MAKALAH JARINGAN SARAF TIRUAN

WILSON CHRISTOPHER FISTEOS MAREN

223200032

FAKULTAS TEKNIK DAN INFORMATIKA

UNIVERSITAS AKI

SEMARANG

2020
 DAFTAR ISI

DAFTAR ISI...................................................................................................................................1
Bab I. Pendahuluan..........................................................................................................................2
1.1Latar Belakang........................................................................................................................2
1.2 TUJUAN................................................................................................................................3
1.3 MANFAAT............................................................................................................................4
BAB 2..............................................................................................................................................4
PEMBAHASAN..............................................................................................................................4
2.1 DEFINISI JARINGAN SYARAF TIRUAN.........................................................................4
2.2 PERKEMBANGAN JARINGAN SYARAF TIRUAN........................................................6
2.3 PERBANDINGAN ANTARA OTAK MANUSIA DAN JARINGAN SYARAF TIRUAN
......................................................................................................................................................7
2.4 terapan jaringan saraf tiruan dikehidupan sehari-hari...........................................................8
BAB 3..............................................................................................................................................9
KESIMPULAN................................................................................................................................9
DAFTAR PUSTAKA....................................................................................................................10
 Bab I. Pendahuluan
1.1Latar Belakang
Jaringan Syaraf Tiruan dibuat pertama kali pada tahun 1943 oleh neurophysiologistWaren
McCulloch dan logician Walter Pits, namun teknologi yang tersedia pada saat itu belummungkinkan mereka
berbuat lebih jauh. Jaringan Syaraf Tiruan adalah paradigma
pemrosesans u a t u   i n f o r m a s i   y a n g   t e r i n s p i r a s i   o l e h   s i s t i m   s e l   s y a r a f   b i o l o g i ,  
s a m a   s e p e r t i   o t a k   y a n g memproses suatu informasi. Elemen dasar dari paradigma
tersebut adalah struktur yang barudari sistim pemrosesan informasi. Jaringan Syaraf Tiruan,
seperti manusia, belajar dari suatucontoh. Jaringan Syaraf Tiruan dibentuk untuk
memecahkan suatu masalah tertentu
seperti  p e n g e n a l a n   p o l a   a t a u   k l a s i f i k a s i   k a r e n a   p r o s e s   p e m b e l a j a r a n .   J a r i
n g a n   S y a r a f   T i r u a n  berkembang secara pesat pada beberapa tahun
terakhir.J a r i n g a n   S y a r a f   T i r u a n   t e l a h   d i k e m b a n g k a n   s e b e l u m   a d a n y a   s u a t u  
c o m p u t e r   konvensional yang canggih dan terus berkembang walaupun pernah mengalami
masa vakumselama beberapa tahun. Jaringan Syaraf Tiruan
keluar dari penelitian kecerdasan buatan,terutama percobaan untuk menirukan fault-tolerence
dan kemampuan untuk belajar dari
sistems y a r a f   b i o l o g i   d e n g a n   m o d e l   s t r u k t u r   l o w - l e v e l   d a r i  
o t a k .   O t a k   t e r d i r i   d a r i   s e k i t a r   (10.000.000.000) sel syaraf yang saling
berhubungan. Sel syaraf mempunyai cabang struktur input (dendrites), sebuah inti sel dan
percabangan struktur output (axon). Axon dari sebuah selterhubung dengan dendrites yang lain
melalui sebuah synapse. Ketika sebuah sel syaraf aktif,kemudian menimbulkan suatu
 signal.Electrochemical pada axon Signnal ini melewati synapses menuju ke sel syaraf yanglain. Sebuah
sel syaraf lain akan mendapatkan signal jika memenuhi batasan tertentu yangsering disebut
dengan nilai ambang atau (threshold).
1.2 TUJUAN
Tujuan dibuatnya mkalah ini adalah agar mahasiswa mengetahui: 1. Definisi jaringan syaraf
tiruan 2. Perkembangan jaringan syaraf tiruan 3. Perbandingan antara otak manusia dan
jaringan syaraf tiruan 1.
1.3 MANFAAT
Manfaat dari dibuatnya makalah ini adalah untuk menambah wawasan mahasiswa mengenai
jaringan syaraf tiruan, khususnya mengenai definisi jaringan syaraf tiruan, perkembangan
jaringan syaraf tiruan dan perbandingan antara otak manusia dan jaringan syaraf tiruan.

BAB 2
PEMBAHASAN
2.1 DEFINISI JARINGAN SYARAF TIRUAN
(Pitowarno. 2004) mengatakan bahwa, Jaringan Syaraf Tiruan (JST) merupakan system
pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi.
Jaringan Syaraf Tiruan sebagai generalisasi model matematika dari jaringan syaraf biologi,
dengan asumsi bahwa: a) Pemeroses informasi terjadi banyak elemen sederhana (neuron) b)
Sinyal dikirimkan diantara neuron-neuron melalaui penghubungpenghubung c) Penghubung
anatara neuron memiliki bobot yang akan memperkuat atau memeperlemah sinyal. d) Untuk
menentukan input, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier)
yang dikenakan pada jumlah input yang diterima. Besarnya output ini selanjutnya
 dibandingakan dengan suatu batas ambang. Dan berkaitan dengan teori Jaringan Syaraf
Tiruan, ditentukan 3 hal yaitu:
a) Pola hubungan antar neuron (atau disebut arsitektur jaringan)
b) Metode untuk menentukan bobot penghubung (disebut metode
training/learning/algoritma )
Fungsi aktivasi. Sebagai contoh, perhatikan neuron Y
x1 Y x3 x2 w1 w2 w3
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
Menurut Hermawan, Arief . 2006 . “Jaringan syaraf tiruan didefinisikan sebagai suatu
sistem pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan saraf
manusia”. Jaringan saraf tiruan tercipta sebagai suatu generalisasi model matematis dari
pemahaman manusia (human cognition) yang didasarkan atas asumsi sebagai berikut :
1. Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron.
2. Isyarat mengalir di antara sel saraf / neuron melalui suatu sambungan penghubung.
3. Setiap sambungan penghubung memiliki bobot yang bersesuaian.
4. Setiap sel saraf akan merupakan fungsi aktivasi terhadap isyarat hasil penjumlahan
berbobot yang masuk kepadanya untuk menentukan isyarat keluarannya.

Menurut teori Haykin (1999,p2) : " Jaringan syaraf tiruan (Artificial Neural Network)
adalah
sejumlah besar prosesor yang terdistribusi secara pararel dan terdiri dari unit pemrosesan
sederhana, dimana masing – masing unit memiliki kecenderungan untuk menyimpan
pengetahuan yang dialami dan dapat digunakan kembali." 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 yangterjadi 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.

2.2 PERKEMBANGAN JARINGAN SYARAF TIRUAN

Jaringan syaraf tiruan sederhana pertama kali diperkenalkan oleh McCulloch dan Pitts di
tahun 1943. McCulloch dan Pitts menyimpulkan bahwa kombinasi beberapa neuron sederhana
menjadi sebuah sistem neural akan meningkatkan kemampuan komputasinya. Bobot dalam
jaringan yang diusulkan oleh McCulloch dan Pitts diatur untuk melakukan fungsi logika
sederhana. Fungsi aktivasi yang dipakai adalah fungsi threshold. Tahun 1958, Rosenblatt
memperkenalkan dan mulai mengembangkan model jaringan yang disebut Perceptron. Metode
pelatihan diperkenalkan untuk mengoptimalkan hasil iterasinya. Untuk lebih jelasnya dapat di
lihat pada table dibawah ini,
Table 2.1 Tabel perkembangan jaringan saraf tiruan Tahun Orang yg mengembangkan
Perkembangan JST 1943 Waffen McCulloch dan Walter Pitts Merancang model formal yang
pertama kali sebagai perhitungan dasar neuron pada jaringan syaraf 1949 Donald O. Hebb
Memperkenalkan teori yang menjelaskan mengenai pembelajaran yang dilakukan oleh neuron
yang kini dikenal dengan konsep Hebbian Learning 1952 Ashby Dalam buku the origin of
adaptive behavior memperkenalkan ide pembelajaran adiptif. 9 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 Miyaka Mengaplikasikan
mesin jaringan 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 10 1982 Kohonen Mengembangkan metode pembelajaran
jaringan syaraf yang tidak terawasi (unsupervised learning) untuk pemetaan 1983 Kirkpatrick,
Galantt dan Vecchi Memperkenalkan teknik statistic 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.
2.3 PERBANDINGAN ANTARA OTAK MANUSIA DAN JARINGAN SYARAF TIRUAN
Jaringan Syaraf Tiruan (Neural Network) terinspirasi dari penelitian kecerdasan buatan, terutama
percobaan untuk menirukan fault-tolerence dan kemampuan untuk belajar dari sistem syaraf
biologi dengan model struktur low-level dari otak. Otak terdiri dari sekitar (10.000.000.000) sel
syaraf yang saling berhubungan. Sel syaraf mempunyai cabang struktur input (dendrites), sebuah
inti sel dan percabangan struktur output (axon) Jaringan Syaraf Biologi, Otak manusia memiliki
struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari
neuronneuron dan penghubung yang disebut sinapsis. Neuron bekerja berdasarkan impuls/sinyal
yang diberikan pada neuron. Neuron meneruskannya pada neuron lain. Diperkirakan manusia
memiliki 1012 neuron dan 6x1018 sinapsis. Dengan jumlah yang begitubanyak, otak mampu
mengenali pola, melakukan perhitungan, dan mengontrol organ-organ tubuh dengankecepatan
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.
Jaringan saraf tiruan menawarkan kemampuan sebagai berikut:
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.
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.
2.4 terapan jaringan saraf tiruan dikehidupan sehari-hari
bahkan dalam sebuah penelitian ini jaringan syaraf tiruan juga digunakan sebagai salah  satu
sebuah metode untuk memperkirakan suatu cuaca khususnya temperatur udara dan kelembaban
pada udara harian rata-rata. Tujuan-Tujuan dari penelitian ini ialah membuat model jaringan
syaraf tiruan yang dapat digunakan untuk sebuah aplikasi perkiraan cuaca serta menerapkan
suatu dan menganalisis penggunaan sebuah backpropagation sebagai algoritma pelatihan
jaringan.Tinjauan sebuah perkiraan cuaca ini ialah yaitu penggunaan ilmu dan teknologi untuk
memperkirakan suatu keadaan atmosfir bumi di masa yang akan datang pada wilayah tertentu.
Cukup banyak juga penelitian yang telah dilakukan dalam membuat suatu model perkiraan cuaca
dengan menggunakan
banyakberagammetode.MeilaNitasari (2010) melakukan prediksi cuaca untukmenentukan 
kelayakan  pelayaran  menggunakan  Logika  Fuzzy.  Sutikno  (2010)  melakukan perkiraan
dengan membandingkan menggunakan metode Autoregressive Integrated MovingAverage 
(ARIMA),  Neural Network  (NN),  dan metode Adaptive Splines Threshold Autoregres-sion
(ASTAR). Penelitian yang sering dilakukan dalam hubungannya dengan jaringan syaraf tiruan
ialah penggunaan algoritma pelatihan dan struktur jaringan yang tepat sehingga mampu
memberikan kinerja dan keluaran jaringan yang baik.

BAB 3
KESIMPULAN

Neural Network (Jaringan Syaraf Tiruan) merupakan kategori ilmu Soft Computing. Neural
Network sebenarnya mengadopsi dari kemampuan otak manusia yang mampu memberikan
stimulasi/rangsangan, melakukan proses, dan memberikan output. Jaringan syaraf tiruan
sederhana pertama kali diperkenalkan oleh McCulloch dan Pitts di tahun 1943. McCulloch dan
Pitts menyimpulkan bahwa kombinasi beberapa neuron sederhana menjadi sebuah sistem neural
akan meningkatkan kemampuan komputasinya.

DAFTAR PUSTAKA
https://news.garudacyber.co.id/
https://www.academia.edu/34779977/MAKALAH_JARINGAN_SYARAF_TIRUAN_pdf