Jaringan Syaraf Tiruan

Disusun Guna Memenuhi Tugas Kecerdasan Buatan

Oleh :
Dewi Mayasari (11305141032)
Lia Listyana (11305144026)

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS NEGERI YOGYAKARTA
2014
 PENDAHULUAN

Kecerdasan buatan dapat memungkinkan komputer untuk

berpikir. Dengan cara menyederhanakan program, kecerdasan buatan dapat
menirukan proses belajar manusia sehingga informasi baru dapat diserap dan
digunakan sebagai acuan untuk menyelesaikan masalah-masalah yang akan
terjadi. Salah satu teknik dalam kecerdasan buatan yang banyak digunakan adalah
Jaringan Syaraf Tiruan. Seperti namanya, Jaringan Syaraf Tiruan (JST) adalah
tiruan dari jaringan syaraf manusia. Yang ditiru tentu saja adalah cara kerjanya,
yaitu menyampaikan input melalui neuron-neuron yang membentuk jaringan
untuk akhirnya disampaikan menjadi output. Berikut akan dijelaskan lebih
mendalam tentang JST yang telah banyak diaplikasikan untuk menyelesaikan
persoalan dalam kehidupan nyata.
 PEMBAHASAN

A. Pengertian
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 / jaringan saraf
biologis (JSB). JST dapat digunakan untuk memodelkan hubungan yang
kompleks antara input dan output untuk menemukan pola-pola pada data.
Jaringan saraf tiruan telah dikembangkan sebagai turunan model
matematika dari kesadaran manusia atau saraf biologis, karena berdasar pada
asumsi bahwa :
Pemrosesan informasi terjadi pada beberapa elemen sederhana yang
disebut neuron.
Sinyal lewat diantara neuron menciptakan jaringan koneksi.
Setiap koneksi penghubung memiliki bobot yang terhubung, yang
dalam jaringan saraf tertentu mengalikan sinyal yang ditransmisikan.
Setiap neuron mempunyai fungsi aktrivasi (biasanya non linier) pada
jaringan inputnya (jumlah dari bobot sinyal input) untuk menentukan
sinyal outputnya.
Karakteristik dari jaringan saraf tiruan adalah :
Pola hubungan antar neuron ( yang menjadi arsitekturnya).
Metode penentuan bobot dalam koneksi (disebut sebagai proses
latihan, pembelajaran, atau Algoritma ).
Fungsi aktivasi.

B. Struktur Jaringan Syaraf Tiruan

Struktur dasar jaringan syaraf biologis dan jaringan syaraf tiruan dapat
dilihat pada gambar berikut
 Model Neuron JST

X1 W1 n
Y1
z wi xi ; y H ( z )
i 1

X2
Y2
W2
Fungsi
aktivasi
X3 W3 Y3

Masukkan Keluaran

Y1 = X1.W1 + X2.W2 + X3.W3; dst

Analogi JST dengan JSB dapat dilihat dari tabel berikut

JST JS Biologis

Node Badan Sel (Soma)

Input Dendrit

Output Akson

Bobot Sinapsis
informasi yang digunakan oleh aksi pada proses kimia
jaringan untuk menyelesaikan
persoalan
 Komponen Jaringan Syaraf
Seperti halnya otak manusia, jaringan saraf juga terdiri dari beberapa
neuron, dan ada hubungan antara neuronneuron tersebut.
Neuronneuron tersebut akan mentransformasikan informasi yang
diterima melalui sambungan keluarnya menuju ke neuronneuron yang
lain.
Pada jaringan saraf, hubungan ini dikenal dengan nama bobot.
Informasi tersebut disimpan pada nilai tertentu pada bobot tersebut.

Struktur Neuron Jaringan Syaraf

Input : x1,x2,x3,xn adalah sinyal yg masuk ke sel syaraf

Bobot (weight) : w1,w2,w3,wn adalah faktor bobot yang berhubungan
dengan masing-masing node.
Threshold : Nilai ambang internal dari node, dimana besarnya offset
yang mempengaruhi aktivasi dari output node y.
Fungsi aktivasi : Merupakan operasi matematik yang dikenakan pada
sinyal output y. Ada beberapa fungsi aktivasi yang biasa dipakai dalam
JST tergantung dari masalah yang akan diselesaikan.

C. Cara Kerja Jaringan Syaraf Tiruan

Cara kerja jaringan syaraf tiruan adalah sebagai berikut :
Informasi (disebut: input) akan dikirim neuron dengan bobot
kedatangan tertentu.
 Input ini akan diproses suatu fungsi perambatan yang akan
menjumlahkan nilainilai semua bobot yang datang.
Hasil penjumlahan ini 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, tetapi kalau tidak, neuron tersebut
tidak akan diaktifkan.
Apabila neuron tersebut diaktifkan, maka neuron tersebut akan
mengirimkan output melalui bobotbobot outputnya ke semua
neuron yang berhubungan dengannya.
Neuron Layer
Pada jaringan saraf, neuronneuron akan dikumpulkan dalam
lapisanlapisan (layer) yang disebut dengan lapisan neuron
(neuron layers).
Biasanya neuronneuron pada satu lapisan akan dihubungkan
dengan lapisanlapisan sebelum dan sesudahnya (kecuali lapisan
input dan lapisan output).
Informasi yang diberikan pada jaringan saraf akan dirambatkan dari
lapisan ke lapisan, mulai dari lapisan input sampai ke lapisan
output melalui lapisan yang lainnya, yang sering dikenal dengan
nama lapisan tersembunyi (hidden layer).
Umumnya neuron-neuron yang terletak pada lapisan yang sama
akan memiliki keadaan yang sama sehingga pada setiap lapisan
yang sama neuron-neuron memiliki fungsi aktivasi yang sama.
Bila neuron-neuron pada suatu lapisan (misal lapisan tersembunyi)
akan dihubungkan dengan neuron-neuron pada lapisan lain (misal
lapisan output) maka setiap neuron pada lapisan tersebut (lapisan
tersembunyi) juga harus dihubungkan dengan setiap neuron pada
lapisan lainnya (lapisan output)
 Faktor terpenting dalam menentukan kelakuan suatu neuron adalah
fungsi aktivasi dan pola bobotnya.

D. Arsitektur Jaringan Syaraf Tiruan

Ada beberapa bentuk arsitektur jaringan saraf yaitu :
1. Jaringan dengan lapisan tunggal (single layer net)
Jaringan ini hanya memiliki satu lapisan dengan bobotbobot
terhubung. Jaringan ini menerima input yang kemudian secara
langsung akan mengolahnya menjadi output tanpa harus melalui
lapisan tersembunyi.

2. Jaringan dengan banyak lapisan (multilayer)

Jaringan ini memiliki satu atau lebih lapisan yang terletak diantara
lapisan input dan lapisan outputnya (memiliki satu atau lebih lapisan
tersembunyi). Jaringan dengan banyak lapisan ini dapat menyelesaikan
permasalahan yang lebih sulit dari pada jaringan dengan lapisan
tunggal, tetapi pembelajarannya lebih rumit. Jaringan ini pada banyak
kasus lebih sukses dalam menyelesaikan masalah.
 3. Jaringan dengan lapisan kompetitif (competitive layer net)
Pada jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak
menjadi aktif.
Gambar berikut menunjukkan salah satu contoh arsitektur jaringan
dengan lapisan kompetitif yang memiliki bobot

E. Fungsi Aktivasi
Fungsi aktivasi dipakai untuk menentukan keluaran suatu neuron, yaitu
merupakan fungsi yang menggambarkan hubungan antara tingkat aktivasi internal
(summation function) yang mungkin berbentuk linier atau nonlinear. Berikut
adalah fungsi aktivasi yang digunakan pada Jaringan Syaraf Tiruan :
1. Fungsi Undak Biner (Hard Limit)
Fungsi Undak Biner merupakan jaringan lapisan tunggal yang
menggunakan fungsi undak (step function) untuk mengkonversikan input
dari suatu variabel yang bernilai kontinyu ke suatu output biner (0 atau 1).

2. Fungsi Undak Biner (Threshold)

Fungsi undak biner dengan menggunakan nilai ambang sering juga
disebut dengan nama fungsi nilai ambang (thresholed) atau fungsi
Heaviside. Fungsi undak biner (dengan nilai ambang ) dirumuskan
sebagai berikut

3. Fungsi Bipolar (Symetric Hard Limit)

Fungsi bipolar dengan Symetric hard limit sebenarnya hampir sama
dengan fungsi undak biner, hanya saja output yang dihasilkan berupa 1, 0,
-1. Fungsi Symetric Hard Limit dirumuskan sebagai berikut
4. Fungsi Bipolar (dengan threshold)
Fungsi bipolar dengan threshold sebenarnya hampir sama dengan fungsi
undak biner, hanya saja output yang dihasilkan berupa 1, 0 atau -1. Fungsi
bipolar dengan nilai ambang 0 dirumuskan sebagai berikut

5. Fungsi Linear (Identitas)

Fungsi ini memiliki nilai output yang sama dengan nilai inputnya,
dirumuskan sebagai berikut:
Y=x

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

8. Fungsi Sigmoid Biner

Fungsi ini digunakan untuk jaringan saraf yang dilatih dengan
menggunakan metode backpropagation, mempunyai range 0 sampai 1.
Biasanya digunakan untuk jaringan saraf yang membutuhkan nilai output
yang terletak pada interval 0 sampai dengan 1, juga pada jaringan saraf
yang nilai outputnya 0 atau 1.

9. Fungsi Sigmoid Bipolar

Fungsi ini hampir sama dengan fungsi sigmoid biner, tetapi output fungsi
ini memiliki range 1 sampai 1. Fungsi ini dirumuskan sebagai berikut:
 Ringkasan fungsi aktifasi di atas dapat dilihat pada tabel berikut

F. Proses Pembelajaran
Perubahan yang terjadi selama pembelajaran adalah perubahan
nilai bobot. Nilai bobot akan bertambah, jika informasi yang diberikan
oleh neuron yang bersangkutan tersampaikan, sebaliknya jika tidak
disampaikan oleh suatu neuron ke neuron yang lain, maka nilai bobot
yang menghubungkan keduanya akan dikurangi.
Pada saat pembelajaran dilakukan pada input yang berbeda, maka
nilai bobot akan diubah secara dinamis hingga mencapai nilai yang cukup
seimbang. Apabila nilai ini telah tercapai yang mengindikasikan bahwa
tiaptiap input telah berhubungan dengan output yang diharapkan. Ada
beberapa metode untuk proses pembelajaran pada jaringan saraf tiruan ini,
diantaranya
a. Pembelajaran Terawasi (Supervised Learning)
Output telah diketahui sebelumnya
Satu pola input akan diberikan ke satu neuron pada lapisan input
Pola dirambatkan disepanjang jaringan saraf hingga sampai ke
neuron pada lapisan output
Lapisan output ini akan membangkitkan pola output yang nantinya
akan dicocokkan dengan pola output targetnya.
Apabila terjadi perbedaan antara output hasil pembelajaran dengan
pola target, maka disini akan muncul error
Apabila error ini masih cukup besar, mengindikasikan bahwa
masih perlu dilakukan lebih banyak pembelajaran lagi

b. Pembelajaran Tak Terawasi (Unsupervised Learning)

Tidak memerlukan target output.
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.
Tujuan pembelajaran ini adalah mengelompokkan unitunit yang
hampir sama dalam suatu area tertentu.
Pembelajaran ini biasanya sangat cocok untuk pengelompokan
(klasifikasi) pola
c. Gabungan pembelajaran terawasi dan tak terawasi (hybrid)
Merupakan kombinasi dari kedua pembelajaran tersebut.
Sebagian dari bobot-bobotnya ditentukan melalui pembelajaran
terawasi dan sebagian lainnya melalui pembelajaran tak terawasi.
G. Contoh
Contoh dan program jaringan sederahana
Bila telah ditentukan
Fungsi aktivasi biner
Besar bobotnya sama
Memiliki threshold yang sama
buat fungsi logika and, input X1 dan X2, dan Y =
1 jika dan hanya jika inputan 1
X1 X2 Y
1 1 1
1 0 0
0 1 0
0 0 0

Jawab
X1 X2 net Y, 1 jika net >=2, 0 jika net < 2
1 1 1.1+1.1=2 1
1 0 1.1+0.1=1 0
0 1 0.1+1.1=1 0
0 0 0.1+0.1=0 0
Ternyata BERHASIL mengenali pola

X1
1

2
Y

X2
1
Problem OR
X1 X2 net Y, 1 jika net >=1, 0 jika net < 1
1 1 1.1+1.1=2 1
1 0 1.1+0.1=1 1
0 1 0.1+1.1=1 1
0 0 0.1+0.1=0 0
Ternyata BERHASIL mengenali pola

X1
1

1
Y

X2
1

H. Aplikasi Jaringan Syaraf Tiruan

Berikut adalah beberapa aplikasi jaringan syaraf tiruan dalam kehidupan :
1. Jaringan syaraf tiruan untuk mendeteksi posisi wajah manusia pada
citra digital
2. Jaringan syaraf tiruan (model ADALINE) dapat dipakai unuk menekan
noise dalam saluran telepon.
3. Aplikasi JST untuk pengenalan pola sidik jari.
4. Aplikasi Pengenalan Ucapan Dengan Jaringan Syaraf Tiruan Propagasi
Balik Untuk Pengendalian Robot Bergerak
 PENUTUP

Masih banyak ilmu yang bisa digali dari Jaringan Syaraf Tiruan.
Banyak pula referensi yang membahas tentang aplikasi JST. Tentu banyak
kekurangan dalam penyampaian makalah di atas, oleh karena itu selalu
diharapkan kritik dan saran dari pembaca. Semoga dengan adanya penjelasan di
atas dapat bermanfaat dan membantu pembaca dalam memahami seputar Jaringan
Syaraf Tiruan.
 DAFTAR PUSTAKA

http://id.wikipedia.org/wiki/Jaringan_saraf_tiruan
http://www.Fardipujiyanta.files.wordpress.com/bab-i-jaringan-saraf-
tiruan1.doc
Modul Jaringan Syaraf Tiruan