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

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

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

Komponen Neural Network Terdapat banyak struktur NN. 3. Jaringan saraf tiruan dikembangkan sebagai model matematis dari saraf biologis dengan berdasarkan asumsi bahwa: 1. 4. Gambar berikut memperlihatkan struktur ideal NN.BAB II PEMBAHASAN 2. tetapi kesemuanya mempunyai komponen yang hampir sama. yaitu cara penentuan nilai bobot pada penghubung. 2. Sinyal dilewatkan antar neuron melalui penghubung. yaitu pola hubungan antara neuron-neuron. dan algoritma trainingnya. 2. Setiap neuron memiliki fungsi aktivasi yang akan menentukan nilai sinyal output. Jaringan saraf dapat digolongkan menjadi berbagai jenis berdasarkan pada arsitekturnya. Pengertian Jaringan Saraf Tiruan Jaringan saraf tiruan adalah suatu sistem pemrosesan informasi yang cara kerjanya memiliki kesamaan tertentu dengan jaringan saraf biologis [Fausett. Pemrosesan terjadi pada elemen-elemen sederhana yang disebut neuron. Gambar 2.1.2.1994]. Setiap penghubung memiliki bobot yang akan mengalikan sinyal yang lewat.1 Struktur ideal NN .

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

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

Ketiga tahapan tersebut diulangi terus-menerus sampai mendapatkan nilaierror yang diinginkan. yang tersusun dari beberapa lapisan dan sinyal dialirkan secara searah dari input menuju output. 3. Algoritma Dalam Jaringan Saraf Tiruan.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. Propagasi balik dari nilai error yang diperoleh. Setelah training selesai dilakukan. • Algoritma Backpropagation Salah satu algoritma pelatihan jaringan syaraf tiruan yang banyak dimanfaatkan dalam bidang pengenalan pola adalah backpropagation.4. Setiap pasangan polap terdiri dari vektor input xp dan vektor target. 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 ini umumnya digunakan pada jaringan syaraf tiruan yang berjenis multi-layer feed-forward.2.Tujuan dari training ini pada dasarnya sama dengan mencari suatu nilai minimum global dari E. Setelah selesai pelatihan. hanya tahap pertama yangdiperlukan untuk memanfaatkan jaringan syaraf tiruan tersebut. Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set). 2.5. Algoritma pelatihan backpropagation pada dasarnya terdiri dari tiga tahapan [Fausett. 1994]. jika diberikan masukan xp seharusnya jaringan menghasilkan nilai output. 2. Penyesuaian bobot koneksi untuk meminimalkan nilai error. . Input nilai data pelatihan sehingga diperoleh nilai output. yaitu: 1.

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

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

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

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

Detektor Wajah Bagian detector wajah menggunakan arsitektur jaringan syaraf yang sama dengan yangdigunakan untuk training. data training non-wajah ditambah sedikit demi sedikit.dibandingkan dengan sistem [Rowley.1.1. dan diputuskan sebagai non-wajah jika output JST kurang dari atau sama dengan 0. 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. Pada tahap berikutnya. Hasil deteksi akan diputuskan sebagai wajah jika output dari JST lebih dari 0. learning yang digunakan untuk sistem pendeteksi wajah. Dengan demikian jumlah data training yang digunakan untuk jaringan syaraf tiruan akan lebih sedikit. 1998] yang jumlah bobot penghubungnya mencapai 4357.1. Karena data training yangdigunakan lebih sedikit. 1994].Pada tahap pertama training dimulai dengan menggunakan sedikit data non-wajah. Bobot penghubung yang digunakan diambil dari bobot terakhir yangdihasilkan pada proses training.2. waktu yang diperlukan untuk proses training juga akan lebih singkat. 3.1 Teknik Active Learning untuk Sistem Pendeteksi Wajah . Gambar 3.

window 20x20 pixel akan digeser melalui seluruh area citra. 1998].3. citra akan melalui tahap-tahap preprocessing berikut: Histogram Equalization. Tahap-tahap preprocessing ini juga digunakan pada saat proses pendeteksian wajah. Pengujian dilakukan dengan data uji citra yang berasal dari . Untuk itu perlu dilakukan proses penggabungan (merging). yaitu mengkonversi nilai intensitas grayscale citra sehingga memiliki range antara – 1 sampai dengan 1. 3. 2002].3.yaitu detection rated an false positive rate [Yang.sudut citra untuk mengurangi variasi citra sehingga memperkecil dimensi data. Normalisasi.6. Untuk mengantisipasi ukuran wajah yang bervariasi di dalam citra yang dideteksi. 3.1.1. Pada setiap ukuran citra yang diperkecil. yaitu menyatukan lokasi kandidatkandidat wajah yang berdekatan.1. Preprocessing Sebelum digunakan sebagai training data set. Hasil implementasi Untuk kerja dari detektor wajah pada umumnya diukur dengan menggunakan dua parameter. untuk memperbaiki kontras citra. Merging Pada saat dilakukan deteksi wajah pada citra.5. yaitu menghilangkan bagian sudut. citra diperkecil secara bertahap dengan skala perbandingan 1:1. Untuk itu digunakan window berukuran 20x20 pixel yang akan digeser melalui seluruh daerah citra.1. Daerah citra yang dilewati oleh window tersebut akan diperiksa satu persatu apakah ada wajah atau tidak di area tersebut. Sedangkanfalse positive rate adalah banyaknya subcitra non-wajah yang dideteksi sebagai wajah.2 sebagaimana dilakukan pada [Rowley. Contoh hasil deteksi yang dilakukan pada beberapa citra pengujian ditunjukkan pada gambar 4.Masking. Detection rate adalah perbandingan antara jumlah wajah yang berhasil dideteksi dengan jumlah seluruh wajah yang ada. biasanya sebuah wajah akan terdeteksi pada beberapa lokasi yang berdekatan. Lokasi-lokasi ini disebut dengan kandidat wajah. Ekstraksi Subcitra Posisi wajah bisa berada di mana saja pada citra yang akan dideteksi. 3.4.

Untuk setiap proses training. sehingga dapat meminimalkan jumlah data training yang digunakan. Kumpulan citra ini pertama kali dipublikasikan pada [Sung.Massachusetts Institute of Technology (MIT) yang terdiri dari 23 file citra yang secara keseluruhan berisi 149 wajah (datauji MIT-23). 3000 data 8200 data nonyang . Pengaruh Algoritma Quickprop Perbandingan antara training yang menggunakan algoritma backpropagatio standar dengan training yang menggunakan algoritma Quickprop. 1994]. 3000. iterasi dihentikan pada saat nilai error m e n c a p a i 0 .  data set yang digunakan untuk training tidak sama  jumlah data yang digunakan untuk training tidak sama. 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 .14% dan false positives sebanyak 62. 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. Hasil ini diperoleh dari training yang menggunakan 3000 data wajah dan 5200 data non.1. Ini berarti bahwa teknika active learning dapat memilih datayang benar-benar perlu.wajah yang diperoleh melalui metode active learning. Pada data uji ini diperoleh hasil detection rate sebesar 71. Pengaruh Metode Active Learning Perbandingan antara hasil training yang menggunakan metode active learning untuk memilihcontoh data non-wajah.w a j a h . 0 5 . dengan hasil training yang menggunakan data non-wajah yang dipilihsecara random. 3. Terlihat bahwa untuk jumlah data training yang semakin besar. Algoritm a Quickprop memberikan peningkatan kecepatan yang signifikan. dan 4000 data.7. Pada eksperimen pertama digunakan 6000 data yang terdiri dari 3000 data wajahdan wajah.1. Eksperimen dilakukan dengan menggunakan 2000. 3.8.

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

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

Sign up to vote on this title
UsefulNot useful