1
DAFTAR ISI
2
BAB 1
PENDAHULUAN
Jaringan Syaraf Tiruan merupakan salah satu mata kuliah jurusan teknik
informatika. Jaringan syaraf tiruan adalah salah satu sistem pemrosesan yang
dirancang dan dilatih untuk memiliki kemampuan seperti yang dimiliki oleh
manusia dalam menyelesaikan persoalan yang rumit dengan melakukan proses
belajar melalui perubahan bobot sinapsisnya. Jaringan syaraf mensimulasi
struktur proses-proses otak (fungsi syaraf biologis) dan kemudian membawanya
kepada perangkat lunak kelas baru yang dapat mengenali pola-pola yang
kompleks serta belajar dari pengalaman-pengalaman masa lalu.
1.2 TUJUAN
1.3 MANFAAT
3
BAB 2
PEMBAHASAN
training/learning/algoritma )
c) Fungsi aktivasi.
Sebagai contoh, perhatikan neuron Y pada gambar 2.1
x1
w1
x2 w2 Y
w3
x3
Gambar 2 .1
4
Y menerima input dari neuron x1, x2 dan x3 dengan bobot
hubungan masing-masing adalah w1, w2 dan w3. Ketiga impuls
neuron yang ada dijumlahkan
net = x1w1 + x2w2 + x3w3
Besarnya impuls yang diterima oleh Y mengikuti fungsi aktivasi y
= f(net). Apabila nilai fungsi aktivasi cukup kuat, maka sinyal akan
diteruskan. Nilai fungsi aktivasi (keluaran model jaringan) juga
dapat dipakai sebagai dasar untuk merubah bobot
4. Setiap sel saraf akan merupakan fungsi aktivasi terhadap isyarat hasil
penjumlahan berbobot yang masuk kepadanya untuk menentukan isyarat
keluarannya.
5
terjadi di dalam otak manusia. Kemampuan manusia dalam memproses
informasi merupakan hasil kompleksitas proses di dalam otak.
6
1954 Minsky Dalam thesis doctor berjudul
“neural network” memperkaya
pemahaman jaringan syaraf
tiruan kea rah yang lebih
komprehensif.
1954 Farley dan Clark Mensetup model-model untuk
relasi adaptif stimulus-respon
dalam jaringan random.
1956 Taylor Meletakan dasar struktur
jaringan syaraf tiruan
associative memory.
1958 Rosenblatt Mengembangkan konsep dasar
tentang perceptron untuk
klasifikasi pola
1960 Widrow dan Hoff Mengembangkan ADALINE
untuk kendali adaptif dan
pencocokan pola yang dilatih
dengan aturan pembelajaran
Least Mean Square
1962 Dreyfus Memperkenalkan metode
recursive derivation berdasarkan
aturan turunan berantai untuk
jaringan syaraf tiruan
1965 Nills Nilson Membuat mesin monografi
pertamayang menggunakan
teknik jaringan syaraf tiruan.
1969 Kelly Memperkenalkan metode
gradient untuk mendukung
proses pembelajaran jaringan
lapis banyak
1974 Werbos Memperkenalkan algoritma
backpropagation untuk melatih
perceptron dengan banyak
lapisan
1974 Stephen Grossberg Mengembangkan teori adaptive
resonance networks
1975 Little dan Shaw Menggambarkan jaringan syaraf
menggunakan model probalistik
1980 Fokushima dan Mengaplikasikan mesin jaringan
Miyaka syaraf tiruan pada bidang biologi
untuk tujuan pencocokan pola
secara visual
1982 John Hopfield Mengembangkan jaringan syaraf
recurrent yang dapat digunakan
untuk menyimpan informasi dan
optimasi
7
1982 Kohonen Mengembangkan metode
pembelajaran jaringan syaraf
yang tidak terawasi
(unsupervised learning) untuk
pemetaan
1983 Kirkpatrick, Galantt Memperkenalkan teknik statistic
dan Vecchi yang dikenal simulated annealing
1985 Algoritma pembelajaran dengan
menggunakan mesin Boltzmann
yang menggunakan model
jaringan syaraf probabilistik
mulai dikembangkan
1987 Kosko Mengembangkan jaringan
Adaptive Bidirectional
Associative Memory
(BAM)
8
kecepatan yanglebih tinggi dibandingkan komputer digital (Puspitaningrum,
2006). Sebagai perbandingan, pengenalan wajah seseorang yang sedikit
berubah misal memakai topi, memiliki jenggot tambahan dan lainnya akan
lebih cepat dilakukan manusia dibandingkan komputer.
Table 2.2 Tabel perbedaan jaringan syaraf tiruan dan jaringan syaraf alami
(biologi)
Jaringan Syaraf Tiruan Jaringan Syaraf Alami ( Biologi )
· Untuk menentukan
output, setiap neuron memiliki
fungsi aktivasi (biasanya non
9
linier) yang dikenakan pada
semua input
· dengan threshold
1. Nonlinearity. Sebuah neuron buatan bisa saja linear atau tidak linear.
2. Input-output mapping. Sebuah paradigma populer dari pembelajaran
disebut learning with a teacher (belajar dengan guru) atau supervised
learning (pembelajaran terbimbing yang melibatkan modifikasi bobot
sinapsis jaringan saraf tiruan dengan mengaplikasikan kumpulan
sampel training.
3. Adaptivity. Neural network memiliki kemampuan untuk
menyesuaikan bobot sinaptik mereka terhadap perubahan pada
lingkunganya.
4. Evidential Response. Dalam konteks klasifikasi pola, jaringan saraf
dapat dirancang untuk memberikan informasi tidak hanya tentang pola
yang khusus.
5. Contextual Information. Pengetahuan direpresentasikan oleh struktur
dan aktivasi dari jaringan saraf.
6. Fault Tolerance. Jaringan saraf yang diimplementasikan pada bentuk
hardware, memiliki potensi untuk bersifat fault tolerant (toleran
terhadap kesalahan), dalam arti bahwa kinerjanya menurun dalam
kondisi operasi buruk.
10
7. VLSI Implementability. Sifat dasar dari jaringan saraf tiruan yang
parallel membuatnya berpotensi untuk mengkomputasikan tugas-tugas
tertentu dengan cepat.
8. Uniformity of Analysis and Design. Pada dasarnya, jaringan saraf
tiruan dikenal sebagai pemroses informasi.
9. Neurobiological Analogy. Rancangan jaringan saraf tiruan
dianalogikan dengan otak manusia, yang merupakan bukti nyata bahwa
toleransi terhadap kesalahan pada pemrosesan paralel tidak hanya
mungkin tetapi juga cepat dan kuat.
11
BAB 3
KESIMPULAN
12
DAFTAR PUSTAKA
Arif, F. A. (2013, Maret 24). Jaringan Syaraf Komputer (II). Retrieved from
Fadhlin Amalia Arif: http://fadhlinamalia-
fst10.web.unair.ac.id/artikel_detail-75561-Kuliah%20Siscer-
Jaringan%20Syaraf%20Tiruan%20(II).html
Azmi, Z., Saripurna, D., & Anwar, B. (2013). Jurnal Ilmiah Saintikom Vol 12. No
2. Aplikasi Jaringan Syaraf Tiruan Untuk Pengenalan Pola Pembukaan
Permainan Catur, 14.
Dasar, E. (2012, Oktober 23). Jaringan Syaraf Tiruan. Retrieved from
Elektronika Dasar: http://elektronika-dasar.web.id/jaringan-syaraf-tiruan-
neural-network/
Jumarwanto, A., Hartanto, R., & Prastiyanto, D. (2009). Jurnal Teknik Elektro
Vol. 1 No.1. APLIKASI JARINGAN SARAF TIRUAN
BACKPROPAGATION UNTUK MEMPREDIKSI PENYAKIT THT DI
RUMAH SAKIT MARDI RAHAYU KUDUS, 11.
Karyono. (2015, Maret 18). Tugas Makalah. Retrieved from Makalah Jaringan
Syaraf Tiruan:
https://www.slideshare.net/YonoBocahCibiukAsliCilacapSingKalemDewe
k/makalah-jst
Muis, S. (2006). Teknik Jaringan Syaraf Tiruan. Yogyakarta: Graha Ilmu.
Siang, J. J. (2004). Jaringan Saraf Tiruan & Pemrogramannya Menggunakan
Matlab. Yogyakarta: Andi.
13