DOKUMEN OPERASIONAL
1. Jelaskan dari JSB dan JST, perbedaan dari keduanya apa? gambarkan dari keduanya?
2. Jelaskan sejarah JST?
3. Aplikasi apa saja yang dapat diterapkan JST beserta dengan metode? Metode apa saja?
4. Apa hubungan dengan JST dengan DM (Data Mining), Machine Learning, dan AI? Gambarkan
hubungan tersebut?
5. Jelaskan komponen, gambarkan arsitektur, aktivasi dari jaringan syraf tiruan?
6. Sebutkan dan jelaskan aktivasi di JST?
7. A. Jelaskan perbedaan vector dan matriks? Ada berapa jenis matriks?
B. Hitung perkalian matriks dari A dan B
Otak manusia merupakan organ terpenting dan memiliki struktur yang sangat kompleks terdiri dari
neuron-neuron serta penghubungnya yang disebut sinapsis. Neuron akan bekerja berdasarkan impuls
atau sinyal yang diberikan padanya dan meneruskannya pada neuron lain.
Jaringan Syaraf Tiruan (JST) adalah sistem komputerisasi sebagai pemroses informasi yang memiliki
karater mirip dengan jaringan syaraf biologi pada saat menangkap informasi dari ‘dunia luar’. Maksud
sebenarnya dari JST adalah berusaha membuat sebuah model sistem komputasi informasi yang dapat
menirukan rangkaian cara kerja jaringan syaraf biologis.
JSB JST
Terbatas waktu karna manusia membutuhkan Tidak terbatas waktu dapat digunakan
istirahat kapan saja
Soma Node
Dendrit Input/masukan
Axon Output/keluaran
Sinapsis Weight/Bobot
Milyarin Neuron Ratusan Neuron
2) SEJARAH JST
Jaringan saraf tiruan diperkenalkan secara sederhana pada tahun 1943 oleh McCulloch dan Pitts
[Fausett; 1994]. Pada saat itu McCulloch dan Pitts melalui beberapa komputasi menggunakan neuron-
neuron sederhana dapat mengubahnya menjadi sebuah sistem baru (disebut sistem neural) yang
mempunya kemampuan komputasi yang lebih baik. Selain itu McCulloch dan Pitts juga mengusulkan
pemberian bobot dalam jaringan yang dapat diatur untuk melakukan fungsi logika sederhana. Beliau-
beliau ini menggunakan semacam fungsi aktivasi threshold.
Pada tahun 1958, Rosenblatt beserta Minsky dan Papert mulai mengembangkan model jaringan yang
disebut dengan perceptron. Dalam model ini mereka mencoba untuk mengoptimalkan hasil
iterasinya. Kemudian pada tahun 1960 Widrow dan Hoff mengembangkan model perceptron ini
dengan memperkenalkan aturan pelatihan jaringan yang disebut aturan delta (sering juga
disebut kuadrat rata-rata terkecil). Aturan tersebut akan mengubah bobot perceptron apabila
keluaran yang dihasilkan tidak lagi sesuai dengan target yang telah ditetapkan. Hal inilah yang
menyebabkan komputer dapat “belajar” dengan sendirinya; kecepatan belajar dapat diatur dengan
menggunakan parameter tertentu.
Perkembangan selanjutnya dibuat oleh Rumelhart (1986) dengan mencoba mengembangkan sistem
layar tunggal (single layer) pada perceptron menjadi sistem layar jamak (multilayers), yang kemudian
disebut dengan sistem backpropagation. Setelah itu, muncul beberapa model jaringan saraf tiruan
lain yang dikembangkan oleh Kohonen (1972), Hopfield (1982), dan lain-lain.
APLIKASI METODE
4) Hubungan AI, ML, dan NN(Jaringan Syaraf Tiruan) yaitu sama-sama teknik yang digunakan untuk
menirukan/menyalin sesuatu. Perbedaannya dalam AI tekniknya digunakan untuk menirukan
kecerdasan, dalam ML digunakan untuk menirukan/menggantikan perilaku, dalam NN(Jaringan
Syaraf Tiruan) digunakan untuk menirukan syaraf/bagian fundamental dari otak yang dimiliki mahluk
hidup, seperti manusia. Sedangkan DM sendiri yaitu proses penambangan informasi penting dari
suatu data.
5) KOMPONEN JARINGAN SYARAF TIRUAN
Komponennya adalah nude, Input, Output, Bobot, Fungsi Aktivasi dan Ratusan Neuron.
AKTIVASI JST
Fungsi aktivasi merupakan fungsi yang digunakan pada jaringan saraf untuk mengaktifkan atau tidak
mengaktifkan neuron. Karakteristik yang harus dimiliki oleh fungsi aktivasi jaringan perambatan balik
antara lain harus kontinyu, terdiferensialkan, dan tidak menurun secara monotonis (monotonically
non-decreasing). Lebih lanjut, untuk efisiensi komputasi, turunan fungsi tersebut mudah didapatkan
dan nilai turunannya dapat dinyatakan dengan fungsi aktivasi itu sendiri. Fungsi aktivasi yang di
analisis adalah sigmoid biner dan sigmoid bipolar.
o Fungsi Linear
adalah parameter bentuk dari fungsi sigmoid. Dengan mengubah harga maka
bentuk dari fungsi sigmoid akan berbeda-beda spt ditunjukkan gamb. 1.13
o Fungsi Bipolar Sigmoid atau Tangen Hiperbolik (tanh)
Contoh :
Andaikan kita mempunyai sebuah neural network dengan 4 input dan bobot seperti gambar 1.15.
Vektor adalah matriks yang hanya memiliki satu kolom saja atau hanya memiliki satu baris saja.
Vektor dinotasikan dengan huruf kecil dan dicetak tebal. Penulisan vektor adalah sebagai
berikut.
Vektor tersebut dapat ditulis juga dalam bentuk transpose vektor yaitu
Berikut ini adalah beberapa buah contoh vektor.
Matriks adalah susunan angka-angka dalam bentuk bujur sangkar atau persegi panjang yang
diapit oleh tanda kurung. Semua bilangan yang ada dalam matriks adalah bilangan real.
Matriks dinotasikan dengan huruf kapital dan dicetak tebal.
Matriks A di atas memiliki n baris dan p kolom. Matriks A biasa disebut juga dengan matriks
yang berukuran n×p. Notasi aij dalam matriks menunjukkan elemen matriks baris ke-i dan
kolom ke-j.
Matriks identitas adalah matriks persegi yang elemen-elemen diagonal utamanya adalah 1,
sedangkan yang lainnya nol.
Matriks diagonal adalah matriks yang elemen-elemen di luar diagonal utamanya nol.
Matriks segitiga atas adalah matriks persegi yang elemen-elemen di bawah diagonal utamanya
nol.
Matriks segitiga bawah adalah matriks persegi yang elemen-elemen di atas diagonal utamanya
nol.
Matriks simetri adalah matriks persegi yang elemen-elemen di atas diagonal utamanya sama
dengan elemen-elemen di bawah diagonal utamanya.
B. PERKALIAN MATRIKSS BXA
13.13 1.1 15.7 13.9 1.9 15.20 13.5 1.18 15.15 13.9 1.12 15.13 13.21 1.15 15.15
1.13 14.1 15.7 1.9 14.9 15.20 1.5 14.18 15.15 1.9 14.12 15.13 1.21 14.15 15.15
4.13 9.1 15.7 4.9 9.9 15.20 4.5 9.18 15.15 4.9 9.12 15.13 4.21 9.15 15.15