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 . Lhokseumawe. 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. 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 mohon bimbingan Bapak selaku dosen kami agar lebih mengerti banyak tentang Hal tersebut. Kami menyadari banyak kekurangan dalam menyusun makalah ini.

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

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

Setiap neuron memiliki fungsi aktivasi yang akan menentukan nilai sinyal output. 2. Sinyal dilewatkan antar neuron melalui penghubung. yaitu cara penentuan nilai bobot pada penghubung. yaitu pola hubungan antara neuron-neuron.2.1994]. Komponen Neural Network Terdapat banyak struktur NN. tetapi kesemuanya mempunyai komponen yang hampir sama. Jaringan saraf tiruan dikembangkan sebagai model matematis dari saraf biologis dengan berdasarkan asumsi bahwa: 1.1. Jaringan saraf dapat digolongkan menjadi berbagai jenis berdasarkan pada arsitekturnya. dan algoritma trainingnya.1 Struktur ideal NN . Pengertian Jaringan Saraf Tiruan Jaringan saraf tiruan adalah suatu sistem pemrosesan informasi yang cara kerjanya memiliki kesamaan tertentu dengan jaringan saraf biologis [Fausett. Gambar berikut memperlihatkan struktur ideal NN. Gambar 2.BAB II PEMBAHASAN 2. 2. 3. Setiap penghubung memiliki bobot yang akan mengalikan sinyal yang lewat. 4. Pemrosesan terjadi pada elemen-elemen sederhana yang disebut neuron.

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

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

Algoritma Dalam Jaringan Saraf Tiruan. Algoritma pelatihan backpropagation pada dasarnya terdiri dari tiga tahapan [Fausett. • Algoritma Backpropagation Salah satu algoritma pelatihan jaringan syaraf tiruan yang banyak dimanfaatkan dalam bidang pengenalan pola adalah backpropagation. Setelah selesai pelatihan. Setelah training selesai dilakukan. Ketiga tahapan tersebut diulangi terus-menerus sampai mendapatkan nilaierror yang diinginkan.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. Setiap pasangan polap terdiri dari vektor input xp dan vektor target. hanya tahap pertama yangdiperlukan untuk memanfaatkan jaringan syaraf tiruan tersebut. 2. Penyesuaian bobot koneksi untuk meminimalkan nilai error. 2. 3.5. .4. 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.Tujuan dari training ini pada dasarnya sama dengan mencari suatu nilai minimum global dari E. jika diberikan masukan xp seharusnya jaringan menghasilkan nilai output. Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set). Algoritma ini umumnya digunakan pada jaringan syaraf tiruan yang berjenis multi-layer feed-forward. 1994].2. yaitu: 1. Propagasi balik dari nilai error yang diperoleh. yang tersusun dari beberapa lapisan dan sinyal dialirkan secara searah dari input menuju output.

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

2. 2. Prosesyang lazin dari pembelajran meliputi tiga tugas. 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. Perhitungan Output. Lapisan keluaran (output layer) Lapisan keluaran berfungsi menyalurkan sinyal-sinyal keluaran hasilpemrosesan jaringan. Suatu Jaringan Saraf Tiruan belajar dari pengalaman. Lapisan ini dillhami berdasarkan cirri-ciri dancara kerja sel-sel saraf sensori pada jaringan saraf biologi.7. Membandingkan output dengan target yang diinginkan. Lapisan tersembunyi berfungsi meningkatkankemampuan jaringan dalam memecahkan masalah. 2. Konsekuensi dariadanya lapisan ini adalah pelatihan menjadi makin sulit atau lama. Lapisankeluaran merupakan tiruan dari sel saraf motor pada jaringan saraf biologis. Algoritma Pembelajaran Belajar Untuk JST merupakan suatu proses dimana parameter-parameter bebasJST diadaptasikan melalui suatu proses perangsangan berkelanjutan oleh lingkungandimana jaringan berada. Menyesuaikan bobot dan mengulangi prosesnya. 3. Lapisan ini juga terdiri dair sejumlah neuron. Lapisan tersembunyi (hidden layer) Lapisan tersembunyi merupakan tiruan dari sel-sel syaraf konektor pada jaringan saraf bilogis. yaitu : 1.1. Proses pembelajaran tersebut dapat dilihat pada gambar berikut ini : .

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

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

2. dan diputuskan sebagai non-wajah jika output JST kurang dari atau sama dengan 0.1. 1994].Pada tahap pertama training dimulai dengan menggunakan sedikit data non-wajah.1 Teknik Active Learning untuk Sistem Pendeteksi Wajah . Bobot penghubung yang digunakan diambil dari bobot terakhir yangdihasilkan pada proses training. 3. Pada tahap berikutnya.dibandingkan dengan sistem [Rowley. learning yang digunakan untuk sistem pendeteksi wajah. data training non-wajah ditambah sedikit demi sedikit. Dengan demikian jumlah data training yang digunakan untuk jaringan syaraf tiruan akan lebih sedikit. Detektor Wajah Bagian detector wajah menggunakan arsitektur jaringan syaraf yang sama dengan yangdigunakan untuk training. Namun data tambahan tersebut diseleksi hanya untuk data tertentu saja. waktu yang diperlukan untuk proses training juga akan lebih singkat. 3. Hasil deteksi akan diputuskan sebagai wajah jika output dari JST lebih dari 0. 1998] yang jumlah bobot penghubungnya mencapai 4357.1. yaitu data yang yang dideteksi sebagai wajah(false positive) pada hasil training tahap sebelumnya. Teknik Active Learning Training dilakukan secara bertahap dengan menggunakan metode active learning [Sung. Gambar 3. Karena data training yangdigunakan lebih sedikit.1.

3. Ekstraksi Subcitra Posisi wajah bisa berada di mana saja pada citra yang akan dideteksi. 1998].3. Tahap-tahap preprocessing ini juga digunakan pada saat proses pendeteksian wajah. 3. citra diperkecil secara bertahap dengan skala perbandingan 1:1.1.1.yaitu detection rated an false positive rate [Yang. Untuk itu perlu dilakukan proses penggabungan (merging). Preprocessing Sebelum digunakan sebagai training data set.1. Untuk itu digunakan window berukuran 20x20 pixel yang akan digeser melalui seluruh daerah citra. Daerah citra yang dilewati oleh window tersebut akan diperiksa satu persatu apakah ada wajah atau tidak di area tersebut. citra akan melalui tahap-tahap preprocessing berikut: Histogram Equalization. 3. Merging Pada saat dilakukan deteksi wajah pada citra. Hasil implementasi Untuk kerja dari detektor wajah pada umumnya diukur dengan menggunakan dua parameter. Untuk mengantisipasi ukuran wajah yang bervariasi di dalam citra yang dideteksi.1. yaitu mengkonversi nilai intensitas grayscale citra sehingga memiliki range antara – 1 sampai dengan 1. window 20x20 pixel akan digeser melalui seluruh area citra. Contoh hasil deteksi yang dilakukan pada beberapa citra pengujian ditunjukkan pada gambar 4. yaitu menyatukan lokasi kandidatkandidat wajah yang berdekatan.Masking. biasanya sebuah wajah akan terdeteksi pada beberapa lokasi yang berdekatan. Lokasi-lokasi ini disebut dengan kandidat wajah.6.4. Normalisasi.sudut citra untuk mengurangi variasi citra sehingga memperkecil dimensi data. Pada setiap ukuran citra yang diperkecil. untuk memperbaiki kontras citra. yaitu menghilangkan bagian sudut.5. 3.2 sebagaimana dilakukan pada [Rowley. 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. 2002]. Pengujian dilakukan dengan data uji citra yang berasal dari .

1.14% dan false positives sebanyak 62.7. 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).w a j a h . Algoritm a Quickprop memberikan peningkatan kecepatan yang signifikan. Ini berarti bahwa teknika active learning dapat memilih datayang benar-benar perlu. dan 4000 data. 3000.  data set yang digunakan untuk training tidak sama  jumlah data yang digunakan untuk training tidak sama. Hasil ini diperoleh dari training yang menggunakan 3000 data wajah dan 5200 data non. Pada eksperimen pertama digunakan 6000 data yang terdiri dari 3000 data wajahdan wajah. dengan hasil training yang menggunakan data non-wajah yang dipilihsecara random. 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 .1. Terlihat bahwa untuk jumlah data training yang semakin besar. Pada data uji ini diperoleh hasil detection rate sebesar 71.wajah yang diperoleh melalui metode active learning. 3000 data 8200 data nonyang . Kumpulan citra ini pertama kali dipublikasikan pada [Sung. 3. Untuk setiap proses training. 0 5 . 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. sehingga dapat meminimalkan jumlah data training yang digunakan. Pengaruh Algoritma Quickprop Perbandingan antara training yang menggunakan algoritma backpropagatio standar dengan training yang menggunakan algoritma Quickprop. 1994].8. iterasi dihentikan pada saat nilai error m e n c a p a i 0 . Pengaruh Metode Active Learning Perbandingan antara hasil training yang menggunakan metode active learning untuk memilihcontoh data non-wajah. 3.

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. yang disebut neuron layer.dipropagasi layer –per –layer mulai dari input hingga output tanpa atau melalui satu atau lebih hidden layers. Biasanya setiap neuron dari sebuah layer dihubungkan ke semua neuron yang ada di layer belakang maupun depannya (kecuali input dan output). 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. neuron dikelompokan dalam layer. 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. Dalam NN.BAB IV PENUTUP 4. .1. KESIMPULAN Saraf Tiruan (JST) atau Artificial Neural Network merupakan Jaringan suatupendekatan yang berbeda dari metode AI lainnya.

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

Sign up to vote on this title
UsefulNot useful