P. 1
makalah jaringan saraf tiruan

makalah jaringan saraf tiruan

|Views: 596|Likes:
Published by Hery Munanzar
mata kuliah kecerdasan buatan
mata kuliah kecerdasan buatan

More info:

Published by: Hery Munanzar on Jan 11, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

10/04/2014

pdf

text

original

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

02 Nopember 2012 Penulis Hery Munanzar dan Rizky Ramadhan . 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.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. 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.kami mohon bimbingan Bapak selaku dosen kami agar lebih mengerti banyak tentang Hal tersebut. Lhokseumawe.

BAB I PENDAHULUAN 1.1 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.1. Skema sederhana dari otak manusia dapat dilihat dari gambar berikut ini. 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.

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

yaitu cara penentuan nilai bobot pada penghubung. yaitu pola hubungan antara neuron-neuron. tetapi kesemuanya mempunyai komponen yang hampir sama. Jaringan saraf dapat digolongkan menjadi berbagai jenis berdasarkan pada arsitekturnya. dan algoritma trainingnya. Komponen Neural Network Terdapat banyak struktur NN.BAB II PEMBAHASAN 2. 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. Setiap neuron memiliki fungsi aktivasi yang akan menentukan nilai sinyal output.2.1994]. Pengertian Jaringan Saraf Tiruan Jaringan saraf tiruan adalah suatu sistem pemrosesan informasi yang cara kerjanya memiliki kesamaan tertentu dengan jaringan saraf biologis [Fausett. Sinyal dilewatkan antar neuron melalui penghubung. 2. 3. Gambar 2. 2. 4. Gambar berikut memperlihatkan struktur ideal NN. Pemrosesan terjadi pada elemen-elemen sederhana yang disebut neuron.1.1 Struktur ideal NN .

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

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

Propagasi balik dari nilai error yang diperoleh. Algoritma pelatihan backpropagation pada dasarnya terdiri dari tiga tahapan [Fausett.Tujuan dari training ini pada dasarnya sama dengan mencari suatu nilai minimum global dari E. Setiap pasangan polap terdiri dari vektor input xp dan vektor target. yang tersusun dari beberapa lapisan dan sinyal dialirkan secara searah dari input menuju output. Setelah training selesai dilakukan.2. Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set). 2. 3. 1994]. 2. hanya tahap pertama yangdiperlukan untuk memanfaatkan jaringan syaraf tiruan tersebut. • Algoritma Backpropagation Salah satu algoritma pelatihan jaringan syaraf tiruan yang banyak dimanfaatkan dalam bidang pengenalan pola adalah backpropagation. Algoritma ini umumnya digunakan pada jaringan syaraf tiruan yang berjenis multi-layer feed-forward. Penyesuaian bobot koneksi untuk meminimalkan nilai error.4. yaitu: 1.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. Setelah selesai pelatihan. jika diberikan masukan xp seharusnya jaringan menghasilkan nilai output. Ketiga tahapan tersebut diulangi terus-menerus sampai mendapatkan nilaierror yang diinginkan. . 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. Input nilai data pelatihan sehingga diperoleh nilai output. Algoritma Dalam Jaringan Saraf Tiruan.5.

1993] juga menunjukkan peningkatan kecepatan training dan unjuk kerja yang signifikan. ide dasar dari algoritma backpropagation ini sesungguhnya adalah penerapan dari aturan rantai (chain rule) untuk menghitung pengaruh masing-masing bobot terhadap fungsi error. Arsitektur JST terdiri atas beberapa lapisan. Dengan demikian perhitungan perubahan bobot hanya menggunakan informasi lokal pada masing-masing bobot. dan gradien dari kurva error untuk suatu bobot tidak terpengaruh oleh bobotbobot yang lain [Fahlman.6.4 Arsitektur Jaringan Saraf Tiruan . Perubahan bobot pada algoritma Quickprop dirumuskan sebagaiberikut: Pada eksperimen dengan masalah XOR dan encoder/decoder [Fahlman. 1986]. dan lapisan keluaran (output layer ). 1988]. lapisan tersembunyi (hidden layer ). yaitu lapisan masukan (input layer). Arsitektur Jaringan Saraf Tiruan Secara umum. terbukti bahwa algoritma Quickprop dapat meningkatkan kecepatan training. 2.Secara matematis [Rumelhart. Masing-masing lapisan mempunyai jumlah node atau neuron yang berbeda-beda. Arsitektur JST tersebut dapat diilustrasikan sebagai gambar berikut ini : Gambar 2. 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.1988].

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

jaringan Hopfield dan perceptron. 2. Proses pembelajaran dalam JST dapat diklasifikasikan menjadi dua bagian. 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. .Semakin besar bobot keterhubungannya maka akan semakin cepat meyelesaikan suatu masalah. Unsupervised Learning (pembelajaran tidak terawasi) yang hanyamenggunakan sejumlah pasangan data masukan tanpa ada contoh keluaranyang diharapkan. yaitu: 1. Contoh dari tipe iniadalah metode back propagation.Gambar 2.

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

Gambar 3.1 Teknik Active Learning untuk Sistem Pendeteksi Wajah .1. 3. waktu yang diperlukan untuk proses training juga akan lebih singkat. Namun data tambahan tersebut diseleksi hanya untuk data tertentu saja.dibandingkan dengan sistem [Rowley. 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. Detektor Wajah Bagian detector wajah menggunakan arsitektur jaringan syaraf yang sama dengan yangdigunakan untuk training.2. learning yang digunakan untuk sistem pendeteksi wajah. Hasil deteksi akan diputuskan sebagai wajah jika output dari JST lebih dari 0. Karena data training yangdigunakan lebih sedikit. data training non-wajah ditambah sedikit demi sedikit. dan diputuskan sebagai non-wajah jika output JST kurang dari atau sama dengan 0.Pada tahap pertama training dimulai dengan menggunakan sedikit data non-wajah. 1998] yang jumlah bobot penghubungnya mencapai 4357. 1994]. Bobot penghubung yang digunakan diambil dari bobot terakhir yangdihasilkan pada proses training.1. 3. yaitu data yang yang dideteksi sebagai wajah(false positive) pada hasil training tahap sebelumnya.

3. citra akan melalui tahap-tahap preprocessing berikut: Histogram Equalization. Untuk itu perlu dilakukan proses penggabungan (merging).1.6. 1998]. 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. Detection rate adalah perbandingan antara jumlah wajah yang berhasil dideteksi dengan jumlah seluruh wajah yang ada.1.1. Pengujian dilakukan dengan data uji citra yang berasal dari . Hasil implementasi Untuk kerja dari detektor wajah pada umumnya diukur dengan menggunakan dua parameter. Lokasi-lokasi ini disebut dengan kandidat wajah.5. Daerah citra yang dilewati oleh window tersebut akan diperiksa satu persatu apakah ada wajah atau tidak di area tersebut. biasanya sebuah wajah akan terdeteksi pada beberapa lokasi yang berdekatan. Ekstraksi Subcitra Posisi wajah bisa berada di mana saja pada citra yang akan dideteksi. yaitu menyatukan lokasi kandidatkandidat wajah yang berdekatan.1. Merging Pada saat dilakukan deteksi wajah pada citra.sudut citra untuk mengurangi variasi citra sehingga memperkecil dimensi data. yaitu menghilangkan bagian sudut. Pada setiap ukuran citra yang diperkecil. citra diperkecil secara bertahap dengan skala perbandingan 1:1.2 sebagaimana dilakukan pada [Rowley. untuk memperbaiki kontras citra. 2002].yaitu detection rated an false positive rate [Yang. 3. Untuk mengantisipasi ukuran wajah yang bervariasi di dalam citra yang dideteksi.Masking. 3. Untuk itu digunakan window berukuran 20x20 pixel yang akan digeser melalui seluruh daerah citra. window 20x20 pixel akan digeser melalui seluruh area citra. 3. Preprocessing Sebelum digunakan sebagai training data set. Tahap-tahap preprocessing ini juga digunakan pada saat proses pendeteksian wajah.3.4. Sedangkanfalse positive rate adalah banyaknya subcitra non-wajah yang dideteksi sebagai wajah. Normalisasi.

Hasil ini diperoleh dari training yang menggunakan 3000 data wajah dan 5200 data non. 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. Untuk setiap proses training. dan 4000 data. 0 5 . iterasi dihentikan pada saat nilai error m e n c a p a i 0 . 3000.  data set yang digunakan untuk training tidak sama  jumlah data yang digunakan untuk training tidak sama. sehingga dapat meminimalkan jumlah data training yang digunakan. Kumpulan citra ini pertama kali dipublikasikan pada [Sung.7.wajah yang diperoleh melalui metode active learning. Eksperimen dilakukan dengan menggunakan 2000.Massachusetts Institute of Technology (MIT) yang terdiri dari 23 file citra yang secara keseluruhan berisi 149 wajah (datauji MIT-23). Ini berarti bahwa teknika active learning dapat memilih datayang benar-benar perlu. Pengaruh Algoritma Quickprop Perbandingan antara training yang menggunakan algoritma backpropagatio standar dengan training yang menggunakan algoritma Quickprop. Pada eksperimen pertama digunakan 6000 data yang terdiri dari 3000 data wajahdan wajah.14% dan false positives sebanyak 62. dengan hasil training yang menggunakan data non-wajah yang dipilihsecara random. Pengaruh Metode Active Learning Perbandingan antara hasil training yang menggunakan metode active learning untuk memilihcontoh data non-wajah.1.1.8. Pada data uji ini diperoleh hasil detection rate sebesar 71. Terlihat bahwa untuk jumlah data training yang semakin besar. 3000 data 8200 data nonyang .w a j a h . 3. 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 . Algoritm a Quickprop memberikan peningkatan kecepatan yang signifikan. 3. 1994].

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

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

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->