Selasa, 07 Maret 2023

NAMA : EVAN JUSEPHCA

MK : JARINGAN SYARAF BUATAN (B)
NRP : 18041149

SEJARAH JARINGAN SYARAF BUATAN/TIRUAN (ARTIFICIAL NEURAL NETWORK)

Jaringan Syaraf Buatan/Tiruan diperkenalkan secara sederhana pada tahun 1943 oleh
McCulloch dan Pitts. Pada saat itu McCulloch dan Pitts melalui beberapa komputasi menggunakan
neuron-neuron sederhana dapat mengubahnya menjadi sebuah sistem baru (disebut sistem neural)
yang mempunyai kemampuan komputasi lebih baik. Selain itu McCulloch dan Pitts juga mengusulkan
pemberian bobot dalam jaringan yang dapat diatur untuk melakukan fungsi logika sederhana.
Beliau-beliau ini menggunakan semacam fungsi aktivasi threshold.
Pada tahun 1958, Rosenbalt beserta Minsky dan Papert mulai mengembangkan model
jaringan yang disebut dengan perceptron. Dalam model ini mereka mencoba untuk mengoptimalkan
hasil iterasinya. Kemudian pada tahun 1960 Widrow dan Hoff mengembangkan model perceptron ini
dengan memperkenalkan aturan pelatihan jaringan yang disebut aturan delta (sering juga disebut
kuadrat rata-rata terkecil). Aturan tersebut akan mengubah bobot perceptron apabila keluaran yang
dihasilkan tidak lagi sesuai dengan target yang telah ditetapkan. Hal inilah yang menyebabkan
komputer dapat “belajar” dengan sendirinya; kecepatan belajar dapat diatur dengan menggunakan
parameter tertentu.
Perkembangan selanjutnya dibuat oleh Rumelhart (1986) dengan mencoba
mengembangkan sistem layar tunggal (single layer) pada perceptron menjadi sistem layar jamak
(multilayers), yang kemudian disebut dengan backpropagation. Setelah itu, muncul beberapa model
jaringan saraf tiruan lain yang dikembangkan oleh Kohonen (1972), Hopfeld (1982), dan lain-lain.

METODE JSB/T
dari pernyataan di atas telah dikumpulkan beberapa metode Jaringan Syaraf Buatan/Tiruan, yaitu :
1. Threshold,
2. Perceptron, dan
3. Backpropagation.

SISTEM DAN APLIKASI JARINGAN SYARAF BUATAN/TIRUAN

Sistem Jaringan Syaraf Buatan/Tiruan merupakan analogi yang berkaitan erat dengan proses berpikir
dalam otak manusia. Jaringan Syaraf Buatan/Tiruan merupakan pembentukan generalisasi model
matematika dengan menggunakan beberapa asumsi, diantaranya :
 Selasa, 07 Maret 2023

 Sistem proses informasi terjadi pada banyak elemen sederhana (neuron).

 Sinyal yang dikirimkan di antara neuron-neuron melalui penghubung-penghubung (sinapsis).
 Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah
sinyal.
 Untuk menentukan output (target), setiap neuron menggunakan fungsi aktivasi (biasanya
bukan merupakan fungsi linear) yang dikenakan pada jumlah input yang diterima. Besarnya
output akan dibandingkan (learning process) dengan satu batas ambang (threshold).

Dengan demikian, dari asumsi-asumsi tersebut Jaringan Syaraf Buatan/Tiruan ditentukan oleh 3 hal
yang paling mendasar :
1. Pola hubungan antarneuron (Arsitektur Jaringan),
2. Metode untuk menentukan bobot penghubung (learning atau training method), dan
3. Fungsi aktivasi.
Sebagai contoh, perhatikan sistem yang terdapat berikut.
Y menerima input dari neuron x1, x2, dan x3 dengan bobot hubungan masing-masing adalah w1, w2,
w3. Kemudian ketiga impuls neuron yang ada dijumlahkan (fungsinya disebut net) sebagai berikut :
dan besarnya impulas yang diterima oleh Y mengikuti fungsi aktivasi apabila nilai fungsi aktivasi
cukup kuat, maka sinyal akan diteruskan. Selain itu, nilai fungi aktivasi (keluaran model jaringan) juga
dapat dipakai sebagai dasar untuk mengubah besarnya bobot, sehingga keluaran yang diperoleh
sesuai dengan target yang diharapkan.

Hingga saat ini jaringan saraf tiruan telah memiliki beberapa aplikasi yang banyak digunakan dalam
kehidupan manusia. Aplikasi yang sering digunakan antara lain:
 Pengenalan pola (pattern recognition)
Jaringan saraf tiruan dapat dipakai untuk mengenali beberapa pola seperti huruf, angka,
suara, bahkan tanda tangan. Hal ini sangat mirip dengan otak manusia yang mampu
mengenali seseorang, tentu saja yang pernah berkenalan dengan kita.
 Pengolahan sinyal (signal processing)
Jaringan saraf tiruan (terutama model ADALINE (adaptive linear newton)) dapat digunakan
untuk menekan derau (noise) dalam saluran telepon.
 Peramalan (forecasting)
Jaringan saraf tiruan juga dapat dipakai untuk meramalkan apa yang terjadi di masa depan
berdasarkan pola yang terbentuk di masa lampau. Hal ini dapat dilakukan karena
kemampuan jaringan saraf tiruan untuk mengingat dan membuat generalisasi dari apa yang
sudah ada sebelumnya.
 Selasa, 07 Maret 2023

Selain aplikasi-aplikasi yang telah disebutkan, jaringan saraf tiruan juga memiliki banyak aplikasi
yang menjanjikan seperti dalam bidang kontrol, kedokteran, dan lain-lain. Akan tetapi hal yang perlu
diingat adalah jaringan saraf tiruan juga memiliki beberapa keterbatasan. Pertama adalah
ketidakakuratan hasil yang diperolah karena jaringan saraf tiruan bekerja berdasarkan pola yang
terbentuk pada input yang diberikan. Jadi pada dasarnya jaringan saraf tiruan merupakan ilmu
komputasi yang disebut soft computing dengan menggunakan otak manusia sebagai analoginya.

Saat ini bidang kecerdasan buatan dalam usahanya menirukan intelegensi manusia, belum
mengadakan pendekatan dalam bentuk fisiknya melainkan dari sisi yang lain. Pertama-tama
diadakan studi mengenai teori dasar mekanisme proses terjadinya intelegensi. Bidang ini disebut
‘Cognitive Science’. Dari teori dasar ini dibuatlah suatu model untuk disimulasikan pada komputer,
dan dalam perkembangannya yang lebih lanjut dikenal berbagai sistem kecerdasan buatan yang
salah satunya adalah jaringan saraf tiruan. Dibandingkan dengan bidang ilmu yang lain, jaringan saraf
tiruan relatif masih baru. Sejumlah literatur menganggap bahwa konsep jaringan saraf tiruan
bermula pada makalah Waffen McCulloch dan Walter Pitts pada tahun 1943. Dalam makalah
tersebut mereka mencoba untuk memformulasikan model matematis sel-sel otak. Metode yang
dikembangkan berdasarkan sistem saraf biologi ini, merupakan suatu langkah maju dalam industri
komputer.
 Selasa, 07 Maret 2023

ANALISIS FUNGSI AKTIVASI SIGMOID BIPOLAR

Fungsi Aktivasi
Fungsi aktivasi merupakan fungsi yang digunakan pada jaringan syaraf untuk mengaktifkan
atau tidak mengaktifkan neuron. Karakteristik yang harus dimiliki oleh fungsi aktivasi jaringan
perambatan balik antara lain harus kontinyu, terdiferensialkan, dan tidak menurun secara
monotonis (monotonically non-decreasing). Lebih lanjut, untuk efisiensi komputasi, turunan fungsi
tersebut mudah didapatkan dan nilai turunannya dapat dinyatakan dengan fungsi aktivasi itu sendiri.
Fungsi aktivasi yang di analisis adalah sigmoid biner dan sigmoid bipolar.

Fungsi aktivasi sigmoid biner memiliki nilai pada range 0 sampai 1. Didefenisikan sebagai berikut:

Fungsi aktivasi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja output dari
fungsi ini memiliki range antara 1 sampai -1. Didefenisikan sebagai berikut:

Selain itu Sigmoid Bipolar ini adalah salah satu satu fungsi aktivasi yang digunakan dalam
metode backpropagation. Contohnya dalam menentukan warna RGB (Red, Green, Blue) yang
menggunakan metode backpropagation karena dapat memberikan nilai akurasi yang tinggi. Dalam
hal ini backpropagation menggunakan 3 jenis fungsi aktivasi yaitu Sigmoid Biner, Sigmoid Bipolar,
dan Linear. Berdasarkan hasil pelatihan, fungsi aktivasi Sigmoid Bipolar menghasilkan nilai akurasi
tertinggi dibandingkan fungsi aktivasi Sigmoid Biner dan fungsi aktivasi Sigmoid Linear. Arsitektur
 Selasa, 07 Maret 2023

jaringan yang optimal dimodelkan dengan menggunakan 3 node pada input layer, 2 hidden layer
yang terdiri dari masing-masing 2 node hidden layer, dan 1 node pada output layer. Pada model yang
telah dibuat, persentase akurasi pelatihan dan pengujian jaringan adalah sebesar 100%
menghasilkan MSE terkecil dengan nilai 6,1E-03 pada iterasi ke-97 dalam waktu 485 milidetik.
 Selasa, 07 Maret 2023

PENGENALAN POLA HURUF DENGAN METODE HEBBIAN

Pengenalan pola karakter dalam ilmu artifisial intelegen merupakan metode yang sangat
berkembang cepat dan terus dikembangkan hingga saat ini, kebutuhan akan keamanan informasi
dan sekuritas sebuah informasi ataupun device bisa di block dengan menggunakan sebuah sistem
yang tertanam sebuah kemampuan atau fitur dalam pengenalan pola.
Model ini bisa diterapkan baik pada pegenalan pola wajah, pola sidik jari. Dalam artikel ini akan di
bahas tentang analisi pengenalan pola sederhana dengan menggunakan jaringan syaraf tiruan yaitu
metode hebbian. Dengan dua pola awal sebagai pengetahuan atau learningbase nya dan kemudian
diuji dengan pola – pola inputan baru yang akan di cek kemiripannya dengan kedua pola learning
base apakah di kenali sebagai pola satu atau sebagai pola dua. Dengan menggunakan 25 variabel
input dan bias 1 dengan nilai bobot awal 0, pola U dan S di inisialisasi dengan karakter x bernilai 1
dan karakter o bernilai -1 dengan output bipolar, U tareget 1 dan S target -1, fungsi f(net) adalah 1
jika Y >= 0 dan -1 jika Y < 0. Jaringan yang telah terbentuk dari dua pola awal yang telah di kenali
kemudian weigh jaringan di test dengan pola 6, 3, U’ dan 8 maka di dapat hasil adalah pola 6 dan 3
dikenali atau mendekati mirip S dan U’ mendekati U.

PEMBAHASAN
Pada pembahasan ini menggunakan dua pola huruf U dan S dengan menggunakan inputan sebanyak
25 titik dari setiap patern. Pola tersebut bisa dilihat pada gambar dibawah ini:

Selanjutnya diubah kedalam representasi nilai bipolar, X = 1 dan O = -1. Dapat dilihat pada gambar
dibawah ini:
 Selasa, 07 Maret 2023

Pembuatan pola bobot jaringan syaraf tiruan

Tahap pertama adalah melakukan perhitungan pembaharuan bobot dari pola U dan S sehingga
membentuk pola jaringan. Representasikan kedalam bentuk variabel input x1, x2 …x25.

Dengan menggunakan perhitungan perubahan bobot:

Pola U : x * Target U = 1 * 1 = 1 dst.. x25
Pola S : x * Target S = 1 * -1 = -1 dst.. x25
Proses di lakukan sampai pada inputan x25 maka di dapatkan hasil seperti berikut :
Nilai perubahan bobot :

Selanjutnya dilakukan perhitungan bobot jaringan, bobot masing – masing variabel x pada pola S +
bobot pola U sehingga didapat hasil :

Pengenalan pola pembentuk pada jaringan

Setelah pola jaringan sudah terbentuk selanjutnya melakukan test terhadap pola awal apakah
dikenali oleh jaringan sesuai dengan nilai targetnya :
Untuk pola U semua x inputan di kalikan dengan pola jaringan yang sudah terbentuk sehingga x1 *
∆x1 maka :
 Selasa, 07 Maret 2023

Hasil perhitungan dengan nilai y = 16, kemudian menggunakan fungsi aktivasi sigmoid bipolar maka
f(net) = 1. Pola U sesuai dengan nilai target artinya pola U di kenali oleh jaringan.Kemudian dengan
proses yang sama untuk pola S :

Hasil Y adalah -16 sehingga f(net) = -1 sesuai dengan target S adalah -1 maka di kenali oleh jaringan.

Pengenalan pola-pola baru terhadap jaringan

Tahap selanjutnya adalah tahap pengenalan pola berikut :

Hasil perhitungan dengan jaringan yang sudah terbentuk dapat dilihat seperti di bawah ini :

Hasilnya adalah pola-pola baru yang di test dapat dikenali oleh jaringan yang sudah terbentuk.

Kesimpulan
 Selasa, 07 Maret 2023

Jaringan syaraf tiruan menggunakan Metode Hebb terbukti mampu mengenali pola yang
sudah terbentuk di jaringan. Jika learning base tidak di update dengan pengetahuan pola yang telah
di test maka untuk hasil dari test terhadap pola-pola yang akan datang hanya bisa di simpilkan
dengan kemiripan dua pola saja. Sehingga hal tersebut mengakibatkan ketidak akuratan yang lebih
presisi. Maka perlu penambahan pengetahuan setelah data tersebut di test terhadap pola baru.
 Selasa, 07 Maret 2023

METODE ADALINE PADA JARINGAN SYARAF TIRUAN

Adaline merupakan singkatan dari Adaptive Linear Neuron. Metode ini lebih kepada
menggunakan fungsi transer linier daripada hard-limiting, yakni pembatasan ketat terhadap suatu
masalah. Dengan demikian, keluarannya bisa beragam (perceptron hanya 0 atau 1). Metode ini juga
merespons perubahan lingkungannya pada saat beroperasi.

Adaline memiliki decision boundary (batasan keputusan) yang ditentukan oleh vector-vektor input
yang menghasilkan input jaringan η bernilai 0. Dengan η = 0, diperoleh persamaan Wp + b = 0,
yang akan menghasilkan decision boundary sbb :

Algoritma Adaline adalah sebagai berikut :

1. Inisialisasi semua bobot dan bias (umumnya wi = b = 0)
Set laju pembelajaran α (untuk penyederhanaan set α = 0,1)
Tentukan toleransi kesalahan yang diijinkan
2. Selama maxi Δwi > batas toleransi, lakukan :
a. Set aktivasi unit masukan xi = si (i = 1,..,n)
b. Hitung respon unit keluaran: net = ixi wi+ b
y = f (net) = net = ixi wi+ b
c. Perbaiki bobot pola yang mengandung kesalahan (y ≠ t) menurut persamaan:
wi (baru) = wi (lama) + α (t – y) xi
b (baru) = b (lama) + α (t – y)

Setelah proses pelatihan selesai, Adaline dapat dipakai untuk pengenalan pola. Untuk itu, umumnya
dipakai fungsi threshold bipolar (meskipun tidak menutup kemungkinan digunakan bentuk lainnya).

Caranya adalah sebagai berikut :

1. Inisialisasi semua bobot dan bias dengan bobot dan bias hasil pelatihan.
2. Untuk setiap input masukan bipolar xi, lakukan :
a. Set aktivasi unit masukan xi = si (I = 1,..,n)
b. Hitung net vektor keluaran : net = ixi wi + bc.
 Selasa, 07 Maret 2023

c. Kenakan fungsi aktivasi

1 jika net > 0

y = f (net) =

1 jika net < 0