ARTIFICIAL NEURAL NETWORK, CONVOLUTION

NEURAL NETWORK, DEEP UNSUPERVISED

LEARNING
Makalah ini disusun untuk memenuhi Tugas

Mata Kuliah Deep Learning

Dosen Pengampu : Catur Nugroho, S.Kom., M.Kom

Disusun Oleh :

Taufik Rahman Saleh

200401010132

PROGRAM STUDI TEKNIK INFORMATIKA

UNIVERSITAS SIBER ASIA
JAKARTA
2023
 KATA PENGANTAR

Puji syukur saya panjatkan keapada Tuhan Yang Maha Esa,Karena atas
limpahan rahmat-Nya penyusun dapat menyelesaikan makalah ini tepat waktu
tanpa ada halangan yang berarti dan sesuai dengan harapan.

Ucapan terimakasi penulis sampaikan kepada Bapak Catur Nugroho,

S.Kom., M.Kom sebagai dosen pengampu mata kuliah Deep Learning yang telah
membantu memberikan arahan dalam pemahaman dalam penyusunan makalah ini.

Saya menyadari bahwa dalam penyusunan makalah ini masih banyak

kekurangan karena keterbatasan. Maka dari itu penyusun sangat mengharapkan
kritik dan saran untuk menyempurnakan makalah ini. Semoga apa yang ditulis
dapat bermanfaat bagi semua pihak yang membutuhkan.

Garut,23 Mei 2023

Taufik Rahman Saleh

 DAFTAR ISI

COVER ............................................................................................................... i
KATA PENGANTAR ....................................................................................... ii
DAFTAR ISI ..................................................................................................... iii
BAB I PENDAHULUAN ...................................................................................1
1.1 LATAR BELAKANG ...................................................................................1
1.2 RUMUSAN MASALAH ...............................................................................1
1.3 TUJUAN PENULISAN .................................................................................1
BAB II PEMBAHASAN ....................................................................................3
2.1 ARTIFICIAL NEURAL NETWORK ...........................................................3
A. DEFINISI ARTIFICIAL NEURAL NETWORK ...................................3
B. PERKEMBANGAN ARTIFICIAL NEURAL NETWORK ..................4
2.2 CONVOLUTION NEURAL NETWORK ....................................................5
2.3 DEEP UNSUPERVISED LEARNING ........................................................6
BAB III KESIMPULAN ....................................................................................7
DAFTAR PUSTAKA .........................................................................................8
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Deep learning adalah metode dalam kecerdasan buatan (AI) yang mengajarkan
komputer untuk memproses data dengan cara yang terinspirasi otak manusia. Model
deep learning dapat mengenali pola kompleks dalam gambar, teks, suara, dan data lain
untuk menghasilkan wawasan dan prediksi yang akurat. Anda dapat menggunakan
metode deep learning untuk mengotomatiskan tugas yang biasanya membutuhkan
kecerdasan manusia, seperti mendeskripsikan citra atau menyalin file suara ke dalam
teks. Dengan semakin canggihnya teknologi dan semakin kuatnya kemampuan
komputasi dari komputer, banyak aplikasi dan algoritme yang sebelumnya tidak
memungkinkan untuk diterapkan di komputer jinjing atau telpon genggam sekarang bisa
diimplementasikan dengan mudah. Salah satu teknik yang menjadi populer adalah
kecerdasan buatan atau Artificial Intelligence (AI) menjadi terkenal karena banyak
aplikasi jenis ini yang sekarang bisa ditemui sehari hari seperti siri pada iPhone dan
speech recognition atau pengenal suara pada telpon seluler Android. Seiring dengan
munculnya istilah AI, Jaringan Syaraf tiruan Artificial Neural Network, Convolution
Neural Network dan Deep Unsupervised Learning. masyarakat menjadi bingung dengan
istilah-istilah tersebut. Pada Makalah ini, saya akan membahas mengenai perbedaan dari
istilah-istilah tersebut. Pada umumnya AI adalah induk dari semua teknik-teknik
ersebut, dan pada akhirnya Deep Learning adalah kasus khusus dan paling mutakhir
pada Artificial Intelligence.
1.2 Rumusan Masalah
Berdasarkan latar belakang diatas,masalah dirumuskan menjadi :
1. Apa yang dimaksud Artificial Neural Network ?
2. Apa yang dimaksud Convolution Neural Network ?
3. Apa yang dimaksud Deep Unsupervised Learning ?
1.3 Tujuan Penulisan
Tujuan Penulisan pada makalah ini yaitu penulis agar mampu Menyusun tulisan
ilmiah,memperluas wawasan pengetahuan bagi penulis dan pembacanya,memberi
sumbangan pemikiran dan mendukung perkembangan konsep keilmuan maupun
pemecahan masalah.
 BAB II
PEMBAHASAN
2.1 ARTIFICIAL NEURAL NETWORK
A. DEFINISI ARTIFICIAL NEURAL NETWORK
Jaringan Saraf Tiruan Tiruan atau Artificial Neural Network merupakan Salah Satu
repreresentasi tiruan dari otak manusia yang mensimulasikan proses pembelajaran pada
otak manusia. Istilah tiruan digunakan karena Jaringan Saraf ini diimplementasikan
dengan mengunakan program computer yang mampu menyelesaikan sejumlah proses
perhitungan selama proses pembelajaran. Jaringan syaraf tiruan adalah suatu metode
pemrograman computer yang sangat bagus untuk pengenalan pola dan permasalahan
yang sulit diselesaikan dengan teknik konvensional. Program-program yg
mengimplementasikan jaringan syaraf tiruan, dapat melakukan pembelajaran dan
beradaptasi dengan kondisi yg berubah.

Menurut Hecht-Nielsend (1988) : “Suatu neural network (NN), adalah suatu

struktur pemroses informasi yang terdistribusi dan bekerja secara paralel, yang terdiri
atas elemen pemroses (yang memiliki memori lokal dan beroperasi dengan informasi
lokal) yang diinterkoneksi bersama dengan alur sinyal searah yang disebut koneksi.
Setiap elemen pemroses memiliki koneksi keluaran tunggal yang bercabang (fan out)
ke sejumlah koneksi kolateral yang diinginkan (setiap koneksi membawa sinyal yang
sama dari keluaran elemen pemroses tersebut). Keluaran dari elemen pemroses tersebut
dapat merupakan sebarang jenis persamaan matematis yang diinginkan. Seluruh proses
yang berlangsung pada setiap elemen pemroses harus benar-benar dilakukan secara
lokal, yaitu keluaran hanya bergantung pada nilai masukan pada saat itu yang diperoleh
melalui koneksi dan nilai yang tersimpan dalam memori lokal”.
Menurut Haykin (1999) : “Prosesor berdistribusi secara paralel yg dibangun oleh
unit pemrosesan sederhana, yg secara alami cenderung menyimpan pengetahuan
eksperensial & membuatnya dapat digunakan.”
DARPA Neural Network Study (1988, AFCEA International Press, p. 60) :Sebuah
jaringan syaraf adalah sebuah sistem yang dibentuk dari sejumlah elemen pemroses
sederhana yang bekerja secara paralel dimana fungsinya ditentukan oleh stuktur
jaringan, kekuatan hubungan pegolahan dilakukan pada komputasi elemen/ nodes.
 Secara umum, JST adalah mesin yg didesain untuk memodelkan cara otak
menyelesaikan suatu tugas. Kerja otak manusia memiliki struktur yang rumit dan
kemampuan membangun aturannya sendiri. Otak manusia berisi jutaan sel syaraf yang
bertugas untuk memproses informasi, setiap sel syaraf (neuron) akan memiliki satu inti
sel, inti sel bertugas untuk melakukan pemroses informasi. Otak manusia tersusun atas
sel-sel syaraf atau neuron- neuron yang membentuk jaringan, sekumpulan neuron
(syaraf) yang saling terhubung berfungsi untuk memberikan tanggapan atas rangsangan
yang mengenainya. Sel Neuron memiliki 3 tipe komponen :
• Dendrit
Dendrit dapat menerima banyak sinyal dari neuron lain, Sinyal adalah
implus listrik yang dipancarkan melewati celah sinapsis yang disebabkan
proses kimia.
• Soma yaitu penjuluran badan sel yang berfungsi mengirimkan sinyal/impuls
• Axon bertugas mengirimkan impuls- impuls sinyal ke sel syaraf lain = jalur
output bagi soma.

B. PERKEMBANGAN ARTIFICIAL NEURAL NETWORK

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 berikut adalah perkembangan Jaringan Syaraft Buatan
dari tahun ke tahun.
• 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
• 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.
• 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)
Pengembangan yang ramai dibicarakan sejak tahun 1990 an adalah aplikasi model-
model jaringan syaraf tiruan untuk menyelesaikan berbagai masalah di dunia nyata

2.2 CONVOLUTION NEURAL NETWORK

Convolutional Neural Network adalah algoritma Deep Learning yang dirancang
khusus untuk bekerja dengan Gambar dan video. Dibutuhkan gambar sebagai input,
mengekstrak dan mempelajari fitur gambar, dan mengklasifikasikannya
berdasarkan fitur yang dipelajari.
 Algoritma ini terinspirasi dari cara kerja bagian otak manusia yaitu Visual Cortex.
Visual Cortex (Korteks visual) adalah bagian dari otak manusia yang bertanggung
jawab untuk memproses informasi visual dari dunia luar. Ini memiliki berbagai
lapisan dan setiap lapisan memiliki fungsinya sendiri yaitu setiap lapisan
mengekstrak beberapa informasi dari gambar atau visual apa pun dan akhirnya
semua informasi yang diterima dari setiap lapisan digabungkan dan gambar/visual
tersebut ditafsirkan atau diklasifikasikan.
Proyek Analisis Gambar Gambar Deep Learning Visi Komputer Tingkat Lanjut
Data Terstruktur Python.
Demikian pula, CNN memiliki berbagai filter, dan setiap filter mengekstrak
beberapa informasi dari gambar seperti tepi, berbagai jenis bentuk (vertikal,
horizontal, bulat), dan kemudian semua ini digabungkan untuk mengidentifikasi
gambar. Model CNN bekerja dalam dua langkah: ekstraksi fitur dan Klasifikasi
Ekstraksi Fitur adalah fase di mana berbagai filter dan lapisan diterapkan pada
gambar untuk mengekstrak informasi dan fitur darinya dan setelah selesai, itu
diteruskan ke fase berikutnya yaitu Klasifikasi di mana mereka diklasifikasikan
berdasarkan variabel target
Model CNN yang khas terlihat seperti ini:
• Input layer
• Convolution layer + Activation function
• Pooling layer
• Fully Connected Layer
2.3 DEEP UNSUPERVISED LEARNING
Unsupervised learning atau pembelajaran tak terarah adalah teknik
pembelajaran mesin di mana pengguna tidak perlu mengawasi modelnya.
Sebaliknya, pembelajaran tak terarah memungkinkan model bekerja sendiri untuk
menemukan pola dan informasi yang sebelumnya tidak terdeteksi, terutama yang
berkaitan dengan data yang tidak berlabel. Unsupervised learning adalah penggunaan
algoritma kecerdasan buatan atau artificial intelligence (AI) untuk mengidentifikasi
pola dalam kumpulan data yang berisi titik data yang tidak diklasifikasikan atau
diberi label.
Pada algoritma unsupervised learning, data tidak memiliki label secara
eksplisit dan model mampu belajar dari data dengan menemukan pola yang implisit.
Sangat berbeda dengan supervised learning, unsupervised learning merupakan jenis
learning yang hanya mempunyai variabel input tapi tidak mempunyai variabel output
yang berhubungan. Tujuan dari Machine Learning ini adalah untuk memodelkan
struktur data dan menyimpulkan fungsi yang mendeskripsikan data tersebut.
Unsupervised learning adalah salah satu tipe algoritma machine learning
yang digunakan untuk menarik kesimpulan dari dataset. Metode ini hanya akan
mempelajari suatu data berdasarkan kedekatannya saja atau yang biasa disebut
dengan clustering. Metode unsupervised learning yang paling umum adalah analisis
cluster, yang digunakan pada analisa data untuk mencari pola-pola tersembunyi atau
pengelompokan dalam data.
Cara kerja algoritma ini yaitu akan mencari pola tersembunyi (eksplisit) dari
dataset yang diberikan. Unsupervised machine learning bekerja dengan menganalisis
data yang tidak berlabel untuk menemukan pola tersembunyi dan menentukan
korelasinya. Pendekatan ini tidak menggunakan data training dan data test untuk
melakukan prediksi maupun klasifikasi dengan tujuan mengelompokkan objek yang
hampir sama dalam suatu area tertentu. Beberapa contoh algoritma yang dapat
digunakan dalam unsupervised learning seperti, K-Means, Hierarchical clustering,
DBSCAN, dan Fuzzy C-Means.
Salah satu contoh implementasi unsupervised learning adalah clustering.
Dengan teknologi clustering, sebuah perusahaan dapat mengidentifikasi customer
segmen yang berpotensial untuk menjual produk mereka. Perusahaan dapat
mengidentifikasi customer segmen yang paling mungkin menggunakan layanan atau
membeli produk mereka. Perusahaan juga dapat mengevaluasi segmen pelanggan
lalu memutuskan untuk menjual produk guna memaksimalkan keuntungan mereka
Contohnya ketika seorang Data Analyst ingin mengelompokkan client dari
salah satu provider hosting di Indonesia berdasarkan kemiripan sifat dalam hal
pendapatan umur, hobi, dan jenis pekerjaannya. Maka untuk mengelompokkan
customer berdasarkan kemiripan sifat, machine learning tidak memerlukan data
training. Melainkan menggunakan data yang ada langsung bisa mengelompokkan
customer-customer tersebut.
 BAB III

KESIMPULAN

1. Jaringan Saraf Tiruan Tiruan atau Artificial Neural Network merupakan Salah Satu
repreresentasi tiruan dari otak manusia yang mensimulasikan proses pembelajaran
pada otak manusia. Istilah tiruan digunakan karena Jaringan Saraf ini
diimplementasikan dengan mengunakan program computer yang mampu
menyelesaikan sejumlah proses perhitungan selama proses pembelajaran.
2. Convolutional Neural Network adalah algoritma Deep Learning yang dirancang
khusus untuk bekerja dengan Gambar dan video. Dibutuhkan gambar sebagai input,
mengekstrak dan mempelajari fitur gambar, dan mengklasifikasikannya
berdasarkan fitur yang dipelajari.
3. Unsupervised learning adalah penggunaan algoritma kecerdasan buatan atau
artificial intelligence (AI) untuk mengidentifikasi pola dalam kumpulan data yang
berisi titik data yang tidak diklasifikasikan atau diberi label.
 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%20

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.

Nusa. G. (2022). Unsupervised Learning,Yogyakarta:Andi.

Miftah. S (2020). Mengenal Lebih Dalam Algoritma Unsupervised Learning.

Bandung:Graha Ilmu

Siang, J. J. (2004). Jaringan Saraf Tiruan & Pemrogramannya Menggunakan

Matlab. Yogyakarta: Andi.