TUGAS KECERDASAN BUATAN

“JARINGAN SYARAF TIRUAN DIBIDANG PENDIDIKAN”

Disusun Oleh : Kelompok 5

1.M. Rajasa Negara D. - 14170018 -

2.Lulus Sugiatun - 14190001
3.Puput Noviani P - 14190008
4.Ronaldi Subastian - 14190016

Sistem Informasi

STMIK AKI PATI

2021/2022
 KATA PENGANTAR

Puji syukur senantiasa kami panjatkan kehadirat Tuhan Yang Maha Kuasa, karena
atas berkat rahmat dan karunia-Nya, kami dapat menyusun dan menyelesaikan makalah
mengenai “JARINGAN SYARAF TIRUAN (JST) DIBIDANG PENDIDIKAN“.

            Makalah ini disusun berdasarkan dari beberapa sumber yang mencakup ruang lingkup
pada aspek – aspek ruang lingkup tersebut, diharapkan bagi semua orang yang membaca
makalah ini, dapat menjadi terampil dan berkarakter.Semoga makalah ini dapat memberikan
kontribusi positif dan bermakna dalam proses belajar dan pembelajaran. Dari lubuk hati kami
yang terdalam, sangat disadari bahwa makalah ini jauh dari kesempurnaan. Oleh sebab itu
kami mohon maaf bila ada sesuatu informasi yang salah serta kurang lengkap.

Kami juga mengharapkan kritik dan saran dari para pembaca mengenai makalah ini,
sehingga kami dapat membuat makalah yang lebih baik dikemuadian hari.

Pati, 12 Desember 2021

 DAFTAR ISI

KATA PENGANTAR ..........................................................................           

DAFTAR ISI ..........................................................................

BAB I PENDAHULUAN

A. Latar Belakang ..........................................................................

B. Rumusan Masalah ..........................................................................
C. Tujuan ..........................................................................                     

BAB II PEMBAHASAN

A. JARINGAN SYARAF TIRUAN

B. KELEBIHAN & KEKURANGAN PADA JST
C. KEMAMPUAN PADA JST
D. CONTOH PENGAPLIKASIAN JST PADA BIDANG PENDIDIKAN

BAB III PENUTUP

A. KESIMPULAN .......................................................................... 

DAFTAR PUSTAKA       ..........................................................................    

 BAB I PENDAHULUAN

A. Latar Belakang
Kebutuhan manusia akan data dan informasi tidak dapat dipungkiri. Begitu
pentingnya peranan data dan informasi pada semua sektor kehidupan salah satunya di
bidang pendidikan. Pendidikan memegang peranan penting dalam mengembangkan
potensi sumber daya manusia secara optimal karena pendidikan merupakan sarana
investasi untuk meningkatkan pengetahuan, keterampilan dan keahlian sebagai modal
pembangunan. Misalnya Jaringan syaraf tiruan dapat di gunakan dalam bidang
pendidikan yaitu memprediksi nilai UN siswa di SMP. Jaringan syaraf tiruan yang
berupa susunan sel-sel saraf tiruan (neuron) dibangun berdasarkan prinsip-prinsip
organisasi otak manusia, selain itu jaringan saraf tiruan dapat untuk memprediksi
jumlah pengangguran dengan cara pola data pengangguran periode masa lalu yang
dimasukkan ke dalam sistem dilakukan proses pelatihan menggunakan jaringan saraf
tiruan  dan algoritma pembelajaran backpropagation. Setiap pola-pola informasi input
dan output yang diberikan ke dalam jaringan syaraf tiruan diproses dalam neorun.
Neuron-neuron tersebut berkumpul didalam lapisan-lapisan yang disebut neuron
layer.
Jaringan Syaraf tiruan adalah suatu sistem pengolah informasi yang
karakteristik kerjanya menyerupai jaringan Syaraf biologis manusia. Jaringan Syaraf
tiruan merupakan hasil perkembangan ilmu dan teknologi yang sekarang ini sedang
berkembang pesat. Jaringan Syaraf tiruan yang berupa susunan sel-sel Syaraf tiruan
(neuron) dibangun berdasarkan prinsip kerja otak manusia. Perhatian yang besar pada
jaringan Syaraf tiruan disebabkan adanya keunggulan yang dimilikinya seperti
kemampuan untuk belajar, sifat toleransi kesalahan. (Nugroho, 2005). Tentunya
dengan adanya hal ini diharapkan implementasi JST pada bidang Pendidikan akan
sangat berguna kedepannya, kita tidak hanya dimudahkan dalam ruang lingkup
pendidikan tetapi juga kita bisa merasakan impact besar yang harus kita dapatkan di
era 4.0.
B. Rumusan Masalah
1 Apa itu JST ?
2 Apa Kelebihan & Kekurangan yang dimiliki pada JST?
3 Kemampuan apa yang dimiliki oleh JST ?
4 Apa saja contoh pengaplikasian JST di bidang pendidikan?
C. Tujuan
1 Untuk memenuhi nilai tugas dari Mata Kuliah “Kecerdasan Buatan”
2 Untuk lebih bisa memahami apa itu JST
3 Untuk lebih tau apa saja kegunaan serta pengaplikasian JST pada bidang
Pendidikan
 BAB II PEMBAHASAN

A. JARINGAN SYARAF TIRUAN (JST)

Artificial Neural Network Artificial (ANN) atau Jaringan Syaraf Tiruan
merupakan sebuah teknik atau pendekatan pengolahan informasi yang terinspirasi
oleh cara kerja sistem saraf biologis, khususnya pada sel otak manusia dalam
memproses informasi. Elemen kunci dari teknik ini adalah struktur sistem pengolahan
informasi yang bersifat unik dan beragam untuk tiap aplikasi. Neural Network terdiri
dari sejumlah besar elemen pemrosesan informasi (neuron) yang saling terhubung dan
bekerja bersama-sama untuk menyelesaikan sebuah masalah tertentu, yang pada
umumnya dalah masalah klasifikasi ataupun prediksi.
Cara kerja Neural Network dapat dianalogikan sebagaiman halnya manusia
belajar dengan mengunakan contoh atau yang disebut sebagai supervised learning.
Sebuah Neural Network dikonfigurasi untuk aplikasi tertentu, seperti pengenalan pola
atau klasifikasi data, dan kemudian disempurnakan melalui proses pembelajaran.
Proses belajar yang terjadi dalam sistem biologis melibatkan penyesuaian koneksi
sinaptik yang ada antara neuron, dalam halnya pada Neural Network penyesuaian
koneksi sinaptik antar neuron dilakukan dengan menyesuaikan nilai bobot yang ada
pada tiap konektivitas baik dari input, neuron maupun output.
Neural Network memproses informasi berdasarkan cara kerja otak manusia.
Dalam hal ini Neural Network terdiri dari sejumlah besar elemen pemrosesan yang
saling terhubung dan bekerja secara paralel untuk memecahkan suatu masalah
tertentu. Di sisi lain, komputer konvensional menggunakan pendekatan kognitif untuk
memecahkan masalah; dimana cara pemecahan masalah haruslah sudah diketahui
sebelumnya untuk kemudian dibuat menjadi beberapa instruksi kecil yang terstruktur.
Instruksi ini kemudian dikonversi menjadi program komputer dan kemudian ke dalam
kode mesin yang dapat dijalankan oleh komputer.
Neural Network, dengan kemampuannya dapat digunakan untuk memperoleh
pengetahuan dari data yang rumit atau tidak tepat, serta juga dapat digunakan untuk
mengekstrak pola dan mendeteksi tren yang terlalu kompleks untuk diperhatikan baik
oleh manusia atau teknik komputer lainnya. Sebuah Neural Network yang telah
terlatih dapat dianggap sebagai “ahli” dalam kategori pemrosesan informasi yang
telah diberikan untuk dianalisa. Ahli ini kemudian dapat digunakan untuk
 menyediakan proyeksi terkait kemungkinan kondisi di masa mendatang serta
menjawab pertanyaan “bagaimana jika?”
Neural Network dan algoritma komputer konvensional tidaklah saling
bersaing tetapi saling melengkapi. Beberapa tugas atau masalah lebih cocok
diselesaikan dengan pendekatan algoritmik seperti halnya operasi aritmatika, di sisi
lain ada tugas-tugas yang lebih cocok untuk jaringan saraf, misalnya prediksi
pergerakan data time-series. Bahkan, sejumlah besar tugas lainnya memerlukan
sistem yang menggunakan kombinasi dari keddua pendekatan tersebut, dimana
biasanya komputer konvensional digunakan untuk mengawasi Neural Network agar
dapat memberikan kinerja maksimum.
Setiap neuron dapat memiliki beberapa masukan dan mempunyai satu
keluaran. Jalur masukan pada suatu neuron bisa berisi data mentah atau data hasil
olahan neuron sebelumnya. Sedangkan hasil keluaran suatu neutron dapat berupa
hasil akhir atau berupa bahan masukkan bagi neutron berikutnya.
Jaringan neuron buatan terdiri atas kumpulan grup neuron yang tersusun dalam
lapisan yaitu;
1 Lapisan Input (Input Layer) berfungsi sebagai penghubung jaringan ke dunia luar
(sumber data). Neuron-neuron ini tidak melakukan apapun pada data, hanya
meneruskan data ini kelapisan berikutnya.
2 Lapisan Tersembunyi (Hidden Layer). Suatu jaringan dapat memiliki lebih dari
satu hidden layer atau bahkan tidak bisa punya sama sekali. Jika jaringan memiliki
beberapa lapisan tersembunyi, maka lapisan tersembunyi paling bawah yang
menerima dari input dari input layer.L
3 Lapisan Output (Output Layer). Prinsip kerja pada lapisan ini sama dengan prinsip
kerja pada hidden layer dan ini juga digunakan fungsi sigmoid. Tetapi keluaran dari
lapisan ini sudah dianggap dari keluaran proses

B. KELEBIHAN DAN KEKURANGAN JARINGAN SYARAF TIRUAN

Kelebihan
a) Bisa menyimpulkan pengetahuan walau tidak mempunyai kepastian.
b) Bisa melakukan general dan mengekstrak dari pola.
c) JST bisa menimbulkan satu pola pengetahuan melewati batas belajar
atau self-organizing.
d) Mempunyai fault tolerances atau noise dianggap gangguan.
e) Mampu memperhitungkan secara berurutan sehingga proses lebih
cepat.
f) Mempunyai kelebihan belajar melakukan suatu pekerjaan dasar data
yang dikasih. 
 g) JST bisa mendirikan organisasi sendiri dari informasi yang didapatkan
saat belajar.
h) JST bisa di lakukan secara berurutan sehingga hardware yang
merancang diproduksi sangat khusus supaya bisa mendapatkan
keuntungan.
Kekurangan
a) Kurang bisa melakukan penghitungan numerik dengan tinggi.
b) Kurang bisa melakukan penghitungan algoritma aritmatiks, operasi
logika dan symbol
c) Lamanya proses training yang mungkin terjadi dalam waktu yang
sangat lama untuk jumlah data yang besar
d) Sangat tidak direkomendasikan jika menggunakan untuk operasi
number dengan angka yang tinggi.
e) Sangat tidak merekomendasikan untuk gunakan operasi algoritma
aritmatiks, operasi logika, dan simbol.
f) JST butuh belajar supaya bisa memproses data yang lebih besar dan
juga untuk waktunyan supaya cepat.

C. KEMAMPUAN YANG DIMILIKI OLEH JST

Klasifikasi: bisa memilih satu data input ke dalam kategori yang sudah
ditentukan.
Asosiasi: bisa menggambarkan satu objek secara menyeluruh dalam bagian
objek yang lain.
Selfs-organizing: mempunyai kemampuan pengolah data input yang tidak
harus punya targetan.
Optimasi: bisa menemukan satu jawaban yang sangat terbaik sehingga bisa
mampu mengecilkan biaya.

D. CONTOH PENGAPLIKASIAN JST PADA BIDANG PENDIDIKAN

Penerapan Jaringan Saraf Tiruan Untuk Memprediksi Pencapaian
Prestasi Mahasiswa
Berdasarkan hasil pengujian yang dilakukan, Jaringan saraf tiruan dengan
arsitektur jaringan 5- 7-1 mencapai tingkat persentase kebenaran 98,9% pada
68 epoch dan MSE = 0,01363. Pengujian tersebut menghasilkan persamaan
regresi linier A= (1,03T + (0,308). Ini berarti bahwa Jaringan saraf tiruan
dapat membuat pola untuk memprediksi pencapaian prestasi Mahasiswa
berdasarkan lima parameter yaitu nilai IPK, penguasaan bahasa asing,
keahlian, keikutsertaan pada kegiatan organisasi dan prestasi dibidang non
akademik. Pola ini nantinya akan dibuat model pengambilan keputusan yang
dapat digunakan oleh Dosen pembimbing akademik sebagai alat untuk
mengukur perkembangan pencapaian prestasi Mahasiswa sebagai persiapan
untuk masuk ke dunia kerja
Implementasi Jaringan Syaraf Tiruan (Jst) Untuk Memprediksi Hasil
Nilai Un Menggunakan Metode Backpropagation
Setelah melakukan implementasi dan pengujian dengan menggunakan bahasa
pemrograman matlab, maka dapat disimpulkan sebagai berikut : Jaringan
syaraf tiruan dapat digunakan untuk memprediksi hasil nilai UN siswa ,
berdasarkan 5 mata pelajaran NON UN yang diujikan yaitu : Agama, PKn,
IPS, Seni dan TIK. Arsitektur Jaringan yang paling tepat digunakan untuk
memprediksi hasil nilai UN dengan jaringan syaraf tiruan menggunakan
algoritma backpropagation dengan pola adalah 5-20-1 dengan membagi data
menjadi 2 bagian yaitu 30 data pelatihan dan 25 data pengujian. Untuk lebih
mengetahui kemampuan prediksi hasil nilai UN siswa, semakin banyak jumlah
data yang dilatihkan maka akan semakin baik kemampuan prediksi yang
dihasilkan oleh jaringan syaraf tiruan, namun akan berdampak pada
melambatnya proses pelatihan.
Pengembangan Model Jaringan Syaraf Tiruan untuk Memprediksi
Jumlah Mahasiswa Baru di PTS Surabaya (Studi Kasus Universitas
Wijaya Putra)
Hasil simulasi dan analisis data yang dilakukan, maka dapat diperoleh suatu
kesimpulan berikut ini;
1. Model prediksi yang terbaik menggunakan metode JST RBF
dengan parameter-parameter, Target Error=0,0001 dan
Learning Rate= 0,01. Menggunakan metode JST
Backprobagation dengan parameter-parameter, Target Error =
0,0001 dan Learning Rate= 0,01, dengan fungsi aktivasi
”tansig”untuk semua layer, dan fungsi “traingd” untuk fungsi
training.
2. Menggunakan parameter-parameter (Target Error=0,0001 dan
Learning Rate= 0,01) yang sama pada kedua metode dalam
memprediksi jumlah mahasiswa baru di Universitas Wijaya
Putra Surabaya, diperoleh perbedaan pada indeks statistik
MAE, RMSE, dan Error. Indeks statistik menggunakan metode
JST RBF diperoleh MAE=0,0074, RMSE=0,0096, dan
 error=12,6532%. Indeks statistik menggunakan metode JST
Backpropagation diperoleh MAE=0,2129, RMSE=0,2752, dan
error=13,3217%. Dari perbandingan indeks statistik ini bisa
disimpulkan bahwa metode JST RBF lebih baik dalam
memprediksi jumlah mahasiswa baru.
3. Dengan menggunakan data jumlah mahasiswa baru Universitas
Wijaya Putra periode tahun 2012-2016 sebagai data training
dan data testing, diperoleh prediksi jumlah mahasiswa baru
menggunakan metode JST RBF diperoleh, Surabaya=450,
Gresik=188, Lamongan=27, Mojokerto=52, Pasuruan=128, dan
Kabupaten/Kota Lain=188. Menggunakan metode JST
Backpropagation hasil prediksi; Surabaya=575, Gresik=6,
Lamongan=48, Mojokerto=385, Pasuruan=436, dan
Kabupaten/Kota Lain=206.
 BAB III PENUTUP

A. KESIMPULAN
Artificial Neural Network Artificial (ANN) atau Jaringan Syaraf Tiruan merupakan
sebuah teknik atau pendekatan pengolahan informasi yang terinspirasi oleh cara kerja
sistem saraf biologis, khususnya pada sel otak manusia dalam memproses informasi.
Elemen kunci dari teknik ini adalah struktur sistem pengolahan informasi yang
bersifat unik dan beragam untuk tiap aplikasi. Neural Network terdiri dari sejumlah
besar elemen pemrosesan informasi (neuron) yang saling terhubung dan bekerja
bersama-sama untuk menyelesaikan sebuah masalah tertentu, yang pada umumnya
dalah masalah klasifikasi ataupun prediksi
 DAFTAR PUSTAKA

Fadillah, R. (2019, 4 Agustus). Jaringan Syaraf Tiruan - Pengertian, Kelebihan,

Kekurangan, dan Manfaat. Retrieved Desember 13, 2021, from DUNIA
PEMROGRAMANQUE:
https://duniapemrogramanque.blogspot.com/2019/08/jaringan-syaraf-tiruan.html

Pambungsu, Y. (2015). Makalah Jaringan Syaraf Tiruan. Indonesia: slideshare.

RAMADHANI, R. D. (2019, Juni 15). Memahami Artificial Neural Network (ANN) Dengan
R. Retrieved Desember 13, 2021, from Medium:
https://medium.com/@16611129/memahami-artificial-neural-network-ann-dengan-r-
5ecee7d1efbd

Ulty. (2020, January 28). Kelebihan dan Kekurangan Jaringan Syaraf Tiruan. Retrieved
Desember 13, 2021, from LANCANG KUNING.COM:
https://lancangkuning.com/post/14778/kelebihan-dan-kekurangan-jaringan-syaraf-
tiruan.html

https://ciel.sbm.itb.ac.id/post/read/artificial-neural-network.html