JARINGAN SYARAF TIRUAN METODE ALGORITMA

PEMBELAJARAN BACKPROPAGATION

Dosen Pengampu:
Victor Amrizal, M. Kom.

Disusun Oleh:
Muhammad Fikri Fahreza
11210910000070

FAKULTAS SAINS DAN TEKNOLOGI

PROGRAM STUDI TEKNIK INFORMATIKA

UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA

2023
 KATA PENGANTAR

Puji dan syukur penulis panjatkan atas kehadirat Tuhan Yang Maha Esa yang telah
memberikan rahmat dan hidayah-Nya kepada kita semua. Shalawat serta salam penulis
curahkan kepada Nabi Muhammad saw. beserta para keluarga dan sahabatnya, sehingga
penulis dapat menyelesaikan Paper ini dengan judul Jaringan Syaraf Tiruan Metode
Algoritma Pembelajaran Backpropagation.
Paper ini dapat diselesaikan dengan baik karena mendapatkan dukungan dari beberapa
pihak, sehingga penulis mengucapkan terima kasih kepada orang tua, dosen pengampu, serta
teman-teman yang telah mendukung dan membantu menyelesaikan paper ini.
Penulis menyadari bahwa paper ini masih banyak kekurangan baik dari segi
penyusunan hingga tata bahasa, masih jauh dari kata sempurna karena kesempurnaan hanya
milik Allah SWT. Oleh karena itu, penulis mengharapkan kritik dan saran yang membangun
demi kelengkapan dan kesempurnaan paper ini. Semoga makalah ini dapat bermanfaat
bagipara pembaca dan dapat menambah pengetahuan dan wawasan untuk semua, khususnya
bagi penulis.

Depok, 09 September 2023

Muhammad Fikri Fahreza

 DAFTAR ISI

KATA PENGANTAR ................................................................................................................ 2

DAFTAR ISI .............................................................................................................................. 3
BAB I ......................................................................................................................................... 5
PENDAHULUAN ..................................................................................................................... 5
1.1 Latar Belakang ................................................................................................................. 5
1.2 Rumusan Masalah ............................................................................................................ 5
1.3 Manfaat Penulisan............................................................................................................ 6
1.4 Tujuan Penulisan .............................................................................................................. 7
1.5 Metode Penelitian ............................................................................................................ 7
BAB II ........................................................................................................................................ 8
PEMBAHASAN ........................................................................................................................ 8
2.1 Kecerdasan Buatan (Artificial Intelligence)..................................................................... 8
2.1.1 Akal Manusia ............................................................................................................ 8
2.1.2 Otak Manusia dan Keistimewaannya........................................................................ 8
2.1.3 Otak Manusia Tiruan............................................................................................... 10
2.1.4 Kecerdasan Manusia ............................................................................................... 11
2.1.5 Kecerdasan Buatan Manusia ................................................................................... 12
2.1.6 Pohon Ilmu Kecerdasan Buatan .............................................................................. 13
2.1.7 Teknologi Kecerdasan Buatan Masa Depan ........................................................... 15
2.2 Jaringan Syaraf Tiruan (Artificial Neural Networks) .................................................... 16
2.2.1 Definisi Jaringan Syaraf Tiruan (JST) .................................................................... 21
2.2.2 Sejarah Jaringan Syaraf Tiruan (JST) ..................................................................... 21
2.2.3 Model-Model Jaringan Syaraf Tiruan (JST) ........................................................... 22
2.2.4 Model JST satu lapisan ........................................................................................... 23
2.2.5 Model JST banyak lapisan ...................................................................................... 24
2.2.6 Model JST dua lapisan dengan umpan balik .......................................................... 25
2.2.7Model JST lapisan kompetitif .................................................................................. 26
2.2.8 Prinsip Dasar Pelatihan JST .................................................................................... 26
2.2.9 Fungsi Aktivasi pada JST........................................................................................ 27
2.2.10 Fungsi identitas (linear) ........................................................................................ 28
2.2.11 Fungsi biner dengan threshold 𝜽........................................................................... 28
2.2.12 Fungsi bipolar sigmoid ......................................................................................... 30
2.2.13 Kelebihan Jaringan Syaraf Tiruan......................................................................... 31
 2.2.14 Kekurangan Jaringan Syaraf Tiruan...................................................................... 32
2.3 Algoritma Backpropagation ........................................................................................... 33
2.3.1 Sejarah Algoritma Backpropagation ....................................................................... 34
2.3.2 Definisi Algoritma Backpropagation ...................................................................... 35
2.3.3 Diagram Alir Algoritma Backpropagation .............................................................. 36
2.3.4 Kelebihan Algoritma Backpropagation................................................................... 38
2.3.5 Kekurangan Algoritma Backpropagation ............................................................... 38
2.3.6 Arsitektur Jaringan Syaraf Tiruan Backpropagation ............................................... 39
2.3.7 Fase Dalam Jaringan Syaraf Tiruan Backpropagation ............................................ 40
2.3.8 Pelatihan Algoritma Backpropagation .................................................................... 41
2.3.9 Pengujian Backpropagation .................................................................................... 42
2.4 Prediksi Atau Peramalan ................................................................................................ 44
2.4.1 Metode Peramalan Atau Prediksi ............................................................................ 44
2.4.2 Prediksi Menggunakan Backpropagation ............................................................... 45
2.4.3 Mean Square Error (MSE) ...................................................................................... 45
BAB III .................................................................................................................................... 46
METODOLOGI ....................................................................................................................... 46
3.1 Studi Kasus .................................................................................................................... 46
BAB IV .................................................................................................................................... 49
PENUTUP................................................................................................................................ 49
4.1 Kesimpulan .................................................................................................................... 49
4.2 Saran .............................................................................................................................. 50
DAFTAR PUSTAKA ............................................................................................................... 51
 BAB I

PENDAHULUAN
1.1 Latar Belakang
Latar belakang penggunaan Jaringan Syaraf Tiruan (JST) dengan metode Algoritma
Pembelajaran Backpropagation mencakup perkembangan yang sangat luas dalam dunia ilmu
komputer dan kecerdasan buatan. Pada awalnya, konsep JST muncul sebagai upaya untuk
mereplikasi kemampuan otak manusia dalam pemrosesan informasi dengan menggunakan
model matematika yang terinspirasi dari neuron-neuron biologis. Namun, pada masa itu,
perkembangan JST terhenti akibat keterbatasan komputasi yang rendah dan kurangnya data
yang tersedia untuk melatih jaringan dengan efektif.
Kemudian, pada tahun 1980-an, berkat kemajuan signifikan dalam teknologi
komputer dan akuisisi data yang lebih besar, JST mengalami kebangkitan. Salah satu tonggak
penting dalam perkembangan ini adalah pengenalan Algoritma Backpropagation pada tahun
1986 oleh David Rumelhart, Geoffrey Hinton, dan Ronald Williams. Algoritma ini
menghadirkan paradigma baru dalam pembelajaran mesin, memungkinkan jaringan untuk
mengoptimalkan bobot dan bias dengan mengukur kesalahan prediksi dan menyesuaikan
parameter-parameter jaringan secara iteratif. Dengan adanya Algoritma Backpropagation,
jaringan syaraf tiruan dapat menjadi lebih canggih dan efisien dalam memodelkan data yang
kompleks.
Penerapan JST dengan Algoritma Backpropagation telah membawa dampak yang luar
biasa dalam berbagai bidang. Misalnya, dalam pengenalan gambar, JST dapat
mengidentifikasi objek dan pola yang semakin kompleks dengan akurasi yang tinggi. Di
bidang pengenalan suara, JST dapat digunakan untuk mengubah ucapan manusia menjadi
teks dengan tingkat akurasi yang memuaskan. Dalam pemrosesan bahasa alami, JST dapat
membantu dalam penerjemahan otomatis dan analisis sentimen.
Selain aplikasi konvensional, JST dengan Backpropagation telah menjadi bagian
integral dalam teknologi otonom seperti kendaraan tanpa pengemudi. Dalam hal ini, JST
dapat digunakan untuk membantu kendaraan dalam pengenalan dan navigasi lingkungan
sekitarnya, menghasilkan keamanan dan efisiensi yang lebih tinggi.
Dengan meningkatnya kekuatan komputasi dan ketersediaan sumber daya yang lebih
besar, penggunaan JST dengan Algoritma Backpropagation terus berkembang dan
menghadirkan peluang baru dalam pemahaman data, pengambilan keputusan, dan analisis
prediktif. Sebagai hasilnya, integrasi JST dan Backpropagation telah menjadi bagian tak
terpisahkan dalam solusi cerdas yang digunakan dalam berbagai aspek kehidupan kita, dari
industri hingga layanan kesehatan, yang menandakan betapa fundamental dan mendalamnya
dampak perkembangan ini dalam memahami dan memanfaatkan kecerdasan buatan dalam
berbagai konteks.
1.2 Rumusan Masalah
Rumusan masalah tentang "Jaringan Syaraf Tiruan dengan Metode Algoritma
Pembelajaran Backpropagation" dapat dirumuskan sebagai berikut:
 1. Bagaimana mendefinisikan konsep Jaringan Syaraf Tiruan (JST) dan Algoritma
Pembelajaran Backpropagation serta mengapa keduanya penting dalam konteks
kecerdasan buatan?
2. Bagaimana algoritma Backpropagation digunakan untuk melatih JST dalam
memodelkan hubungan antara input dan output?
3. Apa rumus perhitungan yang digunakan dalam Algoritma Backpropagation?,
4. Bagaimana cara Implementasi JST dengan metode Backpropagation?
5. Bagaimana Arsitektur Algoritma Backpropagation?

1.3 Manfaat Penulisan

Penulisan paper mengenai "Jaringan Syaraf Tiruan dengan Metode Algoritma
Pembelajaran Backpropagation" memberikan manfaat yang signifikan dalam berbagai aspek.
Pertama-tama, penulisan paper memungkinkan penulis untuk mendapatkan pemahaman yang
lebih mendalam tentang konsep, algoritma, rumus perhitungan, dan parameter yang terkait
dengan Jaringan Syaraf Tiruan (JST) dan Algoritma Backpropagation. Ini merupakan proses
pembelajaran yang mendalam yang memperkuat pemahaman penulis terhadap topik tersebut.
Selanjutnya, paper ini juga berperan sebagai sumber pengetahuan yang berguna bagi
pembaca yang ingin memahami konsep JST dan Backpropagation. Informasi yang disajikan
dalam paper membantu dalam mendistribusikan pengetahuan yang berguna dalam komunitas
akademik dan industri, memperluas pemahaman tentang teknologi ini.
Selain itu, paper ini juga memiliki dampak praktis dalam aplikasi nyata. Pembaca dapat
menggunakan paper ini sebagai panduan untuk mengaplikasikan konsep JST dan
Backpropagation dalam berbagai konteks, seperti pengenalan gambar, pemrosesan bahasa
alami, prediksi, dan analisis data. Ini berpotensi meningkatkan kualitas solusi yang dihasilkan
dalam pemecahan masalah yang dihadapi.
Selanjutnya, pemahaman tentang tuning parameter dalam Backpropagation dapat membantu
praktisi dalam mengoptimalkan kinerja jaringan saraf mereka dalam berbagai tugas. Ini
membuka peluang untuk meningkatkan efisiensi dan akurasi dalam penyelesaian masalah.
Paper ini juga dapat menjadi dasar untuk penelitian lanjutan dalam bidang kecerdasan
buatan. Penelitian lebih lanjut dapat membangun atau memperluas konsep yang dijelaskan
dalam paper ini, memberikan kontribusi lebih lanjut terhadap pengetahuan ilmiah.
Selain manfaat akademik dan profesional, penulisan paper juga membantu dalam
menginspirasi pembaca dengan memberikan contoh-contoh aplikasi sukses JST dan
Backpropagation dalam berbagai bidang. Hal ini juga memberikan wawasan tentang
bagaimana teknologi ini dapat digunakan untuk mencari solusi dalam masalah yang
kompleks.
Terakhir, penulisan paper adalah kontribusi nyata terhadap pengetahuan manusia dan
membangun literatur ilmiah yang berharga. Ini menjadi sumber pengetahuan yang dapat
digunakan oleh generasi mendatang untuk memahami dan mengembangkan teknologi ini
lebih lanjut.
Dengan demikian, penulisan paper tentang Jaringan Syaraf Tiruan dengan metode Algoritma
Pembelajaran Backpropagation memiliki manfaat yang luas, dari pendidikan hingga aplikasi
praktis, kontribusi ilmiah, dan inspirasi untuk mencari solusi dalam dunia yang semakin
kompleks.

1.4 Tujuan Penulisan

Tujuan penulisan tentang Jaringan Syaraf Tiruan dengan metode Algoritma
Pembelajaran Backpropagation adalah untuk menguraikan, mendalam, dan menyebarkan
pengetahuan tentang salah satu cabang penting dalam bidang kecerdasan buatan. Pertama,
paper ini bertujuan untuk memberikan pemahaman mendalam kepada pembaca mengenai
konsep dasar Jaringan Syaraf Tiruan (JST) dan Algoritma Backpropagation. Ini termasuk
definisi, arsitektur, serta mekanisme kerja yang mendasarinya. Selanjutnya, paper ini juga
bertujuan untuk membahas dan menjelaskan secara rinci algoritma Backpropagation,
termasuk rumus perhitungan yang digunakan dalam proses pelatihan JST. Selain itu, tujuan
lainnya adalah untuk membantu pembaca memahami pentingnya tuning parameter dalam
konteks Backpropagation dan bagaimana parameter-parameter ini dapat memengaruhi kinerja
JST. Terakhir, paper ini akan menyajikan contoh-contoh nyata tentang aplikasi JST dengan
metode Backpropagation dalam berbagai bidang, seperti pengenalan gambar, pemrosesan
bahasa alami, dan analisis data. Dengan demikian, tujuan utama dari penulisan ini adalah
untuk memberikan wawasan mendalam tentang konsep ini, memfasilitasi pemahaman yang
kuat, dan mengilustrasikan potensi besar dari Jaringan Syaraf Tiruan dengan metode
Algoritma Pembelajaran Backpropagation dalam solusi masalah dunia nyata.

1.5 Metode Penelitian

Metode penelitian kami berfokus pada penggunaan Jaringan Syaraf Tiruan (JST)
dengan metode Algoritma Backpropagation untuk memprediksi hasil dalam konteks
penelitian kami. Setelah melalui proses pelatihan yang cermat, JST kami mampu
menghasilkan prediksi yang signifikan dalam berbagai tugas. Hasil prediksi ini
mencerminkan kemampuan JST dalam menangkap pola-pola kompleks dalam data pelatihan
yang digunakan. Analisis mendalam terhadap hasil prediksi juga membantu kami
mengidentifikasi situasi di mana model kami berkinerja baik dan di mana perlu dilakukan
perbaikan. Keseluruhan, metode penelitian kami memberikan wawasan yang mendalam
tentang kemampuan JST dengan metode Backpropagation dalam melakukan tugas prediksi
dalam berbagai konteks.
.
 BAB II

PEMBAHASAN

2.1 Kecerdasan Buatan (Artificial Intelligence)

Kecerdasan Buatan (Artificial Intelligence atau AI) didefinisikan sebagai kecerdasan
yang ditunjukkan oleh suatu entitas buatan. Sistem seperti ini umumnya dianggap komputer.
Kecerdasan diciptakan dan dimasukkan ke dalam suatu mesin (komputer) agar dapat
melakukan pekerjaan seperti yang dapat dilakukan manusia. Beberapa macam bidang yang
menggunakan kecerdasan buatan antara lain sistem pakar, permainan komputer (games),
logika fuzzy, jaringan syaraf tiruan dan robotika (Nasution, 2012).
2.1.1 Akal Manusia
Kamus Besar Bahasa Indonesia (KBBI) mengartikan akal Dengan empat pengertian:
(1) Daya pikir (untuk mengerti), pikiran, ingatan; (2) jalan atau cara melakukan sesuatu, daya
upaya , ikhtiar; (3) tipu daya, muslihat, kecerdikan, kelicikan; dan (4) kemampuan melihat,
atau caracara memahami · lingkungan. Kamus-kamus b;hasa Arab, secara harfiah
mengartikan akal Sebagai pengertian aiimsak (menahan), alrribath (ikatan), aihijr (menahan),
alnahy (melarang), dan man'u (mencegah). lbn Manzhur, misalnya , mengartikan ai'aql
dengan enam macam : (1) akal pikiran, inteligensi, (2) menahan, (3) mencegah, (4)
membedakan, (5) tambang pengikat, dan (6) ganti rugi. Akal juga sering disamakan dengan
aihijr (menahan atau mengikat). Sehingga seorang yang berakal adalah orang yang dapat
menahan diri dan mengekang hawa nafsunya. Kata-kata Hamka - seorang ulama-sastrawan
Indonesia - mewakili pengertian itu : rrumgikat binatang dengan tali, mengikat manu.sia
dengan akalnya. (Pasiak, 2003: 193).
Al-Qur'an juga mengajak akal manusia untuk senantiasa ber-tafakur dan ber-
tadzakkur akan keberadaan Allah SWT dan ciptaanNya. Dengan adanya akal dan ilmu yang
dimilikinya, manusia dapat dibedakan atas golongan yang berilmu dan golongan yang bodoh.
Dalam al-Qur'an, Allah SWT menjadikan ilmu sebagai barometer bagi manusia untuk
mencapai derajat yang lebih tinggi (ulul albab). Bahkan Nabi Muhammad SAW juga
mengatakan tentang akal Bahwa mereka yang tidak menggunakan akalnya dianggap sebagai
orang yang tidak beragama, "La dina liman la 'aqla lah" (Tidak heragama orang yang
tidak menggunakan akalnya). Salah seorang sahabat Nabi Muhammad SAW yang bernama
Umar bin Khathab ra pernah berkomentar mengenai akal Bahwa : Mahkota seseorang
adalah akalnya, derajat seseorang adalah agamanya, dan harga diri seseorang adalah
akhlnqnya.

2.1.2 Otak Manusia dan Keistimewaannya

Kata brain yang berarti otak berasal dari kata Anglo Saxon, braegen. Orang Yunani
menyebutnya enkephalos yang menjadi akar asal kata encephalon yang dipakai secara luas
dalam ilmu kedokteran untuk menyebut otak. Di bagian luar, otak dibungkus oleh rambut,
kulit kepala, tulang tengkorak, duramater, ruangan arachnoid, ruangan subarachnoid, dan
piameter (Pasiak, 2002: 64-65).
 Secara biologis, otak merupakan pusat bagi semua aktivitas tubuh manusia, baik
aktivitas sadar maupun aktivitas tidak sadar. Otak adalah layaknya prosesor dalam CPU
(Central Processing Unit) komputer bagi tubuh manusia. Otak merupakan satu bagian dari
jaringan yang bemama jaringan syaraf, seperti halnya prosesor yang juga merupakan salah
satu bagian terpenting dari CPU. Dalam tubuh manusia, sel-sel membentuk jaringan, jaringan
membentuk organ, organ membentuk sistem, dan sistem membentuk manusia. Jalinan
bentukan seperti itu juga berlaku dalam komputer.
Dalam beberapa kasus, komputer sengaja dibuat cerdas oleh ahlinya dengan jalan
meniru kerja sistem syaraf pada otak manusia. Kecerdasan komputer itu dipengaruhi oleh
adanya benda kecil (hardware) yang biasa dikenal dengan sebutan microprosesor, yang
sistem kerjanya mengolah data dengan cara yang sedemikian canggih. Prosesor itu boleh kita
katakan sebagai otaknya komputer. Tetapi ada baiknya jika kita sadari dan pahami dari awal
bahwa seberapapun canggihnya otak komputer itu kita buat, tidak akan pernah menyamai
kecanggihan otak manusia buatan lllahi. Bukan main ajaibnya otak manusia yang dalam
banyak hal melebihi otak komputer itu. Ayat al-Qur'an berikut dapatlah kita jadikan bahan
renungan untuk pengembangan ilmu pengetahuan di masa depan terutama yang berhubungan
dengan penduplikasian produk-produk lllahi.
"Sesungguhnya Tuhanmu hanyalah Allah, yang tidak ada Tuhan
selain Dia. Pengetahuan-Nya meliputi segala sesuatu" (QS.Thaahaa: 98).

"Allah-lah yang menciptakan tujuh langit dan seperti itu pula

bumi. perintah Allah berlaku padanya, agar kamu mengetahui
bahwasanya Allah Maha Kuasa atas segala sesuatu, dan
Sesungguhnya Allah ilmu-Nya benar-benar meliput i segala
sesuatu" (QS. at -Thalaq: 12).

Tidak seperti organ tubuh lain, yang kian tua kian rusak. Otak justru makin tua makin
menunjukkan fungsi yang kian luas, dan kian kompleks, serta kian tua intrekoneksi antal sel
syaraf (neuron), karena memang pengalaman hidup makin banyak dan makin padat dalam
otak manusia. Sehingga penyataan makin tua, makin menjadi, sangatlah cocok kalau
disandangkan untuk otak manusia. Otak bekerja memproduksi pikiran atau ide. Produk yang
akan tetap bergerak meski orang yang berpikirnya sudah meninggal dunia. Manusia boleh
saja mati, tetapi pikiran-pikirannya bisa jadi akan tetap hidup. Seperti Nabi Muhammad SAW
dan nabi-nabi lain yang telah wafat. Pikiran-pikirannya tidak pernah mati, Beliau tetap
dikenang. Bukan hanya pikiran dan ajaran beliau yang dikenang, bahkan pikiran dan ajaran
beliau tersebut telah dijadikan pedoman hidup di dunia dan akherat.
2.1.3 Otak Manusia Tiruan
Dalam hal kemampuan, komputer bisa dipakai untuk menghitung, membuat teks,
membuat tabel-tabel, menggambar dan mendesain, serta berbagai aplikasi lainnya. Di dalam
komputer juga ada program yang mengendali fungsi-fungsi tersebut. Tentunya ada manusia
yang sengaja melakukannya.
Seluruh piranti komputer (hardware) itu hanyalah sekedar fasilitas atau infrastruktur
belaka. Yang telah membuat komputer itu berfungsi secara cerdas adalah program-program
(software) cerdas yang ada di dalamnya. Baik berupa program operating system, maupun
berbagai macam program aplikasi yang di"tanam" di dalam CPU komputer. Dan supaya
tercipta software yang cerdas dan kompeter juga bisa bertingkah laku cerdas perlu kecerdasan
otak pembuatnya pula (brainware).
Ketika program-program cerdas itu sudah dimasukkan ke dalam otaknya komputer (di
CPU - Central Processing Unit), maka komputer itu tinggal berjalan mengikuti fitrahnya saja.
Begitu dihidupkan, komputer secara otomatis akan langsung masuk ke dalam program
operating systemnya. Dan sesudah itu, komputer baru bisa berfungsi sesuai dengan program
aplikasi yang sudah ada dalam komputer itu, tergantung keinginan sang user. Mekanisme
kerja komputer yang demikian itu, kurang lebih serupa pada manusia dan otaknya. Manusia
diciptakan Allah SWT dengan mengikuti pola tenentu yang biasa disebut sebagai fitrah. Di
dalam fitrah dasar itu, manusia diberi kemampuan-kemampuan tenentu agar berfungsi dalam
menjalani hidup dan kehidupannya di dunia. Fitrah itulah operating system pada diri manusia.
Sedangkan berbagai macam kemampuan dan bakat yang dimiliki manusia adalah program-
program aplikasi karunia Allah SWT. Hal ini seperti yang diwahyukan Allah SWT dalam
firman-Nya surat ar-Rum ayat 30.
"Maka hadapkanlah wajahmu denga11 lurus kepada agama Allah;
(tetaplah atas) fitrah Allah yang Telah menciptakan manusia menurut
fitmh itu. tidak ada peubahan pada fitrah Allah. (ltulah) agama yang
lurus; tetapi kebanyakan manusia tidak mengetahui" (QS. ar-Rum: 30).
Program dasar di dalam diri manusia adalah operating system yang bersesuaian dengan fitrah
Allah SWT itu, yang dinamakan Ruh. Ibaratya adalah program Windows dalam komputer.
Dengan adanya Ruh itu, maka manusia dalam hidupnya sudah berada di dalam sistem operasi
yang bersesuaian dengan fitrah Allah SWT. Tinggal, bagaimana dia menjalankan program
aplikasinya. Kesempurnaan manusia sebagai makhluk yang teninggi itu karena manusia
diciptakan 'meniru' fitrah Allah, tapi dalam skala kecil. Dalam istilah di atas : sebagian dari
Ruh kami. Karena keberadaan Ruh itulah maka manusia bisa mendengar, bisa melihat, dan
bisa merasakan. Proses mendengar, melihat, dan memahami itu sendiri adalah potensi jiwa
dengan difasilitasi oleh badan, yaitu panca indera, hati dan berpusatkan di struktur otak.
Komputer tidak bisa hidup jika tidak dialiri listrik. Komputer juga tidak bisa beroperasi jika
di dalam sistem komputernya tidak diberi program dasar atau operating system yang
mengendalikan seluruh sistem bekerjanya kehidupan komputer. Jadi, listrik dan sistem
operasi dapat dikatakan sebagai sumber kehidupan komputer atau sebagai ruhnya komputer.
Sedangkan program aplikasi sangat diperlukan untuk kehidupan komputer agar ia dapat
hidup layak sesuai·fungsinya. Berbagai program operasi bisa kita masukkan ke dalam otak
komputer agar ia bisa menjadi komputer yang pintar dan cerdas serta memiliki berbagai
macam keahlian. Hanya saja, untuk bisa menciptakan kompurer yang seperti itu, luar biasa
susahnya.

2.1.4 Kecerdasan Manusia

Al-Qur' an mengajarkan bahwa kemajuan beragama terjadi melalui proses belajar.
Sebenarnya seluruh pandangan filosofis dari al-Qur'an didasarkan atas proses belajar, yang
mengangkat derajat manusia. Perintah pertama dari Allah kepada manusia adalah belajar.
Perintah tersebut diungkapkan melalui wahyu pertama al-Qur'an surat al 'Alaq: 1-5.
"Baca/ah dengan (menyebut) nama Tuhanmu yang Menciptaknn; Dia
Te/ah menciptaknn manusia dari segumpal darah; Baca/ah, dan
Tuhanmulah yang Maha pemurah; Yang mengajar (manusia) dengan
perantaran kalam [Maksudnya: Allah mengajar manusia dengan
perantaraan tu/is baca]; Dia mengajar kepada manusia apa yang tidak
diketahuinya" (QS. al 'Alaq: 1-5).
Manusia bisa menjadi pandai dalam menyelesaikan segala perrnasalahan di dunia ini
karena manusia mempunyai pengetahuan dan pengalaman. Pengetahuan diperoleh dari
pendidikan (belajar). Semakin banyak bekal pengetahuan yang dimiliki seseorang,
diharapkan akan lebih mampu dalam menyelesaikan permasalahan. Namun bekal
pengetahuan saja tidak cukup, manusia juga diberi akal untuk melakukan penalaran,
mengambil kesimpulan berdasarkan pengetahuan dan pengalaman yang dimilikinya. Tanpa
memiliki kemampuan untuk menalar dengan baik, manusia dengan segudang pengetahuan
dan pengalaman tidak akan dapat menyelesaikan masalah dengan baik. Demikian pula
sebaliknya. Keistimewaan manusia tidak terlepas dari akal dan kecerdasannya yang tak
terbatas dan kesanggupannya untuk berhubungan dengan Tuhan. Akal nalar merupakan salah
satu kekuatan fundamental dari jiwa manusia. Watak nalar dapat diartikan dengan
mempersepsi. Aktivitas bernalar inilah yang membedakan manusia dengan binatang. Oleh
karena itu, al-Qur' an sangat mengecam mereka yang tidak menggunakan akal nalarnya,
antara lain seperti dijelaskan pada surat al-A' raaf ayat 179 dan surat al-Anful ayat 22.

Berdasar kedua ayat di atas, ketja dan fungsi akal-lah yang membedakan manusia
dengan binatang dan manusia dengan manusia. Ke lebihan manusia rreletak pada fungsi akal.
Manusia yang paling buruk di sisi Allah SWT ia lah manusia yang tidak mau mendengar,
menuturkan dan memahami kebenaran dari penciptanya. Ma nusia yang seperti itu
diibaratkan seperti binatang melata. Al-Qur'an selalu mendorong akal pikiran dan
menekankan pada upaya mencari ilmu pengetahuan serta pengalaman dari sejarah, dunia
alamiah, dan diri manusia sendiri, karena Allah menunjukkan tanda-tanda kebesaranNya
dalam diri manusia sendiri, ataupun di luar dirinya. Oleh karena iru menjadi kewajiban
manusia untuk menyelidiki dan mengamati ilmu pengeta huan yang dapat menghasilkan
kecakapan dalam semua segi dari pengalaman manusia.

2.1.5 Kecerdasan Buatan Manusia

Kecerdasan buatan a tau dalam bahasa lnggrisnya Artificial Intelligence sering
disingkat Al merupak an srudi tentang bagaimana membuat komputer dapat melakukan hal
yang pada saat itu lebih baik dilakukan oleh manusia. Pada Artificial Intelligence, komputer
dirancang untuk menjadi cerdas dan pintar sehinggga dapat melakukan pekerjaan seperti dan
sebaik yang dilakukan oleh manusia dengan menirukan beberapa fungsi otak manusia, seperti
pengertian bahasa, pengetahuan, pemikiran, penalaran, pemecahan masalah, bahkan sampai
pada pengambilan keputusan {Rich dan Knight, 1991: 3).
Secara fundamental dan umum, definisi tentang kecerdasan buatan dapat
dikelompokkan dalam empat kategori, yairu:
1. Sistem yang dapat berpikir seperti manusia (Thinking Humanly).
2. Sistem yang dapat bertingkah laku seperti manusia (Acting Humanly).
3. Sistem yang dapat berp ikir secara rasional (Thinking Rationally).
4. Sistem yang dapat bertingkah laku secara rasional (Acting Rationally)

Bidang kecerdasan buatan bemsaha untuk memahami entitas-entitas cerdas pada diri
manusia yang selanjutnya diimplementasikan dalam bentuk otomatisasi tingkah laku cerdas
(intelligent) dengan media komputer. Tetapi tidak seperti bidang filosofi dan psikologi, yang
juga berhubungan dengan kecerdasan, Artificial Intelligence berusaha membangun entitas-
entitas cerdas sesuai dengan pemahaman manusia.
Pada Artificial Intelligence, memungkinkan komputer bisa menerima pengetahuan
melalui input manusia dan menggunakan pengetahuannya melalui simulasi proses penalaran
dan berpikir manusia untuk memecahkan berbagai masalah. Walaupun tidak mungkin
mendapatkan pengetahuan, pengalaman dan meneliti seperti manusia, tetapi komputer dapat
memperoleh pengetahuan yang dibutuhkannya melalui upaya yang diberikan oleh seorang
pakar manusia.
Input diberikan pada sistem yang menggunakan kecerdasan buatan bempa domain
masalah. Pada sistem hams dilengkapi dengan sekumpulan pengetahuan yang ada pada basis
pengetahuan. Pengetahuan dapat diperoleh dari para pakar, atau mungkin secara otomatis dari
pustaka, atau dari basis data. Sistem harus memiliki mesin inferensi atau mesin penentu
(inference engine) agar mampu mengambil kesimpulan berdasarkan fakta atau pengetahuan.
Jadi, mesin inferensi bertindak sebagai eksekutif yang memutuskan berjalannya sistem.
Output yang diberikan bempa solusi masalah sebagai hasil dari inferensi.
Kenyataannya hampir semua produk program kecerdasan buatan yang dilaksanakan
dengan teknik pelacakan dan pencocokan pola berdasar basis pengetahuan yang diberikan
kepadanya, meng-arah ke suatu kesimpulan bahwa komputer tidak benar-benar pintar.
Seberapa pun banyaknya informasi yang diberikan user kepada komputer, dengan proses
yang pengolahan informasi yang sangat cepat berdasar aturan dan kriteria yang berlaku,
komputer tetap bisa menemukan suatu solusi. Semua yang dilakukannya mempakan
percobaan atas berbagai alternatif dan usaha menemukan beberapa kombinasi yang cocok
dengan kriteria terancang. Bila semua sudah Jikarjakan, maka secara khusus solusi bisa
dicapai. Dengan demikian, walaupun komputer tidak betul-betul pintar, tampaknya tidak
salah kalau kita menyebut kan bahwa komputer seperti berpikir dan sering memberikan solusi
yang menakjubkan.

2.1.6 Pohon Ilmu Kecerdasan Buatan

Kecerdasan buatan merupakan kumpulan konsep dan ide yang herkaitan dengan
perkembangan sistem cerdas. Konsep dan ide yang berkaitan dengan perke mbangan sistem
cerdas terse but dapat dikembangkan dalam area yang berbeda dan diterapkan untuk domain
yang berbeda. Oleh karena itu, untuk memahami lingkup kecerdasan buatan, kita perlu
melihat kelompok area aplikasi kecerdasan buatan yang dapat disebut keluarga AI.
 Makin pesatnya perkembangan teknologi menyebabkan adanya perkembangan dan
perluasan lingkup yang membutuhkan kehadiran kecerdasan buatan. Karakteristik cerdas
sudah mulai dibutuhkan di berbagai disiplin ilmu dan teknologi. Kecerdasan buatan tidak
hanya dominan di bidang ilmu komputer (informatika), namun juga sudah merambah di
berbagai disiplin ilmu yang lain.
Cabang-cabang AI seperti yang digambarkan pada pohon AI, secara singkat dapat
dideskripsikan seperti berikut:
1. Sistem Pakar (Expert System)
Sistem yang menggunakan pengetahuan manusia yang terekam dalam komputer untuk
memecahkan persoalan yang biasanya memerlukan keahlian manusia.
2. Pemrosesan Bahasa Alami (Natural Language Processing)
Dengan menggunakan teknologi pemrosesan bahasa alami (NLP) ini memungkinkan
pengguna komputer berkomunikasi dengan suatu komputer menggunakan bahasa aslinya
(bahasa sehari-hari).
3. Pengenalan Ucapan (Speech Understanding)
Pengenalan dan pemahaman bahasa lisan oleh komputer. Jadi, melalui pengenalan ucapan
diharapkan manusia dapat berkomunikasi dengan komputer dengan menggunakan suara.
4. Robotika dan Sistem Sensor (Robotics & Sensory Systems)
Robot cerdas memiliki beberapa jenis perangkat sensor, misalnya kamera, yang
mengumpulkan informasi tentang operasi dan lingkungan robot.
5. Computer Vision
Tujuan dasar dari computer vision adalah mencoba untuk menginterpretasikan gambar atau
obyek-obyek tampak melalui komputer, bukannya menghasilkan gambar.
6. Intelligent Computer-Aided Instruction
Sistem CAI cerdas dikembangkan untuk menci ptakan pengajar komputerisasi yang
membentuk teknik pengajaran yang sesuai untuk pola pembelajaran siswa (induvidual).
7. Jaringan SyarafTiruan (Artifical Neural Network)
Sekumpulan model m atematika yang mensimulasi kan cara otak manusia berfungsi.
8. Game Playing
Merupakan area yang sempurna untuk menyelidiki strategi dan heuristik baru dan untuk
mengukur hasilnya. Deep Blue adalah contoh bagus untuk pengembangan yang berhasil.
9. Penerjemahan Bahasa
Penerjemahan otomatis menggunakan komputer untuk menerjemahkan kata dan kalimat dari
satu bahasa ke bahasa lain tanpa banyak campur tangan manusia.
10. Fuzzy Logic
Merupakan teknik untuk mengolah istilah linguistik. Dalam fuzzy logic, nilai benar atau salah
digantikan dengan derajat pada himpunan keanggotaan.
11. Algoritrna Genetika (Genetic Algorithm)
Merupakan metode cerdas menggunakan komputer yang mensimulasi proses evolusi Darwin
dan operasi genetika atas kromosom untuk menemukan pola dari sekumpulan data.
12. Agen Cerdas (Intelligent Agents)
Program kecil yang terletak pada komputer untuk melakukan tugas tertentu secara otomatis.
Program deteksi virus adaiah contoh yang bagus.

2.1.7 Teknologi Kecerdasan Buatan Masa Depan

Para peneiiti bidang Al setiap tahun bisa lebih mendekati komputer pintar, tetapi masih
banyak masalah yang harus dijawab. Misalnya, bagaimana Anda bisa mencerminkan
keterampilan dalam menangani masalah manusia, kemam-puan belajar, selera, imajinasi,
emosi, kreativitas, dan keberanian. Untuk menjawab masalah di atas, para ahli kembali ke
bidang yang berkaitan, seperti filosofi, psikologi, linguistik, dan sain syaraf (neuro science)
serta tentu sain komputer sendiri. Dengan demikian, akan lahir bidang sain kognitif
antardisiplin.
Barangkali tidak akan terlalu menjadi persoalan bila kita belum bisa menirukan ketja
otak manusia seutuhnya. T ujuan penduplikasian manusia tidak akan pernah terwujud melalui
teknologi canggih apapun, termasuk teknologi kecerdasan buatan. Lebih lanjut, kita hanya
sekadar bisa meniru sebagian ketja otak manusia. lni akan lebih berguna dan lebih baik
daripada tidak sama sekali karena tujuan utama kita membuat komputer pintar dan cerdas
bukan untuk menyamai atau menggantikan manusia, tetapi hanya sekedar menjadi alat bantu
manusia dalam menjalani kehidupannya di dunia.
Selanjutnya, apa yang akan terjadi dengan teknologi kecerdasan buatan di masa
mendatang? Banyak sekali. Penelitian dan pengembangan teknik kecerdasan buatan akan
terus berlangsung dan seluruh sub bidang akan semakin m aju dan semakin baik. Teknik
software baru akan mulai tersingkap. Alat pengembangan software (software tool) yang lebih
canggih akan memudahkan pengembangan sistem pakar dan program-program kecerdasan
buatan lainnya.
Konsep integrasi ilmu sudah mulai menjamur. Tidak menutup kemungkinan konsep
itu akan terjadi pada pengembangan teknologi kecerdasan buatan ke depan. Seni kolaborasi
antar sub-bidang teknologi kecerdasan buatan untuk membangun sistem lanjutan terintegrasi
akan menjadi topik menarik bagi para peneliti Al. Akan banyak bermunculan beberapa
teknologi lanjutan sebagai wujud dari aplikasi nyata dari integrasi sistem cerdas guna
menangani jangkauan informasi yang lebih luas dan memecahkan permasalahan yang lebih
kompleks. Teknologi kecerdasan buatan merupakan penemuan teknologi yang sangat
canggih. Teknologi kecerdasaan buatan bukan satu-satunya obat mujarab yang bisa
menyembuhkan segala penyakit. Karenanya, kita tidak boleh terlalu mengharapkan suatu
keajaiban. Kita harus melihat kenyataan yang sedang dihadapi. Teknologi kecerdasan buatan
mungkin bisa memberikan solusi yang menyerupai keajaiban, tetapi hanya sekedar semu dan
bukan benar-benar keajaiban. Teknologi kecerdasan buatan hanya memberikan kemajuan
evolusioner dan bukan kemajuan revolusioner. Dan yang perlu diyakini bahwa teknologi
kecerdasan buatan merupakan suatu teknologi yang memesona dan luar biasa. Menarik untuk
dikaji dan dipelajari.

2.2 Jaringan Syaraf Tiruan (Artificial Neural Networks)

Jaringan saraf tiruan (Artifial Neural Network) merupakn salah satu sistem
pemprosesan informasi yang di desain dengan menirukan cara kerja otak manusia dalam
menyelesaikan suatu masalah dengan mulakukan 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)

Sebagai sistem yang mampu menirukan perilaku manusia, umumnya sistem mempunyai ciri
khas yang mampu menujukan kemampuan dalam hal :

1. Menyimpan informasi,
2. Mengunakan informasi yang dimiliki untuk melakukan pekerjaan dan menarik kesimpulan,
3. Beradaptasi dengan keadaan baru,
4. Berkomunikasi dengan pengunanya.

Keunggulan yang utama dari sistem Artificial Neural Network (ANN) adalah adanya
kemampuan untuk belajar dari contoh yang di berikan atau data training, sedangkan untuk
kelemahan utamanya dari Artificial Neural Network (ANN) yakni di butuhkan pelatihan untuk
pengoperasiannya dan di butuhkan waktu yang lama untuk memproses Artificial Neural
Network (ANN), metode ini sangat jauh lebih sederhana dibandingkan dengan syaraf tiruan
manusia yang sebenarnya, suatu jaringan syaraf tiruan ditentukan oleh 3 hal :

1. Pola – pola antara hubungan neuron yang disebut arsitektur jaringan,

2. penentuan bobot penghubung yang disebut metode training / learning / algoritma,
3. aktivasi yang di gunakan.

Berdasarkan jumlah Layer arsitektur jaringan Artificial Neural Network (ANN) dapat di
klasifikasikan menjadi dua kelas yang berbeda yaitu :

1. Jaringan layer tuggal (single layer network) merupakan semua unit input dalam jaringan ini
dihubungkan dalam semua unit output, meskipun dengan bobot yang berbeda - beda, Berikut
contoh jaringan single layer dapat di lihat pada gambar 2.1
2. Jaringan layar jamak (multi layer network) adalah jaringan layar jamak yang merupakan
perluasan dari layar tunggal jaringan layar jamak ini memperkenalkan satu atau layar
tersembunyi (hidden layer) yang mempunyai simpun yang disebut neuron tersembunyi
(hidden layer), berikut contoh jaringan layar jamak dapat di lihat pada gambar 2.2.
(Sutojo,2014)
Berdasarkan arah sinya masukan, arsitektur Artificial Neural Network (ANN) dapat di
klasifikasikan menjadi dua kelas yang berbeda yaitu :

1. Unit Input ke unit output dalam arah maju (feed forward network) dalam jaringan umpan
maju sinyal .

2. Jaringan syaraf tiruan dengan umpan balik (Recurrent network ) pada jaringan ini terdapat
neuron output yang member sinyal pada unit input.

Secara sederhana sistem jaringan syaraf tiruan adalah sebuah alat pemodelan data statis non-
linier, salain itu juga dapat di gunakan untuk memodelkan hubungan yang kompleks antar
input dan output untuk mengumpulkan data – data.

Suatu sistem jaringan syaraf tiruan memproses sejumlah besar informasi secara
paralel dan terdistribusi hal ini terinspirasi oleh kinerja oleh model kerja otak sungguhan,
berikut definisi dari Hecht-Nielsend mendefinisikan sistem saraf buatan sebagai berikut:“
Suatu neural network (NN), adalah suatu struktur pemroses informasi yang terdistribusi dan
bekerja secara paralel, yang terdiri atas elemen pemroses (yang memiliki memori lokal dan
beroperasi dengan informasi lokal) yang dikoneksi bersama dengan alur sinyal searah yang
disebut koneksi. Setiap elemen pemroses memiliki koneksi keluaran tunggal yang bercabang
(fan out) ke sejumlah koneksi kolateral yang diinginkan (setiap koneksi membawa sinyal
yang sama dari keluaran elemen pemrosesan tersebut). Keluaran dari elemen proses tersebut
dapat merupakan sebuah jenis persamaan matematis yang diinginkan. Seluruh proses yang
berlangsung pada setiap elemen proses harus benar - benar dilakukan secara lokal, yaitu
keluaran hanya bergantung pada nilai masukan pada saat itu yang diperoleh melalui koneksi
dan nilai yang tersimpan dalam memori lokal". (widodo, 2013)

Secara umum sistem jaringan syaraf juga memiliki keunggulan yang di gunakan
untuk tugas atau pekerjaan yang kurang praktis jika di kerjakan secara manual, keunggalan
antara lain :
1. Perkiraan Fungsi, atau Analisis Regresi, termasuk prediksi time series dan
modeling.
2. Klasifikasi, termasuk pengenalan pola dan pengenalan urutan, serta pengambil
keputusan dalam pengurutan.
3. Pengolahan data, termasuk penyaringan, pengelompokan, dan kompresi.
4. Robotik.

Suatu jaringan saraf tiruan memproses sejumlah besar informasi secara paralel dan
terdistribusi, hal ini terinspirasi oleh model kerja otak biologis.

Struktur bentuk standar dasar satuan unit jaringan otak manusia yang telah disederhanakan.
Jaringan otak manusia tersusun dari 10 neuron yang terhubung oleh sekitar 10 dendrite.
Fungsi dendrite adalah sebagai penyampai sinyal dari neuron tersebut ke neuron yang
terhubung dengannya.Nucleus merupakan inti dari suatu neuron, axon berfungsi sebagai
saluran keluaran dari neuron, dan synapsis yang mengatur kekuatan hubungan antar neural.

Jaringan neuron buatan terdiri atas kumpulan grup neuron yang tersusun dalam lapisan antara
lain:
a) Lapisan input (Input Layer): berfungsi sebagai penghubung jaringan ke dunia
luar (sumber data),
 b) Lapisan tersembunyi (hidden Layer): Suatu jaringan dapat memiliki lebih dari
satu hidden layer atau bahkan bisa juga tidak memilikinya sama sekali,
c) Lapisan Output (Output Layer): Prinsip kerja neuron - neuron pada lapisan ini
sama dengan prinsip kerja neuron - neuron pada lapisan tersembunyi (hidden
layer) dan di sini juga digunakan fungsi Sigmoid, tapi keluaran dari neuron
pada lapisan ini sudah dianggap sebagai hasil dari proses.

Secara umum, terdapat tiga jenis neural network yang sering digunakan berdasarkan jenis
network-nya, yaitu :
1. Single-Layer Neural adalah jaringan syaraf tiruan yang memiliki koneksi pada
inputnya secara langsung ke jaringan output,
2. Multilayer Perceptron Neural Network adalah jaringan syaraf tiruan yang mempunyai
layer yang dinamakan “hidden”, ditengah layer input dan output. Hidden ini bersifat
variabel, dapat digunakan lebih dari satu hidden layer,
3. Recurrent Neural Networks Neural network adalah jaringan syaraf tiruan yang
memiliki ciri, yaitu adanya koneksi umpan balik dari output ke input. (Fachrudin
Pakaja, 2012)

Sistem jaringa syaraf tiruan terdiri oleh beberapa unit pemprosesan yang melakukan
akumulasi (penjumlah) dari masukan bobot dan menghsaikan suatu keluaran denga fungsi
aktivitas tertentu, sifat jaringan di tentuka oleh topologi jaringan, bobot – bobot interkoneksi
dan fungsi aktivitas, Sebagai sebuah model jarinag syaraf tiruan juga memiliki kemampuan
sebagai berikut:
1. Memodelkan transmisi sinyal antara neural tiruan melalui saluran satu arah yang
disebut dengan koneksi, setiap koneksi masukan hanya berhubungan dengan satu
koneksi luaran neural tiruan lainya, setiap koneksi keluaran dapat berhubungan
dengan beberapa koneksi masukan neural tiruan lainya,
2. Kemempuan memodelkan pembobotan pada tiap – tiap koneksi. Pada sebagian besar
tipe jaringan syaraf nilai bobot koneksi akan di kalikan dengan sinyal – sinyal
transmisi,
3. Kemampuan untuk memodelkan fungsi aktivitas neural tiruan untuk menetukan
sinyal tiruan,
4. Kemampuan untuk memodelkan struktur informasi ditribusi artinya setiap
pengelolahan informasi di sebarkan ada neural tiruan sekaligus. Setiap neoron tiruan
harus memiliki memory lokal dan mempu melakukan pengelolahan informasi secara
local, berikut model metode neural network dapat di lihat pada gambar 2.3.
 Model neural mempunyai n sinyal masukan, yaitu x1, x2, …, xn dengan x ε {0,1}.
Masing - masing sinyal tersebut kemudian dimodifikasi oleh bobot sinapsis w1, w2, …, wn
sehingga sinyal yang masuk ke neural adalah xi1 = xi
wi, i = 1,2,…,n.
Selanjutnya neural akan menghitung hasil penjumlahan seluruh sinyal masukan yang telah
dimodifikasi :

Fungsi aktivasi yang terdapat dalam neural tiruan umumnya berupa fungsi non-linier.
Fungsi aktivasi ini yang menentukan apakah neural akan mengalami aktivasi atau tidak.
Tingkat aktivasinya diwujudkan dalam suatu nilai ambang (threshold). Fungsi aktivasi yang
biasanya digunakan adalah fungsi tangga (step function), fungsi lereng (slope function), dan
fungsi sigmoid. Pada model McCulloch-Pitts, fungsi aktivasinya adalah fungsi tangga
sehingga :

dimana 0 = nilai ambang

Jaringan Syaraf Tiruan mampu menggambarkan setiap situasi adanya sebuah

hubungan antara variabel predictor (independents, input) dan variabel predicted (dependents,
output), ketika hubungan tersebut sangat kompleks dan tidak mudah untuk menjelaskan
kedalam istilah yang umum dari ”correlation” atau “differences between groups”. (Santosa,
2014)
2.2.1 Definisi Jaringan Syaraf Tiruan (JST)

Jaringan Syaraf Tiruan (JST) merupakan cabang ilmu multidisiplin yang relatif masih
baru. Pada dasamya, JST mencoba meniru cara kerja otak makhluk hidup, yaitu manusia.
Salah satu struktur yang ingin ditiru adalah bentuk neuron (sel syaraf).

Secara harfiah, jaringan syaraf tiruan (JST) adalah salah satu representasi buatan dari
otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak
manusia tersebut (Jang, 1997). Istilah buatan mengandung arti bahwa jaringan syaraf ini
diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan
sejumlah proses perhitungan selama proses pembelajaran.

JST memiliki sifat mendasar yaitu kecerdasannya analog dengan kecerdasan manusia
JST dapat menyelesaikan persoalan yang sulit jika diselesaikan dengan menggunakan
komputasi secara konvensional. Manusia memiliki kemampuan mengingat informasi pola
secara menyeluruh dan mengadaptasi pemrosesan pola dengan baik. Jaringan syaraf tiruan
dirancang dan dilatih untuk memiliki kemampuan seperti yang dimiliki manusia Jadi, salah
satu motivasi untuk mempelajari pola yang terkait dengan JST ini adalah untuk memahami
kemampuan manusia dan diharapkan setelah dilatih maka kecerdasan dari jaringan syaraf
tiruan dapat mempunyai kecerdasan yang dimiliki oleh manusia

Model jaringan syaraf ditunjukkan dengan kemampuannya dalam analisa dan

prediksi. Oleh karena itu, JST dapat digunakan untuk belajar dan menghasilkan operasi dari
beberapa input untuk menghasilkan output tertentu dan juga dapat memprediksi kemungkinan
output yang akan muncul jika diberikan sejumlah input kepadanya

2.2.2 Sejarah Jaringan Syaraf Tiruan (JST)

Sejarah jaringan syaraf tiruan, atau artificial neural networks (ANNs), berawal dari
konsep inspiratif tentang meniru kemampuan otak manusia dalam memproses informasi.
Pada tahun 1943, seorang ilmuwan bernama Warren McCulloch dan seorang matematikawan
bernama Walter Pitts mempublikasikan makalah yang memperkenalkan model sederhana
pertama dari neuron buatan. Model ini menggambarkan cara neuron-neuron dalam otak
manusia bekerja dengan cara yang mirip dengan perhitungan logika biner. Pada tahun yang
sama, mereka mempublikasikan buku berjudul "A Logical Calculus of the Ideas Immanent in
Nervous Activity," yang menjadi tonggak awal dalam perkembangan jaringan syaraf tiruan.

Pada tahun-tahun berikutnya, perkembangan dalam bidang elektronika dan komputer

membantu mewujudkan konsep tersebut ke dalam bentuk nyata. Pada tahun 1950-an hingga
1960-an, para peneliti seperti Frank Rosenblatt mengembangkan model neuron tiruan yang
dikenal sebagai Perceptron. Perceptron adalah model dasar yang dapat mengatasi masalah
pemisahan linier, namun memiliki keterbatasan dalam menangani masalah yang lebih
kompleks.

Namun, ketertarikan terhadap jaringan syaraf tiruan meredup selama beberapa dekade karena
keterbatasan teknologi dan kemajuan dalam pendekatan lain dalam kecerdasan buatan. Baru
pada tahun 1980-an, ketika komputasi semakin kuat dan data yang lebih banyak tersedia,
jaringan syaraf tiruan mengalami kebangkitan. Ilmuwan seperti Geoffrey Hinton, Yann
LeCun, dan Yoshua Bengio mengembangkan algoritma pembelajaran yang lebih canggih,
termasuk metode backpropagation yang telah dijelaskan sebelumnya, yang memungkinkan
jaringan syaraf tiruan untuk memahami masalah yang lebih kompleks.

Kemajuan ini membawa perkembangan yang luar biasa dalam pengenalan pola, pemrosesan
bahasa alami, pengenalan gambar, dan banyak lagi. Terobosan dalam kecerdasan buatan,
seperti jaringan syaraf tiruan mendalam (deep neural networks), telah mengubah banyak
aspek kehidupan kita, termasuk pengembangan mobil otonom, pemrosesan bahasa alami
dalam asisten virtual, dan pengenalan wajah dalam kamera ponsel.

Dengan terus berkembangnya teknologi dan penelitian, jaringan syaraf tiruan terus menjadi
pusat inovasi dalam ilmu komputer dan ilmu pengetahuan kognitif. Sejarahnya
mencerminkan perjalanan panjang dalam mengubah ide konseptual tentang jaringan syaraf
tiruan menjadi teknologi yang sangat penting dalam era digital saat ini.

2.2.3 Model-Model Jaringan Syaraf Tiruan (JST)

Model JST adalah kondisi topologi koneksi-koneksi pada JST dan aturan-aturan
tertentu yang ada pada JST. Pada dasamya, model atau pola jaringan syaraf tiruan meniru
jaringan syaraf manusia. (Fausett, 1986) .

Gambar di bawah ini menunjukkan model sel syaraf (neuron) tiruan yang
disederhanakan. Ini merupakan dasar dari jaringan syaraf tiruan.

Pada gambar tersebut dijelaskan bahwa input pada jaringan tersebut adalah xi, X2, ...,
Xm yang beranalogi dengan tingkat rangsangan yang datang dan kumpulan nilai bobot
koneksi (weight) wi, W2, Wm yang secara biologis memiliki analogi dengan kekuatan
sinapsis (synaptic strengths) yang dimiliki neuron.

Pada dasamya sebuah neuron mempunyai 2 buah hubungan, yaitu :

1. Hubungan inhibitory, yaitu hubungan yang dapat memberitahukan kepada

neuron untuk tidak membangkitkan sinyal input,

2. Hubungan excicatory, yaitu hubungan yang dapat memberitahukan kepada

neuron untuk membangkitkan sinyal input.

Berdasarkan model JST yang digambarkan di atas, maka JST dapat dinyatakan dalam
hubungan matematis yang menyatakan perkalian antara input dan nilai bobot koneksi. Hasil
perkalian tersebut dijumlahkan dan disimpan dalam neuron. Setelah itu, hasilnya
disubslitusikan dalam fungsi nonlinear . Pada batas ambang {threshold) tertentu, fungsi
akan menghasilkan output dan apabila di bawah ambang batas maka fungsi tidak akan
menghasilkan output.

Apabila dinyatakan dalam notasi matematika maka persamaannnya adalah sebagai berikut:
(Fausset, 1986)

Fungsi nonlinear f dapat juga disebut dengan fungsi aktivasi.

Ada beberapa model yang digunakan dalam jaringan syaraf tiruan, yaitu : model JST
satu lapisan. Model JST banyak lapisan. Model JST dua lapisan dengan umpan balik, dan
model JST lapisan kompetitif.

2.2.4 Model JST satu lapisan

Model ini pertama kali diperkenalkan oleh Widrow dan Hoff (Fausset, 1986).
Penggunaan Model JST satu lapisan sangat terbatas, tetapi konsep dan gagasarmya banyak
dipakai oleh para pakar untuk membangun model JST lainnya, khususnya model JST banyak
lapisan.
Pada model JST satu lapisan, sel-sel syaraf tiruan digabungkan menjadi satu lapisan.
Hal ini dapat dilihat pada gambar di bawah ini.
Pada gambar di atas. kita dapat melihat bahwa sel-sel syaraf tiruan digabungkan menjadi satu
lapisan. Semua input dihubungkan dengan kumpulan sel syaraf dan outputnya dapat dihitung
dengan persamaan atau model matematika seperti di bawah ini : (Fausset,1986)

2.2.5 Model JST banyak lapisan

Pada dasamya, model JST banyak lapisan merupakan gabungan dari beberapa model
JST satu lapisan yang disusun berurutan. Prinsip kerja model JST ini sama dengan model JST
satu lapisan. Output dari tiap lapisan sebelumnya merupakan input untuk lapisan berikutnya.
Bentuk dari model JST banyak lapisan dapat dilihat pada gambar di bawah ini.
2.2.6 Model JST dua lapisan dengan umpan balik

Model JST dengan umpan balik pertama kali diperkenalkan oleh John Hopfield dari
California Institute of Technology pada tahun 1982. Hopfield berpendapat bahwa kumpulan
neuron tiruan dalam jumlah yang sangat banyak dapat melakukan tugas-tugas tertentu.
Dengan jumlah neuron yang sangat banyak, JST akan mempunyai sifat fault
tolerance. Sifat ini mengandung maksud bahwa sebagian dari sel-sel dalam jaringan syaraf
tidak akan mempengaruhi output yang dikeluarkan atau dengan kata lain jika ada kerusakan
sejumlah kecil sel-sel dalam JST, maka output akan tetap keluar sebagaimana mestinya.
Model JST dua lapisan dengan umpan balik mengandung arti bahwa output yang
dihasilkan akan mempengaruhi input. Dengan kata lain umpan balik berfungsi untuk
memperbaiki error pada output. Model JST dua lapisan dengan umpan balik dapat dilihat
pada gambar di bawah ini.
2.2.7Model JST lapisan kompetitif

Model JST lapisan kompetitif merupakan bagian jumlah yang besar pada jaringan
syaraf Pada dasamya, hubungan antara satu neuron dengan neuron lainnya pada lapisan
kompetitif, arsitektumya tidak dapat ditunjukkan pada beberapa jaringan syaraf Contoh dari
model JST lapisan kompetitif dapat dilihat pada gambar di bawah ini.

Pada gambar tersebut, kita dapat melihat bahwa koneksi dari lapisan tersebut
mempunyai bobot -e.

2.2.8 Prinsip Dasar Pelatihan JST

Suatu karakteristik dari jaringan syaraf tiruan adalah kemampuannya untuk belajar.
Cara belajar dari latihan yang diberikan pada JST menunjukkan kesamaan dengan
perkembangan intelektual manusia. Akan tetapi, kemampuan belajar jaringan syaraf tiruan
bersifat terbatas sehingga jaringan ini tidak dapat melakukan segalanya (Fausset, 1986).
Pada dasamya, proses pelatihan dan pembelajaran pada JST diklasifikasikan menjadi
2 (Kosko, 1990), yaitu bagaimana JST ini menyimpan pengetahuan (encode) dan bagaimana
JST ini menanggapi dan memproses data yang masuk (decode).
Berdasarkan encode, proses pelatihan dan pembelajaran pada JST diklasifikasikan
menjadi 2 bagian, yaitu :
1. Supervised, yaitu jaringan diberi masukan tertentu dan keluarannya ditentukan oleh
algoritma yang kita buat atau dengan kata lain proses belajamya harus dibimbing.
Pada proses belajar tersebut, jaringan syaraf tiruan akan menyesuaikan bobot
sinaptiknya,

2. Unsupervised, yaitu jaringan syaraf tiruan secara mandiri akan mengatur keluarannya
sesuai dengan aturan yang dimilikinya

Berdasarkan decode, proses pelatihan dan pembelajaran pada JST diklasifikasikan

menjadi 2 bagian, yaitu :

1. feedforward atau lurus, yaitu jika hasil outputnya sudah dapat diketahui sebelumnya
tanpa adanya umpan balik,
 2. feedback atau umpan balik, yaitu jika pada hasil outputnya dilakukan umpan balik
Pada JST, neuron-neuron dikumpulkan dalam lapisan-lapisan (layer) yang disebut
dengan lapisan neuron (neuron layers). Biasanya neuron-neuron pada satu lapisan
akan dihubungkan dengan lapisan-lapisan sebelum dan sesudahnya (kecuali lapisan
input dan lapisan output). Informasi yang diberikan pada jaringan syaraf akan
dirambatkan mulai dari lapisan input sampai ke lapisan output melalui lapisan
lainnya, yang sering disebut dengan lapisan tersembunyi (hidden layer). Tergantung
algoritma pembelajarannya, bisa jadi informasi tersebut akan dirambatkan secara
mundur pada jaringan.

2.2.9 Fungsi Aktivasi pada JST

Input JST akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan nilai-
nilai semua bobot yang datang. Hasil penjumlahan ini kemudian akan menjumlahkan nilai-
nilai semua bobot yang akan datang. Hasil penjumlahan ini kemudian akan dibandingkan
dengan suatu nilai ambang {threshold) tertentu melalui fungsi aktivasi setiap neuron. Apabila
input tersebut melewati suatu nilai ambang tertentu, maka neuron tersebut akan diaktifkan.
Akan tetapi, jika tidak maka neuron tersebut tidak akan diaktifkan. Apabila neuron tersebut
diaktifkan, maka neuron tersebut akan mengirimkan output melalui bobot-bobot outputnya ke
semua neuron yang berhubungan dengannnya.

Gambar di bawah ini menunjukkan jaringan syaraf tiruan sederhana dengan fungsi
aklivasi F.

Pada gambar di atas, neuron akan mengolah m input ( x i , X2, Xm) yang masingmasing
memiliki bobot W i , W 2 , . . . , Wm dan bobot bias b, dengan rumus :
Setelah itu, fungsi aktivasi F akan mengaktivasi a menjadi output jaringan y.
Ada beberapa fungsi aktivasi yang sering digunakan dalam JST, yaitu fungsi identitas,
fungsi biner dengan threshold 𝜃, fungsi biner sigmoid, dan fungsi bipolar sigmoid.

2.2.10 Fungsi identitas (linear)

Fungsi identitas atau linear memiliki nilai output yang sama dengan nilai inputnya.
Fungsi ini sering digunakan untuk unit input. Fungsi ini disebut juga purelin. Adapun
persamaan dari fungsi identitas adalah sebagai berikut:
y = F ( x ) = X , untuk semua nilai x

Fungsi ini biasa dipakai pada lapisan tertentu pada model JST banyak lapisan.

2.2.11 Fungsi biner dengan threshold 𝜽

JST satu lapisan sering menggunakan fungsi ini untuk mengubah input yang masuk ke
dalam jaringan, dimana nilai variabel terhadap sebuah unit output berupa angka biner (1 atau
0) atau tanda bipolar (1 atau -1). Persamaan dari fungsi biner dengan threshold adalah sebagai
berikut :
Fungsi ini sering digunakan pada model JST satu lapisan karena nilai output yang
dihasilkannya dapat mengaktivasi model matematik untuk JST satu lapisan dengan baik.
Fungsi biner sigmoid

Fungsi sigmoid adalah fungsi aktivasi dengan kurva berbentuk seperti huruf s. Fungsi
biner sigmoid adalah fungsi sigmoid yang mempunyai unit output angka biner (1 atau 0).
Fungsi ini disebut juga fungsi logistik sigmoid.
Fungsi logistik sigmoid dengan jangkauan dari 0 ke 1, sering digunakan sebagai
fungsi aktivasi dari jaringan syaraf. Nilai output yang diharapkannya pun bemilai biner dan
nilai tersebut berada di antara 0 dan 1. Persamaan dari fungsi biner sigmoid atau logistik
sigmoid adalah sebagai berikut: (Fausett, 1986)
Fungsi ini secara khusus sangat baik jika kita menggunakan JST yang dilatih dengan
algoritma backpropagation, karena hubungan yang sederhana di antara nilai fungsi pada
suatu titik dan nilai turunan pada titik itu mengurangi beban perhitungan selama pelatihan.

2.2.12 Fungsi bipolar sigmoid

Fungsi bipolar sigmoid mempunyai jangkauan paling umum dari -1 sampai 1.

Persamaan dari fungsi bipolar sigmoid adalah sebagai berikut; (Fausett, 1986)

Fungsi ini sangat dekat dengan fungsi tangen hiperbolik yang sama-sama mempunyai
jangkauan antara -1 sampai 1. Fungsi tangen hiperbolik disebut juga tansig. Fungsi tangen
hiperbolik dapat dirumuskan sebagai : (Fausett, 1986)
Penggunaan fungsi ini hampir sama dengan fungsi biner sigmoid (logsig). Yang
membedakannya adalah nilai jangkauan output yang dihasilkanya, yaitu terletak antara -1 dan
1.

2.2.13 Kelebihan Jaringan Syaraf Tiruan

1. Kemampuan Pembelajaran: JST dapat belajar dari data pelatihan dan menemukan pola-
pola yang rumit dalam data, bahkan jika pola-pola tersebut sulit dipahami oleh manusia. Ini
membuat JST efektif dalam tugas-tugas seperti klasifikasi, pengenalan pola, dan prediksi.

2. Kemampuan Generalisasi: JST memiliki kemampuan untuk menggeneralisasikan pola

yang telah dipelajari dari data pelatihan ke data yang belum pernah dilihat sebelumnya. Ini
membuatnya efektif dalam membuat prediksi atau pengklasifikasian pada data baru.

3. Fleksibilitas dalam Representasi: JST dapat digunakan untuk memodelkan berbagai jenis
data, termasuk data terstruktur dan tidak terstruktur. Ini membuatnya dapat diterapkan dalam
berbagai domain, seperti pengolahan bahasa alami, pengenalan gambar, dan pemrosesan data
sensor.

4. Skalabilitas: JST dapat ditingkatkan dengan menambahkan lebih banyak neuron atau
lapisan, sehingga dapat menangani masalah yang semakin kompleks. JST mendalam (deep
neural networks) adalah contoh dari skala ini.

5. Kemampuan Adaptasi: JST dapat beradaptasi dengan baik terhadap perubahan dalam
data pelatihan atau lingkungan, asalkan diatur dengan benar. Ini membuatnya cocok untuk
aplikasi yang dinamis.

6. Penggunaan Hardware yang Semakin Baik: Kemajuan dalam teknologi komputer,

seperti GPU (Graphics Processing Unit), telah meningkatkan kecepatan pelatihan JST,
membuatnya lebih efisien.
2.2.14 Kekurangan Jaringan Syaraf Tiruan

1. Perlu Data Pelatihan yang Banyak: JST memerlukan volume data pelatihan yang besar
untuk belajar dengan baik dan menghindari overfitting (penyesuaian berlebihan). Dalam
beberapa kasus, pengumpulan data yang cukup besar bisa menjadi tantangan.

2. Kompleksitas Pelatihan: Algoritma pelatihan JST seperti Backpropagation bisa

memerlukan waktu yang lama dan sumber daya komputasi yang signifikan, terutama pada
model yang dalam dan data besar.

3. Keterbatasan Pemahaman: Hasil dari JST seringkali sulit untuk diinterpretasi oleh
manusia. Ini membuatnya sulit untuk menjelaskan alasan di balik keputusan yang diambil
oleh JST.

4. Ketergantungan pada Inisialisasi Bobot: Performa JST bisa sangat dipengaruhi oleh
inisialisasi bobot awal yang digunakan. Inisialisasi yang buruk bisa mengakibatkan
konvergensi yang lambat atau bahkan terjebak dalam minimum lokal.

5. Kekurangan Data yang Diberi Label: Untuk pelatihan supervised learning, data
pelatihan harus diberi label dengan benar. Dalam beberapa kasus, pemberian label bisa
menjadi pekerjaan yang memakan waktu dan mahal.

6. Kesulitan dalam Penyesuaian Hyperparameter: JST memiliki beberapa hyperparameter

(seperti laju pembelajaran dan jumlah neuron dalam lapisan tersembunyi) yang harus diatur
secara hati-hati. Penyesuaian hyperparameter yang tidak tepat bisa mengakibatkan kinerja
yang buruk.

7. Sensitif terhadap Data Outlier: JST cenderung sensitif terhadap data outlier yang bisa
memengaruhi hasil pelatihan dan prediksi.

Penting untuk mempertimbangkan baik kelebihan maupun kekurangan JST saat memutuskan
apakah JST adalah pendekatan yang tepat untuk suatu masalah tertentu. Terkadang,
penggabungan JST dengan teknik lain atau pengolahan data yang cermat dapat mengatasi
beberapa dari kelemahan tersebut.
2.3 Algoritma Backpropagation
Jaringan saraf tiruan backpropagation adalah suatu model jaringan saraf tiruan yang
paling sering dipakai karena memiliki unjuk kerja yang baik dari sisi tingkat ketelitiannya.
Selain itu, jaringan ini juga memiliki kemudahan dalam melakukan pelatihan.
(Kusumodestoni, 2016)
Pada jaringan saraf tiruan backpropagation, kesalahan pada lapisan keluaran
dipropagasikan kembali ke lapisan sebelumnya yang sedang belajar. Jika lapisan sesudahnya
bukan lapisan masukan, maka kesalahan pada lapisan tersembunyi di propagasikan kembali
ke lapisan sebelumnya, Backpropagation adalah salah satu algoritma pelatihan jaringan
syaraf tiruan yang banyak dimanfaatkan dalam bidang pengenalan pola adalah
backpropagation. Algoritma ini umumnya digunakan pada jaringan syaraf tiruan yang
berjenis multi-layer feed-forward, yang tersusun dari beberapa lapisan dan sinyal dialirkan
secara searah dari input menuju output. (Arya, 2015)

Algoritma pelatihan backpropagation pada dasarnya terdiri dari tiga tahapan, yaitu:
1. Input nilai data pelatihan sehingga diperoleh nilai output
2. Propagasi balik dari nilai error yang diperoleh
3. Penyesuaian bobot koneksi untuk meminimalkan nilai error
Secara matematis, ide dasar dari algoritma backpropagation ini sesungguhnya adalah
penerapan dari aturan rantai (chain rule) untuk menghitung pengaruh masing - masing bobot
terhadap fungsi error. ( Prasetyo, 2013)
2.3.1 Sejarah Algoritma Backpropagation
Sejarah algoritma Backpropagation adalah kisah perkembangan panjang dalam
pengembangan jaringan syaraf tiruan. Algoritma ini pertama kali dikemukakan oleh dua
peneliti, Paul Werbos pada tahun 1974 dan David Rumelhart, Geoffrey Hinton, dan Ronald
Williams pada tahun 1986. Namun, perlu dicatat bahwa perkembangan algoritma
Backpropagation terjadi dalam beberapa tahap.
Pada tahun 1974, Paul Werbos mempublikasikan disertasinya yang mengusulkan algoritma
pembelajaran dengan penyesuaian bobot dalam jaringan syaraf tiruan. Meskipun demikian,
kontribusi Werbos belum mendapatkan pengakuan luas pada saat itu.
Puncak dari perkembangan algoritma Backpropagation terjadi ketika Rumelhart, Hinton, dan
Williams mempublikasikan makalah penting pada tahun 1986. Makalah ini memperkenalkan
ulang algoritma Backpropagation ke komunitas ilmiah dan menggambarkan konsep utama
dari algoritma tersebut. Mereka menunjukkan bahwa dengan menggunakan algoritma
Backpropagation, jaringan syaraf tiruan dapat memperbaiki kinerjanya dengan mengurangi
kesalahan prediksi melalui perhitungan gradien kesalahan dan penyesuaian bobot yang
sesuai.
Namun, meskipun penemuan ini merupakan tonggak penting dalam pengembangan jaringan
syaraf tiruan, perkembangan selanjutnya menghadapi tantangan. Pada awal 1990-an,
Backpropagation sering kali dianggap kurang efisien dalam pelatihan jaringan yang dalam
dan besar, dan algoritma lain seperti Support Vector Machines menjadi lebih populer.
Tetapi, seiring dengan kemajuan dalam teknologi komputasi, terutama dengan penggunaan
GPU, Backpropagation mengalami kebangkitan pada akhir 2000-an dan awal 2010-an.
Backpropagation menjadi dasar bagi perkembangan jaringan syaraf mendalam (deep neural
networks) yang telah membawa terobosan dalam berbagai aplikasi seperti pengenalan
gambar, pemrosesan bahasa alami, kendaraan otonom, dan lebih banyak lagi.
Sebagai hasilnya, algoritma Backpropagation telah menjadi salah satu algoritma
pembelajaran paling penting dalam kecerdasan buatan dan terus digunakan dan
dikembangkan hingga saat ini. Perjalanan panjangnya mencerminkan peran sentralnya dalam
mengubah lanskap ilmu komputer dan teknologi informasi.
2.3.2 Definisi Algoritma Backpropagation
Algoritma Backpropagation adalah metode penting dalam pembelajaran mesin,
terutama dalam konteks jaringan syaraf tiruan. Algoritma ini berfungsi sebagai alat utama
untuk melatih jaringan syaraf tiruan agar dapat menghasilkan prediksi yang lebih akurat. Cara
kerja algoritma Backpropagation dapat dibandingkan dengan proses pembelajaran manusia;
jaringan belajar dari kesalahan. Proses ini dimulai dengan memasukkan data ke dalam
jaringan, yang kemudian menghasilkan prediksi. Kemudian, perbedaan antara prediksi yang
dihasilkan oleh jaringan dan nilai yang seharusnya (disebut label atau target) diukur sebagai
kesalahan (error). Tujuan dari algoritma Backpropagation adalah untuk mengurangi
kesalahan ini sebanyak mungkin.
Proses berikutnya adalah pembelajaran mundur, yang merupakan langkah kunci
dalam algoritma Backpropagation. Pada tahap ini, algoritma menghitung gradien kesalahan
terhadap setiap bobot dan bias dalam jaringan, mulai dari lapisan keluaran hingga lapisan
masukan. Gradien ini memberikan petunjuk tentang seberapa besar perubahan yang harus
diterapkan pada bobot dan bias untuk mengurangi kesalahan. Dalam iterasi berikutnya, bobot
dan bias diperbarui berdasarkan gradien ini dengan tujuan meminimalkan kesalahan prediksi.
Proses feedforward (penerusan input) dan pembelajaran mundur (backpropagation) ini
berulang-ulang, dan pembelajaran terus berlangsung hingga kriteria berhenti terpenuhi,
seperti mencapai jumlah iterasi maksimal atau kesalahan yang cukup kecil. Selama proses ini,
jaringan syaraf tiruan secara bertahap memperbaiki kemampuannya dalam memodelkan data
dan memahami pola-pola yang terkandung di dalamnya.
Algoritma Backpropagation telah membuka pintu bagi perkembangan jaringan syaraf
tiruan modern, termasuk jaringan syaraf mendalam (deep neural networks), yang telah
mengubah banyak aspek teknologi kita. Algoritma ini digunakan dalam berbagai aplikasi,
termasuk pengenalan gambar, pemrosesan bahasa alami, analisis data, dan masih banyak lagi.
Dengan demikian, Backpropagation adalah salah satu tonggak penting dalam perkembangan
kecerdasan buatan dan pemrosesan data modern.
2.3.3 Diagram Alir Algoritma Backpropagation
2.3.4 Kelebihan Algoritma Backpropagation
1. Kemampuan Pembelajaran yang Kuat: Algoritma Backpropagation memiliki
kemampuan untuk memodelkan hubungan yang kompleks dalam data dan dapat
digunakan dalam berbagai masalah pemodelan, seperti klasifikasi, regresi, dan
pengenalan pola.
2. Fleksibilitas: Algoritma ini dapat digunakan dengan berbagai arsitektur jaringan
syaraf tiruan, termasuk jaringan syaraf tiruan sederhana dan jaringan syaraf tiruan
mendalam (deep neural networks).
3. Kemampuan Generalisasi: Dengan memungkinkan pembelajaran yang efisien,
Backpropagation dapat menggeneralisasikan pola yang telah dipelajari dari data
pelatihan ke data baru yang belum pernah dilihat sebelumnya.
4. Penerapan Luas: Algoritma Backpropagation telah terbukti berhasil dalam berbagai
aplikasi, seperti pengenalan gambar, pemrosesan bahasa alami, pengenalan suara,
analisis data, dan banyak lagi.
5. Kemajuan Perangkat Keras: Kemajuan dalam teknologi komputer, terutama GPU,
telah meningkatkan efisiensi pelatihan jaringan syaraf tiruan dengan
Backpropagation.
2.3.5 Kekurangan Algoritma Backpropagation
1. Perlu Data Pelatihan yang Banyak: Algoritma Backpropagation membutuhkan
volume data pelatihan yang besar untuk belajar dengan baik dan menghindari
overfitting. Pengumpulan data yang cukup besar bisa menjadi tantangan dalam
beberapa kasus.
2. Kompleksitas Pelatihan: Proses pelatihan menggunakan Backpropagation dapat
memerlukan waktu yang lama dan sumber daya komputasi yang signifikan, terutama
pada model yang dalam dan data besar.
3. Keterbatasan Pemahaman: Hasil dari model JST yang dilatih menggunakan
Backpropagation seringkali sulit untuk diinterpretasi oleh manusia, sehingga sulit
menjelaskan alasan di balik keputusan yang diambil oleh model.
4. Ketergantungan pada Inisialisasi Bobot: Performa algoritma Backpropagation bisa
sangat dipengaruhi oleh inisialisasi bobot awal yang digunakan. Inisialisasi yang
buruk bisa mengakibatkan konvergensi yang lambat atau bahkan terjebak dalam
minimum lokal.
5. Sensitif terhadap Hyperparameter: Algoritma Backpropagation memiliki beberapa
hyperparameter (seperti laju pembelajaran dan jumlah neuron dalam lapisan
tersembunyi) yang harus diatur secara hati-hati. Penyesuaian hyperparameter yang
tidak tepat bisa mengakibatkan kinerja yang buruk.
6. Kesulitan dalam Penyesuaian Data yang Tidak Terstruktur: Backpropagation
lebih sesuai untuk data terstruktur daripada data tidak terstruktur. Memproses data
seperti teks atau citra yang tidak terstruktur dengan baik memerlukan preprosesing
khusus.
2.3.6 Arsitektur Jaringan Syaraf Tiruan Backpropagation
Arsitektur jaringan saraf tiruan backpropagation terdiri atas banyak lapisan
(multilayer) yaitu lapisan masukan, minimal satu buah lapisan tersembunyi, dan lapisan
keluaran, Lebih dari satu
lapisan tersembunyi mungkin diperlukan dalam beberapa penerapan jaringan, namun
dengan satu lapisan tersembunyi saja jaringan sudah cukup memadahi dalam banyak
penerapan. Masing - masing unit dalam suatu lapisan terhubung penuh dengan unit - unit
dalam lapisan berikutnya. Pada lapisan keluaran dan lapisan tersembunyi masing-masing
diberi sebuah unit prasikap (bias) yang bernilai satu. (Agustin, 2012)
Pada arsitektur jaringan yang dirancang, terdapat dua macam bobot yaitu:
a) Bobot yang terletak diantara lapisan masukan dengan lapisan tersembunyi.
b) Bobot yang terletak diantara lapisan tersembunyi dengan lapisan keluaran. Berikut
Contoh Gambar arsitektur jaringan Syaraf tersembunyi lapisan 1 dapat di lihat pada
gambar 2.3.

Sumber (Agustin, 2012)

Gambar 2.4. Arsitektur jaringan syaraf tersembunyi lapisan 1

Keterangan:
X1....Xn : masukan pada jaringan
i, j, k : variabel indeks pada masukan
 : bobot koneksi sel ke – i lapisan input leyer dengan sel ke – j pada hidden Leyer.

: bobot koneksi sel ke – j pada lapisan hidden layer dengan sel ke – k pada output
layer.
N : jumlah sel pada input layer
H : jumlah sel pada hidden layer
O : jumlah sel pada output layer
: keluaran pada hidden layer
: keluaran pada output layer. (Laksito, 2012)

2.3.7 Fase Dalam Jaringan Syaraf Tiruan Backpropagation

Model yang dikembangkan oleh Paul Werbos ini mempunyai dua fase (tahap) dalam
proses pelatihannya, yaitu fase propagasi maju (fordward propagation) dan fase propagasi
mundur (backward propagation).
a. Fase propagasi maju
Fase dimana pola masukan pada lapisan masukan akan diteruskan (propagated) ke masing-
masing sel pada lapisan berikutnya (lapisan tersembunyi dan lapisan keluaran) sampai
dihasilkan suatu keluaran akhir. Keluaran ini kemudian dibandingkan dengan nilai keluaran
idealnya sehingga dihasilkan kesalahan bagi masing-masing keluaran.
b. Fase propagasi mundur
Fase ini terjadi saat kesalahan yang dihasilkan pada fase maju masih lebih besar dari nilai
toleransi kesalahan (epsilon) yang diberikan. Dimana kesalahan ini kemudian diumpan balik
(backward) dari lapisan keluaran ke masing-masing sel pada lapisan sebelumnya. (Prasetyo,
2013)
2.3.8 Pelatihan Algoritma Backpropagation
Pelatihan Backpropagation dilakukan melalui langkah-langkah berikut ini : (Anike. Et
al, 2012).
0. Inisialisasi bobot;
1. Selama kondisi berhenti bernilai salah, kerjakan langkah 2 – 9;
2. Untuk setiap data training, lakukan langkah 3 – 8.
3. Untuk langkah 3 hingga 5 merupakan Proses Umpan Maju (Feedforward).
Setiap unit input (Xi, i = 1,…, n); menerima sinyal input dan menyebarkan sinyal tersebut ke
seluruh unit tersembunyi.
4. Pada setiap unit tersembunyi (Zj, j = 1,…, p); menjumlahkan sinyal-sinyal input yang
sudah berbobot (termasuk bias nya)

Lalu menghitung sinyal output dari unit tersembunyi dengan menggunakan fungsi aktivasi
yang telah ditentukan 𝑧𝑗 = 𝑓(𝑧𝑖𝑛𝑗). Sinyal output ini selanjutnya dikirim ke seluruh unit pada
unit diatas (unit output).

5. Tiap-tiap output (Yk, k = 1,…, m);

menjumlahkan bobot sinyal input :

Lalu menghitung sinyal output dari unit output bersangkutan dengan menggunakan fungsi
aktivasi yang telah ditentukan 𝑦𝑘 = 𝑓(𝑦𝑖𝑛𝑘). Sinyal output ini selanjutnya dikirim ke seluruh
unit output.
6. Untuk langkah 6 hingga 7 merupakan Proses Umpan Mundur (Backrward) / Propagasi
Error. Setiap unit output (Yk, k= 1,…, m); menerima suatu pola target yang sesuai dengan
pola input pelatihan, untuk menghitung kesalahan (error) antara target dengan output yang
dihasilkan jaringan;

Faktor 𝛿𝑘 digunakan untuk menghitung koreksi error (Δ𝑤𝑗𝑘) yang nantinya akan dipakai
untuk memperbaiki 𝑤𝑗𝑘 dimana :
Selain itu juga dihitung koreksi bias (Δ𝑤𝑜𝑘) yang nantinya akan dipakai untuk memperbaiki
𝑤𝑜𝑘 dimana :

Faktor 𝛿𝑘 kemudian dikirimkan ke lapisan yang berada pada langkah 7.

7. Setiap unit tersembunyi (Zj, j = 1,…, p); menerima input delta (dari langkah ke-6) yang
sudah berbobot :

Kemudian hasilnya dikalikan dengan turunan dari fungsi aktivasi yang digunakan untuk
menghitung informasi kesalahan error 𝛿𝑖 dimana :

Kemudian hitunglah koreksi bobot dengan :

Kemudian hitunglah koreksi bias :

8. Untuk langkah 6 hingga 7 merupakan Proses Update Bobot dan Bias. Setiap unit output
(Yk, k = 1,…, m); memperbaiki bobot dan bias dari seti ap unit tersembunyi (j = 0,…, p);
𝑤𝑗𝑘(𝑏𝑎𝑟𝑢) = 𝑤𝑗𝑘(𝑙𝑎𝑚𝑎) + Δ𝑤𝑗𝑘
9. Tes kondisi berhenti apabila error ditemukan. Jika kondisi berhenti terpenuhi, maka
pelatihan jaringan dapat dihentikan.

2.3.9 Pengujian Backpropagation

Pengujian dilakukan melalui feedforward dengan langkah-langkah sebagai berikut :
0. Inisialisasi bobot (hasil pelatihan);
1. Untuk setiap vektor input, kerjakan langkah 2 – 4;
2. Untuk i=1,…,n : set aktivasi unit input X1.
3. Untuk j=1,…,p :
4. Untuk k-1,…,p :

Denormalisasi Testing
Setelah dilakukan proses training dan testing pola-pola yang dilatih, maka akan diperoleh
hasil bahwa pengujian terhadap pola-pola tersebut apakah telah benar/akurat atau sebaliknya.
Untuk menghitung Rata-rata Error (RMSE) jaringan, dapat dilakukan dengan rumus
(Andrijasa dan Mistianingsih, 2010) :

Di mana :
𝑦𝑖 = Nilai aktual data (target)
𝑦𝑛 = Nilai hasil prediksi (actual output)
N = Jumlah data yang diujikan
Sedangkan untuk proses denormalisasi atau mengembalikan kembali nilai hasil prediksi
jaringan ke bentuk data semula (sebelum normalisasi) dapat menggunakan rumus sebagai
berikut :
𝑥𝑖 = 𝑦𝑛(𝑥𝑚𝑎𝑥 − 𝑥𝑚𝑖𝑛) + 𝑥𝑚𝑖𝑛
Di mana :
𝑥𝑖 = Nilai X yang akan dilakukan denormalisasi
𝑦𝑛 = Nilai hasil prediksi (actual output) yang sesuai dengan 𝑥𝑖
𝑥𝑚𝑎𝑥 = Nilai maksimum pada barisan X
𝑥𝑚𝑖𝑛 = Nilai minimum pada barisan X
2.4 Prediksi Atau Peramalan

Peramalan adalah proses untuk memperkirakan berapa kebutuhan dimasa yang akan
datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang
dibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa.
Peramalan permintaan merupakan tingkat permintaan produk - produk yang
diharapkan akan terealisasi untuk jangka waktu tertentu pada masa yang akan datang. Pada
dasarnya pendekatan peramalan dapat diklasifikasikan menjadi dua pendekatan, yaitu:
a) Pendekatan kualitatif
b) Pendekatan kuantitatif

Prediksi (forecasting) merupakan alat bantu yang penting dalam perencanaan yang
efektif dan efisien khususnya dalam bidang ekonomi. Peramalan atau prediksi mempunyai
peranan langsung pada peristiwa eksternal yang pada umumnya berada di luar kendali
manajemen seperti: Ekonomi, Pelanggan, Pesaing, Pemerintah, dan lain sebagainya.
Peramalan permintaan memegang peranan penting dalam perencanaan dan pengambilan
keputusan khususnya di bidang produksi. Aktivitas manajemen operasi menggunakan
peramalan permintaan dan perencanaan yang menyangkut produksi, Perencanaan pemenuhan
kebutuhan bahan, Perencanaan kebutuhan tenaga kerja, perencanaan kapasitas produksi,
perencanaan kapasitas produksi, perencanaan layout fasilitas, penentuan lokasi, penentuan
metode proses, penentuan jumlah mesin, Desain aliran peristiwa dengan kebutuhan
mendatang. (Fachrudin,2012)

2.4.1 Metode Peramalan Atau Prediksi

Dalam peramalan atau prediksi ini terdapat beberapa metode antara lain:
1. Peramalan berdasarkan jangka waktu
a) Peramalan jangka pendek ( kurang satu tahun, umumnya kurang tiga
bulan : digunakan untuk rencana pembelian, penjadwalan kerja, jumlah
TK, tingkat produksi),
b) Peramalan jangka menengah ( tiga bulan hingga tiga tahun digunakan
untuk perencanaan penjualan, perencanaan dan penganggaran produksi
dan menganalisis berbagai rencana operasi),
c) Peramalan jangka panjang ( tiga tahun atau lebih, digunakan untuk
merencanakan produk baru, penganggaran modal, lokasi fasilitas, atau
ekspansi dan penelitian serta pengembangan).
2. Peramalan Berdasarkan Rencana Operasi
a) Ramalan ekonomi : membahas siklus bisnis dengan memprediksi
tingkat inflasi dan indikator perencanaan lainnya.
b) Ramalan teknologi : berkaitan dengan tingkat kemajuan teknologi dan
produk baru.
c) Ramalan permintaan: berkaitan dengan proyeksi permintaan terhadap
produk perusahaan. Ramalan ini disebut juga ramalan penjualan, yang
mengarahkan produksi, kapasitas dan sistem penjadualan perusahaan.
3. Peramalan Berdasarkan metode atau pendekatan
a) Peramalan kuantitatif, menggunakan berbagai model matematis atau
metode statistik dan data historis dan atau variable - variabel kausal
untuk meramalkan permintaan, metode ini di bagi menjadi dua yaitu :
 1. Model seri waktu atau metode deret berkala (time series) metode yang
dipergunakan untuk menganalisis serangkaian data yang merupakan fungsi
dari waktu, Terbagi menjadi :
- Rata-rata bergerak (moving averages)
- penghalusan eksponensial (exponential smoothing),
- Proyeksi trend (trend projection)
2. Model atau metode kausal (causal atau explanatory model),
mengasumsikan variabel yang diramalkan menunjukkan adanya hubungan
sebab akibat dengan satu atau beberapa variabel bebas (independent variable).
(Fachrudin, 2012)

2.4.2 Prediksi Menggunakan Backpropagation

Teknik peramalan banyak digunakan untuk proses perencanaan dan pengambilan
keputusan, suatu ramalan mencoba memperkirakan apa yang akan terjadi dan apa yang akan
menjadi kebutuhan. Dalam JST terdapat teknik peramalan yang sering digunakan yaitu
backpropagation. Teknik ini biasanya digunakan pada jaringan multi-layer dengan tujuan
meminimalkan error pada keluaran yang dihasilkan oleh jaringan (Anike. et al, 2012). Salah
satu cara peramalan adalah dengan metode urutan waktu (time series) yang menggunakan
data history (data waktu lampau), misalnya data permintaan, untuk membuat ramalan
permintaan diwaktu mendatang. Tujuan dari metode ini adalah untuk mengidentifikasi pola
data history dan kemudian mengekstrapolasikan pola ini ke masa datang. Metode NN ini
dilatih dengan seperangkat data untuk bisa mengenal dan mengidentifikasi pola data atau
kurva. Proses pelatihan disebut tahap belajar (Learning Process), yang merupakan bagian
penting dalam metode ini. Pemilihan algoritma dan parameter yang bersesuaian dan
penentuan berapa banyak perangkat data yang dibutuhkan sangat penting untuk menentukan
akurasi dari peramalan yang dihasilkan (Yanti, 2011).
2.4.3 Mean Square Error (MSE)
Mean squere error merupakan hasil dari simulasi label output jaringan yang akan di
bandingkan dengan output (target) perbandingan itu akan di bandingkan dengan

kesalahannya dengan rumus :MSE =

Mean Square Error ( MSE ) adalah ukuran yang sering digunakan dari perbedaan antara nilai
yang diprediksi oleh model dan nilai-nilai benar - benar diamati dari lingkungan yang sedang
dimodelkan. Perbedaan - perbedaan individual juga disebut residu, dan Mean Square Error
yang berfungsi untuk merubah mereka menjadi ukuran tunggal dari daya prediksi.
Nilai Mean Square Error yang dihitung akan memiliki unit, dan Mean Square Error untuk
konsentrasi fosfor dapat untuk alasan ini tidak dapat langsung dibandingkan dengan nilai
MSE untuk klorofil a konsentrasi dan lain - lain namun, nilai - nilai MSE dapat digunakan
untuk membedakan kinerja model dalam periode kalibrasi dengan yang dari periode validasi
serta untuk membandingkan kinerja model individu dengan yang model prediksi lainnya.
(Prasetyo, 2013)
 BAB III

METODOLOGI

3.1 Studi Kasus

Prediksi Hasil Tes Berdasarkan Jam Belajar
Langkah 1: Pengumpulan Data
Kita akan menggunakan dataset sederhana yang berisi informasi tentang jumlah jam belajar
siswa dan hasil tes mereka. Data ini dapat digunakan untuk mengembangkan model yang
memprediksi hasil tes berdasarkan jumlah jam belajar.

Langkah 2: Desain Jaringan Syaraf

Kita akan membuat jaringan syaraf tiruan sederhana dengan satu neuron pada lapisan
tersembunyi.
Langkah 3: Pelatihan Model
Kita akan menggunakan algoritma Backpropagation untuk melatih model.

Langkah 4: Evaluasi Model

Kita akan menggunakan model yang telah dilatih untuk memprediksi hasil tes berdasarkan
jam belajar.
Hasil keluaran (output) dari kode yang telah dijelaskan sebelumnya adalah sebagai berikut:

Penjelasan Hasil:
Dalam contoh ini, kita memprediksi hasil tes seorang siswa yang belajar selama 7 jam. Model
yang telah dilatih dengan algoritma Backpropagation menghasilkan prediksi sekitar 49.66.
Perlu diingat bahwa angka ini telah dinormalisasi, jadi kita harus mengonversinya kembali ke
skala aslinya.
Karena kita menggunakan normalisasi pada data, kita perlu mengonversi hasil prediksi ke
dalam skala aslinya:
1. Hasil tes awal (dalam data asli) memiliki rentang antara 20 hingga 65.
2. Hasil prediksi dalam kode adalah sekitar 49.66 dalam skala yang telah dinormalisasi
antara 0 hingga 1.
Untuk mengonversi hasil prediksi ke dalam skala asli, kita bisa melakukan langkah berikut:

Menggunakan rumus di atas, hasil prediksi sekitar 49.66 dalam skala yang telah dinormalisasi
akan setara dengan sekitar 47.67 dalam skala asli.
Jadi, prediksi hasil tes untuk siswa yang belajar selama 7 jam adalah sekitar 47.67
berdasarkan model yang telah dilatih. Ini adalah prediksi perkiraan hasil tes berdasarkan data
yang digunakan dalam contoh studi kasus ini.
 BAB IV

PENUTUP
4.1 Kesimpulan
Dalam paper ini, kami secara komprehensif menjelaskan Jaringan Syaraf Tiruan (JST)
dengan metode Algoritma Pembelajaran Backpropagation, sebuah pendekatan yang telah
mewarnai perjalanan evolusi sistem kecerdasan buatan. Kami membuka diskusi dengan
merinci sejarah dan perkembangan JST, mengungkapkan peran pentingnya dalam
pengembangan solusi cerdas untuk berbagai masalah dunia nyata. Kemudian, kami
menguraikan definisi yang komprehensif tentang algoritma Backpropagation, mengeksplorasi
setiap komponen dan langkah-langkah utamanya dengan detil yang mendalam. Kami juga
memberikan rumus perhitungan yang mencakup peran kritis dari fungsi aktivasi, bobot, dan
bias dalam proses pembelajaran JST.
Namun, kita tidak berhenti hanya pada definisi. Kami menyoroti pentingnya pemahaman
mengenai tuning parameter dalam konteks Backpropagation, menggali lebih dalam konsep
laju pembelajaran (learning rate), jumlah lapisan tersembunyi, jumlah neuron dalam setiap
lapisan, serta pengaruhnya terhadap konvergensi dan kinerja JST. Selanjutnya, dalam studi
kasus yang disajikan, kami mengaplikasikan konsep ini dalam praktik dengan memprediksi
hasil tes berdasarkan jumlah jam belajar. Kami menekankan bahwa model JST yang efektif
memerlukan pengaturan parameter yang cermat dan strategi penanganan overfitting untuk
mencapai hasil yang akurat.
Dalam perjalanan eksplorasi ini, kami juga menyadari tantangan dalam penerapan
Backpropagation, seperti risiko overfitting yang perlu dipahami dan dikelola, serta
konvergensi yang dapat menjadi proses yang memakan waktu dalam pelatihan model.
Meskipun begitu, kami menegaskan bahwa dengan pemahaman yang kuat tentang algoritma
Backpropagation, pengguna dapat mengatasi tantangan ini dan menghasilkan model JST
yang handal.
Kami percaya bahwa penelitian dan pemahaman lebih lanjut tentang Algoritma
Backpropagation dalam konteks JST memiliki potensi yang tak terbatas dalam
pengembangan aplikasi kecerdasan buatan yang semakin cerdas dan adaptif. Dalam akhirnya,
makalah ini mendukung pandangan bahwa penguasaan teknik ini adalah langkah kunci dalam
menggerakkan kemajuan di masa depan dalam dunia kecerdasan buatan dan penerapannya
yang terus berkembang dalam berbagai aspek kehidupan kita.
4.2 Saran
Saran-saran untuk pengembangan makalah atau penelitian tentang Jaringan Syaraf Tiruan
(JST) dengan metode Algoritma Pembelajaran Backpropagation melibatkan sejumlah
perbaikan yang dapat meningkatkan kualitas dan signifikansi dari karya tersebut. Pertama,
sebaiknya diperdalam pengenalan pada awal makalah dengan menjelaskan secara lebih
mendalam tentang peran JST dan Backpropagation dalam konteks yang lebih luas dalam
kecerdasan buatan. Selain itu, penting untuk membandingkan metode pembelajaran lainnya
dalam JST, bukan hanya membatasi pada Backpropagation, sehingga pembaca dapat
memiliki gambaran yang lebih komprehensif tentang alternatif yang ada.
Masalah overfitting adalah tantangan umum dalam pembuatan model JST, oleh itu lebih
banyak eksplorasi tentang strategi yang dapat digunakan untuk mengatasinya sangatlah
penting. Studi kasus yang disertakan sebaiknya juga lebih kompleks dengan dataset yang
lebih besar dan aplikasi yang lebih nyata untuk menunjukkan kemampuan Backpropagation
dalam situasi yang lebih rumit dan relevan dalam kehidupan sehari-hari.
Lebih mendalamnya analisis tentang pengaruh parameter seperti learning rate, jumlah neuron,
atau jumlah lapisan tersembunyi dalam hasil model JST dapat membantu pembaca dalam
memahami proses pembelajaran yang terjadi di dalamnya. Eksperimen yang lebih luas
dengan berbagai jenis dataset dan ukuran model juga perlu dijelajahi untuk menguji kinerja
Backpropagation dalam berbagai konteks.
Pastikan juga untuk memperbaharui daftar pustaka dengan penelitian-penelitian terbaru
dalam bidang JST dan Backpropagation. Visualisasi seperti grafik, grafik, atau ilustrasi dapat
digunakan untuk membantu pembaca memahami konsep yang lebih baik. Fokus pada
kontribusi spesifik dari makalah Anda terhadap pemahaman tentang Backpropagation atau
penggunaannya dalam JST juga harus ditekankan.
Selain itu, berfokus pada bagaimana pemahaman teoretis tentang Backpropagation dapat
diterapkan secara praktis dalam pengembangan model JST akan menjadikan makalah lebih
relevan dalam dunia aplikasi. Akhirnya, dalam kesimpulan, pastikan untuk merangkum
temuan utama dan menegaskan pentingnya penelitian ini dalam konteks yang lebih luas.
Dengan menerapkan saran-saran ini, makalah Anda akan menjadi lebih mendalam,
informatif, dan relevan dalam perkembangan Jaringan Syaraf Tiruan dengan metode
Algoritma Pembelajaran Backpropagation.
 DAFTAR PUSTAKA

[1] R. Kusumawati, "KECERDASAN BUATAN MANUSIA," vol. 9, 2008.

[2] E. I. Eka Pandu Cynthia, "JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION DALAM,"
RABIT (Jurnal Teknologi dan Sistem Informasi Univrab), vol. 2, pp. 196-209, 2017.

[3] A. Kristanto, "Kecerdasan Buatan," Sistem Pakar, Teori dan Aplikasi, 2004.

[4] C.-L. Chang, "Introduction to Artificial Intelligence Techniques," 1985.

[5] A. d. M. A. Desiani, "Koruep Kecerdasan Buatan," 2006.

[6] I. Prahesti, "Implementasi Jaringan Syaraf Tiruan Algoritma Backpropagation untuk

Memprediksi Curah Hujan di Yogyakarta," 2013.

[7] S. A. d. B. K. Balaji, "Design and Development of Artificial Neural Networking (ANN) System
Using Sigmoid Activation Function to Predict Annual Rice Production in Tamilnadu," 2013.

[8] E. V. K. V. S. R. P. R. P. S. S. R. Vamsidhar, "Prediction of Rainfall Using Backpropagation Neural

Network Model," 2010.

[9] S. Kusumadewi, "Artificial Intelligence : Teknik dan Aplikasinya," 2003.

[10] N. Yanti, "Penerapan Metode Neural Network dengan Struktur Backpropagation untuk Prediksi
Stok Obat di Apotek," 2011.