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. 02 Nopember 2012 Penulis Hery Munanzar dan Rizky Ramadhan .kami mohon bimbingan Bapak selaku dosen kami agar lebih mengerti banyak tentang Hal tersebut. 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. 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. . Dengan adanya Makalah ini saya berharap dapat menambah wawasan ataupun menambah Referensi dalam kaitannya dengan jaringan saraf tiruan.

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

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

Jaringan saraf tiruan dikembangkan sebagai model matematis dari saraf biologis dengan berdasarkan asumsi bahwa: 1. yaitu cara penentuan nilai bobot pada penghubung. Gambar 2. 4.1994]. yaitu pola hubungan antara neuron-neuron.1 Struktur ideal NN . Komponen Neural Network Terdapat banyak struktur NN.BAB II PEMBAHASAN 2. tetapi kesemuanya mempunyai komponen yang hampir sama. Jaringan saraf dapat digolongkan menjadi berbagai jenis berdasarkan pada arsitekturnya. Setiap neuron memiliki fungsi aktivasi yang akan menentukan nilai sinyal output.2. 2. 2. dan algoritma trainingnya. 3. Pengertian Jaringan Saraf Tiruan Jaringan saraf tiruan adalah suatu sistem pemrosesan informasi yang cara kerjanya memiliki kesamaan tertentu dengan jaringan saraf biologis [Fausett.1. Sinyal dilewatkan antar neuron melalui penghubung. Setiap penghubung memiliki bobot yang akan mengalikan sinyal yang lewat. Pemrosesan terjadi pada elemen-elemen sederhana yang disebut neuron. Gambar berikut memperlihatkan struktur ideal NN.

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

Dengan demikian bias dapat diperlakukan secara sama dengan bobot koneksi. danθi adalah nilai bias dari unit i. 1994]. Neuron-neuron tersebut disusun dalam lapisan. merupakan pengembangan dari Perceptron dan mempunyai satu atau lebih hidden layers yang terletak antara input dan output layers.perceptron dapat digunakan untuk operasi logika termasuk yang kompleks seperti XOR.3. kemudian melewatkannya kelapisan tersembunyi pertama.lapisan yang terdiri dari satu lapisan input (inputlayer). dan satu lapisan output (output layer). . Minsky dan S. seringkali bias digantikan dengan suatu bobot yang terhubung dengan unit bernilai 1. 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. Untuk membuat representasi menjadi lebih mudah. Gambar 2. Lapisan input menerima sinyal dari luar. satu atau lebih lapisan tersembunyi (hidden layer).2. Multi – layer . yang akan diteruskan sehingga akhirnya mencapai lapisan output [Riedmiller. Multi Layer Perceptron Diperkenalkan oleh M. Papert pada tahun 1969.3 Multi-Layer Perceptron Multi-Layer Perceptron adalah jaringan syaraf tiruan feed-forward yang terdiri dari sejumlah neuron yang dihubungkan oleh bobot-bobot penghubung.

hanya tahap pertama yangdiperlukan untuk memanfaatkan jaringan syaraf tiruan tersebut.5.4.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. Setelah training selesai dilakukan. Algoritma Dalam Jaringan Saraf Tiruan. yaitu: 1. jika diberikan masukan xp seharusnya jaringan menghasilkan nilai output. Propagasi balik dari nilai error yang diperoleh. 3. Algoritma pelatihan backpropagation pada dasarnya terdiri dari tiga tahapan [Fausett. yang tersusun dari beberapa lapisan dan sinyal dialirkan secara searah dari input menuju output. Input nilai data pelatihan sehingga diperoleh nilai output. Penyesuaian bobot koneksi untuk meminimalkan nilai error. 2. Setiap pasangan polap terdiri dari vektor input xp dan vektor target. Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set). .2. • Algoritma Backpropagation Salah satu algoritma pelatihan jaringan syaraf tiruan yang banyak dimanfaatkan dalam bidang pengenalan pola adalah backpropagation. Setelah selesai pelatihan. 2.Tujuan dari training ini pada dasarnya sama dengan mencari suatu nilai minimum global dari E. 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. 1994].

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

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. Lapisan keluaran (output layer) Lapisan keluaran berfungsi menyalurkan sinyal-sinyal keluaran hasilpemrosesan jaringan. 2. 2. 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 : . yaitu : 1.7. 2. Suatu Jaringan Saraf Tiruan belajar dari pengalaman. Lapisankeluaran merupakan tiruan dari sel saraf motor pada jaringan saraf biologis. 3. Perhitungan Output. Menyesuaikan bobot dan mengulangi prosesnya. Lapisan tersembunyi berfungsi meningkatkankemampuan jaringan dalam memecahkan masalah. 3. Algoritma Pembelajaran Belajar Untuk JST merupakan suatu proses dimana parameter-parameter bebasJST diadaptasikan melalui suatu proses perangsangan berkelanjutan oleh lingkungandimana jaringan berada. Prosesyang lazin dari pembelajran meliputi tiga tugas. Lapisan ini juga terdiri dair sejumlah neuron. Konsekuensi dariadanya lapisan ini adalah pelatihan menjadi makin sulit atau lama. Membandingkan output dengan target yang diinginkan.1. Lapisan ini dillhami berdasarkan cirri-ciri dancara kerja sel-sel saraf sensori pada jaringan saraf biologi.

Semakin besar bobot keterhubungannya maka akan semakin cepat meyelesaikan suatu masalah. Proses pembelajaran dalam JST dapat diklasifikasikan menjadi dua bagian. 2. Contoh dari tipe iniadalah metode back propagation. Unsupervised Learning (pembelajaran tidak terawasi) yang hanyamenggunakan sejumlah pasangan data masukan tanpa ada contoh keluaranyang diharapkan. Supervised Learning (pembelajaran terawasi) yang menggunakan sejumlahpasangan data masukan dan keluaran yang diharapkan. . yaitu: 1. jaringan Hopfield dan perceptron.Gambar 2.5 Proses Pembelajaran dari suatu JST Proses pembelajaran atau pelatihan tersebut merupakan proses perubahan bobot antar neuron sehingga sebuah jaringan dapat menyelesaikan sebuah masalah.

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

1.1. dan diputuskan sebagai non-wajah jika output JST kurang dari atau sama dengan 0. Dengan demikian jumlah data training yang digunakan untuk jaringan syaraf tiruan akan lebih sedikit.dibandingkan dengan sistem [Rowley.1.2. Detektor Wajah Bagian detector wajah menggunakan arsitektur jaringan syaraf yang sama dengan yangdigunakan untuk training. Karena data training yangdigunakan lebih sedikit.Pada tahap pertama training dimulai dengan menggunakan sedikit data non-wajah. waktu yang diperlukan untuk proses training juga akan lebih singkat. 3. 1998] yang jumlah bobot penghubungnya mencapai 4357. yaitu data yang yang dideteksi sebagai wajah(false positive) pada hasil training tahap sebelumnya. Namun data tambahan tersebut diseleksi hanya untuk data tertentu saja. Teknik Active Learning Training dilakukan secara bertahap dengan menggunakan metode active learning [Sung. 3. Hasil deteksi akan diputuskan sebagai wajah jika output dari JST lebih dari 0. learning yang digunakan untuk sistem pendeteksi wajah. 1994]. Pada tahap berikutnya. data training non-wajah ditambah sedikit demi sedikit. Bobot penghubung yang digunakan diambil dari bobot terakhir yangdihasilkan pada proses training. Gambar 3.1 Teknik Active Learning untuk Sistem Pendeteksi Wajah .

biasanya sebuah wajah akan terdeteksi pada beberapa lokasi yang berdekatan.6.Masking. window 20x20 pixel akan digeser melalui seluruh area citra. Daerah citra yang dilewati oleh window tersebut akan diperiksa satu persatu apakah ada wajah atau tidak di area tersebut. 3. 1998]. Preprocessing Sebelum digunakan sebagai training data set. untuk memperbaiki kontras citra. 3.yaitu detection rated an false positive rate [Yang.1. Hasil implementasi Untuk kerja dari detektor wajah pada umumnya diukur dengan menggunakan dua parameter. Sedangkanfalse positive rate adalah banyaknya subcitra non-wajah yang dideteksi sebagai wajah. Merging Pada saat dilakukan deteksi wajah pada citra.3. citra akan melalui tahap-tahap preprocessing berikut: Histogram Equalization. Pada setiap ukuran citra yang diperkecil.3.2 sebagaimana dilakukan pada [Rowley.1.4. Lokasi-lokasi ini disebut dengan kandidat wajah. Untuk mengantisipasi ukuran wajah yang bervariasi di dalam citra yang dideteksi. citra diperkecil secara bertahap dengan skala perbandingan 1:1. Pengujian dilakukan dengan data uji citra yang berasal dari . Ekstraksi Subcitra Posisi wajah bisa berada di mana saja pada citra yang akan dideteksi.5.1. Untuk itu digunakan window berukuran 20x20 pixel yang akan digeser melalui seluruh daerah citra. Detection rate adalah perbandingan antara jumlah wajah yang berhasil dideteksi dengan jumlah seluruh wajah yang ada. 2002]. Untuk itu perlu dilakukan proses penggabungan (merging). Tahap-tahap preprocessing ini juga digunakan pada saat proses pendeteksian wajah. yaitu mengkonversi nilai intensitas grayscale citra sehingga memiliki range antara – 1 sampai dengan 1. 3. Contoh hasil deteksi yang dilakukan pada beberapa citra pengujian ditunjukkan pada gambar 4.1. yaitu menghilangkan bagian sudut. yaitu menyatukan lokasi kandidatkandidat wajah yang berdekatan. Normalisasi.sudut citra untuk mengurangi variasi citra sehingga memperkecil dimensi data.

Pengaruh Algoritma Quickprop Perbandingan antara training yang menggunakan algoritma backpropagatio standar dengan training yang menggunakan algoritma Quickprop. 3000. 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. 1994]. Hasil ini diperoleh dari training yang menggunakan 3000 data wajah dan 5200 data non.w a j a h . 3. Ini berarti bahwa teknika active learning dapat memilih datayang benar-benar perlu. Pada eksperimen pertama digunakan 6000 data yang terdiri dari 3000 data wajahdan wajah.wajah yang diperoleh melalui metode active learning. iterasi dihentikan pada saat nilai error m e n c a p a i 0 . Terlihat bahwa untuk jumlah data training yang semakin besar. Untuk setiap proses training.8.1. 0 5 . dan 4000 data.Massachusetts Institute of Technology (MIT) yang terdiri dari 23 file citra yang secara keseluruhan berisi 149 wajah (datauji MIT-23).14% dan false positives sebanyak 62. Pada data uji ini diperoleh hasil detection rate sebesar 71.1. Kumpulan citra ini pertama kali dipublikasikan pada [Sung. Eksperimen dilakukan dengan menggunakan 2000. 3. 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.  data set yang digunakan untuk training tidak sama  jumlah data yang digunakan untuk training tidak sama. Algoritm a Quickprop memberikan peningkatan kecepatan yang signifikan. 3000 data 8200 data nonyang . sehingga dapat meminimalkan jumlah data training yang digunakan.7. 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 .

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

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

Sign up to vote on this title
UsefulNot useful