DAFTAR ISI

DAFTAR ISI ......................................................................................................................................... i

1. JARINGAN SARAF TIRUAN ........................................................................................ 1
1.1 Konsep Dasar Jaringan Saraf Tiruan .................................................................. 1
1.1.1 Struktuk Dasar Jaringan Biologi ......................................................................... 1
1.1.2 Konsep Dasar Pemodelan Jaringan Saraf Tiruan ............................................. 3
1.1.3 Mengaktifkan Jaringan Saraf Tiruan ................................................................. 5
1.1.4 Metode Pelatihan dan Model Jaringan Saraf Tiruan ........................................ 5
1.1.4.1 Metode Pelatihan Terbimbing .............................................................................. 5
1.1.4.2 Metode Pelatihan Tak Terbimbing/Mandiri ......................................................... 5
1.1.4.3 Metode Kohonen/Selft-Organizing Map (SOM).................................................. 6
1.1.4.4 Metode Pelatihan Hibrida ..................................................................................... 6
1.2 Arsitektur Jaringan Saraf Tiruan ....................................................................... 7
1.3 Kelebihan dan Kekurangan Jaringan Saraf Tiruan ......................................... 8
1.3.1 Kelebihan Jaringan Saraf Tiruan ....................................................................... 8
1.3.2 Kekurangan Jaringan Saraf Tiruan ................................................................... 9

2. JARINGAN SARAF KONVOLUSIONAL .................................................................. 10

2.1 Konsep Dasar Jaringan Saraf Konvolusional ..................................................... 10
2.1.1 Lapisan Jaringan ................................................................................................... 10
2.1.2 Lapisan Penyatuan .............................................................................................. 12
2.1.3 Fungsi Aktivasi (Non-Linearty) ........................................................................ 13
2.1.3.1 Sigmoid ............................................................................................................... 13
2.1.3.2 Tanh ..................................................................................................................... 14
2.1.3.3 ReLU ................................................................................................................... 14
2.1.3.4 ReLU Bocor ........................................................................................................ 14
2.1.3.5 ReLU Berisik ........................................................................................................ 15
2.1.3.6 Satuan Linier Parametrik ...................................................................................... 15
2.1.4 Lapisan Terhubung Sepenuhnya (FC) ................................................................ 15
2.2 Fungsi Kerugian ................................................................................................... 17
2.2.1 Fungsi Cross-Entropy atau Soft-Max Loss ........................................................ 17
2.2.2 Fungsi Rugi Euclidean .................................................................................. 17
2.2.3 Fungsi Kehilangan Engsel ............................................................................ 17
2.3 Proses Pelatihan Convolutional Neural Network ................................ 18
2.3.1 Pra-pemrosesan data dan Augmentasi data ........................................ 18
2.3.2 Inisialisasi Parameter ....................................................................................... 18
2.3.3 Regularisasi ke CNN ......................................................................................... 18
2.3.4 Pemilihan Pengoptimal..................................................................................... 19
2.4 Kemajuan Terbaru Dalam Arsitektur Cnn ................................................... 20
2.4.1 Klasifikasi Gambar ........................................................................................... 20
2.4.1.1 LeNet-5 ............................................................................................................ 20
2.4.1.2 AlexNet ............................................................................................................ 21
2.4.1.3 ZFNet ............................................................................................................... 22
2.4.1.4 VGGNet ............................................................................................................. 22
i
2.4.1.5 GoogleLeNet ...................................................................................................... 23
2.4.1.6 ResNet ................................................................................................................ 24
2.4.1.7 PadatNet ............................................................................................................. 25
2.4.2 Deteksi Objek ................................................................................................... 25
2.4.2.1 R-CNN .............................................................................................................. 25
2.4.2.2 SPP-Net ............................................................................................................. 26
2.4.2.3 R-CNN Cepat ..................................................................................................... 26
2.4.2.4 R-CNN Lebih Cepat ......................................................................................... 27
2.4.2.5 Topeng R-CNN ................................................................................................ 27
2.4.2.6 YOLO ................................................................................................................ 28
2.4.3 Segmentasi Gambar .......................................................................................... 28
2.4.3.1 Segmentasi Semantik ....................................................................................... 28
2.4.3.2 Segmentasi Mesin Virtual................................................................................ 30
2.5 Area Aplikasi Cnn ............................................................................................. 33
2.5.1 Klasifikasi Gambar ........................................................................................... 33
2.5.2 Pengenalan Teks ................................................................................................ 33
2.5.3 Pengenalan Tindakan ..................................................................................... 33
2.5.4 Pembuatan Caption Gambar .......................................................................... 33
2.5.5 Analisis Citra Medis.......................................................................................... 33
2.5.6 Keamanan dan Pengawasan ............................................................................ 34
2.5.7 Pewarnaan Otomatis Transfer Gambar dan Gaya ................................ 34
2.5.8 Citra Satelit ....................................................................................................... 34
2.6 Contoh Penerapan Cnn ..................................................................................... 35

ii
1. JARINGAN SARAF TIRUAN
1.1 Konsep Dasar Jaringan Saraf Tiruan
1.1.1 Struktuk Dasar Jaringan Biologi
Pembuatan jaringan saraf tiruan diilhami oleh struktur jaringan biologi,
khususnya jaringan otak manusia. Untuk lebih mengenal asal-usul serta bagaimana
suatu struktur jaringan saraf tiruan dibuat dan dapat dipakai sebagai suatu alat
penghitung, berikut ini akan diulas sedikit istilah yang secara umum digunakan.
Neural network atau dikenal sebagai Jaringan Syaraf Tiruan (JST) merupakan
himpunan bagian dari machine learning, khususnya deep learning. Nama dan struktur
yang diberikan terinspirasi oleh otak manusia dan meniru cara neuron biologis memberi
sinyal berinteraksi satu sama lain antar neuron.

Jaringan saraf tiruan (Artifial Neural Network) merupakan salah satu sistem
pemrosesan informasi yang di desain dengan menirukan cara kerja otak manusia dalam
menyelesaikan suatu masalah dengan melakukan proses belajar melalui perubahan
bobot sinapsisnya. Jaringan saraf tiruan mampu melakukan pengenalan kegiatan
berbasis data masa lalu. Data masa lalu akan di pelajari oleh jaringan syaraf tiruan
sehingga mempunyai kemampuan untuk memberikan keputusan terhadap data yang
belum pernah dipelajari.
Sejak ditemukan pertamakali oleh Mc.Culloch dan Pitts sistem jaringan syaraf
tiruan berkembang pesat dan banyak di gunakan oleh banyak aplikasi, jaringan syaraf
tiruan (Artificial Nural Network) adalah suatu jaringan untuk memodelkan cara kerja
sistem syaraf manusia (otak) dalam melaksanakan tugas tertentu. Pemodelan ini didasari
oleh kemampuan otak manusia dalam mengorganisasi sel – sel penyusunan (neuron),
sehingga memiliki kemampuan untuk melaksanakan tugas – tugas tertentu khususnya
pengenalan pola dengan Efektifitas jaringan tertiggi. (Suyanto, 2013).
1
 Sebagai sistem yang mampu menirukan perilaku manusia, umumnya sistem
mempunyai ciri khas yang mampu menujukan kemampuan dalam hal:
1. Menyimpan informasi;
2. Menggunakan informasi yang dimiliki untuk melakukan pekerjaan dan
menarik kesimpulan;
3. Beradaptasi dengan keadaan baru;
4. Berkomunikasi dengan penggunanya.
Adapun ilustrasi dari Jaringan Saraf Tiruan dapat dilihat pada gambar dibawah ini:

Dendrit dari jaringan saraf biologis mewakili input dalam JST, inti sel mewakili node,
sinapsis mewakili bobot, dan akson mewakili output. Berikut hubungan antara jaringan
saraf biologis dan JST:
Jaringan Saraf Biologis Jaringan Saraf Tiruan
Dendrit Masukan (input)
Inti sel (neuron) Simpul (node)
Sinapsis Bobot (weight)
Akson Keluaran (output)

Jaringan saraf tiruan di bidang kecerdasan buatan (artificial intelligent) mencoba

untuk meniru jaringan neuron yang membentuk otak manusia sehingga komputer akan
memiliki opsi untuk memahami berbagai hal dan membuat keputusan layaknya cara
seperti manusia berpikir. JST dirancang oleh komputer seperti sel-sel otak yang saling
berhubungan.

Sejak ilmuwan komputer pertama kali mencoba jaringan saraf tiruankonvensional,

banyak penemuan penting yang dipelajari oleh para ahlli dibidang ilmu saraf. Salah
satunya adalah bahwa bagian-bagian otak yang berbeda bertanggung jawab untuk
2
memproses berbagai aspek informasi dan bagian-bagian ini diatur secara hierarkis.

Jadi, ketika input masuk ke otak maka setiap tingkat neuron akan memberikan
wawasan dan kemudian informasi tersebut diteruskan ke neuron berikutnya yang punya
tingkat tanggung jawab lebih besar. Mekanisme ini yang coba ditiru oleh algoritma JST.
Agar JST dapat belajar, jaringan perlu memiliki sebagian besar informasi yang diberikan
melalui proses training. Misalnya ketika kita melakukan training terhadap model JST
untuk membedakan gambar kucing dari anjing, kita perlu menyediakan ribuan gambar
yang ditandai sebagai anjing sehingga jaringan akan mulai 'belajar'.

Setelah dilatih dengan jumlah data yang signifikan, JST akan mencoba
mengklasifikasikan data berikutnya berdasarkan apa yang dipelajari di seluruh unit yang
berbeda. Selama periode training, output mesin dibandingkan dengan deskripsi yang
diberikan manusia tentang apa yang harus diamati.

Jika hasil perbandingannya sama maka dianggap valid. Namun apabila salah, JST
menggunakan backpropagation untuk menyesuaikan pembelajarannya kembali dengan
mudur ke lapisan sebelumnya untuk mengubah persamaan matematika. Dari proses belajar
secara terus menerus inilah kemudian JST disebut sebagai algoritma Deep Learning, yaitu
algoritma yang menjadi semakin cerdas dari waktu kewaktu.

1.1.2 Konsep Dasar Pemodelan Jaringan Saraf Tiruan

Tiruan neuron dalam struktur jaringan syaraf tiruan adalah sebagai elemen
pemroses seperti pada gambar 4.2 yang dapat berfungsi seperti halnya sebuah neuron.
Sejumlah sinyal masukan a dikalikan dengan masing-masing penimbang yang bersesuaian
w. Kemudian dilakukan penjumlahan dari seluruh hasil perkalian tersebut dan keluaran
yang dihasilkan dilalukan kedalam fungsi pengaktif untuk mendapatkan tingkatan derajad
sinyalkeluarannya F(a, w). Walaupun masih jauh dari sempurna, namun kinerja dari tiruan
neuron ini identik dengan kinerja dari sel biologi yang kita kenal saat ini.

3
4
 • Aj : nilai sktivasi dari unit j
• Wj,i : bobot dari unit j ke unit i
• Ini : pejumlahan bobot dan masukan ke unit i
• G : fungsi aktivasi
• Ai : nilai aktivasi dari unit i

1.1.3 Mengaktifkan Jaringan Saraf Tiruan

Mengaktifkan jaringan syaraf tiruan berarti mengaktifkan setiap neuron yang

dipakai pada jaringan tersebut. Banyak fungsi yang didapat sebagai pengaktip, seperti
fungsi- fungsi goniometri dan hiperboliknya, fungsi unit step, impulse, sigmoid dan
lain sebagainya seperti pada gambar 4.3, tetapi yang lazim digunakan adalah fungsi
sigmoid, karena dianggap lebih mendekati kinerja signal pada otak.

• Step(x) = 1 if x ≥ t else 0
• Sign(x) = +1 if x ≥ 0 else -1
• Sigmoid(x) = 1/(1+e-x)

1.1.4 Metode Pelatihan dan Model Jaringan Saraf Tiruan

1.1.4.1 Metode Pelatihan Terbimbing
Metode pelatihan terbimbing adalah metode pelatihan yang memasukkan
target keluaran dalam data untuk proses pelatihannya. Ada beberapa
pelatihan terbimbing yang telah diciptakan oleh para peneliti yang sering
diaplikasikan adalah Single Perceptron, Multi perceptron dan Back
Propagation (BP).
1.1.4.2 Metode Pelatihan Tak Terbimbing/Mandiri

Metoda pelatihan tak terbimbing adalah pelatihan tanpa memerlukan target

5
 pada keluarannya. Proses pelatihan berdasarkan proses transformasi dri
bentuk variabel kontinyu menjadi variabel diskrit yang dikenal dengan
kuantisasi vektor. Jaringan yang digunakan untuk proses pelatihan tak
terbimbing ini adalah jaringan umpan balik (feedback network).

1.1.4.3 Metode Kohonen/Selft-Organizing Map (SOM)

Teknik ini pertama dikenalkan oleh Tenvo Kohonen, merupakn proses

unspervised learning yang mempelajari distribusi himpunan pola-pola tanpa
informasi kelas. Ide dasar diilhami dari bagaimana proses otak manusia
menyimpan gambar/pola yang telah dikenalnya melalui mata. Kemudian
mampu mengingatkan kembali gambar/pola tersebut. Pada mata kita proses
tersebut adalah realisasi pemetaan dari retina menuju cortex oleh karenanya
aplikasi model JST ini banyak digunakan pada pengenalan objek citra visual.

1.1.4.4 Metode Pelatihan Hibrida

Semakin tinggi tingkat ketidaklinieran suatu sistem, seringkali sulit

diselesaikan dengan kedua metoda yang telah diuraikan sebelumnya yaitu
metoda pelatihan terbimbing dan tak terbibing. Untuk mengatasi problema
tersebut, banyak periset yang mencoba menggabungkannya dan diperoleh
hasil yang lebih baik. Salah satu metoda hibrida yang berhasil dan banyak
digunakan adalah metoda radal basis function network (RBFN).

6
1.2 Arsitektur Jaringan Saraf Tiruan

Arsitektur JST menggunakan berbagai lapisan pemrosesan matematis untuk

memahami informasi yang diberikan. Biasanya, jaringan saraf tiruan memiliki puluhan
hingga jutaan neuron buatan yang disebut sebagai unit dan tersusun dalam beberapa
lapisan atau layer.

Adapun lapisan pada jaringan saraf tiruan terdiri dari tiga layer utama yakni input layer,
hidden layer, dan output layer.

1. Input Layer
Seperti namanya, lapisan ini menerima input dalam beberapa format berbeda yang
disediakan oleh programmer. Input yang terima adalah data yang ingin diproses atau
dipelajari oleh jaringan.
2. Hidden Layer
Lapisan tersembunyi atau hidden layer menjembatani lapisan input dan output. Dari
unit input (input layer), data dapat melewati satu atau lebih hidden layer. Tugas
hidden layer adalah mengubah input menjadi sesuatu yang dapat digunakan unit
output. Selain itu, lapisan ini melakukan semua perhitungan untuk menemukan fitur
dan pola tersembunyi.
Mayoritas jaringan saraf sepenuhnya terhubung dari satu lapisan ke lapisan lainnya.
Koneksi ini diberi bobot; semakin tinggi angkanya, semakin besar pengaruh satu unit
terhadap unit lain, mirip dengan otak manusia. Saat data melewati setiap unit,
jaringan belajar lebih banyak tentang data.
3. Output Layer
Masukan atau input melewati serangkaian transformasi menggunakan hidden layer,
pada akhirnya menghasilkan output yang dibawa menuju lapisan ini. Jaringan saraf
tiruan mengambil input dan menghitung jumlah bobot dari input dan bias.

7
 Perhitungan ini direpresentasikan dalam bentuk fungsi transfer.
JST menentukan bobot yang dilewatkan sebagai input ke sebuah fungsi aktivasi untuk
menghasilkan keluaran (output). Fungsi aktivasi memilih apakah sebuah node akan
dibangkitkan atau tidak. Hanya node yang berhasil dibangkitkan yang akan dibuat sebagai
output layer.

1.3 Kelebihan dan Kekurangan Jaringan Saraf Tiruan

1.3.1 Kelebihan Jaringan Saraf Tiruan

1. Kemampuan pemrosesan secara parallel
Jaringan syaraf tiruan memiliki kemampuan menyediakan data untuk diproses secara
paralel, yang berarti dapat menangani lebih dari satu tugas pada waktu yangbersamaan.
2. Menyimpan data di selirih jaringan
Jaringan syaraf tiruan digunakan untuk menyimpan informasi pada jaringan. Sehingga,
meskipun tanpa adanya pasangan data, tidak berarti bahwa jaringan tersebut tidak
menghasilkan keluaran/output.
3. Dapat bekerja dengan pengetahuan yang kurang lengkap
Setelah pelatihan JST, informasi dapat menghasilkan output bahkan ketika terdapatdata
yang tidak memadai. Penurunan kinerja algoritma sangat bergantung pada seberapa
penting data yang hilang.
4. Memiliki distribusi memori
Jaringan saraf tiruan dipecah secara bertahap, yang berarti JST tidak akan tiba-tiba
berhenti bekerja.
5. Memiliki toleransi kesalahan
Jaringan saraf tiruan memiliki resistensi dan toleran terhadap kesalahan. Ini berarti
bahwa hilangnya satu atau lebih sel tidak mempengaruhi kinerja jaringan saraf tiruan.

8
1.3.2 Kekurangan Jaringan Saraf Tiruan
1. Perilaku jaringan yang tidak dikenali
JST mampu menghasilkan solusi pengujian, namun tidak dapat memberikan alasandan
cara kerja dari solusi tersebut. Hal ini mengurangi kepercayaan pada jaringan.
2. Sangat bergantung pada perangkat keras
Jaringan saraf tiruan membutuhkan prosesor dengan kekuatan pemrosesan paralel,
sesuai dengan strukturnya. Oleh karena itu, kemampuannya sangat bergantung dan
dipengaruhi pada peralatan yang digunakan.
3. Perlu menunjukkan masalah dalam nilai numerik
JST dapat bekerja dengan data numerik. Sebelum diperkenalkan ke JST, masalah harus
diubah menjadi nilai numerik terlebih dahulu. Mekanisme ini akan berdampak
langsung pada kinerja jaringan.
4. Sulit menentukan struktur jaringan yang sesuai