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

Kami menyadari banyak kekurangan dalam menyusun makalah ini. .kami mohon bimbingan Bapak selaku dosen kami agar lebih mengerti banyak tentang Hal tersebut. 02 Nopember 2012 Penulis Hery Munanzar dan Rizky Ramadhan . Lhokseumawe. Dengan adanya Makalah ini saya berharap dapat menambah wawasan ataupun menambah Referensi dalam kaitannya dengan jaringan saraf tiruan. Makalah jaringan saraf tiruan ini bertujuan untuk melengkapi Tugas mata kuliah Kecerdasan Buatan dan untuk meningkatkan pengetahuan tentang penggunaannya. 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.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.

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. Gambar 1.1. Skema sederhana dari otak manusia dapat dilihat dari gambar berikut ini.1 Struktur dasar jaringan saraf tiruan dan Struktur sederhana sebuah neuron .BAB I PENDAHULUAN 1. Latar Belakang Jaringan Saraf Tiruan (JST) atau Artificial Neural Network merupakan suatu pendekatan yang berbeda dari metode AI lainnya.

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

yaitu cara penentuan nilai bobot pada penghubung. 3. Gambar berikut memperlihatkan struktur ideal NN. 2. dan algoritma trainingnya. Pemrosesan terjadi pada elemen-elemen sederhana yang disebut neuron. Sinyal dilewatkan antar neuron melalui penghubung.1994]. Jaringan saraf tiruan dikembangkan sebagai model matematis dari saraf biologis dengan berdasarkan asumsi bahwa: 1. Setiap penghubung memiliki bobot yang akan mengalikan sinyal yang lewat. tetapi kesemuanya mempunyai komponen yang hampir sama. Jaringan saraf dapat digolongkan menjadi berbagai jenis berdasarkan pada arsitekturnya. Komponen Neural Network Terdapat banyak struktur NN. Pengertian Jaringan Saraf Tiruan Jaringan saraf tiruan adalah suatu sistem pemrosesan informasi yang cara kerjanya memiliki kesamaan tertentu dengan jaringan saraf biologis [Fausett.2. Gambar 2. 4.1 Struktur ideal NN .1. yaitu pola hubungan antara neuron-neuron. Setiap neuron memiliki fungsi aktivasi yang akan menentukan nilai sinyal output.BAB II PEMBAHASAN 2. 2.

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

Multi – layer . yang akan diteruskan sehingga akhirnya mencapai lapisan output [Riedmiller. Untuk membuat representasi menjadi lebih mudah. 1994]. Multi Layer Perceptron Diperkenalkan oleh M. 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. . dan satu lapisan output (output layer). kemudian melewatkannya kelapisan tersembunyi pertama.lapisan yang terdiri dari satu lapisan input (inputlayer). Gambar 2. Neuron-neuron tersebut disusun dalam lapisan.perceptron dapat digunakan untuk operasi logika termasuk yang kompleks seperti XOR. Minsky dan S.2. merupakan pengembangan dari Perceptron dan mempunyai satu atau lebih hidden layers yang terletak antara input dan output layers. seringkali bias digantikan dengan suatu bobot yang terhubung dengan unit bernilai 1.3 Multi-Layer Perceptron Multi-Layer Perceptron adalah jaringan syaraf tiruan feed-forward yang terdiri dari sejumlah neuron yang dihubungkan oleh bobot-bobot penghubung. danθi adalah nilai bias dari unit i.3. satu atau lebih lapisan tersembunyi (hidden layer). Lapisan input menerima sinyal dari luar. Papert pada tahun 1969. Dengan demikian bias dapat diperlakukan secara sama dengan bobot koneksi.

Tujuan dari training ini pada dasarnya sama dengan mencari suatu nilai minimum global dari E. hanya tahap pertama yangdiperlukan untuk memanfaatkan jaringan syaraf tiruan tersebut.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. Ketiga tahapan tersebut diulangi terus-menerus sampai mendapatkan nilaierror yang diinginkan. Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set). yang tersusun dari beberapa lapisan dan sinyal dialirkan secara searah dari input menuju output. yaitu: 1. 2. Algoritma Dalam Jaringan Saraf Tiruan. jika diberikan masukan xp seharusnya jaringan menghasilkan nilai output. Setelah training selesai dilakukan. Algoritma ini umumnya digunakan pada jaringan syaraf tiruan yang berjenis multi-layer feed-forward.2. 3. 2. Penyesuaian bobot koneksi untuk meminimalkan nilai error. Algoritma pelatihan backpropagation pada dasarnya terdiri dari tiga tahapan [Fausett. Propagasi balik dari nilai error yang diperoleh. . Setelah selesai pelatihan. 1994]. Setiap pasangan polap terdiri dari vektor input xp dan vektor target. Input nilai data pelatihan sehingga diperoleh nilai output.4.5. 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 Backpropagation Salah satu algoritma pelatihan jaringan syaraf tiruan yang banyak dimanfaatkan dalam bidang pengenalan pola adalah backpropagation.

• Algoritma Quickprop Pada algoritma Quickprop dilakukan pendekatan dengan asumsi bahwa kurva fungsi error terhadap masing-masing bobot penghubung berbentuk parabolayang terbuka ke atas. terbukti bahwa algoritma Quickprop dapat meningkatkan kecepatan training.1988]. 1988]. Arsitektur Jaringan Saraf Tiruan Secara umum. Masing-masing lapisan mempunyai jumlah node atau neuron yang berbeda-beda. dan gradien dari kurva error untuk suatu bobot tidak terpengaruh oleh bobotbobot yang lain [Fahlman. 2. Arsitektur JST terdiri atas beberapa lapisan. ide dasar dari algoritma backpropagation ini sesungguhnya adalah penerapan dari aturan rantai (chain rule) untuk menghitung pengaruh masing-masing bobot terhadap fungsi error. Eksperimen dari [Schiffmann. Arsitektur JST tersebut dapat diilustrasikan sebagai gambar berikut ini : Gambar 2.6. 1986].4 Arsitektur Jaringan Saraf Tiruan . 1993] juga menunjukkan peningkatan kecepatan training dan unjuk kerja yang signifikan.Secara matematis [Rumelhart. Dengan demikian perhitungan perubahan bobot hanya menggunakan informasi lokal pada masing-masing bobot. dan lapisan keluaran (output layer ). yaitu lapisan masukan (input layer). Perubahan bobot pada algoritma Quickprop dirumuskan sebagaiberikut: Pada eksperimen dengan masalah XOR dan encoder/decoder [Fahlman. lapisan tersembunyi (hidden layer ).

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

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

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

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

1998].1. 3. Merging Pada saat dilakukan deteksi wajah pada citra. Daerah citra yang dilewati oleh window tersebut akan diperiksa satu persatu apakah ada wajah atau tidak di area tersebut. Normalisasi. yaitu mengkonversi nilai intensitas grayscale citra sehingga memiliki range antara – 1 sampai dengan 1. 2002].sudut citra untuk mengurangi variasi citra sehingga memperkecil dimensi data. window 20x20 pixel akan digeser melalui seluruh area citra. Untuk itu perlu dilakukan proses penggabungan (merging). Hasil implementasi Untuk kerja dari detektor wajah pada umumnya diukur dengan menggunakan dua parameter. Untuk itu digunakan window berukuran 20x20 pixel yang akan digeser melalui seluruh daerah citra.5. Ekstraksi Subcitra Posisi wajah bisa berada di mana saja pada citra yang akan dideteksi.2 sebagaimana dilakukan pada [Rowley. Tahap-tahap preprocessing ini juga digunakan pada saat proses pendeteksian wajah. biasanya sebuah wajah akan terdeteksi pada beberapa lokasi yang berdekatan.yaitu detection rated an false positive rate [Yang. 3. citra diperkecil secara bertahap dengan skala perbandingan 1:1.Masking. Preprocessing Sebelum digunakan sebagai training data set. Pada setiap ukuran citra yang diperkecil. Lokasi-lokasi ini disebut dengan kandidat wajah. Untuk mengantisipasi ukuran wajah yang bervariasi di dalam citra yang dideteksi.1.4. Detection rate adalah perbandingan antara jumlah wajah yang berhasil dideteksi dengan jumlah seluruh wajah yang ada. Pengujian dilakukan dengan data uji citra yang berasal dari .1.3.3. Sedangkanfalse positive rate adalah banyaknya subcitra non-wajah yang dideteksi sebagai wajah. citra akan melalui tahap-tahap preprocessing berikut: Histogram Equalization. Contoh hasil deteksi yang dilakukan pada beberapa citra pengujian ditunjukkan pada gambar 4. yaitu menyatukan lokasi kandidatkandidat wajah yang berdekatan.6. yaitu menghilangkan bagian sudut. untuk memperbaiki kontras citra.1. 3.

Algoritm a Quickprop memberikan peningkatan kecepatan yang signifikan. 3000. 3.1. iterasi dihentikan pada saat nilai error m e n c a p a i 0 .14% dan false positives sebanyak 62.1. 1994]. sehingga dapat meminimalkan jumlah data training yang digunakan. Pengaruh Metode Active Learning Perbandingan antara hasil training yang menggunakan metode active learning untuk memilihcontoh data non-wajah. 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. Kumpulan citra ini pertama kali dipublikasikan pada [Sung. Ini berarti bahwa teknika active learning dapat memilih datayang benar-benar perlu. 3. Pada data uji ini diperoleh hasil detection rate sebesar 71. 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 . Eksperimen dilakukan dengan menggunakan 2000. Terlihat bahwa untuk jumlah data training yang semakin besar.7. 0 5 .8. Untuk setiap proses training. 3000 data 8200 data nonyang . 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.Massachusetts Institute of Technology (MIT) yang terdiri dari 23 file citra yang secara keseluruhan berisi 149 wajah (datauji MIT-23).wajah yang diperoleh melalui metode active learning. Pada eksperimen pertama digunakan 6000 data yang terdiri dari 3000 data wajahdan wajah.  data set yang digunakan untuk training tidak sama  jumlah data yang digunakan untuk training tidak sama. dan 4000 data. Hasil ini diperoleh dari training yang menggunakan 3000 data wajah dan 5200 data non.w a j a h .

1.dipropagasi layer –per –layer mulai dari input hingga output tanpa atau melalui satu atau lebih hidden layers. 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. 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. neuron dikelompokan dalam layer. Biasanya setiap neuron dari sebuah layer dihubungkan ke semua neuron yang ada di layer belakang maupun depannya (kecuali input dan output).BAB IV PENUTUP 4. Pemetaan ini ditentukan melalui satu set polacontoh atau data pelatihan (training data set). Informasi yang dikirim dalam sebuah NN. Multi-Layer Perceptron adalah jaringan syaraf tiruan feed-forward yang terdiri dari sejumlah neuron yang dihubungkan oleh bobot-bobot penghubung. yang disebut neuron layer. KESIMPULAN Saraf Tiruan (JST) atau Artificial Neural Network merupakan Jaringan suatupendekatan yang berbeda dari metode AI lainnya. . Dalam NN.

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. S.org/wiki/Jaringan_Saraf_Tiruan . Penerbit ANDI. Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set). DAFTAR PUSTAKA Arhami. 2005.Yogyakarta http://asro.. Konsep Dasar Sistem Pakar. Artificial Intelligence (Teknik dan Aplikasinya).wikipedia. Graha Ilmu.com/category/instrument-kontrol/ http://id. M.wordpress. 2002. Yogyakarta Kusumadewi.

Sign up to vote on this title
UsefulNot useful