1. A.

Jaringan saraf tiruan, adalah jaringan dari sekelompok unit pemroses kecil yang
dimodelkan berdasarkan sistem saraf manusia. JST merupakan sistem adaptif yang
dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi
eksternal maupun internal yang mengalir melalui jaringan tersebut.
B. Jaringan Syaraf Tiruan ditentukan oleh 3 hal: Arsitektur jaringan, sebagai pola
hubungan antar neuron. Algoritma, merupakan metode untuk menentukan bobot
penghubung atau bisa juga disebut proses training/learning. Fungsi aktivasi.

2. A. Fungsi aktivasi merupakan fungsi yang digunakan pada jaringan syaraf untuk

mengaktifkan atau tidak mengaktifkan neuron. ... ∑ = = N 1i i w i x a
Kemudian fungsi aktivasi F akan mengaktivasi a menjadi output jaringan y.

1. B. Identifikasi dan control: contohnya adalah control kendaraan dan natural

resources management
2. Pengambil keputusan dalam video game: contohnya adalah game chess dan
poker
3. Pengenal pola: contohnya adalah radar, pengenalan muka, dan pengenalan
objek
4. Diagnosis medis: contohnya adalah mendeteksi suatu penyakit apaan gitu
seperti kanker, jantung, dll

3. Didalam R nilai input dan target kita buat dalam bentuk matriks dan dengan contoh
menggunakan package AMORE

library(AMORE)

inputs <- matrix(0, 4, 2)

inputs[,1] <- c(-1, -1, 1, 1)
inputs[,2] <- c(-1, 1, -1, 1)
inputs
## [,1] [,2]
## [1,] -1 -1
## [2,] -1 1
## [3,] 1 -1
## [4,] 1 1

dan targetnya,

target <- matrix(0, 4, 1)

target[,1] <- c(-1, 1, 1, -1)
target
## [,1]
## [1,] -1
## [2,] 1
## [3,] 1
## [4,] -1

4. Dengan jaringan syaraf umpan maju akan dipersiapkan terlebih dahulu model jaringan
yang akan digunakan, semisal diinginkan banyaknya neuron pada layar hidden adalah 3,
beserta setiap argumen yang berhubungan dengan jaringan tersebut

net <- newff(n.neurons=c(2,3,1), learning.rate.global=0.1,

momentum.global=0.5, error.criterium="LMS", Stao=NA,
hidden.layer="tansig", output.layer="tansig", method="ADAPTgdwm")
## List of 2
## $ net :List of 7
## ..$ layers :List of 3
## .. ..$ : int [1:2] -1 -2
## .. ..$ : int [1:3] 1 2 3
## .. ..$ : int 4
## ..$ neurons :List of 4
## .. ..$ :List of 14
## .. .. ..$ id : int 1
## .. .. ..$ type : chr "hidden"
## .. .. ..$ activation.function : int 1
## .. .. ..$ output.links : int 4
## .. .. ..$ output.aims : int 1
## .. .. ..$ input.links : int [1:2] -1 -2
## .. .. ..$ weights : num [1:2] -1.54 -1.45
## .. .. ..$ bias : num -0.915
## .. .. ..$ v0 : num -1.7
## .. .. ..$ v1 : num 0.0247
## .. .. ..$ f0 :function (v)
## .. .. ..$ f1 :function (v)
## .. .. ..$ method : chr "ADAPTgdwm"
## .. .. ..$ method.dep.variables:List of 5
## .. .. .. ..$ delta : num -2.32e-13
## .. .. .. ..$ learning.rate : num 0.1
## .. .. .. ..$ momentum : num 0.5
## .. .. .. ..$ former.weight.change: num [1:2] -6.61e-14 4.71e-14
## .. .. .. ..$ former.bias.change : num 0
## .. .. ..- attr(*, "class")= chr "neuron"
## .. ..$ :List of 14
## .. .. ..$ id : int 2
## .. .. ..$ type : chr "hidden"
## .. .. ..$ activation.function : int 1
## .. .. ..$ output.links : int 4
## .. .. ..$ output.aims : int 2
## .. .. ..$ input.links : int [1:2] -1 -2
## .. .. ..$ weights : num [1:2] -1.5 -1.49
## .. .. ..$ bias : num 0.817
## .. .. ..$ v0 : num -1.54
## .. .. ..$ v1 : num 0.226
## .. .. ..$ f0 :function (v)
## .. .. ..$ f1 :function (v)
## .. .. ..$ method : chr "ADAPTgdwm"
## .. .. ..$ method.dep.variables:List of 5
## .. .. .. ..$ delta : num 2.05e-12
## .. .. .. ..$ learning.rate : num 0.1
## .. .. .. ..$ momentum : num 0.5
## .. .. .. ..$ former.weight.change: num [1:2] -1.44e-13 -2.89e-13
## .. .. .. ..$ former.bias.change : num 0
## .. .. ..- attr(*, "class")= chr "neuron"
## .. ..$ :List of 14
## .. .. ..$ id : int 3
## .. .. ..$ type : chr "hidden"
## .. .. ..$ activation.function : int 1
## .. .. ..$ output.links : int 4
## .. .. ..$ output.aims : int 3
## .. .. ..$ input.links : int [1:2] -1 -2
## .. .. ..$ weights : num [1:2] 0.874 -0.233
## .. .. ..$ bias : num 0.046
## .. .. ..$ v0 : num 0.735
## .. .. ..$ v1 : num 0.934
## .. .. ..$ f0 :function (v)
## .. .. ..$ f1 :function (v)
## .. .. ..$ method : chr "ADAPTgdwm"
## .. .. ..$ method.dep.variables:List of 5
## .. .. .. ..$ delta : num -4.54e-13
## .. .. .. ..$ learning.rate : num 0.1
## .. .. .. ..$ momentum : num 0.5
## .. .. .. ..$ former.weight.change: num [1:2] 3.92e-14 4.46e-14
## .. .. .. ..$ former.bias.change : num 0
## .. .. ..- attr(*, "class")= chr "neuron"
## .. ..$ :List of 14
## .. .. ..$ id : int 4
## .. .. ..$ type : chr "output"
## .. .. ..$ activation.function : int 1
## .. .. ..$ output.links : int NA
## .. .. ..$ output.aims : int 1
## .. .. ..$ input.links : int [1:3] 1 2 3
## .. .. ..$ weights : num [1:3] -1.2569 1.2205 -0.0653
## .. .. ..$ bias : num -1.21
## .. .. ..$ v0 : num -1
## .. .. ..$ v1 : num 0.755
## .. .. ..$ f0 :function (v)
## .. .. ..$ f1 :function (v)
## .. .. ..$ method : chr "ADAPTgdwm"
## .. .. ..$ method.dep.variables:List of 5
## .. .. .. ..$ delta : num 7.45e-12
## .. .. .. ..$ learning.rate : num 0.1
## .. .. .. ..$ momentum : num 0.5
## .. .. .. ..$ former.weight.change: num [1:3] 1.02e-12 1.20e-12 -4.41e-
13
## .. .. .. ..$ former.bias.change : num 0
## .. .. ..- attr(*, "class")= chr "neuron"
## ..$ input : num [1:2] 0 0
## ..$ output : num 0
## ..$ target : num 0
## ..$ deltaE :List of 3
## .. ..$ fname: int 1
## .. ..$ f :function (arguments)
## .. ..$ Stao : num NA
## ..$ other.elements:List of 1
## .. ..$ Stao: logi NA
## ..- attr(*, "class")= chr "MLPnet"
## $ Merror: num [1:5, 1] 1.27e-04 2.74e-09 6.36e-14 1.48e-18 3.43e-23

Jaringan telah dilatih untuk mengenali pola, kemudian akan dicoba untuk mengenali pola input
lagi dengan menggunakan fungsi “sim”,

y <- sim(result$net, inputs)

y
## [,1]
## [1,] -1
## [2,] 1
## [3,] 1
## [4,] -1