MAKALAH AI

JARINGAN SARAF TIRUAN

KELOMPOK 3

kievin a

Pangesti Raharja (06.2015.1.06598)

m.irfan c

abdul malik

FAKULTAS TEKNOLOGI INFORMASI

INSTITUT TEKNOLOGI ADHI TAMA SURABAYA

SURABAYA

2017
 PENDAHULUAN

1. LATAR BELAKANG
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 selama
proses pembelajaran berlangsung.
Jaringan syaraf tiruan merupakan bidang kajian yang menarik untuk dibahas, baik dari
segi aplikasi maupun perkembangannya. Hal ini disebabkan karena kemampuan JST
untuk meniru sifat sistem yang diinputkan. Beberapa aplikasi JST diantaranya adalah
image processing (pengolahan citra), pattern recognition (pengenalan pola), medicine
(ilmu kedokteran), speech recognition (pengenalan suara)
2. RUMUSAN MASALAH
Megetahui lebih dalam tentang Jaringan Syaraf Tiruan.
3. MANFAAT
Menambah pengetahuan dan wawasan tentang Jaringan Syaraf Tiruan.
 ISI
1. PENGERTIAN JARIANGAN SYARAF TIRUAN
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.
Menurut seorang ahli jaringan syaraf tiruan bernama Haykin S., jaringan syaraf
tiruan itu seperti sebuah prosesor yang dapat menyimpan pengetahuan dan pengalaman
sehingga prosesor ini dapat bekerja menyerupai otak manusia yang dapat beradapatasi
dengan masalah. Jadi, Jaringan syaraf tiruan itu adalah metode/algoritma yang dapat
membuat komputer mempunyai otak pintar seperti manusia yang bisa beradaptasi
terhadap masalah.
2. MANFAAT JARINGAN SYARAF TIRUAN
Dalam kehidupan sehari-hari jaringan syaraf tiruan digunakan dalam aplikasi yang
berkaitan dengan hal-hal berikut :
Identifikasi dan control : Kontrol kendaraan, Natural Resources Mangement
Pengambil keputusan dalam video game: Chess, Poker, Backgammon
Pengenal Pola : Radar, Pengenal wajah, Pengenal objek
Diagnosa Medis untuk mendeteksi penyakit kangker
3. KELEBIHAN DAN KEKURANGAN JST
Kelebihan Jaingan Syaraf Tiruan :
Mampu mengakuisisi pengetahuan walau tidak ada kepastian
Mampu melakukan generalisasi dan ekstraksi dari suatu pola data tertentu
JST dapat menciptakan suatu pola pengetahuan melalui pengaturan diri atau
kemampuan belajar (self organizing)
Memiliki fault tolerance, gangguan dapat dianggap sebagai noise saja
Kemampuan perhitungan secara paralel sehingga proses lebih singkat
 Klasifikasi: memilih suatu input data ke dalam kategori tertentu yang sudah
ditetapkan.
Asosiasi: menggambarkan suatu obyek secara keseluruhan hanya dengan bagian
dari obyek lain.
Self organizing: kemampuan mengolah data-data input tanpa harus mempunyai
target.
Optimasi: menemukan suatu jawaban terbaik sehingga mampu meminimalisasi
fungsi biaya

Kelemahan Jaingan Syaraf Tiruan :

Kelemahan Kurang mampu untuk melakukan operasi operasi numerik dengan
presisi tinggi.
Kurang mampu melakukan operasi algoritma aritmatik, operasi logika dan
simbolis.
Lamanya proses training yang mungkin terjadi dalam waktu yang sangat lama
untuk jumlah data yang besar.
4. KARAKTERISTIK JARINGAN SYARAF TIRUAN
Penyelesaian masalah dengan jaringan syaraf tiruan tidak memerlukan pemrograman.
Jaringan syaraf tiruan menyelesaikan masalah melalui proses belajar dari contoh-contoh
pelatihan yang diberikan. Biasanya pada jaringan syaraf tiruan diberikan sebuah
himpunan pola pelatihan yang terdiri dari sekumpulan contoh pola. Proses belajar
jaringan syaraf tiruan berasal dari serangkaian contoh-contoh pola yang diberikan.metode
pelatihan yang sering dipakai adalah metode belajar terbimbing. Selama proses belajar itu
pola masukan disajikan bersama-sama dengan pola keluaran yang diinginkan. Jaringan
akan menyesuaikan nilai bobotnya sebagai tanggapan atas pola masukan dan sasaran
yang disajikan tersebut. (Hermawan, 2006)
Faktor Bobot
Bobot merupakan suatu nilai yang mendefinisikan tingkat atau kepentingan
hubungan antara suatu node dengan node yang lain. Semakin besar bobot suatu
hubungan menandakan semakin pentingnya hubungan kedua node tersebut. Bobot
merupakan suatu hubungan berupa bilangan real maupun integer, tergantung dari
jenis permasalahan dan model yang digunakan. Bobot-bobot tersebut bisa
 ditentukan untuk berada didalam interval tertentu. selama proses pelatihan, bobot
tersebut dapat menyesuaikan dengan pola-pola input.Jaringan dengan sendirinya
akan memperbaiki diri terus-menerus karena adanya kemampuan untuk belajar.
Setiap ada suatu masalah baru, jaringan dapat belajar dari masalah baru tersebut,
yaitu dengan mengatur kembali nilai bobot untuk menyesuaikan karakter nilai.
Fungsi Aktivasi
Setiap neuron mempunyai keadaan internal yang disebut level aktivasi atau level
aktivitas yang merupakan fungsi input yang diterima. Secara tipikal suatu neuron
mengirimkan aktivitasnya kebeberapa neuron lain sebagai sinyal. Yang perlu
diperhatikan adalah bahwa neuron hanya dapat mengirimkan satu sinyal sesaat,
walaupun sinyal tersebut dapat dipancarkan ke beberapa neuron yang lain.Ada
beberapa pilihan fungsi aktivasi yang digunakan dalam metode backpropagation,
seperti fungsi sigmoid biner, dan sigmoid bipolar. Karakteristik yang harus
dimiliki fungsi fungsi aktivasi tersebut adalah kontinue, diferensiabel, dan tidak
menurun secara monoton. Fungsi aktivasi diharapkan dapat mendekati nilai-nilai
maksimum dan minimum secara baik. Berikut ini adalah fungsi aktivasi yang
sering digunakan yaitu:
Fungsi Sigmoid Biner
Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan
menggunakan metodebackpropagation. Fungsi sigmoid biner memiliki
nilai pada range 0 sampai 1. Fungsi ini sering digunakan untuk jaringan
syaraf yang membutuhkan nilai output yang terletak pada interval 0
sampai 1. Definisi fungsi sigmoid biner adalah segabai berikut:
f1(x) = 1/(1+ ex)
dengan turunan
f1(x) = f1(x) (1- f1(x))
berikut ini ilustrasi fungsi sigmoid biner:
Ilustrasi fungsi sigmoid biner dengan range (0,1)
 Fungsi Sigmoid Bipolar
Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya
saja output dari fungsi ini memiliki range antara 1 sampai -1. Definisi
fungsi sigmoid bipolar adalah sebagai berikut:
f2(x) = 2 f2(x) -1
dengan turunan
f2(x) = (1+ f2(x)) (1- f2(x))
Berikut ini adalah ilustrasi fungsi sigmoid bipolar:

Ilustrasi fungsi sigmoid bipolar dengan range (-1,1)

5. ALGORITMA DALAM JARINGAN SARAF TIRUAN.
1. Algoritma Backpropagation
pada jaringan syaraf backpropagation, feedfoward (umpan maju) dilakukan dalam
rangka perhitungan bobot sehingga pada akhir pelatihan akan diperoleh bobot-bobot
yang baik. Selama proses pelatihan, bobot-bobot diatur secara iteratif untuk
meminimumkan error (kesalahan) yang terjadi. Error (kesalahan) dihitung
berdasarkan rata-rata kuadrat kesalahan (MSE). Rata-rata kuadrat kesalahan juga
dijadikan dasar perhitungan unjuk kerja fungsi aktivasi. Sebagian besar pelatihan
untuk jaringan feedfoward (umpan maju) menggunakan gradien dari fungsi aktivasi
untuk menentukan bagaimana mengatur bobot-bobot dalam rangka meminimumkan
kinerja. Gradien ini ditentukan dengan menggunakan suatu teknik yang disebut
backpropagation. Algoritma pelatihan standar backpropagation akan menggerakkan
bobot dengan arah gradien negatif.Prinsip dasar dari algoritma backpropagation
adalah memperbaiki bobot-bobot jaringan dengan arah yang membuat fungsi aktivasi
menjadi turun dengan cepat.Pelatihan backpropagation meliputi 3 tahapan sebagai
berikut.
 1. Propagasi maju.
Pola masukan dihitung maju mulai dari input layer hingga output layer menggunakan
fungsi aktivasi yang ditentukan.

2. Propagasi mundur.
Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan
yang terjadi. Kesalahan yang terjadi itu dipropagasi mundur. Dimulai dari garis yang
berhubungan langsung dengan unit-unit di output layer.

3. Perubahan bobot.
Modifikasi bobot untuk menurunkan kesalahan yang terjadi. Ketiga fase tersebut
diulang-ulang terus hingga kondisi penghentian dipenuhi. (Puspaningrum, 2006)

2. 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.

6. IMPLEMENTASI JARINGAN SYARAF TIRUAN

Dalam Bidang Ketahanan Militer
a. Artificial Intelligence Projects
Salah satu contoh aplikasi AI yang digunakan pada saat ini yaitu dalam
bidang militer. Virtual reality dipakai untuk melakukan simulasi latihan perang,
simulasi latihan terjun payung. dan sebagainya. Dimana dengan pemakaian
teknologi ini bisa lebih menghemat biaya dan waktu dibandingkan dengan cara
konvensional.
Istilah Realitas maya tidak pasti asalnya. Pengembang realitas maya, Jaron
Lanier mengakui bahwa ia menggunakan istilah itu pertama kali dan ada istilah
 yang terkait digunakan oleh Myron Krueger adalah kenyataan tiruan telah
digunakan sejak 1970.
Virtual Reality sering digunakan untuk menggambarkan berbagai aplikasi,
umumnya terkait dengan mendalam, sangat visual, 3D lingkungan.Biasanya
piranti Virtual Reality ini juga memonitor apa yang dilakukan user. Misalnya
kacamata yang mengontrol pergerakkan bola mata pengguna dan meresponnya
dengan mengirim masukkan video yang baru.
Virtual Reality kadang digunakan untuk menyebut dunia virtual yang
disajikan ke dalam komputer, seperti pada berbagai macam game permainan
komputer yang kini marak perkembangannya, meskipun hanya berbasis
representasi teks, suara dan grafis.
Sekarang, istilah Virtual Reality mulai tergantikan oleh istilah Virtual
Envoronment oleh para ahli komputer. Konsepnya tetap sama, yaitu
mensimulasikan lingkungan 3-D yang bisa dijelajahi oleh pengguna seolah-olah
benar-benar bisa dirasakan lewat indera.
b. Teknologi Virtual Reality
Virtual reality adalah sebuah teknologi yang memungkinkan seseorang
melakukan simulasi terhadap suatu objek nyata dengan menggunakan komputer
yang mampu membangkitkan suasana tiga dimensi (3-D) sehingga membuat
pemakai seolah-olah terlibat secara fisik. Virtual Reality atau VR tidak hanya
mensimulasikan apa yang ingin disimulasikan seseorang yang diprogramkan di
Komputer seperti dunia nyata atau sesuatu yang lain, tetapi juga menciptakan
kemampuan intelegensi dalam dunia virtual tersebut, dalam bahasan ini mengenai
simulai militer dalam angkatan bersenjata.
Sistem seperti ini juga dapat digunakan untuk farmasi, arsitek, pekerja
medis, dan bahkan orang awam untuk melakukan aktivitas-aktivitas yang meniru
dunia nyata. Sebagai contoh, pilot dapat menggunakan sistem virtual reality untuk
melakukan simulasi penerbangan sebelum melakukan penerbangan yang
sesungguhnya. Ini sangat membantu dalam menekan biaya dan sumber daya
manusia maupun sumberdaya alam yang dibutuhkan untuk membantu dalam
melakukan hal-hal tertentu. Dalam VR juga dapat dimasukkan system
pembelajaran, karena tidak nyata maka simulasi dapat dilakukan terus menerus,
seperti halnya ketika main game hanya saja system ini jauh lebih cerdas karena
 dapat membantu kita mengenali object virtual dan berinteraksi langsung dengan
system, VR dibuat untuk mengenali sentuhan, gerakan, tekanan,bahasa, dan lain-
lain.
VR bisa disebut gabungan dari beberapa aplikasi AI yang ada yaitu
Cognitive architectures, Games, Motion and manipulation, Natural language
processing, semua yang ada disimulasikan dengan system yang dibuat seperti apa
yang dikenali manusia melalui penglihatan, sentuhan, dan pendengaran.
Setelah beberapa tahun pengembangan yang berawal dari imajinasi untuk
hidup di dunia maya akhirnya terwujud dengan saat ini sudah banyak digunakan
VR dalam industri, personal dan militer, VR adalah sebuah teknologi yang
membawa kita untk melihat dan mensimulasikan sesuatu didalam komputer,
dalam VR, objek dapat dibuat objek statis maupun dinamis, kita dapat
berinteraksi langsung menggunakan peralatan yang ada.
Di gunakannya VR dalam militer adalah untuk membantu angkatan
bersenjata berltih prang menggunakan musuh virtual, ini akan sangat membantu
dari segi finansial dan tempat yang dibutuhkan, sistem dapat selalu dimaintain dan
diperbaiki, sebuah kecerdasan buatan didalamnya dapat diperbaharui seperti
software pada umumnya.
Glove, headset, dan walker digunakan untuk melakukan interaksi dalam
VR, dalam pengembangannya ada 3 tahapan sederhana, yaitu memodelkan dunia
3 dimensi dalam VR, menciptakan sebuah AI dalam objek 3 dimensi yang dibuat
kemudian membuat control antara hardware dan software untuk dapat dilakukan
interaksi virtual antara pemakai dan system. Dengan teknologi VRML dan
pengembangan SIMNET dalam dunia militer diharapkan dapat membantu SDM
yang dilatih untuk lebih baik dan mengembangkannya lebih lanjut.
c. Dalam bidang Pendidikan
Aplikasinya:
Sistem Tutor Cerdas atau Intelligent Tutoring System(ITS) merupakan
sebuah teknologi pembelajaran yang dinamis dan dapat menyesuaikan isi atau
output program sesuai dengan kebutuhan dari objek sasaran menggunakan
keahliannya dalam metode pembelajaran dan materi yang diajarkan. Hal ini dapat
dilakukan karena ITS dilengkapi oleh Artificial Intelligence (AI). Bayesian
Network menyediakan sebuah pendekatan probabilistik untuk mendapatkan suatu
 inference atau kesimpulan tentang karakteristk setiap pengguna program ITS.
Dalam simulasi program ITS berbasis metode Bayesian Network diketahui bahwa
keandalan program tersebut adalah 52,3%.
Saat kita bebicara tentang arti dari Sistem Tutor Cerdas (STC) atau
Intelligent Tutoring System (ITS) maka kita juga harus mempertimbangkan riset-
riset lain yang sudah ada. Karena Intelligent Tutoring System adalah sebuah
istilah yang luas, mencakup program komputer apapun yang berisi tentang
kecerdasan atau Intelligence serta dapat digunakan dalam pembelajaran. Oleh
karena itu ada beberapa definisi dari ITS antara lain:
Sistem Tutor Cerdas (STC) atau Intelligent Tutoring System (ITS) adalah
sebuah program software yang menyediakan instruksi-instruksi untuk
seorang pelajar dengan cara membimbing seperti seorang guru.

Secara luas Intelligent Tutoring System diartikan sebagai software di

bidang pendidikan yang berisi komponen Artificial Intelligence. Software
ini dapat merekam semua pekerjaan siswa sepanjang dia menggunakan
program ini, dengan mengumpulkan semua informasi tersebut, program
ini dapat membuat atau menghasilkan kesimpulan tentang kelemahan dan
kekuatan pengguna, serta dapat menyarankan sebuah pekerjaan
tambahan.Kunci dari sebuah program ITS adalah kemampuannya dalam
beradaptasi sebaik mungkin dalam aktivitas pedagogik yang baik kepada
siswa secara individu. Jadi, ITS mencoba untuk mengidentifikasi beberapa
karakteristik dari seorang siswa yang sesuai dengan kriteria tertentu untuk
menyajikan sebuah action, bagaimana cara bereaksi terhadap beberapa
tindakan siswa.
d. Dalam Bidang Kecerdasan Buatan
Aplikasinya :
Kecerdasan Buatan Dalam Robotika
Kecerdasan Buatan (Artificial Intelligence) dalam robotik adalah suatu
algorithma (yang dipandang) cerdas yang diprogramkan ke dalam kontroler robot.
Pengertian cerdas di sini sangat relatif, karena tergantung dari sisi mana sesorang
memandang. Para filsuf diketahui telah mulai ribuan tahun yang lalu mencoba
 untuk memahami dua pertanyaan mendasar: bagaimanakah pikiran manusia itu
bekerja, dan, dapatkah yang bukan-manusia itu berpikir? (Negnevitsky, 2004).
Hingga sekarang, tak satupun mampu menjawab dengan tepat dua pertanyaan ini.
Pernyataan cerdas yang pada dasarnya digunakan untuk mengukur kemampuan
berpikir manusia selalu menjadi perbincangan menarik karena yang melakukan
penilaian cerdas atau tidak adalah juga manusia. Sementara itu, manusia tetap
bercita-cita untuk melakukan kecerdasan manusia kepada mesin.
Dalam literatur, orang pertama yang dianggap sebagai pionir dalam
mengembangkan mesin cerdas (intelligence machine) adalah Alan Turing, sorang
matematikawan asal Inggris yang memulai karir saintifiknya di awal tahun 1930-
an. Di tahun 1937 ia menulis paper tentang konsep mesin universal (universal
machine). Kemudian, selama perang dunia ke-2 ia dikenal sebagai pemain kunci
dalam penciptaan Enigma, sebuah mesin encoding milik militer Jerman. Setelah
perang, Turing membuat automatic computing engine Ia dikenal juga sebagai
pencipta pertama program komputer untuk bermain catur, yang kemudian
program ini dikembangkan dan dimainkan di komputer milik Manchester
University. Karya-karyanya ini, yang kemudian dikenal sebagai Turing Machine,
dewasa ini masih dapat ditemukan aplikasi-aplikasinya. Beberapa tulisannya yang
berkaitan dengan prediksi perkembangan komputer di masa datang akhirnya juga
ada yang terbukti. Misalnya tentang ramalannya bahwa di tahun 2000-an
komputer akan mampu melakukan percakapan dengan manusia.

e. Dalam Bidang Ekonomi dan Bisnis

Aplikasinya :
Sistem Prediksi Kurs Mata Uang Menggunakan Jaringan Syaraf Tiruan
Prediksi kurs mata uang adalah salah satu tahap awal yang sangat penting
sebelum dilakukan proses jual beli nilai tukar mata uang yang nantinya menjadi
acuan perekonomian dunia. Pada penggunaannya juga dapat sebagai
pertimbangan untuk para pialang saham dan bursa efek untuk mengambil langkah
bisnis selanjutnya.
Data dari kurs mata uang dapat diperlakukan secara time series . Jika
kita mempunyai data harian selama periode tertentu, misal : Xt (t=1,2,),
maka kurs mata uang pada perioda berikutnya (t+h) dapat diprediksi (waktu yang
 digunakan bisa jam, harian, mingguan , bulanan ataupun tahunan) . Demikian
seterusnya dilakukan suatu iterasi berulang hingan N hari kerja. Untuk
mendapatkan hasil prediksi yang baik maka pada jaringan syaraf buatan hasus di-
umpankan suatu masukan yang mewakili dari beberapa aspek atau segi penunjang
harga suatu kurs mata uang. Kemudian dilakukan prinsip pembobotan yang
diadaptasikan untuk meminimumkan kesalahan prediksi pada satu langkah
kedepan. Dengan menggunakan bobot akhir dilakukan suatu tindakan untuk
meminimumkan kesalahan total untuk iterasi berikutnya.
Teknologi sistem jaringan syaraf tiruan telah di-implementasikan dalam berbagai
aplikasi terutama dalam hal pengenalan pola. Kemampuan inilah yang telah menarik
beberapa kalangan dalam menggunakan jaringan syaraf tiruan untuk keperluan
kesehatan, keuangan , investasi, marketing dan lain lain. Pada sistem prediksi kurs
mata uang ini akan dibahas penggunaan Jaringan syaraf tiruan Quick Propagation.
Pada algoritma Quickprop dilakukan pendekatan dengan asumsi bahwa kurva fungsi
error terhadap masing-masing bobot penghubung berbentuk parabola yang terbuka ke
atas, dan gradien dari kurva error untuk suatu bobot tidak terpengaruh oleh bobot-
bobot yang lain. Dengan demikian perhitungan perubahan bobot hanya menggunakan
informasi lokal pada masing-masing bobot. Berdasarkan hasil uji coba juga diketahui
bahwa aplikasi ini mampu memprediksi nilai mata uang hingga 1 bulan kedepan
dengan tingkat keakuratan mencapai lebih dari 75%.
Peramalan nilai tukar mata uang dengan menggunakan Jaringan Saraf Tiruan
(JST) telah digunakan secara luas dan memberikan hasil yang bagus. Hal ini
disebabkan kemampuan JST untuk menangkap karakter volatilitas yang tinggi dan
nonlinier pada pasar uang. Namun, JST merupakan suatu paradigma pembelajaran
yang sangat tidak stabil dan terlalu sensitif jika diterapkan pada peramalan nilai tukar
mata uang.. Misalnya dengan menggunakan struktur JST yang sama, namun berbeda
training set, maka akan didapat perbedaan hasil yang cukup besar. Hal ini dapat
menyebabkan kesulitan dalam menentukan hasil ramalan yang akan digunakan.
Untuk menyelesaikan permasalahan tersebut, diajukan sebuah pendekatan peramalan
baru yang disebut peramalan fuzzy group berbasis jaringan saraf tiruan.
Dengan peramalan fuzzy group berbasis jaringan saraf tiruan ini, hasil prediksi
yang berbeda-beda dari beberapa model JST dapat dijadikan satu hasil yang cukup
akurat. Pada metode yang diajukan ini, terlebih dahulu digunakan beberapa model
 JST dimana tiap model JST melakukan beberapa prediksi dengan training set yang
berbeda-beda. Kemudian dilakukan fuzzification terhadap hasil prediksi dari setiap
model JST sehingga menjadi representasi prediksi fuzzy. Selanjutnya representasi
prediksi fuzzy ini diagregasi menjadi satu fuzzy group. Terakhir, dilakukan
defuzzification terhadap fuzzy group yang diperoleh menjadi satu nilai crisp. Untuk
kepentingan ilustrasi dan testing, dilakukan beberapa contoh percobaan prediksi
terhadap tiga pasang mata uang. Sebagai perbandingan, digunakan struktur JST feed-
forward untuk melakukan peramalan. Hasil uji coba memperlihatkan bahwa
peramalan fuzzy group berbasis JST mampu mengatasi masalah stabilitas dan
sensitivitas pada JST. Selain itu keakuratan peramalan juga menjadi lebih baik
daripada JST feed-forward. Walaupun begitu peramalan fuzzy group berbasis JST
juga memiliki kelemahan, yaitu waktu eksekusi yang jauh lebih lama daripada JST
feed-forward.

PENUTUP
KESIMPULAN

Jaringan syaraf tiruan adalah metode/algoritma yang dapat membuat komputer mempunyai otak
pintar seperti manusia yang bisa beradaptasi terhadap masalah.

Jaringan Syaraf Tiruan mulai dilirik banyak kalangan karena mempunyai banyak kelebihan
dibandingkan system konvensional. Jaringan Syaraf Tiruan mewakili pikiran manusia untuk
mendekatkan diri dengan komputer, maksudnya Jaringan Syaraf Tiruan dirancang agar komputer
dapat bekerja seperti/layaknya otak manusia. Kelebihan Jaringan Syaraf Tiruan terletak pada
kemampuan belajar yang dimilikinya. Dengan kemampuan tersebut pengguna tidak perlu
merumuskan kaidah atau fungsinya. Jaringan Syaraf Tiruan akan belajar mencari sendiri
kaidah atau fungsi tersebut. Dengan demikian Jaringan Syaraf Tiruan mampu digunakan untuk
menyelesaikan masalah yang rumit dan atau masalah yang terdapat kaidah atau fungsi yang tidak
diketahui.

REFERENSI

https://id.wikipedia.org/wiki/Jaringan_saraf_tiruan

http://jalanwaktu.wordpress.com/jaringan-syaraf-tiruan/

http://informaticrazy.blogspot.sg/2013/06/jaringan-syaraf-tiruan-implementasinya.html

https://rezkal.wordpress.com/2013/01/17/jaringan-saraf-tiruan-artificial-neural-network/

http://kaliskinanti.blogspot.sg/2017/01/jaringan-saraf-tiruan.html