Tugas Mata Kuliah Kecerdasan Buatan

“Jaringan Syaraf Tiruan (JST)”

Disusun Oleh :
Cornelia Luba Tara Boro
2118060

INSTITUT TEKNOLOGI NASIONAL MALANG

FAKULTAS TEKNOLOGI INDUSTRI
PROGRAM STUDI TEKNIK INFORMATIKA S-1
2023
 Daftar Isi
A. Sejarah Jaringan Syaraf Tiruan...........................................................................1
B. Pengertian Jaringan Syaraf Tiruan.....................................................................1
C. Metode-Metode JST...........................................................................................5
D. Kelebihan dan Kekurangan................................................................................7
E. Aplikasi...............................................................................................................7
DAFTAR PUSTAKA....................................................................................................9

ii
A. Sejarah Jaringan Syaraf Tiruan
Sejarah perkembangan jaringan syaraf tiruan secara garis besar telah
dimulai pada tahun 1940 dengan mengalokasikan cara kerja otak manusia
berdasarkan logika numerik yang diadaptasi dengan peralatan komputer.
Perkembangan selanjutnya mengalami banyak tahapan yaitu sebagai berikut
(S. Muis, 2010):
1. Tahun 1943, McCulloch dan Pitts meletakkan konsep dasar jaringan
syaraf tiruan secara matematis, model ini dikenal lebih mudah untuk
diimplementasikan dikembangkan, dan dipahami.
2. Tahun 1949, Donald Hebb memperkenalkakn sebuah metode
pembelajaran Hebbian yaitu dimana metode terebut memungkinkan suatu
informasi dapat disimpan di antara jaringan syaraf tiruan untuk dapat
menjalankan proses berikutnya.
3. Tahun 1952, Ashby dalam buku The Orgin of Adative Behavior
memperkenalkan sebuah ide pembelajaran yang aditif.
4. Tahun 1954, Minsky dalam thesis doktor yang berjudul “neural network”
menjelaskan sebuah pemahaman tentang jaringan syaraf tiruan ke arah
yang lebih lebih jelas dan komprehensip.
5. Tahun 1956, Taylor meletakkan suatu dasar struktur jaringan syaraf tiruan
associative memory.
6. Tahun 1958, Frank Rosenblatt memperkenalkan sebuah jaringan syaraf
perceptron yang merupakan dasar dari mesin jaringan syaraf tiruan yang
terus berkembang dari waktu ke waktu.
7. Tahun 1974, Werbos memperkenalkan algoritma backpropagation untuk
dapat mendukung suatu proses dan lebih dalam untuk menjelaskan
pembelajaran jaringan syaraf lapis banyak perceptron.
B. Pengertian Jaringan Syaraf Tiruan
Menurut Kusumadewi (2010) JST adalah salah satu representasi
buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses
pembelajaran pada otak manusia tersebut. Istilah buatan digunakan karena
jaringan syaraf diimplementasikan dengan menggunakan program komputer
yang mampu menyelesaikan sejumlah proses perhitungan selama proses
pembelajaran (Fausett, 1994).
Jaringan Syaraf Tiruan (JST) merupakan suatu pengembangan model
kecerdasan dari otak manusia dan selanjutnya diimplementasikan dengan
menggunakan suatu program komputer yang berfungsi untuk dapat
menyelesaikan masalah yang ada. Seiring berjalannya waktu menjadikan
jaringan syaraf tiruan ini semakin maju dan semakin berkembang pesat yang
menjadikan salah satu cabang ilmu yang mempunyai peranan penting dalam
perkembangan teknologi yang semakin canggih dimasa yang akan datang.
Jaringan syaraf tiruan memiliki karakteristik alamiah yang meniru cara kerja
otak manusia dan memiliki kemampuan belajar yang mengakumulasi
pengetahuan hasil dalam pembelajaran jaringan database. Sistem ini semakin
lama menjadi semakin cerdas dan semakin canggih seiring dengan proses
pembelajaran yang dijalani dari waktu ke waktu, sehingga JST tersebut
memiliki kemampuan beradaptasi yang baik dengan lingkungan yang baru (D.
I. S. Muis, 2017).
Jika dianalogikan, maka komponen-komponen penting pada Jaringan
Syaraf Tiruan dengan Jaringan Syaraf Biologi adalah sebagai berikut :
JST JS Biologis
Node/ Badan Sel (soma)
input
Input Dendrit
Output Akson
Bobot Sinopsis

JST dibentuk sebagai generalisasi model matematika dari jaringan

syaraf biologi, dengan asumsi bahwa:
1. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).
2. Sinyal dikirimkan diantara neuron-neuron melalui penghubung-
penghubung.
3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau
memperlemah sinyal.

Gambar 1 Contoh Sel Syaraf Sederhana

Dalam membuat sebuah JST tentunya ada beberapa hal yang harus
disiapkan terlebih dahulu, yaitu tiga hal dibawah berikut yang merupakan
penentu dalam membuat sebuah jaringan syaraf tiruan. [1]Pola hubungan
antar neuron (disebut arsitektur jaringan); [2]Metode untuk menentukan bobot
penghubung (disebut metode learning/training); [3]Fungsi aktivasi.
1. Arsitektur Jaringan
Arsitektur jaringan adalah suatu pola yang saling terhubung dengan
beberapa neuron dan neuron tersebut nantinya akan membentuk suatu
jaringan. Jaringan syaraf tiruan memiliki beberapa arsitektur jaringan
yang digunakan dalam aplikasi, yaitu sebagai berikut (Y. A. Lesnussa, S.
Latuconsina, 2015) :
a. Jaringan Lapisan Tunggal (Single Layer Net)
Jaringan dengan lapisan tunggal hanya memiliki satu lapisan
dengan bobot-bobot terhubung. Jaringan ini hanya menerima input
kemudian secara langsung akan mengolahnya menjadi output tanpa
harus melalui lapisan tersembunyi
b. Jaringan Banyak Lapisan (Multi Layer Net)
 Jaringan dengan banyak lapisan memiliki satu atau lebih lapisan
yang terletak diantara lapisan input dan lapisan output sering disebut
lapisan tersembunyi/ hidden layer).
 c. Jaringan Lapisan Kompetitif (Competitif Layer Net)
Hubungan antar-neuron pada lapisan kompetitif ini tidak
diperlihatkan pada diagram arsitektur.
2. Metode Learning/Training
Metode learning pada Jaringan Saraf Tiruan (JST) adalah proses di
mana JST mengadaptasi dan mengubah parameter internalnya (bobot dan
bias) untuk mempelajari pola atau hubungan dalam data yang diberikan.
Metode ini bertujuan untuk mengoptimalkan kinerja JST dalam
memprediksi atau mengklasifikasikan data baru.
Ada beberapa metode learning yang umum digunakan dalam JST,
antara lain:
a. Supervised Learning (Pembelajaran Terpandu)
Metode ini menggunakan pasangan data input-output yang telah
diberi label (label adalah target yang diharapkan).
b. Unsupervised Learning (Pembelajaran Tanpa Pengawasan)
Metode ini tidak menggunakan label pada data input. JST belajar
dengan mencari pola tersembunyi atau struktur dalam data tanpa
adanya informasi target. Metode unsupervised learning dapat
digunakan untuk mengkluster data menjadi kelompok-kelompok yang
serupa.
c. Reinforcement Learning (Pembelajaran Penguatan)
Metode ini melibatkan interaksi JST dengan lingkungan yang
dinamis. JST belajar melalui trial and error untuk mengambil
keputusan yang mengoptimalkan suatu reward atau hukuman yang
diberikan oleh lingkungan.
d. Batch Learning (Pembelajaran Kelompok)
Metode ini melibatkan pembelajaran JST pada seluruh dataset secara
bersamaan atau dalam kelompok tertentu. Parameter JST diperbarui
setelah semua data dalam kelompok tersebut telah digunakan.
 Setiap metode learning pada JST memiliki karakteristik dan kegunaan
yang berbeda, tergantung pada sifat data dan tugas yang akan
diselesaikan. Pemilihan metode learning yang tepat sangat penting untuk
mencapai hasil yang diinginkan dalam penggunaan JST.
3. Fungsi Aktivasi
Seperti yang sudah dijelaskan diatas, fungsi aktivasi merupakan
komponen penting dalam membuat sebuah jaringan tiruan. Fungsi
aktivasi merupakan fungsi yang digunakan pada jaringan syaraf untuk
menentukan output neuron. Fungsi aktivasi juga merupakan fungsi yang
menggambarkan hubungan antara tingkat aktivasi internal yang mungkin
terbentuk linier atau nonlinear. Beberapa fungsi aktivasi JST diantaranya
hard limit, purellin dan sigmoid. Diantara fungsi-fungsi diatas, yang
paling popular adalah fungsi simoid. Fungsi Simoid sendiri memiliki
varian, diantaranya adalah : [1]Fungsi Simoid Logaritma; [2]Fungsi
Simoid Biner; [3]Fungsi Simoid Bipolar; [4]Fungsi Simoid Tangen.

Gambar 2 Model Struktur Neuron JST

C. Metode-Metode JST
Metode II-7 yang terdapat dalam jaringan syaraf tiruan adalah sebagai
berikut (Kristanto, 2004):
1. Metode LVQ (Learning Vector Quantization)
LVQ adalah suatu metode yang terdapat dalam jaringan syaraf tiruan
untuk melakukan proses pembelajaran terhadap layer yang supervised.
LVQ ini digunakan dengan mengelompokkan suatu jumlah kelompok
 tersebut sudah ditentukan arsitekturnya. Tujuan metode ini adalah utnuk
mendekati distribusi kelas vektor guna meminimalkan kesalahan dalam
pengklasifikasian yang dilakukan.
2. Metode Perceptron
Perceptron merupakan salah satu metode dalam jaringan syaraf tiruan
yang dapat digunakan dalam membuat suatu sistem pengenalan dengan
tingkat keberhasilan dan kesuksesan yang cukup baik. Arsitektur dari
metode perceptron ini terdiri dari beberapa unit masukkan dan ditambah
dengan satu bias, selain itu metode perceptron ini juga memiliki sebuah
unit keluaran yang berfungsi dalam mempunyai nilai yaitu -1,0,1.
3. Metode Backpropagation
Backpropagation merupakan salah satu metode pembelajaran dimana
metode ini terawasi dan digunakan oleh perceptron dengan banyak layar
lapisan untuk dapat mengubah bobot yang ada pada lapisan tersembunyi.
Metode backpropagation adalah pelatihan yang bersifat terkontrol dan
menggunakan pola dalam penyesuaian bobot untuk dapat mencapai suatu
nilai kesalahan yang minimum antara keluaran hasil yang nyata.
4. Metode Elman Recurrent
Neural Network Elman Recurrent Neural Network dianggap sebagai
jaringan recurrent yang parsial karena pada koneksinya berupa feed
forward. Elman Recurrent Neural Network adalah modifikasi feed
forward dengan perbedaan yang utama dimana pada tambahan layer
context neuron yang menyediakan pola hidden unit untuk diumpan balik
kepada dirinya sendiri.
Setiap jenis JST memiliki kelebihan dan kelemahan sendiri serta cocok
untuk tugas-tugas yang berbeda. Pemilihan metode JST yang tepat
tergantung pada sifat data, kompleksitas tugas, dan tujuan yang ingin
dicapai.
D. Kelebihan dan Kekurangan
1. Kelebihan
Kelebihan dari JST adalah sebagain berikut (Sutujo dkk, 2011):
a. Belajar Adaptive, yaitu mampu melakukan pembelajaran untuk
pekerjaan berdasarkan pengalaman awal yang dimiliki atau untuk
pelatihan berdasarkan data yang diberikan.
b. Self-Organisation, yaitu mampu membuat organisasi secara tersendiri
berdasarkan informasi yang diterima selama proses pembelajaran.
c. Real Time Operation, yaitu mampu melakukan proses perhitungan
secara paralel sehingga dapat diperoleh keuntungan dari kemampuan
ini berdasarkan perangkat keras yang telah dirancang dan di produksi
secara khusus.
2. Kekurangan
a. Menjadi tidak efektif untuk digunakan sebagai operasi numerik dengan
presisi yang tinggi.
b. Menjadi tidak efisien jika digunakan unutuk perhitungan operasi
algoritma aritmatik, operasi logika, dan simbolis.
c. Proses pengoperasian JST untuk jumlah data yang banyak atau besar,
maka akan membutuhkan waktu yang sangat lama unutuk proses
pelatihannya.
E. Aplikasi
Beberapa contoh aplikasi penerapan JST adalah sebagai beriktu :
1. “Pengenalan Pola Tanda Tangan Menggunakan Metode Jaringan
Syaraf Tiruan Backpropagation”
Contoh diatas merupakan penelitian oleh Barry Ceasar Octariadi dan
Yulrio Brianorman. Penelitian tersebut menggunakan metode
backpropogation pada 100 contoh tanda tangan. Jaringan saraf tiruan
dengan metode pembelajaran Backpropagation yang digunakan terdiri dari
100 input, 3 hidden layer dan 2 output, fungsi pembelajarannya
menggunakan resilient backpropagasi. JST-BP memiliki akurasi dalam
 memverifikasi sebesar 98.5% Pada tanda-tangan Traced, JST dengan
metode backpropagation masih dapat mmgverifikasi dengan akurasi 82%
sedangkan SVM memiliki akurasi dalam mengidentifikasi sebesar 94.5%.
Pada tanda-tangan Traced, JST dengan metode backpropagation masih
dapat mengidentifikasi dengan akurasi 74%, sedangkan untuk SVM tanda-
tangan baru tidak bisa diidentifikasi dengan akurasi 51%.
2. “Penerapan JST (Backpropagation) untuk Prediksi Curah Hujan
(Studi Kasus : Kota Pekanbaru)”
Contoh diatas merupakan penelitian oleh Lestari Handayani dan
Muhammad Adri. n. Metode yang digunakan adalah Backpropagation
dimana terdapat proses pelatihan data (membuat pola), peramalan dan
output sistem berupa keadaan curah hujan beserta bobotnya. Pada
penelitian tersebut menggunakan fungsi aktivasi sigmoid biner (logsig)
dan sigmoid bipolar (tansig) dengan menggunakan parameter epoch 1000,
learning rate 0.01 dan error sebesar 0.001. Data yang digunakan dari
stasiun BMKG kota Pekanbaru dengan fokus pengujian sistem untuk
daerah wilayah Pekanbaru. Output disesuaikan menjadi 5 kategori yaitu
cerah, hujan ringan, hujan sedang, hujan lebat dan hujan sangat lebat
berdasarkan standar BMKG. Hasil akurasi sebesar 96% dimana sebagian
besar kegagalan terdapat pada kategori hujan sedang dan hujan lebat.
3. “Pengenalan Jenis Golongan Darah Menggunakan Jaringan Syaraf
Tiruan Perceptron”
Contoh diatas merupakan penelitian oleh Khairil Fitryadi dan Sutikno.
Pada penelitian tersebut, pengenalan golongan darah pada citra digital
menggunakan metode jaringan syaraf tiruan perceptron. Hasil dari
penelitian ini yaitu banyaknya variasi citra data pelatihan mempengaruhi
tingkat akurasi sistem pengenalan jenis golongan darah dan algoritma
yang digunakan mampu menghasilkan tingkat akurasi 80,25%.
 DAFTAR PUSTAKA
[1] https://ejournal.undip.ac.id/index.php/jmasif/article/download/
10794/9478
[2] https://ejournal.uin-suska.ac.id/index.php/SNTIKI/article/
viewFile/2998/1900
[3] https://ejurnal.teknokrat.ac.id/index.php/teknoinfo/article/
viewFile/462/323