UTS Kecerdasan Buatan dan Logika Fuzzy

Nama: Yayan Heryanto

NPM: 163112706420040

1. Perinsip kerja jaringan syaraf tiruan

prinsip operasi JST : Jaringan syaraf tiruan terdiri dari beberapa neuron dan
ada hubungan antar neuron- neuron seperti pada otak manusia.
Neuron/selsaraf adalah sebuah unit pemroses informasi yang merupakan
dasar operasi jaringan syaraf tiruan.

Jaringan syaraf tiruan terdiri atas beberapa elemen penghitung tak linier
yang masing-masing dihubungkan melalui suatu pembobot dan tersusun
secara paralel. Pembobot inilah yang nantinya akan berubah (beradaptasi)
selama proses pelatihan.

Pelatihan perlu dilakukan pada suatu jaringan syaraf tiruan sebelum

digunakan untuk menyelesaikan masalah. Hasil pelatihan jaringan syaraf
tiruan dapat diperoleh tanggapa yang benar (yang diinginkan) terhadap
masukan yang diberikan. Jaringan syaraf tiruan dapat memberikan
tanggapan yang benar walaupun masukan yang diberikan terkena derau
atau berubah oleh suatu keadaan.

2. Prinsip Kerja NN-Back propagarion:

Jaringan terdiri dari tiga lapisan yaitu lapisan input,lapisan output dan
lapisan tersembunyi Lapisan tersebut menyesuaikan neuron yang
terkoneksi untuk membentuk seluruh jaringan beban - beban yang di
tugaskan dalam berbagai koneksi menandai kekuatan sinyal, beban
tersebut dihitung berdasarkan sinyal input dan fungsi error yang di back-
propagated kembai ke lapisan input.
Fungsi dari lapisan tersembunyi adalah untuk memperbaharui beban yang
ada pada koneksi keseluruhan berdasarkan sinyal input dan error
 3. Berikut ini hasil load data example yang di operasikan dengan NN toolbox
dengan jumlah layer atau neuron yakni 1- 10

(Gambar1 Best Validation Performance dengan Jumlah Neuron 1)

Pada Gambar 1 diatas dengan jumlah neuron 1 maka didapat hasil validasi terbaik berada pada 0.04724
di epoch 17
 (Gambar2 Best Validation Performance dengan Jumlah Neuron 2)

Pada Gambar 2 diatas dengan jumlah neuron 2 maka didapat hasil validasi terbaik berada pada
0.011818 di epoch 28
 (Gambar3 Best Validation Performance dengan Jumlah Neuron 3)

Pada Gambar 3 diatas dengan jumlah neuron 3 maka didapat hasil validasi terbaik berada pada
0.0079755 di epoch 21
 (Gambar4 Best Validation Performance dengan Jumlah Neuron 4)

Pada Gambar 4 diatas dengan jumlah neuron 4 maka didapat hasil validasi terbaik berada pada
0.022986 di epoch 17
 (Gambar 5 Best Validation Performance dengan Jumlah Neuron 5)

Pada Gambar 5 diatas dengan jumlah neuron 5 maka didapat hasil validasi terbaik berada pada
0.018484 di epoch 14
 (Gambar 6 Best Validation Performance dengan Jumlah Neuron 6)

Pada Gambar 6 diatas dengan jumlah neuron 6 maka didapat hasil validasi terbaik berada pada
0.002082 di epoch 29
 (Gambar 7 Best Validation Performance dengan Jumlah Neuron 7)

Pada Gambar 7 diatas dengan jumlah neuron 7 maka didapat hasil validasi terbaik berada pada 9.3352e-
06 di epoch 27
 (Gambar 8 Best Validation Performance dengan Jumlah Neuron 8)

Pada Gambar 8 diatas dengan jumlah neuron 8 maka didapat hasil validasi terbaik berada pada
0.00019744 di epoch 15
 (Gambar 9 Best Validation Performance dengan Jumlah Neuron 9)

Pada Gambar 9 diatas dengan jumlah neuron 9 maka didapat hasil validasi terbaik berada pada
0.0033536 di epoch 24
 (Gambar 10 Best Validation Performance dengan Jumlah Neuron 10)

Pada Gambar 10 diatas dengan jumlah neuron 10 maka didapat hasil validasi terbaik berada pada
0.0089474 di epoch 13
4. Ketika dilakukan variasi jumlah layer atau neuron maka performansi ikut
berubah, tampilan performansi untuk setiap layer atau neuron yang
diujikan bisa dilihat pada grafik Best Validation Performance.