MAKALAH PROJECT UTS

JARINGAN SYARAF TIRUAN

Disusun Oleh :
Muhammad jihadul akbar
2101010251
Mata kuliah & Dosen pengampu :
Jaringan syaraf tiruan
Ria Rismayati, M.Kom

FAKULTAS TEKNIK & DESIGN

S1 ILMU KOMPUTER
UNIVERSITAS BUMIGORA
2021/2022
 KATA PENGANTAR

Puji Syukur kepada kehadirat Allah SWT, yang atas rahmat-Nya dan karunia-Nya saya dapat
menyelesaikan makalah yang berjudul “jaringan syaraf tiruan” pada tepat waktu.

Pada kesempatan ini saya mengucapkan terima kasih yang sebesar besarnya kepada dosen pengampu mata
kuliah Jaringan syaraf tiruan yang telah memberikan tugas terhadap saya, saya juga ingin mengucapkan
terima kasih kepada sumber - sumber serta refrensi yang turut membantu dalam pembuatan makalah ini. Saya
mengetahui bahwa laporan ini jauh dalam kata sempurna, oleh karena itu saran dan kritik saya butuhkan demi
membangun motivasi untuk membuat laporan yang lebih baik lagi.
BAB I

PENDAHULUAN

1.1 Latar Belakang

Latar belakang jaringan syaraf tiruan berasal dari ilmu artificial intelligence (AI) dan ilmu pemrograman
yang bertujuan untuk mengembangkan sistem pemrosesan informasi yang dapat mengingat, mengadaptasi, dan
memiliki kemampuan pembelajaran yang sama atau lebih baik dari manusia. Jaringan syaraf tiruan adalah salah
satu contoh dari sistem pemrosesan informasi yang dapat belajar dan mengadaptasi pemrosesan informasi yang
menjadi lebih baik dengan setiap iterasi.

Pengembangan jaringan syaraf tiruan dimulai pada tahun 1940-an dan 1950-an Warren McCulloch dan
Walter Pitts mengembangkan model konseptual pertama dari neuron buatan dan jaringan syaraf tiruan. pada tahun
1958, Frank Rosenblatt menciptakan perceptron, yang merupakan salah satu bentuk awal dari JST yang mampu
mempelajari pola linier.Meskipun terdapat minat dalam pengembangan JST sejak awal, keterbatasan komputasi
pada masa itu membuat implementasi JST yang kompleks tidak mungkin dilakukan.Perkembangan komputasi,
terutama pada tahun 1980-an dan 1990-an, memungkinkan pengembangan JST yang lebih canggih. Algoritma
pembelajaran seperti backpropagation, yang dikembangkan pada tahun 1986 oleh Rumelhart, Hinton, dan
Williams, mempercepat perkembangan JST dengan memungkinkan pelatihan yang lebih efisien. Dengan
masuknya era Big Data pada akhir abad ke-20 dan awal abad ke-21, jumlah data yang tersedia untuk pelatihan
JST meledak. Ini memberikan dorongan besar untuk pengembangan JST yang lebih dalam dan kompleks. Deep
learning, yang merupakan bentuk lanjutan dari JST dengan banyak lapisan (deep neural networks), menjadi
sangat populer karena kemampuannya dalam menangani masalah yang lebih kompleks seperti pengenalan
gambar dan bahasa alami

Jaingan Syaraf Tiruan telah menemukan aplikasi di berbagai bidang termasuk pengenalan wajah,
klasifikasi gambar, pemrosesan bahasa alami, pengenalan suara, otomatisasi industri, dan lain-lain. kemajuan
dalam perangkat keras seperti GPU dan TPU serta perkembangan framework dan library seperti TensorFlow,
PyTorch, dan Keras telah memungkinkan implementasi JST yang lebih efisien dan scalable.Meskipun telah
mencapai banyak kemajuan, penelitian dan inovasi dalam JST terus berlanjut untuk mengatasi tantangan seperti
interpretasi model, generalisasi yang lebih baik, dan penggunaan yang lebih luas dalam aplikasi kehidupan nyata.
JST terus menjadi fokus utama dalam pengembangan solusi cerdas untuk berbagai masalah dunia nyata. Jaringan
syaraf tiruan juga telah digunakan untuk membantu dalam pengelolaan kehidupan, seperti pengendalian kendali
otomatis. Pengembangan jaringan syaraf tiruan terus berkembang dan diperhatikan oleh ilmuwan dan industri
untuk mengembangkan sistem pemrosesan informasi yang lebih baik dan lebih efektif.
 1.2 Rumusan Masalah

o Bagaimana mengembangkan model JST yang efisien dan akurat untuk tugas tertentu seperti klasifikasi
gambar, pemrosesan bahasa alami, atau prediksi?

o Bagaimana meningkatkan kinerja dan stabilitas model JST agar dapat menghasilkan prediksi yang lebih
baik dan konsisten?

o Bagaimana merancang perangkat keras dan perangkat lunak yang efisien untuk implementasi dan
eksekusi model JST pada perangkat terdistribusi atau sumber daya terbatas?

1.3 Tujuan Masalah

o Membangun model JST yang memiliki akurasi tinggi dan mampu menghasilkan prediksi yang konsisten
dan andal untuk tugas tertentu seperti klasifikasi, regresi, atau pengenalan pola.

o Meningkatkan kinerja model JST dalam hal akurasi, kecepatan, dan stabilitas, sehingga dapat digunakan
secara efektif dalam berbagai aplikasi nyata.

o Merancang infrastruktur perangkat keras dan perangkat lunak yang dapat mengakomodasi implementasi
dan eksekusi model JST dengan efisien dan scalable.
 BAB II

STUDI KEPUSTAKAAN

Kajian Pustaka dalam penelitian jaringan syaraf tiruan

Metode – metode ilmiah (Bochkovskiy et al., 2020) Tujuan utama dari pekerjaan ini adalah
merancang kecepatan operasi yang cepat dari detektor objek dalam sistem produksi dan optimasi untuk
perhitungan paralel, daripada indikator teoritis volume komputasi rendah (BFLOP). (Tan & Le, 2019)
Jaringan Saraf Konvolusi (ConvNets) biasanya dikembangkan dengan anggaran sumber daya tetap, dan
kemudian diperbesar untuk akurasi yang lebih baik jika lebih banyak sumber daya tersedia. Dalam
makalah ini, kami secara sistematis mempelajari penskalaan model dan mengidentifikasi bahwa
menyeimbangkan kedalaman jaringan, lebar, dan resolusi dengan hati-hati dapat menghasilkan kinerja

BAB III

Rumusan Masalah

Mengembangkan model Jaringan Syaraf Tiruan (JST) yang efisien dan akurat untuk tugas tertentu seperti
klasifikasi gambar, pemrosesan bahasa alami, atau prediksi melibatkan beberapa langkah dan
pertimbangan yang penting. Berikut adalah beberapa langkah yang dapat diambil :

1. Pengumpulan dan Pemrosesan Data :

- Pilih dan Persiapkan Dataset yang Sesuai : Pilih dataset yang cocok untuk tugas yang akan dilakukan.
Dataset harus mencakup variasi yang cukup dari kelas-kelas yang berbeda untuk klasifikasi gambar atau
variasi dari jenis dokumen atau kalimat untuk pemrosesan bahasa alami.

- Preprocessing Data : Lakukan preprocessing data seperti normalisasi, resizing, atau tokenisasi
tergantung pada jenis tugasnya. Pastikan data sudah bersih dan siap digunakan untuk pelatihan model.

2. Pemilihan Model dan Arsitektur yang Sesuai :

- Pilih Model yang Tepat : Pilih arsitektur model yang paling sesuai dengan tugas yang akan dilakukan.
Misalnya, untuk klasifikasi gambar, Convolutional Neural Networks (CNN) seringkali menjadi pilihan
yang baik, sementara untuk pemrosesan bahasa alami, Transformer atau Recurrent Neural Networks
(RNN) dapat lebih cocok.
- Optimasi Arsitektur : Sesuaikan arsitektur model dengan tugasnya. Anda bisa menyesuaikan jumlah
lapisan, jumlah neuron, atau jenis layer yang digunakan sesuai dengan kompleksitas masalah.

3. Pelatihan Model :

- Pemilihan Algoritma dan Hyperparameter yang Tepat**: Pilih algoritma pembelajaran dan
hyperparameter yang sesuai untuk tugas yang dihadapi. Misalnya, gunakan metode backpropagation
dengan optimizer seperti Adam atau SGD.

- Regularisasi : Terapkan teknik regularisasi seperti dropout, L2 regularization, atau data augmentation
untuk mencegah overfitting dan meningkatkan generalisasi model.

4. Evaluasi dan Tuning Model :

- Validasi Model : Evaluasi model Anda menggunakan data validasi atau teknik cross-validation untuk
memastikan bahwa model Anda tidak hanya mempelajari data training dengan baik, tetapi juga dapat
menggeneralisasi dengan baik pada data baru.

- Optimisasi Hyperparameter : Lakukan tuning hyperparameter untuk meningkatkan kinerja model. Ini
termasuk tuning learning rate, jumlah epoch, batch size, dll.

5. Implementasi dan Evaluasi :

- Implementasikan Model : Setelah Anda puas dengan performa model Anda, implementasikan model
tersebut pada data yang belum pernah dilihat sebelumnya untuk mengevaluasi performanya secara akurat.

- Analisis dan Pengembangan Lanjutan : Lakukan analisis lebih lanjut terhadap hasil dan kinerja model
Anda. Jika perlu, lakukan pengembangan lanjutan untuk meningkatkan performa atau efisiensi model.

Dengan mengikuti langkah-langkah di atas, Anda dapat mengembangkan model JST yang efisien dan
akurat untuk tugas tertentu seperti klasifikasi gambar, pemrosesan bahasa alami, atau prediksi.
Untuk meningkatkan kinerja dan stabilitas model Jaringan Syaraf Tiruan (JST) agar dapat menghasilkan
prediksi yang lebih baik dan konsisten, Anda dapat mengambil langkah-langkah berikut:

1. Pengelolaan Data:

- Data yang Berkualitas: Pastikan data yang Anda gunakan untuk pelatihan model berkualitas tinggi dan
mewakili variasi yang cukup dari populasi yang ingin Anda modelkan.

- Pemrosesan Data yang Tepat : Lakukan preprocessing data dengan baik, termasuk normalisasi,
penghapusan data yang tidak relevan, dan penanganan data yang hilang atau tidak lengkap.

2. Optimisasi Model:

- Penyetelan Hyperparameter : Lakukan penyetelan hyperparameter yang tepat seperti learning rate,
jumlah epoch, dan ukuran batch untuk memastikan konvergensi yang cepat dan stabil.

- Regularisasi : Terapkan teknik regularisasi seperti dropout, L2 regularization, atau data augmentation
untuk mencegah overfitting dan meningkatkan generalisasi model.

3. Pengelolaan Model:

- Validasi Model : Gunakan teknik validasi silang (cross-validation) untuk mengevaluasi model secara
menyeluruh dan memastikan konsistensi kinerja model.

- Monitoring Model : Monitor performa model secara teratur selama pelatihan dan evaluasi, dan
identifikasi perubahan atau penurunan kinerja yang mungkin terjadi.

4. Ensemble Learning:

- Kombinasi Model: Gabungkan hasil dari beberapa model yang berbeda, seperti dengan menggunakan
teknik ensemble learning seperti averaging atau stacking, untuk meningkatkan kinerja dan stabilitas
prediksi.

5. Teknik Pembelajaran yang Lanjutan:

- Transfer Learning: Manfaatkan transfer learning untuk menggunakan pengetahuan yang sudah ada dari
model-model yang sudah terlatih sebelumnya, terutama jika Anda memiliki dataset yang terbatas.
- Meta-learning : Terapkan teknik meta-learning untuk memungkinkan model belajar dari pengalaman
pelatihan sebelumnya dan secara adaptif meningkatkan kinerjanya dari waktu ke waktu.

6. Evaluasi dan Umpan Balik:

- Analisis Hasil : Teliti hasil prediksi model secara menyeluruh, identifikasi pola-pola yang mungkin
terjadi, dan cari tahu di mana model dapat diperbaiki.

- Umpan Balik : Gunakan umpan balik dari hasil evaluasi untuk melakukan penyesuaian pada model,
seperti mengubah arsitektur, menyesuaikan hyperparameter, atau memperbarui dataset.

Dengan menggabungkan langkah-langkah ini, Anda dapat meningkatkan kinerja dan stabilitas model JST
Anda sehingga menghasilkan prediksi yang lebih baik dan konsisten.

Merancang perangkat keras dan perangkat lunak yang efisien untuk implementasi dan eksekusi model
Jaringan Syaraf Tiruan (JST) pada perangkat terdistribusi atau sumber daya terbatas melibatkan beberapa
pertimbangan yang penting. Berikut adalah langkah-langkah yang dapat Anda ambil:

1. Perancangan Perangkat Keras:

- Pemilihan Hardware yang Tepat : Pilih hardware yang sesuai dengan kebutuhan model dan aplikasi
Anda. Misalnya, GPU, TPU, FPGA, atau ASIC dapat digunakan tergantung pada jenis operasi yang
dominan dalam model Anda.

- Optimisasi Hardware : Lakukan optimisasi perangkat keras untuk mengurangi waktu eksekusi dan
penggunaan daya. Hal ini dapat mencakup penyesuaian arsitektur chip, pemilihan algoritma perhitungan
yang efisien, atau pengaturan parameter hardware.

- Paralelisasi : Manfaatkan paralelisme perangkat keras seefisien mungkin. Misalnya, eksekusi batch dan
pemrosesan pipelining dapat meningkatkan penggunaan sumber daya perangkat keras.

2. Perancangan Perangkat Lunak:

- Pemilihan Framework yang Efisien : Pilih framework JST yang sesuai dengan kebutuhan Anda dan
cocok dengan perangkat keras yang digunakan. Pastikan framework tersebut dapat mendukung operasi
paralel dan memiliki overhead yang rendah.
- Optimisasi Algoritma : Lakukan optimisasi algoritma dan implementasi perangkat lunak untuk
mengurangi waktu komputasi dan penggunaan memori. Gunakan operasi vektorisasi dan paralel untuk
meningkatkan kinerja.

- Kompresi Model : Terapkan teknik kompresi model seperti pruning, quantization, atau distillation untuk
mengurangi ukuran model dan meningkatkan efisiensi eksekusi.

- Streaming dan Mini-Batching : Implementasikan streaming data dan mini-batching untuk memproses
data secara bertahap dan memaksimalkan penggunaan sumber daya perangkat keras.

3. Implementasi pada Perangkat Terdistribusi atau Sumber Daya Terbatas:

- Distribusi Model : Distribusikan model JST secara efisien pada perangkat terdistribusi seperti server
cloud, edge device, atau IoT device dengan mempertimbangkan latensi jaringan dan kapasitas komputasi.

- Kontrol Sumber Daya : Manajemen sumber daya yang efisien seperti pengelolaan memori, penjadwalan
komputasi, dan manajemen throughput sangat penting untuk implementasi pada perangkat terbatas.

4. Evaluasi dan Pengoptimalan:

- Pengujian Kinerja : Lakukan pengujian kinerja menyeluruh pada sistem yang dirancang untuk
memastikan bahwa model JST dapat berjalan secara efisien dan konsisten di perangkat target.

- Optimisasi Lanjutan : Gunakan hasil pengujian untuk melakukan pengoptimalan lanjutan pada perangkat
keras dan perangkat lunak jika diperlukan, termasuk penyesuaian parameter, optimisasi kode, atau
penggunaan teknologi baru.

Dengan merancang perangkat keras dan perangkat lunak dengan mempertimbangkan semua langkah di
atas, Anda dapat mengimplementasikan dan menjalankan model JST secara efisien pada perangkat
terdistribusi atau sumber daya terbatas dengan kinerja yang optimal.

BAB IV

Penutup

Pengembangan dan implementasi model Jaringan Syaraf Tiruan (JST) merupakan langkah penting dalam
memecahkan berbagai masalah dalam berbagai bidang, mulai dari pengenalan gambar hingga pemrosesan
bahasa alami. Dalam makalah ini, kita telah menjelajahi beberapa strategi untuk meningkatkan efisiensi
dan kinerja model JST.

Dengan mempertimbangkan faktor-faktor seperti pengelolaan data, optimisasi model, perancangan

perangkat keras dan perangkat lunak, serta implementasi pada perangkat terdistribusi atau sumber daya
terbatas, kita dapat mengembangkan model JST yang efisien dan akurat untuk berbagai tugas. Melalui
pemilihan arsitektur yang tepat, penyetelan hyperparameter, dan teknik-teknik seperti regularisasi dan
ensemble learning, kita dapat meningkatkan kinerja dan stabilitas model JST, sehingga menghasilkan
prediksi yang lebih baik dan konsisten.

Selain itu, dengan merancang perangkat keras dan perangkat lunak yang efisien, kita dapat memastikan
bahwa model JST dapat diimplementasikan dan dieksekusi dengan baik pada perangkat terdistribusi atau
sumber daya terbatas. Pengoptimalan kode, distribusi model, dan manajemen sumber daya yang cermat
adalah kunci untuk mencapai kinerja yang optimal dalam skenario tersebut.

Dengan terus mengembangkan teknik dan teknologi baru dalam bidang JST, kita dapat terus
meningkatkan kemampuan model untuk menyelesaikan masalah yang semakin kompleks dan
meningkatkan efisiensi serta kinerja model dalam berbagai aplikasi dunia nyata.

Sebagai kesimpulan, pengembangan model JST yang efisien dan akurat membutuhkan kombinasi dari
pemahaman yang mendalam tentang konsep JST, pemilihan teknik yang sesuai, dan implementasi yang
cermat. Dengan pendekatan yang tepat, model JST dapat menjadi alat yang kuat untuk memecahkan
berbagai tantangan dalam ilmu komputer, kecerdasan buatan, dan aplikasi lainnya.