INSTITUT SAINS DAN TEKNOLOGI AL KAMAL

DOKUMEN OPERASIONAL

FORMULIR SOAL UJIAN SEMESTER

No.Dok: 001/BAAK/ISTA/X/2019 No.Rev : Tgl.Berlaku : 28 - 10 - 2019 Hal : 1

UJIAN TENGAH SEMESTER T.A 2019-2020 GENAP
FAKULTAS TEKNOLOGI INFORMASI DAN KOMUKASI VISUAL

PRODI : TEKNIK INFORMATIKA

MATA UJIAN : JARINGAN SYARAF TIRUAN
DOSEN PENGAMPU : OKI KUSMAWAN, S.Kom., M.Kom
KELAS : Reg.Malam
SEMESTER / SKS : GENAP / 2019-2020
HARI/TANGGAL UJIAN : Rabu / 8 April 2020
SIFAT UJIAN/WAKTU. : TAKE HOME
KETENTUAN SOAL
1. Bacalah soal ujian dengan teliti.
2. Soal ujian tidak boleh dicoret-coret.
3. Soal ujian harap dikembalikan kembali ke petugas ujian.

KERJAKAN SOAL DENGAN BAIK DAN BENAR !

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

Dosen Pengampu Ka Prodi Teknik Informatika

Pertemuan : 1-6

Tanggal : 3 April 2020

Oki Kusmawan, M.Kom Ravie Kurnia Laday, M.Kom
 Lembar Jawab UTS

Nama : Anggita Suci Nurwahid

Nim : 201722005
Dosen Pengampu : Oki Kusmawan, S.Kom., M.Kom.
Prodi : Teknik Informatika
Hari/Tanggal : Rabu, 8-04-2020
Matkul : Jaringan Syaraf Tiruan

1) PENGERTIAN JSB DAN JST

Jaringan Syaraf Biologi

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

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.

TABEL PERBEDAAN JSB DAN JST

JSB JST

Terbatas waktu karna manusia membutuhkan Tidak terbatas waktu dapat digunakan
istirahat kapan saja

Tempat akses lokal Dapat digunakan diberbagai tempat

Pengetahuan bersifat variabel dan dapat berubah Pengetahuan bersifat konsisten

tergantung situasi

Hanya sementara/dapat habis karena manusia Tidak habis

bisa wafat

Kecepatannya variabel Keceptannya konsisten

Dayaguna nya variabel Dayaguna nya konsisten

KOMPONEN JSB KOMPONEN JST

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.

3) APLIKASI DAN METODE YANG DIGUNAKANNYA DALAM JST

APLIKASI METODE

Prediksi Performa Mahasiswa Pada Pembelajaran Backpropagation

Berbasis Problem Based Learning (PBL)

Sistem Diagnosa Penyakit Dalam Backpropagation

Klasifikasi Status Gizi Anak Learning Vektor Quantization

Presiksi Jurusan di SMA Learning Vektor Quantization

Klasifikasi Kualitas Air Sungai Learning Vektor Quantization

Leveling Fitur Kuis Aplikasi Pembelajaran Perceptron

Pengenalan Notasi Pola Aplikasi Penjumlahan Perceptron

Prediksi Harga Emas Multi Layer Perception

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.

ARSITEKTUR JARINGAN SYARAF TIRUAN

Ada beberapa arsitektur jaringan syaraf, antara lain:

a. Jaringan dengan lapisan tunggal (single layer net)

Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot-
bobot terhubung. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahn
ya menjadi output tanpa harus melalui lapisan tersembunyi (Gambar 8.4). Pada Gambar 8.4 tersebu
t, lapisan input memiliki 3 neuron, yaitu X1, X2 dan X3.Sedangkan pada lapisan output memiliki 2 ne
2
uron yaitu Y1 dan Y2.Neuron pada kedua lapisan saling berhubungan. Seberapa besar hubungan anta
ra2 neuron ditentukan oleh bobot yang bersesuaian. Semua unit input akan dihubungkan d
engan setiap unit output.

b. Jaringan dengan banyak lapisan (multilayer net)

Jaringan dengan banyak lapisan memiliki 1 atau lebih lapisan yang terletak diantara lapisan i
nput dan lapisan output (memiliki 1 atau lebih lapisan tersembunyi), seperti terlihat pada Gamb
ar 8.5. Umumnya, ada
2
lapisan bobot yang terletak antara 2 lapisan yang bersebelahan. Jaringan dengan banyak lapisan ini
dapat menyelesaikan permasalahan yang lebih sulit daripada lapisan dengan lapisan tunggal, te
ntu saja dengan pembelajaran yang lebih rumit. Namun demikian, pada banyak kasus, pem
belajaran pada jaringan dengan banyak lapisan ini lebih sukses dalam menyelesaikan masalah.
 c. Jaringan dengan lapisan kompetitif (competitive layer net)
Umumnya, hubungan antar neuron pada lapisan kompetitif ini tidak diperlihatkan pada diagram arsi
tektur. Gambar 8.6 menunjukkan salah satu contoharsitektur jaringan dengan lapisan kompetitif yan
g memiliki bobot -h.

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.

6) BEBERAPA FUNGSI AKTIVASI YANG BIASA DIPAKAI DALAM JST :

o Fungsi Linear

Fungsi linear dinyatakan dengan persamaan : y =f(x)= ax

 Dimana adalah kemiringan dari fungsi. Jika = 1 maka fungsi aktivasi tsb adalah fungsi
identitas

o Fungsi Treshold (hard limiter)

biner dan bipolar

gsi threshold bipolar mempunyai output y yaitu :

o Fungsi LInear Piecewise

o Fungsi Biner Sigmoid

dapat ditulis seperti berikut :

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)

fungsi tanh akan berbeda-beda seperti ditunjukkan dalam gamb. 1.14

Contoh :

Andaikan kita mempunyai sebuah neural network dengan 4 input dan bobot seperti gambar 1.15.

7) A. PERBEDAAN VEKTOR DAN MATRIKS

 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.

Di bawah ini adalah beberapa buah contoh matriks.

Matriks B merupakan matriks berukuran 3×4, matriks C berukuran 3×3 dan

matriks D berukuran 4×3.

JENIS-JENIS MATRIKS BERDASARKAN POLA ELEMENNYA

Matriks identitas adalah matriks persegi yang elemen-elemen diagonal utamanya adalah 1,
sedangkan yang lainnya nol.

Matriks nol adalah matriks yang semua elemennya nol.

 Matriks skalar adalah matriks yang elemen-elemen diagonal utamanya sama, sedangkan
elemen 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 1 15 13 9 5 9 21

 1 14 15 x  1 9 18 12 15 
   
 4 9 15  7 20 15 13 15 

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 

275 426 308 324 513 

 132 435 482 372 456 
166 417 407 339 444 