AN
1
Aziz Adi Nugroho
• SMA N 11 Semarang
• S.Kom in Information System with GPA 3.57 of 4.0
Dian Nuswantoro University
• M.Kom in Computer Science with GPA 3.83 of 4.0
Dian Nuswantoro University
• Core Competency in Enterprise Architecture,
Software Engineering and Machine Learning
• Laboratory Assistant Computer Network
• Software Engineer and Lead Engineer – PT PCI
Business Solution (Port Cities)
• System Analyst, Project Manager and Development Manager – PT Brainmatics Cipta Infor
matika (Brainmatics) dan PT IlmuKomputerCom Braindevs Sistema (Braindevs)
• Professional Trainer at Brainmatics
• Lecturer at Universitas Indraprasta PGRI (Unindra)
• Industrial IT Training and Certifications: Data Mining, System Analyst and Design with UM
L, BPMN and Enterprise Architecture Development Practice
• IT Consultant: TNP2K, Kemsos, BPS, KPK, INSW, Kemenkeu, FIF, PLN, PJB, Pertamina EP, Laz
ada, Paragon, Elizabeth Bags, HIJUP, Ethnicraft, TLI, Ayam Brand etc
2
Konten Perkuliahan
1. Pengertian dan Kedudukan Jaringan Syaraf Tiruan
2. Fungsi Aktivasi dan Proses Pembelajaran dalam Ja
ringan Syaraf Tiruan
3. Arsitektur dan Algoritma Jaringan Syaraf Tiruan
3
Tujuan Perkuliahan
• Mampu menjelaskan arti, tujuan, definisi konsep jaringan syara
f tiruan
• Mampu memahami arti dan tujuan aktivasi pembelajaran jaring
an syaraf tiruan
• Mampu memahami dan mengaplikasikan metode McCulloch Pi
tts untuk menyelesaikan masalah pengenalan pola sederhana
• Mampu memahami algoritma Hebb dan membangun jaringan
Hebb untuk menyelesaikan masalah pengenalan pola sederhan
a
• Mampu memahami algoritma perceptron dan membangun jari
ngan perceptron untuk menyelesaikan masalah pengenalan pol
a sederhana
• Mampu memahami algoritma Adeline dan membangun jaringa
n Adeline untuk meyelesaikan masalah pengenalan pola sederh
ana
4
Tujuan Perkuliahan
• Mampu memahami algoritma Madeline dan membangun jaringan
Madeline untuk menyelesaikan masalah pengenalan pola sederhan
a
• Mampu memahami algoritma Hopfield Diskrit dan membangun jari
ngan Hopfield Diskrit untuk menyelesaikan masalah pengenalan pol
a sederhana
• Mampu memahami algoritma Backpropagation dan membangun jar
ingan Backpropagation untuk menyelesaikan masalah pengenalan p
ola sederhana
• Mampu memahami algoritma learning vector quantization dan me
mbangun jaringan learning vector quantization untuk menyelesaika
n masalah pengenalan pola sederhana
• Mampu memahami algoritma kohonen dan membangun jaringan k
ohonen untuk menyelesaikan masalah pengenalan pola sederhana
• Mampu memahami dan mengaplikasikan jaringan syaraf tiruan utn
uk menyelesaikan masalah pengenalan pola sederhana
5
Referensi
6
Manusia Memproduksi Data
Manusia memproduksi beragam d
ata yang jumlah dan ukurannya sa
ngat besar
• Astronomi
• Bisnis
• Kedokteran
• Ekonomi
• Olahraga
• Cuaca
• Financial
• …
7
Perubahan Kultur dan Perilaku
8
kilobyte (kB) 103
Datangnya Tsunami Data megabyte (MB) 106
gigabyte (GB) 109
10
Mengubah Data Menjadi Pengetah
uan
• Data harus kita olah menjadi pengetahuan su
paya bisa bermanfaat bagi manusia
• Dengan pengetahuan
tersebut, manusia dapat:
• Melakukan estimasi dan prediksi
apa yang terjadi di depan
• Melakukan analisis tentang
asosiasi, korelasi dan
pengelompokan antar data dan atribut
• Membantu pengambilan keputusan dan
pembuatan kebijakan
11
Apa itu Data Mining?
12
From Stupid Apps to Smart Apps
Stupid Smart
Applications Applications
• Sistem Informasi • Sistem Prediksi
Akademik Kelulusan Mahasiswa
• Sistem Pencatatan • Sistem Prediksi Hasil
Pemilu Pemilu
• Sistem Laporan • Sistem Prediksi
Kekayaan Pejabat Koruptor
• Sistem Pencatatan • Sistem Penentu
Kredit Kelayakan Kredit
13
Perusahaan Pengolah Pengetahua
n
• Uber - the world’s largest taxi company,
owns no vehicles
• Google - world’s largest media/advertisi
ng company, creates no content
• Alibaba - the most valuable retailer, has
no inventory
• Airbnb - the world’s largest accommoda
tion provider, owns no real estate
• Gojek - perusahaan angkutan umum, ta
npa memiliki kendaraan
14
Revolusi Industri 4.0
15
1. Big Data
Digital
4. Enterprise 2. Internet of
Architecture Transformation Things
Trends
3. Business
Process
Automation
16
17
Data - Informasi – Pengetahuan
1103 22
1142 18 2 2
1156 10 1 11
1173 12 5 5
1180 10 12
Terlambat 7 0 1 0 5
Pulang 0 1 1 1 8
Cepat
Izin 3 0 0 1 4
Alpa 1 0 2 0 2
21
Mengubah Pengetahuan Menjadi Kebijakan
Informasi Rekap
Informasi Kehadiran Pegawai
22
Data Mining Tasks and Roles
Increasing potential
to support business
End User
decisions Decision
Making
23
Peran Utama Data Mining
1. Estimasi
5. Asosiasi 2. Forecasting
4. Klastering 3. Klasifikasi
24
Algoritma Data Mining
1. Estimation (Estimasi):
• Linear Regression, Neural Network, Support Vector Machine, etc
2. Prediction/Forecasting (Prediksi/Peramalan):
• Linear Regression, Neural Network, Support Vector Machine, etc
3. Classification (Klasifikasi):
• Naive Bayes, K-Nearest Neighbor, C4.5, ID3, CART, Linear Discriminant
Analysis, Logistic Regression, etc
4. Clustering (Klastering):
• K-Means, K-Medoids, Self-Organizing Map (SOM), Fuzzy C-Means, etc
5. Association (Asosiasi):
• FP-Growth, A Priori, Coefficient of Correlation, Chi Square, etc
25
JARINGAN SYARAF BIOLOGI
Otak terdiri dari neuron-neuron
dan penghubung yang disebut
sinapsis
1012 neuron, 1015 dendrit dan 6.1018
sinapsis
sinyal tersebut akan diteruskan ke sel Jumlah > soma menjumlahkan semua sinyal-
lain melalui axon Threshold sinyal yang masuk
Jaringan Syaraf Tiruan
28
Jaringan Syaraf Tiruan dibentuk sebagai generalisasi
model matematika dari jaringan syaraf biologi, dengan
asumsi bahwa
1. Pemrosesan informasi terjadi pada banyak elemen sederha
na (neuron).
2. Sinyal dikirimkan diantara neuron-neuron melalui penghub
ung-penghubung.
3. Penghubung antar neuron memiliki bobot yang akan mem
perkuat atau memperlemah sinyal.
4. Untuk menentukan output, setiap neuron menggunakan fu
ngsi aktivasi yang dikenakan pada jumlahan input yang dite
rima. Besarnya output ini selanjutnya dibandingkan denga
n suatu batas ambang.
Hal yang ingin dicapai dengan melatih JST adalah untuk mencapai
keseimbangan antara kemampuan memorisasi dan generalisasi
Apabila nilai fungsi aktivasi cukup kuat, maka sinyal akan diteruskan.
Jaringan Layar Tu
nggal
(single layer netw
ork)
ARSITEKTUR JARINGAN SYARAF TI
RUAN
Jaringan Layar Ja
mak
(multi layer netw
ork)
ARSITEKTUR JARINGAN SYARAF TI
RUAN
Jaringan Recurre
nt
(Recurrent Layer
Network)
FUNGSI AKTIVASI
• Jika tahapan fungsi aktivasi digunakan (output sel syaraf = 0 j
ika input <0 dan 1 jika input >= 0) maka tindakan sel syaraf s
ama dengan sel syaraf biologi yang dijelaskan diatas (pengur
angan nilai ambang dari jumlah bobot dan membandingkan
dengan 0 adalah sama dengan membandingkan jumlah bobo
t dengan nilai ambang).
• Biasanya tahapan fungsi jarang digunakan dalan Jaringan Sy
araf Tiruan. Fungsi aktivasi (f(.))
FUNGSI AKTIVASI
• Fungsi
aktivasi dipakai untuk menentuka
n keluaran suatu neuron.
• Fungsi aktivasinya adalah f(net) = .
• Kadang dalam jaringan ditambahkan seb
uah unit masukan yang nilainya selalu =
1. Unit yang demikian disebut bias
• Bias dapat dipandang sebagai sebuah inp
ut yang nilainya = 1
• Jika melibatkan bias, maka keluaran unit pe
njumlah adalah
• Fungsi aktivasi threshold menjadi:
CONTOH
•Suatu
jaringan layar tunggal seperti gambar di atas terdiri dari 2 inp
ut x1 = 0,7 dan x2 = 2,1 dan memiliki bias. Bobot w1 = 0,5 dan w2 =
-0,3 dan bobot bias b = 1,2. Tentukan keluaran neuron Y jika fungsi a
ktivasi adalah bipolar threshold.
Penyelesaian:
0 , 𝐽𝑖𝑘𝑎 𝑥 ≤ 0 y
y=
{ ¿
1 , 𝐽𝑖𝑘𝑎∧𝑥 >0
1
0 x
2. Fungsi Biner Threshold/ Fungsi Heavyside
y
0 , 𝐽𝑖𝑘𝑎 𝑥 <𝜃
y=
{ ¿
1 , 𝐽𝑖𝑘𝑎∧𝑥 ≥𝜃
1
0 q x
3. Fungsi Bipolar (Symetric Hard Li
mit)
¿ 1 , 𝑗𝑖𝑘𝑎 𝑥 >0 y
{
𝑦= ¿ 0 , 𝑗𝑖𝑘𝑎 𝑥=0
¿ − 1 , 𝑗𝑖𝑘𝑎 𝑥 <0
1
0 x
-1
4. Fungsi Bipolar Threshold
y= ¿ 1 , 𝑗𝑖𝑘𝑎 𝑥 ≥𝜃
{ y
¿ −1 , 𝑗𝑖𝑘𝑎 𝑥 <𝜃 1
0 q x
-1
5. Fungsi Liniear (Identitas)
6. Fungsi Saturating Linear
6. Fungsi Symetric Saturating Linea
r
7. Fungsi Sigmoid Biner
1
𝑦= 𝑓 ( 𝑥 ) =
1+ 𝑒
−𝜎 𝑥
1− 𝑒− 𝑥
𝑦= 𝑓 ( 𝑥 ) =
1+𝑒 − 𝑥
dengan :
Metode Learning Algoritma Data Mining
Supervised Unsupervised
Learning Learning
53
1. Supervised Learning
54
Dataset dengan Class
Attribute/Feature/Dimension Class/Label/Target
Nominal
Numerik
55
2. Unsupervised Learning
56
Dataset tanpa Class
Attribute/Feature/Dimension
57
Pelatihan Jaringan
Lebih bersifat dinamis, dalam hal ini kondisi jaringan akan selalu
berubah sampai diperoleh keseimbangan tertentu.
Berdasarkan Stategi Pembelajaran, Model JST dibagi menjadi
Supervised Learning:
model Hebbian, Perceptron, Delta, ADALINE, Backpropagatio
n, Heteroassociative Memory, Biderectional Associative Me
mory (BAM).
Unsupervised Learning:
model Hebbian, Competitive, Kohonen, Learning Vector Qua
ntization (LVQ), Hopfield.
Tugas
1. Buat materi presentasi:
a. Algoritma McCulloch-Pitts
b. Algoritma Hebb
c. Algoritma Perceptron
d. Algoritma Adaline
e. Algoritma Madaline
2. Konten yang dipresentasikan meliputi:
a. Penjelasan algoritma
b. Langkah-langkah
c. Contoh kasus dan penyelesaiannya (hitungan manual)
64
Tahapan Algoritma Jaringan Syaraf Tiruan
65
Contoh Kasus
67
References
1. Romi Satria Wahono, Data Mining, PT Brainmatics Cipta Informatika, 2019
2. Adelich Azzalini and Bruno Scrapa, Data Analysis and Data Mining, Oxford University Pr
ess, 2012
3. Nong Ye, Data Mining: Theories, Algorithms, and Examples, CRC Press, 2015
4. Michael J. A. Berry and Gordon S. Linoff, Data Mining Techniques 2nd Edition, Wiley Publi
shing, 2011
5. Jared Dean, Big Data, Data Mining and Machine Learning, John Wiley and Sons, 2015
6. Ke-Lin Du and M. N. S. Swamy, Neural Networks and Statitiscal Learning, Springer-Verla
g London, 2014
7. Florin Gorunescu, Data Mining: Concepts, Models, and Techniques, Springer-Verlag Berl
in Heidelberg, 2011
8. Simon Haykin, Neural Networks and Machine Learning 3th Edition, Person Education, 20
09
9. Andri Kristanto, Jaringan Syaraf Tiruan: Konsep Dasar, Algoritma dan Aplikasi, Gava Med
ia, 2004
10. Diyah Puspitaningrum, Jaringan Saraf Tiruan, Andi, 2006
68