Jaringan Syaraf Tiruan Metode Algoritma Pembelajaran

Perceptron

Dosen Pengampu:
Victor Amrizal M.Kom.

Disusun oleh:
Muhammad Fathurrahman
11210910000080

UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA

FAKULTAS SAINS DAN TEKNOLOGI

PROGRAM STUDI TEKNIK INFORMATIKA

 PENDAHULUAN

Dalam era digital ini, kecerdasan buatan (Artificial Intelligence atau AI) telah
mengambil peran yang semakin penting dalam berbagai aspek kehidupan kita. Salah satu
cabang utama dalam AI adalah Jaringan Syaraf Tiruan (Artificial Neural Networks atau
ANN), yang telah mengubah cara kita memahami dan memproses informasi. Dalam konteks
ini, kami ingin membahas salah satu algoritma pembelajaran paling dasar dan penting dalam
ANN, yaitu Algoritma Pembelajaran Perceptron.
Jaringan syaraf tiruan, yang terinspirasi oleh struktur dan fungsi otak manusia, telah
memungkinkan kita untuk mengejar solusi kompleks dalam masalah yang sebelumnya sulit
dipecahkan oleh komputer konvensional. Algoritma pembelajaran Perceptron adalah salah
satu fondasi dari jaringan syaraf tiruan modern dan merupakan langkah awal penting dalam
pemahaman cara jaringan syaraf belajar dan beradaptasi.
Dalam pendahuluan ini, kami akan menjelaskan latar belakang konsep jaringan syaraf
tiruan, mengapa algoritma pembelajaran Perceptron adalah langkah awal yang penting dalam
pemahaman mereka, dan bagaimana algoritma ini bekerja. Kami juga akan melihat beberapa
aplikasi praktis dari Perceptron dalam berbagai domain seperti pengenalan pola, klasifikasi,
dan pemrosesan citra.
Dengan pemahaman yang lebih baik tentang Algoritma Pembelajaran Perceptron,
diharapkan pembaca akan dapat mengaplikasikannya dalam penyelesaian masalah dunia
nyata dan memahami fondasi yang kuat dalam memahami jaringan syaraf tiruan yang lebih
kompleks. Selain itu, artikel ini juga bertujuan untuk merangsang minat pembaca dalam
menjelajahi lebih lanjut tentang kecerdasan buatan dan dunia yang menarik dari jaringan
syaraf tiruan.
Daftar isi
 BAB 1
PENDAHULUAN
1. LATAR BELAKANG
Konsep dasar jaringan syaraf tiruan terinspirasi oleh cara neuron-neuron
dalam otak manusia bekerja. Neuron-neuron biologis ini mengirimkan sinyal listrik
melalui sinapsis (hubungan antar-neuron) dan memproses informasi secara paralel.
Dalam upaya untuk memodelkan proses ini dalam dunia komputasi, para ilmuwan dan
peneliti memulai eksperimen untuk mengembangkan jaringan buatan yang dapat
meniru prinsip-prinsip kerja neuron-neuron biologis.
Pada tahun 1957, seorang psikolog dan ilmuwan komputer bernama Frank
Rosenblatt memperkenalkan Algoritma Pembelajaran Perceptron. Perceptron adalah
model jaringan syaraf tiruan yang sangat sederhana yang pertama kali dikembangkan
untuk menggambarkan bagaimana neuron dapat digunakan untuk mengenali pola.
Perceptron dapat melatih dirinya sendiri untuk memisahkan dua kelas data dengan
bantuan algoritma pembelajaran.
Pengembangan Perceptron memiliki dampak awal yang signifikan dalam
pengembangan pemahaman tentang pembelajaran mesin dan jaringan syaraf tiruan.
Perceptron adalah salah satu model pembelajaran mesin pertama yang dapat
mengenali pola dan membuat prediksi berdasarkan data. Ini menginspirasi penelitian
lebih lanjut dalam bidang ini dan memunculkan berbagai varian jaringan syaraf tiruan
yang lebih kompleks.
Meskipun Perceptron memiliki potensi yang signifikan, ia memiliki batasan
yang penting. Salah satu batasan utama adalah kemampuannya hanya untuk
menyelesaikan masalah klasifikasi biner, yaitu masalah yang melibatkan pemisahan
dua kelas data. Ini menyebabkan keterbatasan dalam menangani masalah yang lebih
kompleks atau yang tidak dapat dipisahkan secara linier.
Meskipun Perceptron memiliki keterbatasan, pengembangan lebih lanjut
dalam dunia jaringan syaraf tiruan telah mengatasi banyak masalah ini. Jaringan
syaraf tiruan berlapis (Multilayer Perceptron), berbagai fungsi aktivasi, dan algoritma
pembelajaran yang lebih canggih telah dikembangkan. Ini telah memungkinkan
jaringan syaraf tiruan untuk menjadi salah satu teknologi paling kuat dalam
pembelajaran mesin modern, digunakan dalam berbagai aplikasi seperti pengenalan
wajah, bahasa alami, dan kendaraan otonom.

2. RUMUSAN MASALAH
1) Bagaimana Algoritma Pembelajaran Perceptron dalam Jaringan Syaraf Tiruan
bekerja?
2) Apa keterbatasan utama dari Algoritma Pembelajaran Perceptron?
3) Bagaimana cara mengatasi keterbatasan-keterbatasan tersebut?
4) Bagaimana penerapan Algoritma Pembelajaran Perceptron dalam berbagai bidang
seperti pengenalan pola, klasifikasi, atau pemrosesan citra?:
3. TUJUAN
1) untuk memahami bagaimana Algoritma Pembelajaran Perceptron bekerja dalam
konteks Jaringan Syaraf Tiruan. Ini mencakup pemahaman tentang komponen-
komponen dasar seperti neuron, bobot, fungsi aktivasi, dan proses pembelajaran.
2) untuk mengidentifikasi keterbatasan utama dari Perceptron, termasuk kemampuan
terbatasnya dalam menangani masalah yang kompleks dan non-linier. Ini akan
membantu pemahaman tentang ketidaksempurnaan algoritma ini.
3) mencari solusi atau teknik yang dapat digunakan untuk mengatasi keterbatasan-
keterbatasan yang ditemui dalam Algoritma Pembelajaran Perceptron. Ini
termasuk memahami bagaimana jaringan syaraf tiruan berlapis (Multilayer
Perceptron) dapat digunakan untuk menyelesaikan masalah yang lebih kompleks.
4) untuk memahami bagaimana Algoritma Pembelajaran Perceptron dapat
diterapkan dalam berbagai bidang seperti pengenalan pola, klasifikasi, dan
pemrosesan citra. Hal ini akan membantu menggambarkan relevansi praktis dari
algoritma ini dalam dunia nyata.
 BAB II
PEMBAHASAN

2.1 Pengertian Jaringan Syaraf Tiruan (ANN):

Jaringan Syaraf Tiruan adalah model matematika yang terinspirasi oleh cara kerja
jaringan saraf biologis manusia. Tujuannya adalah untuk memodelkan kemampuan otak
manusia dalam mengenali pola, belajar dari pengalaman, dan membuat keputusan
berdasarkan data yang diberikan. Jaringan syaraf tiruan terdiri dari neuron buatan yang
terhubung satu sama lain dan dapat digunakan dalam berbagai aplikasi seperti
pengenalan wajah, pengenalan suara, klasifikasi gambar, dan banyak lagi.

2.2 Metode Algoritma Pembelajaran Perceptron:

Algoritma Pembelajaran Perceptron adalah salah satu metode pembelajaran dalam

jaringan syaraf tiruan yang pertama kali dikembangkan oleh Frank Rosenblatt pada tahun
1957. Perceptron adalah model jaringan syaraf tiruan yang sangat sederhana yang
digunakan untuk klasifikasi biner. Ini adalah langkah awal penting dalam pengembangan
pemahaman tentang cara jaringan syaraf belajar dan beradaptasi.

Beberapa karakteristik dan konsep kunci terkait dengan Algoritma Pembelajaran Perceptron
meliputi:

1. Neuron Perceptron: Perceptron adalah neuron buatan yang menerima beberapa

masukan (input), mengalikannya dengan bobot tertentu, dan menjalankan fungsi
aktivasi untuk menghasilkan keluaran.
2. Fungsi Aktivasi: Fungsi aktivasi dalam Perceptron seringkali berbentuk fungsi step
atau fungsi sigmoid. Fungsi ini menentukan apakah neuron akan aktif atau tidak.
3. Pembelajaran Supervised: Perceptron belajar dari data yang diberikan dengan
metode pembelajaran yang disebut supervised learning. Ini berarti bahwa model
diberikan contoh-contoh dengan label yang benar, dan Perceptron mencoba
mempelajari pola-pola yang memungkinkan untuk melakukan klasifikasi dengan
benar.
4. Algoritma Pembelajaran: Perceptron menggunakan algoritma yang menghitung
perbedaan antara keluaran yang diprediksi dengan keluaran yang seharusnya (label
yang benar) dan mengubah bobotnya untuk meminimalkan perbedaan ini. Ini
dilakukan berulang-ulang hingga model konvergen atau mencapai tingkat akurasi
yang diinginkan.

2.3 Struktur Jaringan Perceptron:

 Lapisan Input (Input Layer): Lapisan pertama dalam jaringan Perceptron adalah
lapisan input. Setiap neuron dalam lapisan ini mewakili atribut atau fitur dari data
yang dimasukkan ke dalam jaringan. Jumlah neuron dalam lapisan ini sesuai dengan
jumlah atribut pada data masukan.
  Bobot (Weights): Setiap koneksi antara neuron masukan dan neuron output memiliki
bobot yang menggambarkan seberapa penting atribut tersebut untuk menghasilkan
keluaran yang benar.
 Fungsi Aktivasi (Activation Function): Fungsi aktivasi digunakan di setiap neuron
output. Fungsi ini menghitung keluaran (output) dari neuron berdasarkan sinyal
masukan yang diterimanya dan bobot koneksi. Dalam Perceptron sederhana, fungsi
aktivasi yang sering digunakan adalah fungsi step.
 Lapisan Output (Output Layer): Lapisan ini berisi satu atau lebih neuron yang
menghasilkan keluaran akhir jaringan. Hasil akhir jaringan diperoleh dari keluaran
lapisan ini. Misalnya, dalam klasifikasi biner, satu neuron output dapat digunakan
untuk menghasilkan prediksi kelas (misalnya, kelas 0 atau kelas 1).

2.4 Aplikasi Algoritma Pembelajaran Perceptron:

Algoritma Pembelajaran Perceptron dapat digunakan dalam berbagai aplikasi, terutama
dalam masalah klasifikasi biner. Beberapa contoh aplikasi termasuk:

 Pengenalan Pola: Perceptron dapat digunakan untuk mengenali pola dalam data
seperti pengenalan karakter tulisan tangan atau pengenalan pola dalam citra.
 Klasifikasi: Misalnya, Perceptron dapat digunakan untuk memisahkan data menjadi
dua kelas, seperti klasifikasi email sebagai spam atau non-spam.
 Pemrosesan Citra: Dalam pemrosesan citra, Perceptron dapat digunakan untuk
deteksi objek atau pengenalan wajah.

2.5 Arsitektur Jaringan Perceptron

2.6 Pengenalan Pola dengan Jaringan Perceptron

Adapun algoritma pelatihan jaringan Perceptron adalah sebagai berikut :

1. Inisialisasi : Bobot awal = 0 Bias awal = 0 2.
2. Tentukan Learning rate (α), dimana 0 ≤ α ≤ 1 3.
 n
3. Hitung nilai Net = ∑ x i . w𝑖 + b
i=1

4. Hitung output y dengan fungsi aktivasi :

Catatan : Threshold dapat diubah agar y = t.

5. Cek apakah output sama dengan target

6. Perbaiki bobot apabila output tidak sama dengan target (y ≠ t) dengan :

Dimana :

7. Ulangi tahap 6 apabila output ≠ target.

Dalam pelatihan jaringan syaraf tiruan, satu kali iterasi pelatihan disebut dengan epoch. Pada
jaringan Perceptron, pelatihan bisa terjadi lebih dari satu kali, sehingga hasil pelatihannya
nanti akan memiliki beberapa epoch.