0701173199
2019
KATA PENGANTAR
Alhamdulillah puji syukur kehadirat Allah SWT yang telah melimpahkan rahmat-Nya
sehingga kami dapat menyelesaikan penulisan makalah tentang jst ini dengan lancer.
Dengan ada-Nya Tugas ini kami berharap dapat menambah wawasan atau pun
menambah Referensi dalam kaitan-Nya dengan Sistem Pakar. Kami mohon maaf, jika
terdapat suatu kekurangan karena pengetahuan yang masih kurang. mohon bimbingan Bapak
Dosen selaku dosen kami agar kami lebih mengerti banyak tentang Hal tersebut.
i
DAFTAR ISI
KATA PENGANTAR……………………………………………………………….. i
DAFTAR ISI…………..…………………………………………………………….. ii
BAB I
PENDAHULUAN
A. Latar Belakang……………………………………………………................... 1
B. Rumusan Masalah.............................................................................................. 1
C. Tujuan................................................................................................................ 1
BAB II
PEMBAHASAN
1. SEJARAH PERCEPTRON.............................................................................. 2
2. ARSITEKTUR JARINGANSYARAF TIRUAN.......................................... 3
3. FUNGSI AKTIFASI....................................................................................... 3
4. METODE PADA JST....................................................................................... 3
5. KUMPULAN RUMUS DAN ISTILAH......................................................... 6
6. CONTOH SOAL.............................................................................................. 8
BAB II
PENUTUP
1. KESIMPULAN................................................................................................. 9
2. DAFTAR PUSTAKA........................................................................................ 10
ii
BAB I
PENDAHULUAN
A. Latar Belakang
Jaringan Syaraf Tiruan adalah Merupakan salah satu representasi buatan dari otak
manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia
tersebut. Istilah buatan digunakan karena jaringan syaraf ini diimplementasikan dengan
menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan
selama proses pembelajaran.Neuron, sel syaraf yang akan mentransformasikan informasi
yang diterima melalui sambungan keluaranya menuju neuron-neuron yang lain.
Pada jaringan syaraf, hubungan antar neuron-neuron dikenal dengan nama bobot.Pada
jaringan syaraf, neuron-neuron akan dikumpulkan dalam lapisan-lapisan (layer) yang disebut
dengan lapisan neuron (neuron layers)Informasi yang diberikan pada jaringan syaraf akan
dirambatkan lapisan ke lapisan, mulai dari input sampai kelapisan output melalui lapisan
yang lainnya, yang dikenal dengan lapisan tersembunyi (hidden layer), tergantung pada
algoritma pembelajarannya, bisa jadi informasi tersebut akan dirambatkan secara mundur
pada jaringan.
B. Rumusan Masalah
1. SEJARAH PERCEPTRON
2. ARSITEKTUR JARINGANSYARAF TIRUAN
3. FUNGSI AKTIFASI
4. METODE PADA JST
C. Tujuan
1. Mengetahui pengertian serta algoritma dari jst
BAB II
PEMBAHASAN
1. SEJARAH PERCEPTRON
Tahun 1940-an, para ilmuwan menemukan bahwa psikologi otak sama dengan mode
pemrosesan yang dilakukan oleh komputer
Tahun 1943, McCulloch dan Pitts merancang model formal yang pertamakali sebagai
perhitungan dasar neuron.
Tahun 1954, Farley dan Clark mensetup model-model untuk relasiadaptif stimulus-
respon dalam jaringan random.
Tahun 1958, Rosen blatt mengembangkan konsep dasar tentang perception untuk
klasifikasi pola.
Tahun 1960, Widrow dan Hoff mengembangkan ADALINE yang dilatih dengan
pembelajaran Least Mean Square (LMS).
Tahun 1975, Little dan Shaw menggambarkan jaringan syaraf dengan probabilistik
2
2. ARSITEKTUR JARINGAN SYARAF
Faktor terpenting untuk menentukan kelakuan suatu neuron adalah fungsi aktivasi dan
pola bobotnya.
Hanya memiliki satu lapisan dengan bobot-bobot terhubung Jaringan ini hanya
menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus
melalui lapisan tersembunyi.
-Memiliki 1 atau lebih lapisan yang terletak diantara lapisan input dan lapisan output
-Ada lapisan yang berbobot yang terletak antara 2 lapisan yang bersebelahan.
3. FUNGSI AKTIFASI
a. FungsiUndakBiner(Hard Limit)
Jaringan dengan lapisan tunggal sering menggunakan fungsi undak untuk menkonversi input
dari suatu variabel yang bernilai kontinu ke suatu output biner Fungsihard limit dirumuskan,
0 jika x ≤ 0
y=f(net)=
1 jika x > 0
b. FungsiUndakBiner(Threshold)
Fungsi undak biner dengan menggunakan nilai ambang sering disebut fungsi nilai
ambang atau fungsi Heaviside. Dirumuskan:
0 jika x < Ø
Y=f(net)=
1 jika x ≥ Ø
3
c. Fungsi Bipolar
Hampir sama dengan fungsi undak biner, hanya saja output yang dihasilkan berupa 1, 0 atau
-1
1 jika x > 0
Y=f(x)= 0 jika x = 0
-1 jika x < 0
sama dengan fungsi bipolar akan tetapi angka “0” diganti dengan nilai threshold
4
4. METODE PADA JST
1. HebbRule
2. Perception
Biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu yang sering
dikenal dengan pemisahan secara linear.
3. Delta Rule
Mengubah bobot yang menghubungkan antara jaringan input keunit output dengan
nilai target.
4. Backpropagation
5. HetroassociativeMemory
Model jaringan syaraf yang memiliki2 lapisan dan terhubung penuh dari satu lapisan
kelapisan lainnya. Pada jaringan ini dimungkinkan adanya hubungan timbal balik antara
lapisan input dan lapisan output.
Suatu metode untuk melakukan pembelajaran pada lapisan kompetitif yang terawasi.
Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor
input. Kelas-kelas yang didapatkan sebagai hasil hanya tergantung pada jarak antara vektor-
vektor input.
5
KUMPULAN RUMUS DAN ISTILAH
NET=Y_IN= b + Σxi Wi
∆W = α t Xi
KETERANGAN
W=BOBOT
T =TARGET
∆W = SELISIH BOBOT
Xi = INPUTAN
NET = KELUARAN
α = LAJU PEMAHAMAN
6
5. CONTOH SOAL
Buatlah perceptron untuk mengenali logika “atau” dengan menggunakan masukan biner dan
7
8
BAB II
Kesimpulan
Metode perceptron dapat digunakan untuk mengenali logika “Atau / Or” dengan
dengan menggunakan masukan biner dan keluaran bipolar, dan gunakan α = 1 dan threshold
(ø) = 0,2
Terdapat 6 Epoch atau Iterasi hingga diperoleh output yang tepat sesuai targaet dan
batas kesalahan 0
9
DAFTAR PUSTAKA
Arief Hermawan, “Jaringan Saraf Tiruan : Teori dan Aplikasi”, Andi, Yogyakarta : 2006.
Dewi Agushinta R., “Ekstraksi Fitur Dengan Segmentasi Wajah Untuk Identifikasi Pada
10