NAMA : IIS SUHARNI

NPM : 1815031078

UAS SISTEM CERDAS

1. a. Fungsi aktivasi merupakan suatu fungsi berupa suatu persamaan matematis yang
memungkinkan JST dapat mengenali pola data atau memberikan hasil perhitungan
dari data input yang belum pernah dipelajarinyafungsi aktivasi digunakan untuk
menentukan keluaran suatu neuron yang merupakan fungsi yangmenggambarkan
hubungan antara tingkat aktivasi internal(summation function) yang mungkin
berbentuk linier atau nonlinear, beberapa fungsi aktivasi JST diantaranya hard limit,
purelin, dan sigmoid. Yang popular digunakan adalaha fungsi sigmoid yang
memiliki beberapa varian : sigmoid logaritma, sigmoid biner, sigmoid bipolar,
sigmoid tangen.Hard limit memberikan batasan tegas 0 atau 1, purelin memisahkan
secara linier, sigmoid berupafungsi smooth bernilai antara 0-1(biner), atau antara -1-
1(bipolar).

b. Pengaruh jumlah layer dan jumlah hidden neuron

Neuron adalah pemroses informasi yang menjadi dasar dalam pengoperasian JST.
Setiap pola-pola informasi input dan output yang diberikan ke dalam jaringan syaraf
tiruan diproses dalam neuron, neuron tersebut berkumpul di dalam lapisan-lapisan
yang disebut neuron layers. Unit-unit di dalam lapisan tersembunyi (hidden layer).
Dimana outputnya tidak dapat secara langsung diamati. Semakin banyak hidden
layer maka proses akan menjadi semakin lambat.

c. Nilai bias memungkinkan untuk menggeser fungsi aktivasi ke kiri atau ke kanan ,
yang mungkin penting untuk membantu untuk melihat contoh sederhana. Fungsi
bias dapat mengubah threshold menjadi = 0. Pertimbangkan jaringan 1-input, 1-
output ini yang tidak memiliki bias:
Output dari jaringan dihitung dengan mengalikan input (x) dengan bobot (w 0 ) dan
melewatkan hasilnya melalui beberapa jenis fungsi aktivasi (mis. Fungsi sigmoid.)

Inilah fungsi yang dihitung jaringan ini, untuk berbagai nilai w 0 :

Jika ingin jaringan menghasilkan 0 ketika x adalah hanya mengubah kecuraman

sigmoid tidak akan benar-benar berfungsi. Kita dapat menggeser seluruh kurva
ke kanan .

Itulah yang bisa di lakukan. Jika kita menambahkan bias ke jaringan itu, seperti:
... maka output dari jaringan menjadi sig (w 0 * x + w 1 * 1.0). Berikut adalah hasil
keluaran jaringan untuk berbagai nilai w 1 :

Memiliki bobot -5 untuk w 1 menggeser kurva ke kanan, yang memungkinkan kita

untuk memiliki jaringan yang menghasilkan 0 ketika x adalah 2.
d. Perbedaan Kasus Klasifikasi dan Kasus Regresi dan berikan contohnya

- Ciri klasifikasi adalah yang diprediksi adalah class, atau jenis. Outputnya bersifat
discrete, dan biasanya terbatas (misal 2 class, 10 class, atau 1000 class).

Contoh klasifikasi misalnya deteksi kucing atau anjing, deteksi kelainan detak
jantung, dan penerjemahan sinyal otak menjadi arah yang dituju untuk kursi roda.

- Ciri regresi adalah kasusnya diminta menebak angka. Jenis outputnya bersifat
continuous.

Contoh dari regresi misalnya menebak curah hujan, harga rumah, jumlah
kendaraan pemudik, dsb.

e. Jaringan syaraf tiruan diaplikasikan pada robot line follower (LFR), dimana selama
ini robot LFR dikendalikan dengan metode konvensional IF dan THEN, sehingga
pembacaan pola garis yang berdampak pada gerakan roda robot tidak berjalan
mengikuti jalur dengan baik. Sehingga penggunaan jaringan syaraf tiruan dengan
algoritma backpropagation pada robot LFR bertujuan menghasilkan putaran motor
yang sesuai dengan pembacaan sensor-sensor sehingga robot dapat berjalan
mengikuti jalur dengan lebih baik atau gerakan nya lebih halus. Metodologi yang
digunakan adalah eksperimental dengan cara melatih data input yang diberikan
dari sensor infra merah pendeteksi garis pada robot. Selanjutnya mengatur PWM
motor pada robot. Aturan besar PWM disesuaikan dengan pembacaan sensor.
Hasil yang diperoleh dengan arsitektur jaringan 1 input layer, 4 neuron, 1 hidden
layer, 6 neuron, 1 output layer dengan 2 neuron, Learning rate = 0.1, maksimum
epoch = 5000, target error 0.02, yaitu delapan performance pengendalian
motorpada robot terbaik dimana nilai validation mendekati target. Secara
keseluruhan dengan menggunakan Jaringan Syaraf Tiruan dapat menghasilkan
nilai data terlatih yang sudah mendekati target.
4. Cara kerja PSO menyerupai sekumpulan burung atau ikan dalam menemukan sumber
makanan dimana setiap individu disebut partikel dan populasi disebut swarm
(koloni). PSO diinisialisasi dengan sekumpulan partikel sebagai kandidat solusi pada
posisi acak. Setiap partikel diberikan posisi awal dan kecepatan awal. Ketika suatu
partikel menemukan arah sumber makanan, partikel lainnya akan mengikuti menuju
sumber makanan. Dalam PSO, nilai posisi partikel X (t+1) diupdate berdasarkan nilai
kecepatan partikel U (t+1) dengan persamaan berikut

Nilai  adalah bobot inersia dengan nilai 0,9-1,2. Variabel Pbest adalah local best
particle dari partikel s, yaitu posisi partikel s yang terbaik dari waktu awal sampai
waktu sekarang. Variabel Gbest adalah global best particle yang dipilih dari Pbest
yang memiliki posisi terbaik. Nilai r 1 dan r2 adalah bilangan acak seragam antara 0-1,
sedangkan c1 = c2 = 2. PSO memiliki metode penyelesaiaan masalah dengan cepat dan
sederhana serta memberikan hasil yang lebih baik bila dibandingan dengan metode
lain.