Tugas Jaringan Saraf Tiruan

WINA FADIA ARDIANTI

0701173199

PROGRAM STUDI ILMU KOMPUTER

FAKULTAS SAINS DAN TEKNOLOGI

UIN SUMATERA UTARA MEDAN

2019
 KATA PENGANTAR

Assalamualaikum Wr. Wb.

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.

Wassalamualaikum wr. Wb.

Medan, 20 Desember 2019

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 1974, Werbos memperkenalkan algoritma backpropagation

Tahun 1975, Little dan Shaw menggambarkan jaringan syaraf dengan probabilistik

Tahun 1982, Kohonen mengembangkan metode pembelajaran jaringan syaraf yang

tidak terawasi untuk pemetaan.

Tahun 1982, Grossberg mengembangkan teori jaringan.

Tahun 1982, Hopfield mengembangkan jaringan syaraf reccurent.

Tahun 1985, algoritma pembelajaran dengan mensin Boltzmann.

Tahun1987, Kosko mengembangkan jaringan Adaptive Bidirectional Associative Memory

(BAM)

Tahun 1988, dikembangkan fungsiradial bebas.

2
 2. ARSITEKTUR JARINGAN SYARAF

Faktor terpenting untuk menentukan kelakuan suatu neuron adalah fungsi aktivasi dan
pola bobotnya.

Ada beberapa arsitektur jaringan syaraf, antar alain :

A .Jaringan dengan lapisan tunggal (single layer net)

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.

B. Jaringan dengan banyak lapisan (multilayer net)

-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

Fungsi Symetric Hard Limit dirumuskan sebagai :

1 jika x > 0

Y=f(x)= 0 jika x = 0

-1 jika x < 0

d.fungsi bipolar dengan treshold

sama dengan fungsi bipolar akan tetapi angka “0” diganti dengan nilai threshold

4
 4. METODE PADA JST

ADA 7 METAODE DALAM JARINGAN SYARAF TIRUAN

1. HebbRule

Metode pembelajaran yang paling sederhana, pembelajaran dilakukan dengan cara

memperbaiki nilai bobot sedemikian rupa sehingga jika ada 2 neuron yang terhubung dan
keduanya dalam kondisi“on”pada saat yang sama, maka bobot antara keduanya dinaikkan

2. Perception

Biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu yang sering
dikenal dengan pemisahan secara linear.

Algoritma yang digunakan akan mengatur parameter-parameter bebasnya melalui

proses pembelajaran.

3. Delta Rule

Mengubah bobot yang menghubungkan antara jaringan input keunit output dengan
nilai target.

4. Backpropagation

Algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perception

dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron
yang ada pada lapisan tersembunyi.

5. HetroassociativeMemory

Jaringan yang bobot-bobotnya ditentukan sedemikian rupa sehingga jaringan tersebut

dapat menyimapan kumpulan pola.

6. Bidirectional Associative Memory

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.

7. Learning vector Quantization

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

BOBOT BARU (W) = ∆W + W lama

Untuk y=f(net) sesuai aktifasi yang diinginkan

KETERANGAN

W=BOBOT

T =TARGET

∆W = SELISIH BOBOT

Xi = INPUTAN

NET = KELUARAN

F(net) = RESPON UNIT KELUARAN

α = LAJU PEMAHAMAN

6
 5. CONTOH SOAL

Buatlah perceptron untuk mengenali logika “atau” dengan menggunakan masukan biner dan

keluaran bipolar, dan gunakan α = 1 dan threshold (Ø) = 0,2 !!!!!!

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

Sistem Pengenalan Wajah”, Disertasi, Universitas Sultan Fatah, Demak, 2014.

10