0 2'8/3(5.8/,$+$1
6LVWHP &HUGDV
Abstract Kompetensi
Pada modul 9 ini dijelaskan mengenai penggunaan Mampu memahami dan
Matlab sebagai alat komputasi pada model Jaringan membuat Jaringan Syaraf
McCulloch Tiruan dengan model
Jaringan McCulloch
Klasifikasi JST Berdasarkan Pelatihan Umum
pengetahuannnya serta sinyal masuk akan diteruskan dan memberikan umpan balik
Konsep JST yang dibimbing (supervised): JST diberi masukan tertentu dan keluarannya
ditentukan oleh pengajarnya. Dalam proses tsb, JST akan menyesuaikan bobot sinapsisnya.
Konsep JST tanpa dibimbing (unsupervised): kebalikan dari supervised, JST secara
mandiri akan mengatur keluarannya sesuai aturan yang dimiliki. Konsep JST
feedforward: hasil outputnya sudah dapat diketahui sebelumnya. Konsep JST feedback:
lebih bersifat dinamis, dalam hal ini kondisi jaringan akan selalu berubah sampai diperoleh
keseimbangan tertentu.
2013 Sistem Cerdas Pusat Bahan Ajar dan eLearning
Triyanto Pangarbowo,ST,MT http://www.mercubuana.ac.id
Hingga saat ini terdapat lebih dari 20 model JST. Masing-masing model menggunakan
arsitektur, fungsi aktivasi dan algoritma yang berbeda-beda dalam prosesnya. Taksonomi JST
(BAM)
LVQ, Backpropagation
Model Jaringan syaraf McCulloch-Pitts merupakan model jaringan yang sangat sederhana.
Secara komputasi yang umum dilakukan pada mode jaringan syaraf, Model jaringan
McCulloch-Pitts mampu mengatasi permasalahan gerbang logika yang ada. Ada banyak
macam gerbanglogika seperti yang diuraikan pada pendahuluan diatas, namun pada bagian
ini, hasil dan pembahasan artikel ini dispesifikasikan pada logika AND dan OR
Model JST yang digunakan oleh McP merupakan model yang pertama ditemukan. Model
b) Semua garis yang memperkuat sinyal (bobot positif) ke arah suatu neuron memiliki
kekuatan (besar bobot) yang sama. Hal yang sama untuk garisyang memperlemah
c) Setiap neuron memiliki batas ambang (threshold) yang sama. Apabila total input
Secara prinsip, model jaringan ini memiliki arsitektur jaringan dimana sinyal
inputterhubung secara langsung dengan sinyal keluaran. Setiap sinyal masukan memiliki
bobot yangunik yang sangat mempengaruhi keluaran jaringan. Bobot jaringan yang
akan memperlemah jaringan. Arsitektur jaringan pada model ini, dapat dilihat seperti pada
gambar berikut
Gambar 9.2 Model Neuron McP
Neuron Y menerima sinyal dari (n+m) buah neuron x1x2, .....xn, xn+1, ....xn+m. n buah
penghubung dengan dari x1,x2, .....xn ke Y merupakan garis yang memperkuat sinyal (bobot
Semua penghubung dari x1, x2, .....xn ke Y memiliki bobot yang sama. Hal yang sama
dengan penghubung dari xn+1,....xn+m ke Y memiliki bobot yang sama. Namun jika ada
neuron lain katakan Y2, maka bobot x1 ke Y1boleh berbeda dengan bobot dari x2 ke Y2.
Bobot tiap garis tidak ditentukan dengan proses pelatihan, tetapi dengan metode analitik.
Beberapa contoh berikut memaparkan bagaiman neuron McP digunakan untuk memodelkan
Octave-4.4.1
Octave-4.4.1 merupakan bahasa tingkat tinggi layaknya Matlab, yang khusus ditujukan untuk
masalah seperti menyelesaikan persamaan linear dan nonlinier, aljabar linear numerik,analisis
statistik, dan untuk melakukan eksperimen numerik lainnya. Octave juga dapatdigunakan
sebagai bahasa berorientasi batch untuk pemrosesan data otomatis.Octave merupakan editor
opensource yang saat ini telah mulai dikenal oleh kebanyakan pegiat bidang komputasi
seperti jaringan syaraf tiruan. Pengembangan Octave hingga saat inisudah sampai pada versi
4.4.1 dengan kemampuan yang semakin baik seperti Matlab.Keberadaan Octave merupakan
alternatif bagi pengguna yang keberatan dengan Matlab karenakebutuhan sistem dan biaya
yang lebih besar. Antarmuka Octave seperti pada editor Matlab yangmenyediakan jendela
Command Window dan Editor sebagai interaksi antara komputer dengan pengguna.
Gambar 9.3 Antarmuka (IDE) Octave-4.4.1
Gerbang logika AND dapat berupa dua masukan atau lebih untuk mampu
menghasilkansebuah keluaran saja. Sementara karakteristik gerbang logika AND ini akan
menghasilkankeluaran bernilai 1, jika semua input bernilai 1. Sebaliknya, jika salah satu
masukan bernilai 0,maka keluaran akan menghasilkan 0. Dalam jaringan syaraf tiruan, nilai 1
Fungsi logika ”AND” dengan 2 masukan x1 dan x2 akan memiliki keluaran Y =1 jika
Penyelesaian :
Model neuron fungsi AND tampak pada gambar di bawah ini. Bobot tiap garis adalah = 1 dan
Umpama nilai threshold untuk arsitektur jaringan tersebut adalah 2, dengan bobot garis x1
dan x2 sama seperti pada rancangan arsitektur diatas, maka keluaran jaringan Y untuk pola
masukan x1dan x2 pada baris pertama, akan didapat dengan menghitung total input (net)
Untuk semua kemungkinan masukan, nilai aktivasi tampak pada tabel berikut:
Adapun untuk pola masukan pada baris ke 2, 3 dan 4 dihitung dengan menggunakan formula
yang sama. Jika semua pola masukan x1 dan x2 pada baris tersebut dihitung dengan cara
yang sama dengan bobot w1dan w2 = 1 dan nilai threshold = 2, maka akan menghasilkan
Secara komputasi keluaran jaringan memenuhi target sesuai dengan fungsi aktivasi bineryang
digunakan. Hal yang sama juga membuktikan bahwa implementasi yang dilakukan
padaOctave-4.4.1 memberikan keluaran yang sama dengan komputasi, seperti yang
ditunjukkan padagambar berikut :
Contoh 2: Logika OR
Gerbang logika OR juga memiliki dua atau lebih masukan untuk dapat menghasilkan
sebuahkeluaran, namun logika OR memiliki sifat yang berbeda dengan AND. Logika OR
merupakankebalikan dari AND, dimana logika OR hanya membutuhkan satu titik saja
jaringansyaraf McCulloch-Pitts yang mirip dengan arsitektur logika AND. Dengan dua
sinyal masukan x1 dan x2, arsitektur jaringan syaraf untuk McCulloch-Pitts dapat dibentuk
Berdasarkan arsitektur jaringan pada gambar table Logika AND, umpama sinyal masukan
sama dengangerbang logika AND, dengan bobot w1 dan w2= 3, dan nilai threshold = 3, maka
hasil komputasiakan seperti pada tabel berikut
Dari hasil komputasi yang ditunjukkan pada tabel diatas, pengujian dilakukan kembali
denganfungsi logika OR. Dari hasil pengujian, didapatkan kesimpulan bahwa Octave-4.4.1
juga mampumelakukan proses komputasi seperti pada logika fungsi AND. Adapaun keluaran
DaftarPustaka
1. Kusumadewi; Sri. 2003. Artificial Intelligence (Teknik & Aplikasinya). Yogyakarta:
Graha Ilmu
2. Suyoto. 2004. Intelegensi Buatan (Teori dan Pemrograman). Yogyakarta : Gava
media.
3. Kusumadewi; Sri. 2004. Membangun Jaringan Syaraf Tiruan dengan Matlab & Excel
Link. Yogyakarta: Graha Ilmu.
4. Kuswadi; Son. 2004. Kendali Cerdas: Teori dan Aplikasi Praktisnya. Yogyakarta :
Andi
5. Away, gunaldi, 2010, the shortcut of matlab programing, informatic bandung.
6. Kusumadewi; Sri. 2002, analisis dan disain sistem fuzzy menggunakan toolsbox
matlab, Yogyakarta: Graha Ilmu.
7. Murata, Tadao, 1989, petri net properties, analysis and application, proceding of
IEEEVol4 april 1989.
8. Berbagai sumber di Internet.
9. Buku JST dan Pemrograman oleh Drs. Jong Jek Siang, M.Sc.