Disusun oleh :
I
DAFTAR ISI
II
Jaringan Syaraf Tiruan
A. Pendahuluan
Jaringan Syaraf Tiruan (JST) adalah model matematika yang terinspirasi
dari struktur dan fungsi saraf biologis dalam otak manusia. JST digunakan dalam
berbagai aplikasi seperti pengenalan pola, pengolahan citra, klasifikasi, dan
prediksi.
JST terdiri dari beberapa unit pemrosesan yang disebut neuron buatan,
yang terhubung satu sama lain melalui koneksi yang dinamis dan dapat dipelajari.
Setiap neuron menerima sinyal masukan, mengolahnya, dan mengirimkan
keluaran ke neuron lain dalam jaringan.
JST telah berhasil digunakan dalam banyak aplikasi dunia nyata, seperti
pengenalan suara dan tulisan tangan, pengenalan wajah, prediksi harga saham,
dan banyak lagi. Kekuatan JST terletak pada kemampuannya untuk belajar dari
data, menemukan pola, dan membuat prediksi yang akurat.
1
B. Teori Jaringan Syaraf Tiruan
1. Konsep Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (JST) adalah sebuah sistem pemrosesan informasi yang
terdiri dari kumpulan unit pemrosesan sederhana yang disebut neuron buatan yang saling
terhubung. Setiap neuron menerima input dari neuron lain atau dari luar sistem,
memproses input tersebut, dan menghasilkan keluaran.
Setiap neuron dalam JST memiliki beberapa parameter, seperti bias dan bobot.
Bias adalah nilai tetap yang digunakan untuk menentukan ambang batas aktivasi neuron,
sedangkan bobot adalah nilai yang menentukan seberapa besar pengaruh input dari
neuron sebelumnya terhadap keluaran neuron saat ini.
Jaringan syaraf tiruan dibangun dengan cara mengatur koneksi antara neuron,
yaitu menentukan arah dan bobot koneksi tersebut. Ketika sebuah input diberikan ke
dalam JST, setiap neuron dalam jaringan akan memproses input tersebut dan
menghasilkan keluaran yang kemudian diteruskan ke neuron berikutnya. Proses ini
berlangsung terus menerus hingga keluaran akhir diperoleh.
Proses pembelajaran dalam JST dilakukan dengan cara mengubah nilai bobot
koneksi antar neuron sehingga hasil prediksi JST semakin akurat. Proses ini dapat
dilakukan dengan menggunakan algoritma pembelajaran seperti backpropagation atau
metode pembelajaran lainnya. Setelah JST dilatih dengan data yang cukup, maka JST
dapat digunakan untuk memprediksi output baru dari input yang belum pernah dilihat
sebelumnya.
2
2. Model Jaringan Syaraf Tiruan
Ada beberapa model Jaringan Syaraf Tiruan (JST) yang umum digunakan, di
antaranya:
1. Jaringan Feedforward (FFNN)
Jaringan ini merupakan jenis JST paling sederhana, dimana informasi hanya
mengalir ke depan atau ke arah satu arah. Jaringan FFNN terdiri dari satu atau
beberapa lapisan neuron input, lapisan neuron tersembunyi (jika ada), dan
lapisan neuron output.
2. Jaringan Rekurent (RNN)
Jaringan ini memungkinkan informasi untuk mengalir ke belakang atau ke
arah sebelumnya. Jaringan RNN digunakan untuk masalah yang melibatkan
urutan, seperti teks, video, atau suara. RNN terdiri dari satu atau beberapa
neuron tersembunyi yang saling terhubung.
3. Jaringan Konvolusi (CNN)
Jaringan ini digunakan untuk mengolah data yang memiliki struktur spasial,
seperti gambar atau citra. CNN terdiri dari lapisan konvolusi yang
menerapkan operasi konvolusi pada input, lapisan aktivasi, dan lapisan
pooling yang mengurangi dimensi input.
4. Jaringan Autoencoder (AE)
Jaringan ini digunakan untuk memperbaiki data yang rusak atau mereduksi
dimensi data. AE terdiri dari lapisan encoder yang mereduksi dimensi data,
lapisan tersembunyi, dan lapisan decoder yang merekonstruksi data.
5. Jaringan Generative Adversarial Network (GAN)
Jaringan ini digunakan untuk membuat data baru yang serupa dengan data
yang diberikan. GAN terdiri dari dua jaringan, yaitu generator dan
diskriminator. Generator berusaha untuk membuat data baru yang serupa
dengan data asli, sedangkan diskriminator berusaha untuk membedakan antara
data asli dan palsu.
3
Setiap jenis JST memiliki kelebihan dan kekurangan serta dapat digunakan
untuk memecahkan berbagai masalah yang berbeda-beda. Pemilihan jenis JST
yang tepat tergantung pada masalah yang ingin diselesaikan dan karakteristik
data yang digunakan.
1. Neuron Buatan
Neuron buatan adalah unit pemrosesan sederhana dalam JST yang menerima input,
memproses input tersebut, dan menghasilkan keluaran. Setiap neuron dalam JST
memiliki beberapa parameter seperti bias dan bobot, yang menentukan seberapa
besar pengaruh input dari neuron sebelumnya terhadap keluaran neuron saat ini.
Koneksi antar neuron menghubungkan setiap neuron dalam JST dan menentukan
arah dan bobot koneksi tersebut. Ketika sebuah input diberikan ke dalam JST,
setiap neuron dalam jaringan akan memproses input tersebut dan menghasilkan
keluaran yang kemudian diteruskan ke neuron berikutnya.
3. Fungsi Aktivasi
4. Pembelajaran
Pembelajaran dalam JST dilakukan dengan cara mengubah nilai bobot koneksi
antar neuron sehingga hasil prediksi JST semakin akurat. Proses ini dapat
dilakukan dengan menggunakan algoritma pembelajaran seperti backpropagation
atau metode pembelajaran lainnya.
4
5. Arsitektur JST
Arsitektur JST terdiri dari jumlah neuron, jumlah lapisan neuron, dan jenis
koneksi antar neuron. Arsitektur JST dapat berbeda-beda tergantung pada masalah
yang ingin diselesaikan dan karakteristik data yang digunakan.
Setelah JST dilatih dengan data yang cukup, maka JST dapat digunakan untuk
memprediksi output baru dari input yang belum pernah dilihat sebelumnya. Hasil
prediksi JST kemudian dapat diuji dengan menggunakan data pengujian untuk
mengevaluasi performa JST.
Sistem JST memiliki kemampuan untuk menemukan pola yang kompleks dalam
data dan membuat keputusan berdasarkan pola tersebut. Oleh karena itu, JST
sering digunakan dalam berbagai aplikasi seperti pengenalan suara dan gambar,
analisis data, dan pengambilan keputusan.
Setiap input yang diberikan ke JST akan diproses oleh setiap neuron dalam
jaringan. Setiap neuron akan menghitung hasil dari input yang diterimanya
dengan menggunakan bobot koneksi dan bias yang dimilikinya.
Setelah input dihitung oleh setiap neuron, hasil dari input tersebut akan
dimasukkan ke dalam fungsi aktivasi. Fungsi aktivasi digunakan untuk
menentukan keluaran dari neuron berdasarkan input yang diterima. Fungsi
aktivasi biasanya non-linear dan dapat berupa fungsi sigmoid, ReLU (Rectified
Linear Unit), atau tanh (tangent hyperbolic).
5
3. Operasi Propagasi Mundur (Backpropagation)
Bobot koneksi antar neuron adalah parameter yang menentukan seberapa besar
pengaruh input dari neuron sebelumnya terhadap keluaran neuron saat ini. Setiap
neuron dalam JST memiliki beberapa parameter seperti bias dan bobot, yang
menentukan seberapa besar pengaruh input dari neuron sebelumnya terhadap
keluaran neuron saat ini. Bobot koneksi antar neuron dihitung selama tahap
pembelajaran JST dan diperbarui setiap kali terjadi kesalahan dalam prediksi JST.
Setelah JST dilatih dan diuji, JST dapat digunakan untuk melakukan pengenalan
pola pada data input yang belum pernah dilihat sebelumnya. JST akan memproses
input tersebut dan menghasilkan keluaran yang sesuai dengan pola yang terdapat
dalam input tersebut.
Operasi-operasi di atas saling terkait dan terjadi secara bersamaan dalam setiap
tahap pengolahan data oleh JST. Dalam aplikasi praktis, JST biasanya diterapkan
dalam sistem yang lebih kompleks dengan tujuan tertentu, seperti pengenalan
wajah, pengenalan suara, atau prediksi harga saham.
6
D. Metode Jaringan Syaraf Tiruan
Ada beberapa metode Jaringan Syaraf Tiruan (JST) yang umum digunakan, antara
lain:
1. Jaringan Feedforward
Jaringan Feedforward (FFNN) adalah metode JST yang paling umum dan
sederhana. Dalam FFNN, informasi hanya mengalir ke arah depan, yaitu dari
input ke output, tanpa ada koneksi mundur. Jenis JST ini sering digunakan untuk
pengenalan pola, klasifikasi, dan regresi.
2. Jaringan Konvolusi
Jaringan Konvolusi (CNN) adalah metode JST yang biasanya digunakan untuk
pengolahan gambar dan citra. CNN menggunakan operasi konvolusi pada data
input untuk mengekstrak fitur dan kemudian dilakukan klasifikasi menggunakan
lapisan-lapisan akhir seperti dalam JST feedforward.
3. Jaringan Rekurent
Jaringan Rekurent (RNN) adalah metode JST yang digunakan untuk memproses
urutan data, seperti teks dan suara. JST RNN dapat "mengingat" informasi
sebelumnya dalam urutan data dan menggunakannya untuk memperbarui output
saat ini. RNN sering digunakan untuk tugas-tugas seperti pengenalan tulisan
tangan, pengenalan suara, dan terjemahan bahasa alami.
4. Jaringan Kohonen
Jaringan Kohonen adalah metode JST yang digunakan untuk klasifikasi dan
analisis klaster data. Metode ini dapat digunakan untuk mengelompokkan data
menjadi beberapa kelompok berdasarkan kemiripan fitur, sehingga mempermudah
analisis dan pengambilan keputusan.
7
5. Jaringan Hopfield
Jaringan Hopfield adalah metode JST yang digunakan untuk pemrosesan pola
asinkron. Jaringan Hopfield dapat digunakan untuk memperbaiki citra yang rusak
atau tidak sempurna, dan juga digunakan dalam tugas optimisasi.
Selain itu, ada juga beberapa metode JST lain yang digunakan untuk tujuan
khusus, seperti Jaringan Boltzmann, Jaringan Echo State, dan Jaringan Deep
Belief. Metode JST yang digunakan dipilih berdasarkan karakteristik data input
dan tujuan aplikasi.
1. Pengenalan Tulisan Tangan: JST digunakan untuk pengenalan tulisan tangan dalam
sistem OCR (Optical Character Recognition).
2. Pemrosesan Bahasa Alami: JST digunakan dalam pemrosesan bahasa alami untuk
melakukan tugas seperti terjemahan otomatis dan klasifikasi teks.
3. Pengenalan Suara: JST digunakan dalam pengenalan suara dalam sistem pengenalan
ucapan, kontrol perangkat, dan pengenalan bahasa alami.
8
4. Klasifikasi Gambar: JST digunakan dalam klasifikasi gambar untuk mengenali objek
pada gambar, misalnya untuk mengenali jenis-jenis kendaraan di jalan raya.
5. Prediksi Finansial: JST digunakan dalam analisis finansial dan prediksi pasar saham.
6. Deteksi Kejahatan: JST digunakan dalam deteksi kejahatan seperti fraud detection dan
deteksi penipuan kartu kredit.
7. Diagnosis Medis: JST digunakan dalam diagnosis medis untuk menganalisis data
medis dan mendiagnosis penyakit.
8. Pengenalan Emosi: JST digunakan dalam pengenalan emosi dalam sistem pengenalan
wajah dan sistem interaksi manusia dan mesin.
9. Kendali Robotik: JST digunakan dalam kendali robotik untuk melakukan tugas seperti
navigasi, manipulasi, dan pengambilan keputusan.
10. Sistem Pemantauan: JST digunakan dalam sistem pemantauan untuk melakukan tugas
seperti pemantauan lalu lintas jalan raya, pengawasan perbatasan, dan pengawasan
lingkungan.
9
F. Keuntungan dan Kelemahan Jaringan Syaraf Tiruan
Berikut ini adalah beberapa keuntungan dan kelemahan Jaringan Syaraf Tiruan
(JST):
Keuntungan:
1. Kemampuan pembelajaran mandiri: JST dapat mempelajari pola dari data input
dan membuat keputusan sendiri tanpa perlu intervensi manusia.
2. Kemampuan untuk mengenali pola kompleks: JST dapat memproses data input
yang sangat kompleks dan mengenali pola yang sulit untuk diidentifikasi oleh
manusia.
5. Efisiensi pemrosesan: JST dapat memproses data input secara paralel, sehingga
dapat mempercepat waktu pemrosesan.
Kelemahan:
1. Ketergantungan pada data input: JST hanya dapat menghasilkan hasil yang
akurat jika data input yang diberikan akurat dan relevan.
3. Kesulitan dalam interpretasi hasil: Hasil yang dihasilkan oleh JST sulit untuk
diinterpretasi oleh manusia, terutama pada JST yang kompleks.
10
4. Keterbatasan arsitektur: Arsitektur JST mungkin tidak cocok untuk semua jenis
masalah dan data input.
G. Daftar Pustaka
11
Memprediksi Tingkat Suku Bunga Bank.
Jurnal SAINTIKOM, Vol. 10 / No. 2.
Maharani Dessy Wuryandari, I. A. 2012.
Perbandingan Metode Jaringan Syaraf
Tiruan Backpropagation Dan Learning
Vector Quantization Pada Pengenalan
Wajah. Jurnal Komputer dan Informatika
(KOMPUTA), Edisi. I Volume. 1.
Norhamreeza Abdul Hamid, N. M. N., Rozaida
Ghazali, Mohd Najib Mohd Salleh 2011.
Accelerating Learning Performance of Back
Propagation Algorithm by Using Adaptive
Gain Together with Adaptive Momentum and
Adaptive Learning Rate on Classification
Problems. International Journal of Software
Engineering and Its Applications, Vol. 5 No.
Pakaja, F., Naba, A. & Purwanto, P. 2013.
Peramalan Penjualan Mobil Menggunakan
Jaringan Syaraf Tiruan dan Certainty
Factor. Jurnal EECCIS, 6, pp. 23-28.
12
Hasil Review Penelitian Topik Terkait
Jaringan Syaraf Tiruan
JARINGAN SYARAF TIRUAN PREDIKSI JUMLAH
PENGIRIMAN
Judul BARANG MENGGUNAKAN METODE BACKPROPAGATION
( STUDI KASUS: KANTOR POS BINJAI )
13
kerja.
Status kiriman "Mis Route", artinya
Paket terkirim ke kota yang salah, misalnya
paket ke Bimjai tapi terkirim ke kota
Medan. Terjadi karena kelalaian pihak
Ekspedisi (POS), yang menyebabkan paket
terjadi, estimasi 2-5 hari kerja tergantung
rutenya.
Status kiriman "Redelivery /
reschedule", artinya Kemungkinan paket
sudah diantar tapi tidak ada orang di alamat
yang tujuan.
Status kiriman "Alamat tidak
ditemukan / Alamat Buruk", artinya Alamat
Anda tidak ditemukan oleh kurir Ekspedisi
(POS), kemungkinan alamat tidak lengkap,
misalnya Nama Desa / RT / RW /
Kelurahan / Kecamatan. Dan Masih banyak
lagi masalah masalah yang terjadi saat
pengiriman barang.
Untuk memperkuat penelitian ini, telah
ada beberapa penelitian yang berkaitan
dengan metode Backpropagation yang
telah diangkat oleh beberapa orang. Salah
satunya adalah “Prediksi Jangka Waktu
Pengiriman Barang Pada PT. Pos
Indonesia menggunakan
Backpropagation”. Penelitian diatas
dilakukan untuk memperoleh tolak ukur.
14
dengan menggunakan metode Backpropagation. Dalam
penelitian tersebut, dilakukan analisis terhadap faktor-faktor
yang mempengaruhi waktu pengiriman barang, seperti jarak
antara pengirim dan penerima, volume barang, serta rute
pengiriman. Selain itu, dilakukan juga optimasi parameter
pada model Jaringan Syaraf Tiruan yang digunakan dengan
menggunakan algoritma Backpropagation.
15
Berikut adalah tahapan perancangan JST menggunakan metode
Backpropagation untuk memprediksi polusi udara di kota Binjai:
2. Pembagian data
Data polusi udara yang telah diproses akan dibagi menjadi dua
bagian yaitu data training dan data testing. Data training digunakan
untuk melatih model JST sedangkan data testing digunakan untuk
Metode dan menguji performa model.
Perancangan
dari Penelitian
4. Feedforward
5. Perhitungan error
16
6. Backpropagation
Error dipropagasi mundur melalui JST dan bobot dan bias diupdate
menggunakan algoritma backpropagation.
8. Evaluasi model
9. Implementasi model
17
atau dengan menggunakan teknik seperti regularisasi untuk
mencegah overfitting.
18
Proses perancangan JST menggunakan metode Backpropagation
adalah proses yang terus-menerus. Seiring dengan perubahan data
atau kebutuhan pengguna, perlu dilakukan perbaikan terus-menerus
terhadap model untuk menjaga performa model tetap optimal.
19
dan pemerintah dalam mengambil tindakan preventif terhadap
dampak buruk polusi udara bagi kesehatan dan lingkungan.
20
memberikan dampak positif yang lebih besar di masa depan.
21
yang adil dan tidak diskriminatif. Penting untuk memastikan bahwa
penggunaan JST dilakukan dengan transparansi dan akuntabilitas
yang tinggi, sehingga dapat memberikan manfaat yang positif bagi
masyarakat secara keseluruhan.
22
Desktop Studi Kasus: PT
Cahaya Multitran Abadi.
Jurnal IDEALIS Vol.1
[4] Maharani dan Irawan,
Perbandingan Metode
Jaringan Syaraf Tiruan Dan
Learning Vector Quantization
Pada Pengenalan Wajah,
Bandung, 2012.
[5] Mauridhi H.P dan Agus kurniawan,
2006, supervised neural
networks dan aplikasinya
:Graha Ilmu.
[6] Purnomo M.H, Agus kurniawan,
2006, supervised neural
networks dan aplikasinya
:Graha Ilmu.
[7] Siang J.J . 2009. Jaringan Syaraf
Tiruan dan Pemogramannya
Menggunakan Matlab. CV.
Andi Offset, Yogyakarta.
23
no. 1, 2019, doi: 10.1088/1742-
6596/1255/1/012056.
[11] R. Buaton et al., “Time Series
Optimization on Data Mining,”
J. Phys. Conf. Ser., vol. 1235,
no. 1, 2019, doi:
10.1088/17426596/1235/1/0120
14.
24
25