BAB I

PENDAHULUAN

1.1 LATAR BELAKANG

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
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

1.3 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 II
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 penghubung-
penghubung
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 )

c) Fungsi aktivasi.
Sebagai contoh, perhatikan neuron Y pada gambar 2.1
x1
w1

x2 w2 Y

w3
x3

Gambar 2 .1
 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 yang
 terjadi 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 Perkembangan JST
mengembangkan
1943 Waffen McCulloch Merancang model formal yang
dan Walter Pitts 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 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

9
 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)

Pengembangan yang ramai dibicarakan sejak tahun 1990 an adalah

aplikasi model-model jaringan syaraf tiruan untuk menyelesaikan berbagai
masalah di dunia nyata.

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
neuron- neuron 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 dengan
10
 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.

Perbedaan Jaringan Syaraf Tiruan dengan Jaringan Syaraf Alami

(Biologi)

Table 2.2 Tabel perbedaan jaringan syaraf tiruan dan jaringan syaraf alami
(biologi)
Jaringan Syaraf Tiruan Jaringan Syaraf Alami ( Biologi )

Memformulasikan model Kinerja sel sel otak manusia dari

matematis sel-sel otak berfikir sampai gerakan

Asumsi model matematis Dilihat struktur sel – sel alami nya :

strukturnya :
· Dendrit merupakan suatu
· Pemrosesan informasi perluasan dari somayang menyerupai
terjadi pada elemen sederhana rambut dan bertindak sebagai saluran
(neuron) masukan.

· Sinyal dikirimkan · Saluran masukan ini menerima

diantara neuron neuron masukan dari sel saraf lainnya
melalui penghubung (dendrit melalui sinapsis.
dan akson)
· Soma dalam hal ini kemudian
· Penghubung antar elemen memproses nilai masukan menjadi
memiliki bobot yang akan sebuah output yang kemudian dikirim
menambah atau mengurangi ke sel saraf lainnya melalui akson dan
sinyal sinapsis.

· Untuk menentukan
output, setiap neuron memiliki
fungsi aktivasi (biasanya non

11
 linier) yang dikenakan pada
semua input

· Besar output akan

dibandingkan

· dengan threshold

Memodelkan hubungan yang Sel saraf biologi mempunyai struktur

kompleks antara input dan yang lebih kompleks dan lebih canggih
output untuk menemukan
pola-pola pada data

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.

12
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.

13
 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.

14
 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.

15