LAPORAN PRAKTIKUM

KECERDASAN BUATAN

Oleh :

Nama : Isnani
Nim : 1957301025
Kelas : TI 2C
Dosen Pengampu : Muhammad Arhami, S.Si., M.Kom.

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNOLOGI INFORMASI DAN KOMPUTER
POLITEKNIK NEGERI LHOKSEUMAWE
2021
 LEMBARAN PENGESAHAN

No Praktikum : 4/P.KB/Kelas/TI/2021
Judul Praktikum : Perceptron
Tanggal Praktikum : 24 Mei 2021
Tanggal Pengumpulan Laporan : 31 Mei 2021
Nama Praktikan : Isnani
NIM : 1957301025
Kelas : TI 2C
Nilai :

Buketrata, 31 Mei 2021

Dosen Pengampu

Muhammad Arhami, S.Si., M.Kom.

NIP. 197410292000031001

i
 DAFTAR ISI

LEMBARAN PENGESAHAN ...................................................................................... i

DAFTAR ISI ................................................................................................................. ii

DAFTAR GAMBAR ................................................................................................... iii

BAB I PENDAHULUAN ............................................................................................. 1

1.1 Latar Belakang................................................................................................................. 1

1.2 Tujuan Praktikum............................................................................................................ 1

1.3 Manfaat Praktikum .......................................................................................................... 1

BAB II TINJAUAN PUSTAKA ................................................................................... 2

2.1 Tinjauan Pustaka ............................................................................................................. 2

2.2 Dasar Teori ...................................................................................................................... 3

2.2.1 Arsitektur Jaringan Saraf Tiruan .............................................................................. 4

2.2.2 Neuron Buatan(Artificial Neuron/Perceptron) ......................................................... 4

2.2.3 Perceptron ................................................................................................................. 5

BAB III LANGKAH-LANGKAH RAKTIKUM ......................................................... 8

3.1 Alat dan Bahan ................................................................................................................ 8

3.2 Rangkaian Percobaan dan Hasil Percobaan..................................................................... 8

BAB IV PEMBAHASAN DAN ANALISA HASIL .................................................. 20

4.1 Pembahasan ................................................................................................................. 20

4.2 Analisa ........................................................................................................................... 21

BAB V SIMPULAN DAN SARAN ........................................................................... 25

DAFTAR PUSTAKA ................................................................................................. 26

ii
 DAFTAR GAMBAR

Gambar 1 Arsitektur Jaringan Saraf Tiruan ........................................................................ 4

Gambar 2 Neuron Buatan Sederhana .................................................................................. 5
Gambar 3 Pembatasan linear dengan perceptron ................................................................ 6
Gambar 4 Algoritma Perceptron ......................................................................................... 7
Gambar 5 Implementasi Algoritma Perceptron pada Gerbang AND dengan Input Binary
2 bit. .................................................................................................................................... 8
Gambar 6 Output................................................................................................................. 9
Gambar 7 Implementasi Algoritma Perceptron pada Gerbang OR................................... 10
Gambar 8 Output............................................................................................................... 10
Gambar 9 Implementasi Algoritma Perceptron pada Gerbang NOT ................................ 11
Gambar 10 Output............................................................................................................. 11
Gambar 11 Implementasi Algoritma Perceptron pada Gerbang XOR dengan Input Binary
2 bit. .................................................................................................................................. 12
Gambar 12 Output............................................................................................................. 13
Gambar 13 Implementasi Algoritma Perceptron pada Gerbang NAND dengan Input
Binary 2 bit. ...................................................................................................................... 14
Gambar 14 Output............................................................................................................. 14
Gambar 15 Implementasi Algoritma Perceptron pada Gerbang AND dengan Input Binary
3 bit. .................................................................................................................................. 15
Gambar 16 Output............................................................................................................. 15
Gambar 17 Implementasi Algoritma Perceptron pada Gerbang OR ................................ 16
Gambar 18 Output............................................................................................................. 16
Gambar 19 Implementasi Algoritma Perceptron pada Gerbang NOT 3 byte ................... 17
Gambar 20 Output............................................................................................................. 17
Gambar 21 Implementasi Algoritma Perceptron pada Gerbang XOR dengan Input Binary
3 bit. ................................................................................................................... 19

iii
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Cabang ilmu kecerdasan buatan cukup luas, dan erat kaitannya dengan disiplin
ilmu yang lainnya. Hal ini bisa dilihat dari berbagai aplikasi yang merupakan hasil
kombinasi dari berbagai ilmu. Seperti halnya yang ada pada peralatan medis yang
berbentuk aplikasi. Sudah berkembang bahwa aplikasi yang dibuat merupakan hasil
perpaduan dari ilmu kecerdasan buatan dan juga ilmu kedokteran atau lebih khusus
lagi yaitu ilmu biologi.
Neural Network merupakan kategori ilmu Soft Computing. Neural Network
sebenarnya mengadopsi dari kemampuan otak manusia yang mampu memberikan
stimulasi/rangsangan, melakukan proses, dan memberikan output. Output diperoleh
dari variasi stimulasi dan proses yang terjadi di dalam otak manusia. Kemampuan
manusia dalam memproses informasi merupakan hasil kompleksitas proses di
dalam otak. Misalnya, yang terjadi pada anak-anak, mereka mampu belajar untuk
melakukan pengenalan meskipun mereka tidak mengetahui algoritma apa yang
digunakan. Kekuatan komputasi yang luar biasa dari otak manusia ini merupakan
sebuah keunggulan di dalam kajian ilmu pengetahuan.

1.2 Tujuan Praktikum

Pada praktikum ini bertujuan untuk dapat mengimplementasikan Jaringan Saraf
Tiruan Perceptron dengan menggunakan bahasa pemograman python. dan dapat
memberikan output serta analisa dari program yang telah di lakukan.

1.3 Manfaat Praktikum

Dapat memahami Jaringan Saraf Tiruan dan dapat mengimplementasikannya
ke dalam bahasa pemograman python.

1
 BAB II

TINJAUAN PUSTAKA
2.1 Tinjauan Pustaka
Artificial Neural Networks (Jaringan syaraf tiruan) merupakan suatu sistem
pemrosesan informasi yang memiliki karakteristik-karakteristik menyerupai jaringan
syaraf biologi (Fauset, 1994). Hal yang sama diutarakan oleh Simon Haykin, yang
menyatakan bahwa JST adalah sebuah mesin yang dirancang untuk memodelkan cara otak
manusia mengarjakan fungsi atau tugas-tugas tertentu. Mesin ini memiliki kemampuan
menyimpan pengetahuan berdasarkan pengalaman dan menjadikan simpanan pengetahuan
yang dimiliki menjadi bermanfaat.
Artificial Neural Network / Jaringan Saraf Tiruan (JST) adalah paradigma pengolahan
informasi yang terinspirasi oleh sistem saraf secara biologis, seperti proses informasi pada
otak manusia. Elemen kunci dari paradigma ini adalah struktur dari sistem pengolahan
informasi yang terdiri dari sejumlah besar elemen pemrosesan yang saling berhubungan
(neuron), bekerja serentak untuk menyelesaikan masalah tertentu. Cara kerja JST seperti
cara kerja manusia, yaitu belajar melalui contoh. Lapisan-lapisan penyusun JST dibagi
menjadi 3, yaitu lapisan input (input layer), lapisan tersembunyi (hidden layer), dan lapisan
output (ouput layer) (Sutojo, 2010).
Jaringan Syaraf Tiruan merupakan salah satu upaya manusia dalam melaksanakan
tugas tertentu. Pemodelan ini didasari oleh kemampuan otak manusia dalam
mengorganisasikan sel-sel penyusunnya yang disebut neuron, sehingga mampu
melaksanakan tugas –tugas tertentu, khususnya pengenalan pola dengan efektivitas yang
sangat tinggi, Pola dimana neuron-neuron pada JST disusun berhubungan erat dengan
algoritma belajar yang digunakan untuk melatih jaringan (Diyah Puspitaningrum: 2006):
Hermawan (Hermawan, 2006) menjelaskan bahwa jaringan syaraf tiruan adalah sistem
komputasi yang arsitekturnya diilhami dari cara kerja sel syaraf biologis otak manusia.
Artificial Neural Network / Jaringan Saraf Tiruan (JST) adalah paradigma pengolahan
informasi yang terinspirasi oleh sistem saraf secara biologis, seperti proses informasi pada
otak manusia. Elemen kunci dari paradigma ini adalah struktur dari sistem pengolahan
informasi yang terdiri dari sejumlah besar elemen pemrosesan yang saling berhubungan
(neuron), bekerja serentak untuk menyelesaikan masalah tertentu.
Algoritma Perceptron Metode yang digunakan dalam pengembangan ini adalah
jaringan syaraf tiruan dengan menggunakan perceptron. Model ini merupakan model yang
memiliki aplikasi danpelatihan yang lebih baik pada era tersebut. Perceptron merupakan
salah satu bentukjaringan syaraf tiruan yang sederhana. Metode perceptron merupakan
metode pembelajaran dengan pengawasan dalam sistemjaringan syaraf. Dalam merancang
jaringan neuron yang perlu diperhatikan adalah banyaknya spesifikasi yang akan
diidentifikasi. Jaringan neuron terdiri dari sejumlah neuron dan sejumlah masukan (Lucky
Lhaura Van FC,2016).
Perceptron adalah bentuk paling sederhana dari JST yang digunakan untuk
mengkasifikasikan pola khusus yang biasa disebut linearly separable, yaitu polapola yang

2
terletak pada sisi yang berlawanan pada suatu bidang. Pada dasarnya Perceptron terdiri dari
neuron tunggal dengan bobot-bobot sinaptik dan threshold yang dapat diatur, Perceptron
terbatas hanya untuk mengklasifikasikan dua kelas saja (Suyanto, 2014).
Menurut Haykin (2009), Jaringan Saraf Tiruan (JST) atau Artificial Neural
Network (ANN) adalah sebuah jaringan yang dirancang untuk menyerupai otak manusia
yang bertujuan untuk melaksanakan suatu tugas tertentu. Jaringan ini biasanya
diimplementasikan dengan menggunakan komponen elektronik atau disimulasikan pada
aplikasi komputer.
2.2 Dasar Teori
Jaringan saraf tiruan (Artifial Neural Network) merupakn salah satu sistem
pemprosesan informasi yang di desain dengan menirukan cara kerja otak manusia dalam
menyelesaikan suatu masalah dengan mulakukan proses belajar melalui perubahan bobot
sinapsisnya. Jaringan saraf tiruan mampu melakukan pengenalan kegiatan berbasis data
masa lalu. Data masa lalu akan di pelajari oleh jaringan syaraf tiruan sehingga mempunyai
kemampuan untuk memberikan keputusan terhadap data yang belum pernah dipelajari.
Sejak ditemukan pertamakali oleh Mc.Culloch dan Pitts sistem jaringan syaraf tiruan
berkembang pesat dan banyak di gunakan oleh banyak aplikasi, jaringan syaraf tiruan
(Artificial Nural Network) adalah suatu jaringan untuk memodelkan cara kerja sistem
syaraf manusia (otak) dalam melaksanakan tugas tertentu. Pemodelan ini didasari oleh
kemampuan otak manusia dalam mengorganisasi sel – sel penyusunan (neuron), sehingga
memiliki kemampuan untuk melaksanakan tugas – tugas tertentu khususnya pengenalan
pola dengan Efektifitas jaringan tertiggi. (Suyanto, 2013).
Sebagai sistem yang mampu menirukan perilaku manusia, umumnya sistem
mempunyai ciri khas yang mampu menujukan kemampuan dalam hal :
1. Menyimpan informasi
2. Mengunakan informasi yang dimiliki untuk melakukan pekerjaan dan menarik
kesimpulan.
3. Beradaptasi dengan keadaan baru.
4. Berkomunikasi dengan pengunanya.
Dalam prakteknya, jaringan saraf tiruan sangat berguna bagi klasifikasi dan
permasalahanpermasalahan yang dapat mentolerir ketidaktepatan, yang memiliki
banyak data pelatihan, namun memiliki aturan-aturannya yang tidak dapat
diaplikasikan secara mudah. Pembangunan suatu sistem AI yang didasarkan pada
pendekatan JST, secara umum akan meliputi langkah-langkah berikut ini (LiMin Fu :
1994) :
1. Memilih model JST yang sesuai didasarkan pada sifat dasar permasalahannya.
2. Membangun JST sesuai untuk karakteristik domain aplikasinya.
3. Melatih JST dengan prosedur pembelajaran dari model yang dipilih.
4. Menggunakan jaringan yang telah dilatih sebagai pembuatan inferensi atau
pemecahan masalah.
Jika hasilnya tidak memuaskan maka kembali ke langkah sebelumnya. Selanjutnya
ada beberapa ciri-ciri sistem JST yang diilhami dari jaringan saraf biologis adalah :
1. Pemrosesan informasi bersifat lokal

3
 2. Memori terbagi atas LTM (Long Term Memory) yang merupakan bobot
keterhubungan dan STM (Short Term Memory) yang dihubungkan neuron ke sinyal
yang dijalarkan.
2.2.1 Arsitektur Jaringan Saraf Tiruan
Secara umum arsitektur JST terdiri atas beberapa lapisan, yaitu lapisan masukan
(input layer), lapisan tersembunyi (hidden layer), dan lapisan keluaran (output layer).
Masing masing lapisan mempunyai jumlah node atau neuron yang berbeda-beda.
Arsitektur JST tersebut dapat diilustrasikan seperti pada gambar berikut ini :

Gambar 1 Arsitektur Jaringan Saraf Tiruan

1. Lapisan masukan (Input Layer) Lapisan masukan merupakan lapisan yang terdiri
dari beberapa neuron yang akan menerima sinyal dari luar dan kemudian
meneruskan ke neuron-neuron lain dalam jaringan. Lapisan ini diilhamu
berdasarkan ciri-ciri dan cara kerja sel-sel syaraf sensori pada jaringan saraf
biologi.
2. Lapisan tersembunyi (hidden layer) Lapisan tersembunyi merupakan tiruan dari
sel-sel syaraf konektor pada jaringan saraf biologis. Lapisan tersembunyi
berfungsi untuk meningkatkan kemampuan jaringan dalam memcahkan masalah.
Konsekuensi dari adanya lapisan ini adalah pelatihan menjadi makin sulit atau
lama.
3. Lapisan keluaran (output layer) Lapisan keluaran berfungsi untuk menyalurkan
sinyal-sinyal keluaran hasil pemrosesan jaringan. Lapisan ini juga terdiri dari
sejumlah neuron. Lapisan keluaran merupakan tiruan selsel saraf motor pada
jaringan saraf biologis.

2.2.2 Neuron Buatan(Artificial Neuron/Perceptron)

Neuron buatan dirancang untuk menirukan karakteristik neuron biologisorde pertama.
Secara prinsip dibangkitkan serangkaian masukan (input) yang masing-masing
menggambarkan keluaran yang lain. Setiap masukan dikalikan dengan suatu faktor

4
 bobot tertentu yang analog dengan tegangan sinapsis, dan kemudian semua masukan
terboboti itu dijumlahkan untuk menentukan tingkat aktifasi suatu neuron, seperti
gambar berikut ini :

Gambar 2 Neuron Buatan Sederhana

Dari gambar tersebut dapat ditujukkan serangkaian masukan dengan nama x0, x1,
x2,…, xn yang dilakukan pada suatu neuron buatan. Masukan ini secara bersama-sama
disebut sebagai suatu vektor X yang bersesuaian dengan sinyal yang masuk ke dalam
sinapsis neuron biologis. Setiap sinyal dikalikan dengan suatu penimbang wj0, wj1,wj2,
…, wjn sebelum masuk ke blok penjumlah Sj. Setiap faktor pembobot bersesuaian
dengan “tegangan” (strength) penghubung sinapsis biologis tunggal. Faktor pembobot
ini secara bersama-sama teracu sebagai vektor W. Blok penjumlahan yang kurang lebih
bersesuaian dengan badan sel biologis, menjumlahkan semua masukan terboboti secara
aljabar dan menghasilkan sebuah keluar (ouput) yang dinotasikan dengan variabel Uj.
Dalam unit Output variabel X dimasukkan dalam suatu fungsi f tertentu untuk
menghasilkan output akhir. Fungsi f yang digunakan merupakan fungsi linear atau
fungsi-fungsi lain yang lebih kompleks. Fungsi yang sering digunakan adalah fungsi
sigmoid.

2.2.3 Perceptron
Perceptron adalah salah satu metode Jaringan Syaraf Tiruan (JST) sederhana
yang menggunakan algoritma training untuk melakukan klasifikasi secara linier.
Perceptron digunakan untuk melakukan klasifikasi sederhana dan membagi data
untuk menentukan data mana yang masuk dalam klasifikasi dan data mana yang
missclasifikasi (diluar klasifikasi). Perceptron dapat kita gunakan untuk
memisahkan data yang dapat kita bagi menjadi 2 kelas, misalnya kelas C1 dan kelas
C2.

Perceptron dalam Jaringan Syaraf Tiruan memiliki bobot yang bisa diatur dalam
suatu ambang batas (threshold). Melalui proses pembelajaran (learning), Algotirma
Perceptron akan mengatur parameter-parameter bebasnya. “ketutrare “

5
 Perceptron biasanya digunakan untuk mengklasifikasikan suatu pola
tertentu yang sering dikenal dengan pemisahan secara linier. Perceptron
memiliki kecenderungan yang sama dengan jenis JST lainnya, namun setiap
jenis memiliki karakteristik masing-masing.
Perceptron pada JST dengan satu lapisan memiliki bobot yang
bisa diatur dan suatu nilai ambang (threshold). Algoritma yang digunakan
oleh aturan ini akan mengatur parameter-parameter bebasnya melalui proses
pembelajaran. Nilai threshold (Ө) pada fungsi aktivasi adalah non negatif.
Fungsi aktivasi ini dibuat sedemikian rupa sehingga terjadi pembatasan antara
daerah positif dan daerah negatif dapat dilihat pada gambar 2.

Gambar 3 Pembatasan linear dengan perceptron

Garis pemisah antara daerah positif dan daerah nol memiliki pertidaksamaan :
w1x1+ w2 x2+ b > Ө
Sedangkan garis pemisah antara daerah negatif dengan daerah nol memiliki
pertidaksamaan :
w1x1+ w2x2+ b < -Ө
Misalkan kita gunakan pasangan vektor input s dan vektor output sebagai
pasangan vektor yang akan dilatih.
2.2.3.1 Algoritma Perceptron
Perceptron memberikan pengaruh yang kuat di awal pengembangan
JST. Proses belajar pada perceptron menggunakan pengaturan bobot secara
iterative (berulang). Salah satu model sederhana dari perceptron menggunakan
aktivasi biner untuk unit sensor dan unit associator, serta aktivasi +1, 0 atau
±1 untuk unit response. Unit sensor dihubungkan ke unit associator oleh jalur
dengan bobot yang tetap dan bernilai +1, 0, -1 yang ditentukan secara random.
6
 Fungsi aktivasi dari tiap unit associator adalah fungsi undak biner dengan nilai
ambang yang dapat diubah-ubah. Sehingga signal yang dikirim dari unit associator
ke unit output adalah bi
ner (1 atau 1).
Output dari perceptron adalah y = f(y_in), dimana fungsi aktivasinya adalah

Gambar 4 Algoritma Perceptron

Suatu objek akan diklsifikasikan oleh unit j ke dalam kelas A jika
Wji Xi   j
dengan Wji adalah bobot dari unit i ke j, Xi adalah input dari unit i dan θj adalah threshold
pada unit j. Sebaliknya objek akan diklasifikasikan ke dalam kelas B. Algoritma perceptron
dapat dituliskan sebagai berikut: 1. Inisialisasi Bobot Set semua bobot dan node threshold
untuk bilangan acak terkecil. Sebagai catatan bahwa node threshold adalah negatif bobot
dari unit bias 2. Kalkulasi aktifasi  Tingkat aktifasi suatu nilai input dihitung oleh contoh
penyajian untuk jaringan.  Tingkat aktivasi Oj suatu unit output dihitung dengan :   
 Oj Fh Wji Xi  j dengan Wji adalah bobot dari input Xi, θj adalah node threshold, dan Fh
adalah fungsi hard limit.        0( 1) 0 1, a 0 ( ) atau jika x jika f a h 3. Pelatihan
bobot a. Mengatur bobot dengan : ji ji Wji W (t 1)  W (t)   dengan Wji adalah bobot
dari unit i ke j pada waktu t (atau iterasi ke t) dan ΔWji adalah bobot yang diatur. b.
Perubahan bobot boleh dihitung dengan aturan delta : Wji  j Xi dengan η adalah
tingkat pembelajaan percobaan independent (0< η

7
 BAB III

LANGKAH-LANGKAH RAKTIKUM
3.1 Alat dan Bahan
a. PC atau Laptop
b. Software Matlab
dll

3.2 Rangkaian Percobaan dan Hasil Percobaan

A. Implementasi Algoritma Perceptron pada Gerbang AND dengan Input Binary 2 bit.

Gambar 5 Implementasi Algoritma Perceptron pada Gerbang AND dengan Input Binary 2 bit.

8
Output :

Gambar 6 Output

B. Implementasi Algoritma Perceptron pada Gerbang OR

9
 Gambar 7 Implementasi Algoritma Perceptron pada Gerbang OR

Output :

Gambar 8 Output

10
 C. Implementasi Algoritma Perceptron pada Gerbang NOT

Gambar 9 Implementasi Algoritma Perceptron pada Gerbang NOT

Output :

Gambar 10 Output

11
D. Implementasi Algoritma Perceptron pada Gerbang XOR dengan Input Binary 2 bit.

Gambar 11 Implementasi Algoritma Perceptron pada Gerbang XOR dengan Input Binary 2 bit.

12
Output :

Gambar 12 Output

E. Implementasi Algoritma Perceptron pada Gerbang NAND dengan Input Binary 2

bit.

13
Gambar 13 Implementasi Algoritma Perceptron pada Gerbang NAND dengan Input Binary 2 bit.

Output :

Gambar 14 Output

14
f. Implementasi Algoritma Perceptron pada Gerbang AND dengan Input Binary 3 bit.

Gambar 15 Implementasi Algoritma Perceptron pada Gerbang AND dengan Input Binary 3 bit.

Output :

Gambar 16 Output

15
g. Implementasi Algoritma Perceptron pada Gerbang OR

Gambar 17 Implementasi Algoritma Perceptron pada Gerbang OR

Output :

Gambar 18 Output

16
h. Implementasi Algoritma Perceptron pada Gerbang NOT 3 byte

Gambar 19 Implementasi Algoritma Perceptron pada Gerbang NOT 3 byte

Output :

Gambar 20 Output

17
i. Implementasi Algoritma Perceptron pada Gerbang XOR dengan Input Binary 3 bit.

18
Gambar 21 Implementasi Algoritma Perceptron pada Gerbang XOR dengan Input Binary 3 bit.

Output :

19
 BAB IV

PEMBAHASAN DAN ANALISA HASIL

4.1 Pembahasan
Perceptron terdiri dari suatu input dan output Algoritma perceptron adalah fungsi
hard limiting. Output unit akan diasumsikan bernilai 1 jika jumlah bobot inputnya
lebih besar dari pada threshold. Nilai threshold pada fungsi aktivasi adalah non
negatif. Suatu objek akan diklsifikasikan oleh unit j ke dalam kelas A jika Wji Xi 
j
Dengan Wji adalah bobot dari unit i ke j, Xi adalah input dari unit i dan θj adalah
threshold pada unit j. Sebaliknya objek akan diklasifikasikan ke dalam kelas B.
Algoritma perceptron dapat dituliskan sebagai berikut:
1. Inisialisasi Bobot Set semua bobot dan node threshold untuk bilangan acak
terkecil. Sebagai catatan bahwa node threshold adalah negatif bobot dari unit
bias
2. Kalkulasi aktifasi
 Tingkat aktifasi suatu nilai input dihitung oleh contoh penyajian untuk
jaringan.
 Tingkat aktivasi Oj suatu unit output dihitung dengan :

dengan Wji adalah bobot dari input Xi, θj adalah node threshold, dan Fh

adalah fungsi hard limit

3. Pelatihan bobot
a. Mengatur bobot dengan :

dengan Wji adalah bobot dari unit i ke j pada waktu t (atau iterasi ke t) dan Δwji
adalah bobot yang diatur.
b. Perubahan bobot boleh dihitung dengan aturan delta :

20
adalah tingkat pembelajaan percobaan independent (0< η <1) dan adalah error pada
unit j yaitu:

dengan Tj merupakan aktifasi output yang diinginkan dan Oj adalah aktivasi output
yang sebenarnya pada unit output j.
4. Ulangi iterasi hingga mencapai kekonvergenan.
Gerbang Logika adalah rangkaian dengan satu atau lebih dari satu sinyal masukan
tetapi hanya menghasilkan satu sinyal berupa tegangan tinggi atau tegangan rendah.
Dikarenakan analisis gerbang logika dilakukan dengan Aljabar Boolean maka gerbang
logika sering juga disebut Rangkaian logika.
a. Gerbang AND Gerbang AND mempunyai dua atau lebih sinyal input tetapi hanya
satu sinyal output. Gerbang AND mempunyai sifat bila sinyal keluaran ingin tinggi
(1) maka semua sinyal masukan harus dalam keadaan tinggi (1). Gambar simbol
logika AND dengan 4 input

4.2 Analisa

21
22
23
24
 BAB V

SIMPULAN DAN SARAN

5.1 Simpulan
Berdasarkan uji coba pada implementasi algortima perceptron maka dapat
disimpulkan bahwa algortima perceptron adalah algortima yang sederhana dalam
Jaringan Saraf Tiruan . Algoritma perceptron adlah fungsi hard limiting .output unit
akan diasumsikan bernilai 1 jika jumlah bobot inputnya lebih besar daripada
treshhold.nilai pada fungsi aktivasi adalah non negatif.

5.2 Saran

Kelemahan perceptron bila digunakan pada beberapa lapisan jaringan yaitu

ambang batasnya membuat setiap perceptron tidak terbedakan, maka tidak sesuai
untuk gradient descent. Yang dibutuhkan yaitu sebuah unit yang outputnya adalah
fungsi nonlinear terhadap inputnya, dan dapat dibedakan dari fungsi input.
Solusinya yaitu unit sigmoid, seperti perceptron tapi berdasarkan fungsi threshold
yang diperhalus.

25
 DAFTAR PUSTAKA

1. Desiani, Anita dan Arhami, Muhammad. (2006). “Konsep Kecerdasan Buatan”.

Yogyakarta : Penerbit Andi. 161-183.
2. David. Perancangan Perangkat Lunak Pengenalan PolaKarakter Menggunakan
Jaringan Syaraf Tiruan Perceptron. 2011. Jurnal Ilmiah SISFOTENIKA. 1(1): 10-
19.
3. Diyah Puspitaningrum, 2006, Pengantar Jaringan Syaraf Tiruan, Yogyakarta:
4. ANDI. Fc. Lucky Laura Van, 2016, Klasifikasi Gaya Belajar Visual-
Audiotorykinesthetic (V-A-K) Mahasiswa Berbasis Jstmenggunakan Algoritma
Perceptron, Jurnal Teknologi Informasi & Komunikasi Digital Zone, Volume 7 ,
Nomor 1.
5. Siang, J.J. 2005. Jaringan Syaraf Tiruan dan Pemrogramannya Dengan
Matlab. Yogyakarta: Penerbit Andi.
6. Handayani, Anik Nur, "Perbandingan Model Perceptron dan Adeline pada Fungsi
Logika AND dan OR Menggunakan Arsitektur Artificial Neural Network,” in
Electrical, Informatics and ITS Educations, 2009, pp. 79-82.
7. Amin, S., Alamsyah & Muslim, M. A. 2012. Sistem Deteksi Dini Hama Wereng
Batang Coklat Menggunakan Jaringan Syaraf Tiruan Backpropagation. UNNES
Journal of Mathematics. Semarang: FMIPA Universitas Negeri Semarang, 1(2):
118-123.
8. Dahria, Muhammad. (2008). “Kecerdasan Buatan (Artificial Intelligence)”.

26