0 2'8/3(5.8/,$+$1

 

 

6LVWHP &HUGDV  

 
 
 

     

  Fakultas  Program Studi  Tatap Muka  Kode MK  Disusun Oleh   

  Fakultas Teknik  Teknik Elektro    Triyanto Pangaribowo,ST,MT 

  

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

Berdasarkan cara memodifikasi/encoding/ decoding JST diklasifikasikan sbb

Gambar 9.1 Klasifikasi JST

Berikut penjelasan klasifikasinya:

1. Supervised-Feedforward : JST dibimbing dalam hal penyimpanan pengetahuannnya

serta sinyal masuk akan diteruskan tanpa umpan balik

2. Unsupervised – Feedforward : JST tidak dibimbing dalam hal penyimpanan

pengetahuannnya serta sinyal masuk akan diteruskan tanpa umpan balik

3. Unsupervised – Feedback : JST tidak dibimbing dalam hal penyimpanan

pengetahuannnya serta sinyal masuk akan diteruskan dan memberikan umpan balik

4. Supervised – Feedback : JST dibimbing dalam hal penyimpanan 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

didasarkan pada metode pembelajaran, aplikasi dan jenis arsitekturnya

Berdasarkan strategi pembelajaran, model JST dibagi menjadi:

1. Pelatihan dengan supervisi. Contoh: model Hebbian, Perceptron, Delta, ADALINE,

Backpropagation, Heteroassociative Memory, Biderectional Associative Memory

(BAM)

2. Pelatihan tanpa supervisi. Contoh:model Hebian, Competitive, Kohonen, Learning

Vector Quantization (LVQ), Hopfield

Contoh-contoh Aplikasi Jaringan Syaraf Tiruan

 Aplikasi yang sudah ditemukan.

a) Klasifikasi. Model yang digunakan: ADALINE, LVQ, Backpropagation

b) Pengenalaan Pola. Model yang digunakan: Adaptive Resononance Theory (ART),

LVQ, Backpropagation

c) Peramalan. Model yang digunakan: ADALINE, MADALINE, Backpropagation

d) Optimisasi. Model yang digunakan: ADALINE, Hopfield, Backpropagation

Neuron McCulloch-Pitts (McP)

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

neuron McP memiliki karakteristik sbb:

a) Fungsi aktivasinya biner.

2013 Sistem Cerdas Pusat Bahan Ajar dan eLearning

   Triyanto Pangarbowo,ST,MT http://www.mercubuana.ac.id

 
 
 b) Semua garis yang memperkuat sinyal (bobot positif) ke arah suatu neuron memiliki

kekuatan (besar bobot) yang sama. Hal yang sama untuk garisyang memperlemah

sinyal (bobot negatif) ke arah neuron tertentu.

c) Setiap neuron memiliki batas ambang (threshold) yang sama. Apabila total input

ke neuron tersebut melebihi threshold, maka neuron akan meneruskan sinyal

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

bersifat positifumumnya akan meningkatkan kekuatan jaringan, sebaliknya bobot negatif

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

positif), sedangkan m buah penghubung dari xn+1,....xn+m ke Y merupakan garis yang

memperlemah sinyal (bobot negatif).

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.

Fungsi aktivasi neuron Y adalah

2013 Sistem Cerdas Pusat Bahan Ajar dan eLearning

   Triyanto Pangarbowo,ST,MT http://www.mercubuana.ac.id

 
 
Bobot tiap garis tidak ditentukan dengan proses pelatihan, tetapi dengan metode analitik.

Beberapa contoh berikut memaparkan bagaiman neuron McP digunakan untuk memodelkan

fungsi logika sederhana.

Octave-4.4.1

Octave-4.4.1 merupakan bahasa tingkat tinggi layaknya Matlab, yang khusus ditujukan untuk

menangani permasalah komputasi numerik (John W. Eaton;url ). Biasanya digunakan 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.

Antarmuka Octave secara visual dapat dilihat pada gambar berikut

2013 Sistem Cerdas Pusat Bahan Ajar dan eLearning

   Triyanto Pangarbowo,ST,MT http://www.mercubuana.ac.id

 
 
 Gambar 9.3 Antarmuka (IDE) Octave-4.4.1

Contoh 1: Logika AND

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

merepresentasikansuatu keluaran jaringan yang baik (aktif), sementara keluaran bernilai 0

merupakan representasisuatu jaringan dianggap lemah.

Fungsi logika ”AND” dengan 2 masukan x1 dan x2 akan memiliki keluaran Y =1 jika

dan hanya jika kedua masukan bernilai 1

Buatlah model neuron McP untuk menyatakan fungsi logika AND

2013 Sistem Cerdas Pusat Bahan Ajar dan eLearning
   Triyanto Pangarbowo,ST,MT http://www.mercubuana.ac.id

 
 
Penyelesaian :

Model neuron fungsi AND tampak pada gambar di bawah ini. Bobot tiap garis adalah = 1 dan

fungsi aktivasi memiliki nilai threshold = 2.

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)

terlebih dahulu dengan skema berikut :

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

keluaran seperti tabel berikut

Secara komputasi keluaran jaringan memenuhi target sesuai dengan fungsi aktivasi bineryang
digunakan. Hal yang sama juga membuktikan bahwa implementasi yang dilakukan

2013 Sistem Cerdas Pusat Bahan Ajar dan eLearning

   Triyanto Pangarbowo,ST,MT http://www.mercubuana.ac.id

 
 
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

bernilai 1 untukmenghasil keluaran 1. Secara struktur, logika OR akan menghasilkan keluaran

seperti yangdiuraikan pada tabel kebenaran berikut :

Tabel kebenaran dan bagan arsitektur logika OR diatas, menghasilkan arsitektur

jaringansyaraf McCulloch-Pitts yang mirip dengan arsitektur logika AND. Dengan dua

sinyal masukan x1 dan x2, arsitektur jaringan syaraf untuk McCulloch-Pitts dapat dibentuk

seperti gambar berikut ini :

2013 Sistem Cerdas Pusat Bahan Ajar dan eLearning

   Triyanto Pangarbowo,ST,MT http://www.mercubuana.ac.id

 
 
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

untukmelihat apakah jaringan McCulloch-Pitts benar-benar mampu mengenali pola masukan

denganfungsi logika OR. Dari hasil pengujian, didapatkan kesimpulan bahwa Octave-4.4.1

juga mampumelakukan proses komputasi seperti pada logika fungsi AND. Adapaun keluaran

jaringan untukfungsi logika OR, dapat diamati pada gambar berikut :

2013 Sistem Cerdas Pusat Bahan Ajar dan eLearning

   Triyanto Pangarbowo,ST,MT http://www.mercubuana.ac.id

 
 
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.

2013 Sistem Cerdas Pusat Bahan Ajar dan eLearning

   Triyanto Pangarbowo,ST,MT http://www.mercubuana.ac.id