JARINGAN SARAF BIOLOGIS

JARINGAN SARAF Sel-1

(Neuron-1)
Inti Sel
(Nucleus)

TIRUAN Dendrit
Dendrit
Axon
Synapsis

Sel-2
(Neuron-2)

JARINGAN SARAF BIOLOGIS JARINGAN SARAF TIRUAN

 Komponen penting dalam jaringan saraf  Sebuah sistem pengolahan informasi yang
biologis: karakteristik kinerjanya menyerupai jaringan
 Dendrites, menerima sinyal dari saraf lainnya. saraf biologis
Sinyal ini adalah impuls elektris yang dikirim
melalui synaptic gap melalui proses kimia
 Dikembangkan sebagai generalisasi model
 Soma (badan sel), menjumlahkan sinyal-sinyal
yang masuk matematika dari pengertian saraf biologis.
 Axon

Ada 4 asumsi dari model tersebut yaitu:

 Pengolahan informasi terjadi pada sejumlah  Dengan asumsi-asumsi tersebut maka
elemen sederhana yang disebut neuron. jaringan syaraf tiruan mempunyai sifat-
sifat yang ditentukan oleh:
 Sinyal mengalir antar neuron melalui koneksi link.
 Arsitektur jaringannya (pola koneksinya).
 Setiap koneksi link memiliki “bobot (abstrak)”
 Training-nya (cara menentukan bobot link-
yang mempengaruhi sinyal yang melewatinya.
nya).
 Fungsi aktivasinya.
 Setiap neuron menggunakan/menerangkan
fungsi aktivasi untuk menentukan sinyal
outputnya.
Aplikasi JST Kelebihan JST
 Prediksi, menggunakan nilai input untuk memprediksi beberapa  Kemampuan mengakusisi pengetahuan walaupun dalam kondisi
output. Contohnya memilih barang terbaik dalam market,
peramalan cuaca, identifikasi seorang penderita penyakit kanker. adanya gangguan dan ketidakpastian.

 Klasifikasi, menggunakan nilai input untuk menentukan
klasifikasi, contohnya, adalah input dari huruf ‘A’.
 Asosiasi data, seperti klasifikasi tetapi dapat juga mengenali data
yang erisikan kesalahan. Contohnya, tidak hanya identifikasi
karakter yang di-scan tetapi identifikasi kapan scanner tidak
bekerja sebagaimana mestinya.
 Kemampuan merepresentasikan pengetahuan secara fleksibel.
Jaringan syaraf tiruan dapat menciptakan sendiri representasi
melalui pengaturan diri sendiri atau kemampuan belajar (self
organizing).
 Kemampuan mentolelir suatu distorsi (error/fault).

 Data Conceptualization, menganalisa input-input sehingga  Kemampuan memproses pengetahuan secara efisien karena
pengelompokan hubungan dapat disimpulkan. memakai sistem paralel

 Data Filtering, menghaluskan sebuah sinyal input. Contohnya,  Kemampuan untuk memperoleh pengetahuan melalui
menghilangkan bunyi pada sinyal telepon. pembelajaran dari pengalaman.

Kelemahan JST Komponen Jaringan Syaraf Tiruan

 Kekurang mampuannya dalam melakukan
operasi-operasi numerik dengan presisi  Neuron-neuron (mentransformasikan
tinggi, operasi algoritma aritmatik, operasi informasi yang diterima melalui sambungan
logika, dan operasi simbolis keluarnya menuju ke neuron-neuron yang
lain dikenal dengan bobot).
 Lamanya proses pelatihan yang kadang-  Informasi tersebut disimpan pada suatu nilai
kadang membutuhkan waktu berhari-hari tertentu pada bobot tersebut.
untuk jumlah data yang besar. Hal ini terjadi
karena sulitnya mengukur performansi
sebenarnya dari jaringan syaraf tiruan itu
sendiri.

Struktur neuron pada jaringan syaraf Arsitektur Jaringan Syaraf Tiruan

 Jaringan dengan lapisan tunggal (single layer net)
Bobot
Nilai Input
∑
Fungsi Bobot
Input dari Aktivasi
neuron- Output ke Lapisan Input
Output X1 X2 X3
neuron neuron-
yang lain neuron yang W21 W22
lain W11 W12 W31 W32 Matriks bobot

Lapisan Output
Y1 Y2

Nilai Output
 Jaringan dengan banyak lapisan (multilayer  Jaringan dengan lapisan kompetitif
net) (competitive layer net)

Nilai Input
1 1
-η
Lapisan Input A1 Am
X1 X2 X3

V21 V22
V11 V12 V31 V32 Matriks bobot pertama -η

-η
Z1 Z2 Lapisan Tersembunyi
-η
-η
W1 W2 Matriks bobot kedua 1 1
Ai Aj
Y Lapisan Output
-η

Nilai Output

Penentuan Bobot (Pembelajaran)  Unsupervised Learning (Pembelajaran tak

 Merupakan karakteristik penting yang
membedakan dari saraf-saraf yang berbeda
 Ada 3 jenis pembelajaran yang dikenal:
1. Supervised Learning (Pembelajaran Terbimbing)
 Disebut terbimbing jika output yang diharapkan telah
diketahui sebelumnya.
 Diatur menurut algoritma pembelajaran
 Contoh: Hebb Rule, Perceptron, Delta Rule,
Backpropagation, Heteroassociative Memory, Learning
Vector Quantization (LVQ).
terbimbing)
 Pada metode pembelajaran yang tak terawasi ini tidak
memerlukan target output. Pada metode ini, tidak dapat
ditentukan hasil yang seperti apakah yang diharapkan
selama proses pembelajaran. Contoh: Kohonen.
 Fixed-Weight Net
 Pada metode ini, bobot ditentukan untuk menentukan
batasan maksimum atau minimumnya. Dengan
demikian bobot koneksi tidak akan pernah berubah.

Fungsi Aktivasi Umum 3. Fungsi sigmoid biner mempunyai interval nilai

(0,1), persamaannya:
 Operasi dasar JST menyangkut pada
f1(x) = 1 / (1+exp(-x))
penjumlahan bobot sinyal inputnya dan
memakai output, atau aktivasi, fungsi. Dengan turunan dari fungsi f1(x)
1. Fungsi identitas: f1’(x) = f1(x) [ 1 - f1(x) ]
f(x) = x untuk semua x x = input dari hasil perkalian bobot

f(x)
2. Fungsi Undak Biner (Fungsi Threshold atau
fungsi Heaviside
f(x) = 1 jika x ≥ x
0 jika x  
4. Fungsi sigmoid bipolar memiliki interval nilai (-
1,1), persamaannya:
f2(x) = 2f1(x) – 1 = ( 2 / (1+exp(-x)))-1
= (1– exp (-x)) / (1+ exp (-x))
Dengan turunan dari fungsi f2(x)
f2’(x) = (1/2 [1+ f2(x)][1- f2(x)]
x = input dari hasil perkalian bobot
f(x)