MAKALAH KECERDASAN BUATAN

JARINGAN SARAF TIRUAN
(ARTIFICIAL NEURAL NETWORK)

Disusun Oleh: KELOMPOK VI

Hery Munazar (100411068) Rizky Ramadhan(100411066)

PROGRAM STUDI TEKNIK INFORMATIKA

POLITEKNIK NEGERI LHOKSEUMAWE TAHUN AJARAN 2012

Makalah jaringan saraf tiruan ini bertujuan untuk melengkapi Tugas mata kuliah Kecerdasan Buatan dan untuk meningkatkan pengetahuan tentang penggunaannya. Dengan adanya Makalah ini saya berharap dapat menambah wawasan ataupun menambah Referensi dalam kaitannya dengan jaringan saraf tiruan. . Kami menyadari banyak kekurangan dalam menyusun makalah ini. Dalam Makalah ini menjelaskan jaringan saraf tiruan secara detail dari mulai pengertian sampai tahap pembuatan jaringan saraf tiruan dan implementasinya untuk dapat bekerja seperti halnya yang dilakukan manusia.kami mohon bimbingan Bapak selaku dosen kami agar lebih mengerti banyak tentang Hal tersebut. Lhokseumawe.KATA PENGANTAR Alhamdulillah puji syukur kehadirat Allah SWT yang telah melimpahkanrahmat-Nya sehingga saya dapat menyelesaikan penulisan makalah tentang jaringan saraf tiruan ini dengan lancar. 02 Nopember 2012 Penulis Hery Munanzar dan Rizky Ramadhan .

Gambar 1. Skema sederhana dari otak manusia dapat dilihat dari gambar berikut ini.1. JST merupakan suatu model kecerdasan yang di ilhami dari struktur otak manusia dan kemudian diimplementasikan menggunakan program computer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran berlangsung.1 Struktur dasar jaringan saraf tiruan dan Struktur sederhana sebuah neuron . Latar Belakang Jaringan Saraf Tiruan (JST) atau Artificial Neural Network merupakan suatu pendekatan yang berbeda dari metode AI lainnya.BAB I PENDAHULUAN 1.

Informasi yang akan diterima oleh neuron lain jika memenuhi batasan tertentu yang lebih dikenal sebagai threshold (nilai ambang). Inti sel akan bertugas melakukan proses informasi.dendrit juga menyertai axon sebagai keluaran dari suatu pemrosesan informasi. Pengembangan terhadap jaringan saraf ini terus dilakuakan dan memunculkan harapan baru yang dicapainya suatu mesin yang dapat belajar sehingga tidak memerlukan adanya pengulangan proses perhitungan yang sama untuk persoalan yang mirip. . Gambaran di atas merupakan gambaran sederhana dari jaringan saraf. Secara khusus. Informasi yang datang dan diterima oleh dendrite akan dijumlahkan dan dikirimkan melalui axon ke dendriteakhir yang bersentuhan dengan dendrite dari sel saraf lain.Dari gambar diatas dapat dilihat bahwa setiap sel saraf mempunyai satu inti sel(nucleus). dapat dikatakan bahwa setiap unit komputasional dihitung dari beberapa fungsi input.2. Informasi yang dikirimkan antarneuron berupa rangsangan yang dilewatkan melalui dendrite. tetapidari gambaran itu semua komponen dari sel saraf tersebut relevan bagi saraf modelkomputasi. Informasi sel akanditerima oleh dendrite yang merupakan dari cell body. Tujuan Tujuan dalam penulisan makalah ini adalah untuk menambah pengetahuan dan informasi bagi yang membacanya dan diharapkan dapat bermanfaat bagi kita semua. Selain menerima informasi. 1.Informasi hasil olahan ini akan menjadi masukan bagi sel saraf lain dimana antardendrite tersebut akan dipertemukan dengan sinapsis.

Pemrosesan terjadi pada elemen-elemen sederhana yang disebut neuron. Jaringan saraf tiruan dikembangkan sebagai model matematis dari saraf biologis dengan berdasarkan asumsi bahwa: 1. Gambar 2. Sinyal dilewatkan antar neuron melalui penghubung. Jaringan saraf dapat digolongkan menjadi berbagai jenis berdasarkan pada arsitekturnya.1 Struktur ideal NN . Komponen Neural Network Terdapat banyak struktur NN. Setiap penghubung memiliki bobot yang akan mengalikan sinyal yang lewat. 2. yaitu cara penentuan nilai bobot pada penghubung.BAB II PEMBAHASAN 2.1. 4. yaitu pola hubungan antara neuron-neuron. Pengertian Jaringan Saraf Tiruan Jaringan saraf tiruan adalah suatu sistem pemrosesan informasi yang cara kerjanya memiliki kesamaan tertentu dengan jaringan saraf biologis [Fausett.1994]. Setiap neuron memiliki fungsi aktivasi yang akan menentukan nilai sinyal output.2. dan algoritma trainingnya. 2. Gambar berikut memperlihatkan struktur ideal NN. 3. tetapi kesemuanya mempunyai komponen yang hampir sama.

Biasanya setiap neuron dari sebuah layer dihubungkan ke semua neuron yang ada di layer belakang maupun depannya (kecuali input dan output). yang disebut neuron layer. Jika diaktifkan. Bergantung pada algoritma yang digunakan.Seperti terlihat pada gambar.Input ini diproses oleh suatu fungsi propagation yang menaikan nilai bobot input. dan seterusnya.2 NN tiga neuron layers. dipropagasi layer – per – layer mulai dari input hingga output tanpa atau melalui satu atau lebih hidden layers. struktur NN mirip dengan struktur otak manusiadiatas. Informasi (sebagai input) dikirim ke neuron melalui suatu pembobotan input. neuron dikelompokan dalam layer. Ada NN yang tidak mempunyai hidden layer. Hasilnya kemudian dibandingkan dengan threshold oleh activation function. maka neutron akan diaktifkan. . Gambar 2. Perlu dicatat bahwa gambar ini bukan merupakan struktur umum dari NN. Dalam NN. jika sebaliknya maka neutron akan inhibit. Jika input melampaui threshold. atau ada juga NN yang layer-nya berbentuk matriks. Gambar berikut menunjukan NN dengan tiga neuron layers. informasi juga dapat dipropagasi ke arah belakang (backpropagation). Informasi yang dikirim dalam sebuah NN. neuron akan mengirim output melalui pembobotan outputke neuron lainnya.

. Minsky dan S. Lapisan input menerima sinyal dari luar.perceptron dapat digunakan untuk operasi logika termasuk yang kompleks seperti XOR. Multi Layer Perceptron Diperkenalkan oleh M. Papert pada tahun 1969. dan satu lapisan output (output layer).3 Multi-Layer Perceptron Multi-Layer Perceptron adalah jaringan syaraf tiruan feed-forward yang terdiri dari sejumlah neuron yang dihubungkan oleh bobot-bobot penghubung. yang akan diteruskan sehingga akhirnya mencapai lapisan output [Riedmiller. Setiap neuroni di dalam jaringan adalah sebuah unit pemrosesan sederhana yang menghitung nilai aktivasinya yaitusi terhadap inputeksitasi yang juga disebut melambangkan himpunan predesesor dari unit i melambangkan bobot koneksi dari unit j ke unit i.2. Dengan demikian bias dapat diperlakukan secara sama dengan bobot koneksi. seringkali bias digantikan dengan suatu bobot yang terhubung dengan unit bernilai 1. Neuron-neuron tersebut disusun dalam lapisan. merupakan pengembangan dari Perceptron dan mempunyai satu atau lebih hidden layers yang terletak antara input dan output layers. 1994]. Gambar 2. kemudian melewatkannya kelapisan tersembunyi pertama. satu atau lebih lapisan tersembunyi (hidden layer). Untuk membuat representasi menjadi lebih mudah.lapisan yang terdiri dari satu lapisan input (inputlayer). danθi adalah nilai bias dari unit i.3. Multi – layer .

3. Setiap pasangan polap terdiri dari vektor input xp dan vektor target. 2. Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set). Ketiga tahapan tersebut diulangi terus-menerus sampai mendapatkan nilaierror yang diinginkan. Algoritma ini umumnya digunakan pada jaringan syaraf tiruan yang berjenis multi-layer feed-forward.Tujuan dari training ini pada dasarnya sama dengan mencari suatu nilai minimum global dari E. yang tersusun dari beberapa lapisan dan sinyal dialirkan secara searah dari input menuju output. hanya tahap pertama yangdiperlukan untuk memanfaatkan jaringan syaraf tiruan tersebut. . Input nilai data pelatihan sehingga diperoleh nilai output. 2. Penyesuaian bobot koneksi untuk meminimalkan nilai error. Propagasi balik dari nilai error yang diperoleh.Besarnya perbedaan antara nilai vektor target dengan output actual diukur dengan nilai error yang disebut juga dengan di mana adalah banyaknya unit pada output layer. Supervised Learning Tujuan pada pembelajaran supervised learning adalah untuk menentukan nilai bobotbobot koneksi di dalam jaringan sehingga jaringan dapat melakukan pemetaan(mapping) dari input ke output sesuai dengan yang diinginkan. Algoritma Dalam Jaringan Saraf Tiruan.4. yaitu: 1.5. jika diberikan masukan xp seharusnya jaringan menghasilkan nilai output. Setelah selesai pelatihan. • Algoritma Backpropagation Salah satu algoritma pelatihan jaringan syaraf tiruan yang banyak dimanfaatkan dalam bidang pengenalan pola adalah backpropagation.2. Setelah training selesai dilakukan. 1994]. Algoritma pelatihan backpropagation pada dasarnya terdiri dari tiga tahapan [Fausett.

2. 1988]. dan gradien dari kurva error untuk suatu bobot tidak terpengaruh oleh bobotbobot yang lain [Fahlman. Dengan demikian perhitungan perubahan bobot hanya menggunakan informasi lokal pada masing-masing bobot.4 Arsitektur Jaringan Saraf Tiruan . Eksperimen dari [Schiffmann. ide dasar dari algoritma backpropagation ini sesungguhnya adalah penerapan dari aturan rantai (chain rule) untuk menghitung pengaruh masing-masing bobot terhadap fungsi error. Masing-masing lapisan mempunyai jumlah node atau neuron yang berbeda-beda.6. lapisan tersembunyi (hidden layer ). 1986]. yaitu lapisan masukan (input layer). terbukti bahwa algoritma Quickprop dapat meningkatkan kecepatan training.Secara matematis [Rumelhart. Arsitektur JST terdiri atas beberapa lapisan. Arsitektur JST tersebut dapat diilustrasikan sebagai gambar berikut ini : Gambar 2. Arsitektur Jaringan Saraf Tiruan Secara umum.1988]. 1993] juga menunjukkan peningkatan kecepatan training dan unjuk kerja yang signifikan. Perubahan bobot pada algoritma Quickprop dirumuskan sebagaiberikut: Pada eksperimen dengan masalah XOR dan encoder/decoder [Fahlman. • Algoritma Quickprop Pada algoritma Quickprop dilakukan pendekatan dengan asumsi bahwa kurva fungsi error terhadap masing-masing bobot penghubung berbentuk parabolayang terbuka ke atas. dan lapisan keluaran (output layer ).

Lapisan tersembunyi berfungsi meningkatkankemampuan jaringan dalam memecahkan masalah. Lapisankeluaran merupakan tiruan dari sel saraf motor pada jaringan saraf biologis. Konsekuensi dariadanya lapisan ini adalah pelatihan menjadi makin sulit atau lama. Lapisan keluaran (output layer) Lapisan keluaran berfungsi menyalurkan sinyal-sinyal keluaran hasilpemrosesan jaringan. Lapisan ini dillhami berdasarkan cirri-ciri dancara kerja sel-sel saraf sensori pada jaringan saraf biologi. 2. Prosesyang lazin dari pembelajran meliputi tiga tugas. 3. Lapisan Masukan (input layer) Lapisan masukan merupakan lapisan yang terdiri dari beberapa neuronyang akan menerima sinyal dari luar dan kemudian meneruskan ke neuron-neuron lain dalam jaringan. 3. 2.1. Proses pembelajaran tersebut dapat dilihat pada gambar berikut ini : . yaitu : 1. Lapisan tersembunyi (hidden layer) Lapisan tersembunyi merupakan tiruan dari sel-sel syaraf konektor pada jaringan saraf bilogis. 2. Algoritma Pembelajaran Belajar Untuk JST merupakan suatu proses dimana parameter-parameter bebasJST diadaptasikan melalui suatu proses perangsangan berkelanjutan oleh lingkungandimana jaringan berada.7. Suatu Jaringan Saraf Tiruan belajar dari pengalaman. Menyesuaikan bobot dan mengulangi prosesnya. Membandingkan output dengan target yang diinginkan. Perhitungan Output. Lapisan ini juga terdiri dair sejumlah neuron.

Semakin besar bobot keterhubungannya maka akan semakin cepat meyelesaikan suatu masalah.5 Proses Pembelajaran dari suatu JST Proses pembelajaran atau pelatihan tersebut merupakan proses perubahan bobot antar neuron sehingga sebuah jaringan dapat menyelesaikan sebuah masalah. . Supervised Learning (pembelajaran terawasi) yang menggunakan sejumlahpasangan data masukan dan keluaran yang diharapkan. yaitu: 1. Unsupervised Learning (pembelajaran tidak terawasi) yang hanyamenggunakan sejumlah pasangan data masukan tanpa ada contoh keluaranyang diharapkan. jaringan Hopfield dan perceptron. Contoh dari tipe iniadalah metode back propagation. Proses pembelajaran dalam JST dapat diklasifikasikan menjadi dua bagian.Gambar 2. 2.

Sedangkan untuk citra non-wajah diperoleh dari file. namun lebih disederhanakan. Secara keseluruhan jaringan ini memiliki 883 bobot penghubung. Lapisan output terdiri dari sebuah unit dengan nilai keluaran berkisar antara –1 dan 1.BAB III IMPLEMENTASI JARINGAN SARAF TIRUAN 3. Sebelum dijadikan input untuk JST.Arsitektur yang digunakan diadaptasi dari hasil penelitian [Rowley. Bagian pertama terhubung dengan lapisan input yang membentuk 25 area berukuran 4x4 pixel. sudah termasuk bias. Implementasi Jaringan Saraf Tiruan Untuk Menditeksi Posisi Wajah Manusia Pada Citra Digital Dalam penelitian ini kami menggunakan data yang terdiri dari satu set citra untuk pelatihan(training data set) dan satu set citra untuk pengujian (testingdata set). Jaringan ini lebih sederhana .Sistem ini menggunakan jaringan syaraf tiruan (JST) dengan jenis multi-layer perceptron. Pada training dataset didefinisikan nilai 1 untuk data wajah dan –1 untuk data non-wajah.1. Bagian kedua terhubung dengan lapisan input yang membentuk 16 area berukuran 5x5 pixel. yang menerima masukan dari nilai grayscale pixel 20x20 dari subcitra yang akan dideteksi. Untuk data pelatihan digunakan citra wajah berukuran 20x20 pixel sebanyak 3000 buah. Lapisan tersembunyi (hidden layer) terdiri dari total 25+16=41 unit.file citra yang tidak terdapat wajahmanusia di dalamnya. nilai grayscale yang berkisar dari 0 sampai 255 dinormalisasi menjadi antara –1 dan 1. 1998]. Lapisan input terdiri dari 400 unit input.

1998] yang jumlah bobot penghubungnya mencapai 4357.dibandingkan dengan sistem [Rowley. Bobot penghubung yang digunakan diambil dari bobot terakhir yangdihasilkan pada proses training.1. yaitu data yang yang dideteksi sebagai wajah(false positive) pada hasil training tahap sebelumnya. waktu yang diperlukan untuk proses training juga akan lebih singkat.Pada tahap pertama training dimulai dengan menggunakan sedikit data non-wajah. 3. Namun data tambahan tersebut diseleksi hanya untuk data tertentu saja.2.1 Teknik Active Learning untuk Sistem Pendeteksi Wajah .1. Karena data training yangdigunakan lebih sedikit. Gambar 3. Hasil deteksi akan diputuskan sebagai wajah jika output dari JST lebih dari 0. Pada tahap berikutnya. Dengan demikian jumlah data training yang digunakan untuk jaringan syaraf tiruan akan lebih sedikit.1. Teknik Active Learning Training dilakukan secara bertahap dengan menggunakan metode active learning [Sung. learning yang digunakan untuk sistem pendeteksi wajah. dan diputuskan sebagai non-wajah jika output JST kurang dari atau sama dengan 0. Detektor Wajah Bagian detector wajah menggunakan arsitektur jaringan syaraf yang sama dengan yangdigunakan untuk training. 1994]. data training non-wajah ditambah sedikit demi sedikit. 3.

Sedangkanfalse positive rate adalah banyaknya subcitra non-wajah yang dideteksi sebagai wajah. Detection rate adalah perbandingan antara jumlah wajah yang berhasil dideteksi dengan jumlah seluruh wajah yang ada. Tahap-tahap preprocessing ini juga digunakan pada saat proses pendeteksian wajah. Hasil implementasi Untuk kerja dari detektor wajah pada umumnya diukur dengan menggunakan dua parameter. Pengujian dilakukan dengan data uji citra yang berasal dari . 3. Normalisasi.2 sebagaimana dilakukan pada [Rowley.6. 3. citra akan melalui tahap-tahap preprocessing berikut: Histogram Equalization. window 20x20 pixel akan digeser melalui seluruh area citra. Lokasi-lokasi ini disebut dengan kandidat wajah.3. Untuk itu digunakan window berukuran 20x20 pixel yang akan digeser melalui seluruh daerah citra. Preprocessing Sebelum digunakan sebagai training data set.4.1. Merging Pada saat dilakukan deteksi wajah pada citra.sudut citra untuk mengurangi variasi citra sehingga memperkecil dimensi data.5. Ekstraksi Subcitra Posisi wajah bisa berada di mana saja pada citra yang akan dideteksi. biasanya sebuah wajah akan terdeteksi pada beberapa lokasi yang berdekatan.3. Pada setiap ukuran citra yang diperkecil. Daerah citra yang dilewati oleh window tersebut akan diperiksa satu persatu apakah ada wajah atau tidak di area tersebut. citra diperkecil secara bertahap dengan skala perbandingan 1:1. yaitu menyatukan lokasi kandidatkandidat wajah yang berdekatan. untuk memperbaiki kontras citra. Untuk mengantisipasi ukuran wajah yang bervariasi di dalam citra yang dideteksi. Untuk itu perlu dilakukan proses penggabungan (merging).yaitu detection rated an false positive rate [Yang.1. 3. 1998]. yaitu menghilangkan bagian sudut.1.1. 2002]. Contoh hasil deteksi yang dilakukan pada beberapa citra pengujian ditunjukkan pada gambar 4. yaitu mengkonversi nilai intensitas grayscale citra sehingga memiliki range antara – 1 sampai dengan 1.Masking.

w a j a h . Pengaruh Metode Active Learning Perbandingan antara hasil training yang menggunakan metode active learning untuk memilihcontoh data non-wajah. Eksperimen dilakukan dengan menggunakan 2000. Algoritm a Quickprop memberikan peningkatan kecepatan yang signifikan. Pada data uji ini diperoleh hasil detection rate sebesar 71. dengan hasil training yang menggunakan data non-wajah yang dipilihsecara random. Pengaruh Algoritma Quickprop Perbandingan antara training yang menggunakan algoritma backpropagatio standar dengan training yang menggunakan algoritma Quickprop. Sedangkan pada eksperimen kedua digunakan terdirid a r i 3 0 0 0 d a t a w a j a h d a n 5 2 0 0 d a t a n o n . Terlihat bahwa untuk jumlah data training yang semakin besar. T e r l i h a t b a h w a t e k n i k a c t i v e l e a r n i n g memberikan hasil yang lebih baik.8.14% dan false positives sebanyak 62.Massachusetts Institute of Technology (MIT) yang terdiri dari 23 file citra yang secara keseluruhan berisi 149 wajah (datauji MIT-23). dan 4000 data. 3.1. iterasi dihentikan pada saat nilai error m e n c a p a i 0 . 3000 data 8200 data nonyang . 3. 1994]. 0 5 . Hasil ini diperoleh dari training yang menggunakan 3000 data wajah dan 5200 data non.7. sehingga dapat meminimalkan jumlah data training yang digunakan. Kumpulan citra ini pertama kali dipublikasikan pada [Sung.1. Pada eksperimen pertama digunakan 6000 data yang terdiri dari 3000 data wajahdan wajah. 3000.wajah yang diperoleh melalui metode active learning. Untuk setiap proses training.  data set yang digunakan untuk training tidak sama  jumlah data yang digunakan untuk training tidak sama. Ini berarti bahwa teknika active learning dapat memilih datayang benar-benar perlu.

dipropagasi layer –per –layer mulai dari input hingga output tanpa atau melalui satu atau lebih hidden layers. Pemetaan ini ditentukan melalui satu set polacontoh atau data pelatihan (training data set). Informasi yang dikirim dalam sebuah NN.1. Biasanya setiap neuron dari sebuah layer dihubungkan ke semua neuron yang ada di layer belakang maupun depannya (kecuali input dan output). Tujuan pada pembelajaran supervised learning adalah untuk menentukan nilai bobot-bobot koneksi didalam jaringan sehingga jaringan dapat melakukan pemetaan (mapping) dari input keoutput sesuai dengan yang diinginkan. Dalam NN. Multi-Layer Perceptron adalah jaringan syaraf tiruan feed-forward yang terdiri dari sejumlah neuron yang dihubungkan oleh bobot-bobot penghubung. . KESIMPULAN Saraf Tiruan (JST) atau Artificial Neural Network merupakan Jaringan suatupendekatan yang berbeda dari metode AI lainnya.BAB IV PENUTUP 4. yang disebut neuron layer. JST merupakan suatu model kecerdasanyang diilhami dari struktur otak manusia dan kemudian diimplementasikan menggunakan program computer yang mampu menyelesaikan sejumlah proses perhitungan selamaproses pembelajaran berlangsung. neuron dikelompokan dalam layer.

Tujuan pada pembelajaran supervised learning adalah untuk menentukan nilaibobotbobot koneksi di dalam jaringan sehingga jaringan dapat melakukan pemetaan(mapping) dari input ke output sesuai dengan yang diinginkan. Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set).wikipedia. Graha Ilmu.. M. 2005.wordpress. DAFTAR PUSTAKA Arhami. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta Kusumadewi. 2002.com/category/instrument-kontrol/ http://id. Konsep Dasar Sistem Pakar.Yogyakarta http://asro. Penerbit ANDI.org/wiki/Jaringan_Saraf_Tiruan . S.