PROGRAM STUDI TEKNIK

INFORMATIKA FAKULTAS
TEKNOLOGI INFORMASI
UNIVERSITAS BALE
BANDUNG (UNIBBA)

Ujian Tengah Semester

Nama : Inggri Nurhasanah
NIM : 301180012
Mata Kuliah : Neuro Computing
Dosen : Rustiyana, S.T., M.T.

1. Jelaskan dari:
a) Jaringan Syaraf Tiruan
Jawab :
Sistem komputasi dimana arsitektur dan operasi di ilhami dari pengetahuan tentang sel
syaraf biologi di dalam otak.
b) Sebutkan bagian-bagian Otak Manusia
Jawab :
Dalam skala anatomis yang paling besar, bisa diklasifikasikan antara lain cortex,
midbrain, brainstem, dan cerebellum. Sedangkan hubungan antara neuron dengan
neuron lainnya atau jaringan syaraf dalam otak memiliki komponen utama neuron yaitu
:
• Dendrit = bertugas menerima informasi yang dimana sebagai jalur input bagi soma
• Badan sel (soma) = tempat pengolahan informasi
di badan sel terdapat inti sel yang bertugas mengolah informasi
• Akson = bertugas mengirimkan impuls-impuls sinyal ke sel syaraf lain yang
dimana merupakan jalur output bagi soma
• Antar dendrit dipertemukan dengan sinapsis
c) Sebutkan macam-macam Model Matematik Jaringan Syaraf tiruan
Jawab :
1) Model JST satu lapisan

2) Model JST banyak lapisan

3) Model JST dua lapisan dengan umpan balik

4) Model JST lapisan kompetitif

2. Jelaskan dari:
a) Model Neuron
Jawab :
Neuron adalah unit pemroses informasi yang menjadi dasar dalam pengoperasian jaringan
syaraf tiruan. Neuron terdiri dari 3 elemen pembentukan :
1) Himpunan unit-unit yang dihubungan dengan jalur koneksi. Jalur-jalur tersebut memiliki
bobot/kekuatan yang berbeda-beda. Bobot yang bernilai negative akan memperlemah
sinyal yang dibawanya. Jumlah, stuktur dan pola hubungan antar unit-unit tersebut akan
menentukan arsitektur jaringan (dan juga model jaringan yang terbentuk).
2) Suatu unit penjumlahan yang akan menjumlahkan input-input sinyal yang sudah dikalikan
dengan bobotnya.

Misalkan x1, x2, … , xm adalah unit-unit input dan wj1, wj2, … , wjm adalah bobot
penghubung dari unit-unit tersebut ke unit keluaran Yj, maka unit penjumlahan akan
memberikan keluaran sebesar uj = x1 wj1 + x2 wjw + … + xm wjm

3) Fungsi aktivasi yang akan menentukan apakah sinyal dari input neuron akan diteruskan ke
neuron lain ataukah tidak.

b) Model Perseptron
Jawab :
Model jaringan perceptron ditemukan oleh Rosenblatt (1962) dan Minsky – Papert
(1969). Metode Jaringan Syaraf Tiruan algoritma Perceptron adalah sebuah metode
yang mampu melakukan proses perhitungan dengan mengenali variabel- variabel dalam
pencocokan pola dan pada akhirnya hasil keluaran dari Jaringan dapat digunakan
sebagai bahan pertimbangan pengambilan keputusan.

Arsitektur jaringan perceptron mirip dengan arsitektur

jaringan Hebb. Jaringan terdiri dari beberapa unit masukan
(ditambah sebuah bias), dan memiliki sebuah unit keluaran.
Hanya saja fungsi aktivasi bukan merupakan fungsi biner
(atau bipolar), tetapi memiliki kemungkinan nilai -1, 0 atau
1.

c) Model ADALINE
Jawab :
Model ADALINE (Adaptive Linear Neuron) ditemukan oleh Widrow & Hoff (1960).
Arsitekturnya mirip dengan perceptron. Beberapa masukan (dan sebuah bias)
 dihubungkan langsung dengan sebuah neuron keluaran. Perbedaan dengan perceptron
adalah dalam hal cara modifikasi bobotnya. Bobot dimodifikasi dengan aturan delta
(sering juga disebut least mean square). Selama pelatihan, fungsi aktivasi yang dipakai
adalah fungsi identitas.
d) Model MADALINE
Jawab :
Beberapa ADALINE dapat digabungkan untuk membentuk suatu jaringan baru yang
disebut MADALINE (many ADALINE). Dalam MADALINE terdapat sebuah layer
tersembunyi. Pada gambar dibawah menunjukkan arsitektur MADALINE untuk 2 buah
masukan x1 dan x2, sebuah layer tersembunyi yang terdiri dari 2 unit neuron
tersembunyi z1 dan z2, dan sebuah keluaran Y. Arsitektur MADALINE untuk lebih dari
2 unit masukan (atau lebih dari 2 unit tersembunyi) dapat dibentuk secara analog.

Keluaran dari unit tersembunyi z1 dan z2 adalah nilai fungsi aktivasi (dan threshold)
yang diterima dari x1 dan x2. Demikian pula unit keluaran Y merupakan nilai fungsi
aktivasi dari z1 dan z2. Meskipun keluaran z1 dan z2 masing-masing merupakan fungsi
linier, tetapi keluaran Y bukanlah fungsi linier x1 dan x2 karena adanya unit
tersembunyi. Adanya unit tersembunyi dalam MADALINE akan meningkatkan
kapabilitas komputasi dibandingkan ADALINE, meskipun pelatihannya juga lebih
kompleks.
Pada awal ditemukannya MADALINE (Widrow dan Hoff (1960)), hanya bobot ke unit
tersembunyi (w11, w12, w21, w22 dalam gambar) saja yang dimodifikasi selama proses
pelatihan. Bobot ke unit keluaran merupakan kuantitas yang tetap. Modifikasi
MADALINE (Widrow, Winter dan Baxter (1987)) dilakukan dengan memodifikasi
semua bobotnya.
Dalam algoritma MADALINE mula-mula, bobot v1, v2, dan bias b3 yang diteruskan ke
Y diatur sedemikian hingga keluaran Y akan = 1 jika salah satu keluaran dari z1 atau z2
(atau keduanya) = 1. Keluaran Y = -1 jika keluaran z1 maupun z2 = -1. Dengan kata lain,
unit Y membentuk fungsi logika “atau” dengan masukan dari z1 dan z2. Maka diambil
v1 = v2 = ½ dan b3 = ½.
3. Diketahui A= [3 -1 2],

Hitunglah (jika dapat dilakukan)

a. ABC
Jawab :
Tidak dapat dilakukan karena matriks C berordo 2x2 meskipun matriks A dan B dapat
dihitung karena pada matriks A dan B berordo 3x1 dan 1x3
b. BAC
Jawab :
Tidak dapat dilakukan karena matriks C berordo 2x2 meskipun matriks B dan A dapat
dihitung karena pada matriks B dan A berordo 1x3 dan 3x1
c. BtD
Jawab :
Bt = [0 -4 1]

2 0 1
t
B D = [0 −4 1] 𝑥 [ 2 3 −1]
−1 4 1

= [(0𝑥2) + ((−4)𝑥2) + (1𝑥(−1)) (0𝑥0) + ((−4)𝑥3) + (1𝑥4) (0𝑥1) + ((−4)𝑥(−1)) + (1𝑥1)]

BtD = [−9 −8 5]

4. Gambarkanlah jaringan syaraf tiruan layar jamak yang terdiri dari 5 unit masukan, 2 layar
tersembunyi yang masing-masing berisi 4 dan 3 neuron, serta unit keluaran tunggal.
Jawab :
5. Buktikan bahwa turunan fungsi aktivasi sigmoid bipolar
-1
adalah
Jawab
: 2

𝑓(𝑥) = −1
1 + 𝑒−𝑥
2
0= −1
1 + 𝑒−𝑥
2
− 𝑘𝑎𝑙𝑖𝑘𝑎𝑛 𝑘𝑒𝑑𝑢𝑎 𝑟𝑢𝑎𝑠 𝑑𝑒𝑛𝑔𝑎𝑛 − (1 + 𝑒−𝑥)
1 + 𝑒−𝑥 = −1

2 2
−(1 + 𝑒−𝑥) (− ( 𝑒−𝑥)(−1) ⟹ (1 + 𝑒−𝑥) ( ) = (1 + −𝑥
)(1)
)=−1+ 𝑒
1+𝑒 −𝑥 1+ 𝑒−𝑥

2
(1 + 𝑒 − 𝑥) ( ) = (1 + −𝑥
𝑒 )(1)
1 + 𝑒−𝑥

2 = 1 + 𝑒−𝑥 ⟹ −𝑒−𝑥 = 1 − 2

−𝑒−𝑥 = −1 ⟹ 𝑒−𝑥 = 1 𝑘𝑒𝑚𝑢𝑑𝑖𝑎𝑛 ℎ𝑖𝑡𝑢𝑛𝑔 𝑙𝑜𝑔𝑎𝑟𝑖𝑡𝑚𝑎𝑛𝑦𝑎

ln (𝑒−𝑥) = ln (1)
−𝑥 = 0 ⟹ (−1)(−𝑥) = (−1)(0)

𝑥 =0

𝑚𝑎𝑘𝑎, 𝑓(𝑥) = 0

((1 + 𝑓(𝑥))(1 − 𝑓(𝑥)) ((1 + 0)(1 − 0))

𝑓′(𝑥) = ⟹
2 2
1
𝑓′(𝑥) =
𝑘𝑎𝑟𝑒𝑛𝑎 ℎ𝑎𝑠𝑖𝑙𝑛𝑦𝑎 𝑏𝑒𝑟𝑢𝑝𝑎 𝑘𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑎, 𝑚𝑎𝑘𝑎 ℎ𝑎𝑠𝑖𝑙 𝑡𝑢𝑟𝑢𝑛𝑎𝑛𝑛𝑦𝑎 0
2

𝑠𝑒ℎ𝑖𝑛𝑔𝑔𝑎, 𝑓′(𝑥) = 0
Terbukti bahwa turunan fungsi aktivasi sigmoid bipolar sesuai/sama

6. Mengapa fungsi Aktivasi yang dipakai dalam backpropagation harus merupakan fungsi yang
turunannya mudah dihitung
Jawab :
karena Fungsi aktivasi yang digunakan di dalam metode backpropagation memiliki
Karakteristik yang kontinyu dan tidak menurun secara monoton. Selain itu, agar memiliki
hasil tingkat rata-rata akurasi yang lebih baik.