) dari input ke
output sesuai dengan yang diinginkan. Pemetaan ini ditentukan melalui satu set pola contoh atau
data pelatihan (training data set).
(http://rezkal.wordpress.com/2013/01/17/jaringan-saraf-tiruan-artificial-neural-network/)