MAKALAH

JARINGAN SARAF TIRUAN

(ARTIFICIAL NEURAL NETWORK)
TUGAS KECERDASAN BUATAN

DISUSUN OLEH :

MUHAMMAD FAJAR ANDI P

NIM. 09.43.121

STMIK WIDYA CIPTA DHARMA

PROGRAM STUDI TEKNIK INFORMATIKA SAMARINDA 2011

KATA PENGANTAR Alhamdulillah puji syukur kehadirat Allah SWT yang telah melimpahkan rahmat-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. Dengan adanya Makalah ini saya berharap dapat menambah wawasan atau pun menambah Referensi dalam kaitannya dengan jaringan saraf tiruan. Saya menyadari banyak kekurangan dalam menyusun makalah ini.kami mohon bimbingan Bapak Dosen selaku dosen saya agar lebih mengerti banyak tentang Hal tersebut.

Samarinda, 10 April 2011

Muhammad Fajar Andi Patappari

DAFTAR ISI Halaman KATA PENGANTAR .......................................................................................... DAFTAR ISI ...................................................................................................... BAB I. A. B. BAB II. PENDAHULUAN Latar Belakang .............................................................................. Tujuan ........................................................................................... PEMBAHASAN 4 5 2 3

A. B. C. D. E. F. G.

Pengertian Jaringan Saraf Tiruan ................................................. Komponen Neural Network ......................................................... Multi Layer Perceptron ................................................................. Supervised Learning ..................................................................... Algoritma Dalam Jaringan Saraf Tiruan ........................................ Arsitektur Jaringan Saraf Tiruan ................................................... Algoritma Pembelajaran ...............................................................

6 6 7 8 9 10 11 13 14

BAB III. KESIMPULAN DAFTAR PUSTAKA

BAB I. PENDAHULUAN
A. Latar Belakang

Jaringan Saraf Tiruan (JST) atau Artificial Neural Network merupakan suatu pendekatan yang berbeda dari metode AI lainnya. JST merupakan suatu model kecerdasan yang diilhami dari struktur otak manusia dan kemudian diimplementasikan menggunakan program computer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran berlangsung. Skema sederhana dari otak manusia dapat dilihat dari gambar berikut ini.

Gambar 1.1 Diagram sederhana dari sel otak

Dari gambar diatas dapat dilihat bahwa setiap sel saraf mempunyai satu inti sel (nucleus). Inti sel akan bertugas melakukan proses informasi. Informasi sel akan diterima oleh dendrite yang merupakan dari cell body. Selain menerima informasi, dendrit juga menyertai axon sebagai keluaran dari suatu pemrosesan informasi. Informasi hasil olahan ini akan menjadi masukan bagi sel saraf lain dimana antar dendrite tersebut akan dipertemukan dengan sinapsis. Informasi yang dikirimkan antar neuron berupa rangsangan yang dilewatkan melalui dendrite. Informasi yang datang dan diterima oleh dendrite akan dijumlahkan dan dikirimkan melalui axon ke dendrite akhir yang bersentuhan dengan dendrite dari sel saraf lain. Informasi yang akan

diterima oleh neuron lain jika memenuhi batasan tertentu yang lebih dikenal sebagai threshold (nilai ambang).

Gambaran di atas merupakan gambaran sederhana dari jaringan saraf, tetapi dari gambaran itu semua komponen dari sel saraf tersebut relevan bagi saraf model komputasi. Secara khusus, dapat dikatakan bahwa setiap unit komputasional dihitung dari beberapa fungsi input,

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.

B. Tujuan Tujuan dalam penulisan makalah ini adalah untuk menambah pengetahuan dan informasi bagi yang membacanya dan diharapkan dapat bermanfaat bagi kita semua.

BAB III. PEMBAHASAN

A. Pengertian Jaringan Saraf Tiruan Jaringan saraf tiruan adalah suatu sistem pemrosesan informasi yang cara kerjanya memiliki kesamaan tertentu dengan jaringan saraf biologis [Fausett,1994]. Jaringan saraf tiruan dikembangkan sebagai model matematis dari saraf berdasarkan asumsi bahwa: biologis dengan

1. Pemrosesan terjadi pada elemen-elemen sederhana yang disebut neuron. 2. Sinyal dilewatkan antar neuron melalui penghubung. 3. Setiap penghubung memiliki bobot yang akan mengalikan sinyal yang lewat. 4. Setiap neuron memiliki fungsi aktivasi yang output. akan menentukan nilai sinyal

Jaringan saraf dapat digolongkan menjadi berbagai jenis berdasarkan

pada

arsitekturnya, yaitu pola hubungan antara neuron-neuron, dan algoritma trainingnya, yaitu cara penentuan nilai bobot pada penghubung. B. Komponen Neural Network Terdapat banyak struktur NN, tetapi kesemuanya mempunyai komponen yang hampir sama. Gambar berikut memperlihatkan struktur ideal NN.

Seperti terlihat pada gambar, struktur NN mirip dengan struktur otak manusia diatas. Informasi (sebagai input) dikirim ke neuron melalui suatu pembobotan input. Input ini diproses oleh suatu fungsi propagation yang menaikan nilai bobot input. Hasilnya kemudian dibandingkan dengan threshold oleh activation function. Jika input

melampaui threshold, maka neutron akan diaktifkan, jika sebaliknya maka neutron akan inhibit. Jika diaktifkan, neuron akan mengirim output melalui pembobotan output ke neuron lainnya, dan seterusnya. Dalam NN, neuron dikelompokan dalam layer, yang disebut neuron layer. 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, dipropagasi layer per layer mulai dari input hingga output tanpa atau melalui satu atau lebih hidden layers. Bergantung pada algoritma yang digunakan, informasi juga dapat dipropagasi ke arah belakang (backpropagation). Gambar berikut menunjukan NN dengan tiga neuron layers.

Perlu dicatat bahwa gambar ini bukan merupakan struktur umum dari NN. Ada NN yang tidak mempunyai hidden layer, atau ada juga NN yang layer-nya berbentuk matriks.

C. Multi Layer Perceptron Diperkenalkan oleh M. Minsky dan S. Papert pada tahun 1969, merupakan pengembangan dari Perceptron dan mempunyai satu atau lebih hidden layers yang terletak antara input dan output layers. Multi-layer-perceptron dapat digunakan untuk operasi logik termasuk yang kompleks seperti XOR.

Multi-Layer Perceptron adalah jaringan syaraf tiruan feed-forward yang terdiri dari sejumlah neuron yang dihubungkan oleh bobot-bobot penghubung. Neuron-neuron tersebut disusun dalam lapisan- lapisan yang terdiri dari satu lapisan input (input layer), satu atau lebih lapisan tersembunyi (hidden layer), dan satu lapisan output (output layer). Lapisan input menerima sinyal dari luar, kemudian melewatkannya ke lapisan tersembunyi pertama, yang akan diteruskan sehingga akhirnya mencapai lapisan output [Riedmiller, 1994]. Setiap neuroni di dalam jaringan adalah sebuah unit pemrosesan sederhana yang menghitung nilai aktivasinya yaitusi terhadap input eksitasi yang juga disebut melambangkan himpunan predesesor dari uniti,wij

melambangkan bobot koneksi dari unitj ke uniti, dani adalah nilai bias dari uniti. Untuk membuat representasi menjadi lebih mudah, seringkali bias digantikan dengan suatu bobot yang terhubung dengan unit bernilai 1. Dengan demikian bias dapat diperlakukan secara sama dengan bobot koneksi.

D. Supervised Learning Tujuan pada pembelajaran supervised learning adalah untuk menentukan nilai bobot-bobot koneksi di dalam jaringan sehingga jaringan dapat melakukan pemetaan (mapping) dari input ke output sesuai dengan yang diinginkan. Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set).

Setiap pasangan polap terdiri dari vektor input xp dan vektor target. Setelah selesai pelatihan, jika diberikan masukan xp seharusnya jaringan menghasilkan nilai output. 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. Tujuan dari training ini pada dasarnya sama dengan mencari suatu nilai minimum global dari E. E. Algoritma Dalam Jaringan Saraf Tiruan. 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 feedforward, yang tersusun dari beberapa lapisan dan sinyal dialirkan secara searah dari input menuju output. Algoritma pelatihan backpropagation pada dasarnya tahapan [Fausett, 1994], yaitu: 1. Input nilai data pelatihan sehingga diperoleh nilai output. 2. Propagasi balik dari nilai error yang diperoleh. 3. Penyesuaian bobot koneksi untuk meminimalkan nilai error. Ketiga tahapan tersebut diulangi terus-menerus sampai mendapatkan nilai error yang diinginkan. Setelah training selesai dilakukan, hanya tahap pertama yang diperlukan untuk memanfaatkan jaringan syaraf tiruan tersebut. Secara matematis [Rumelhart, 1986], ide dasar dari algoritma terdiri dari tiga

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 parabola yang terbuka ke atas, dan gradien dari kurva error untuk suatu bobot tidak terpengaruh oleh bobot-bobot yang lain [Fahlman, 1988]. Dengan demikian perhitungan perubahan bobot hanya menggunakan informasi lokal pada masingmasing bobot. Perubahan bobot pada algoritma Quickprop dirumuskan sebagai berikut: Pada eksperimen dengan masalah XOR dan encoder/decoder [Fahlman, 1988], terbukti bahwa algoritma Quickprop dapat meningkatkan kecepatan training. Eksperimen dari [Schiffmann, 1993] juga menunjukkan peningkatan kecepatan training dan unjuk kerja yang signifikan. F. Arsitektur Jaringan Saraf Tiruan Secara umum, Arsitektur JST terdiri atas beberapa lapisan, yaitu lapisan masukan (input layer), lapisan tersembunyi (hidden layer), dan lapisan keluaran (output layer). Masing-masing lapisan mempunyai jumlah node atau neuron yang berbedabeda. Arsitektur JST tersebut dapat diilustrasikan sebagai gambar berikut ini :

Gambar 1.2 Arsitektur Jaringan Saraf Tiruan

10

1. Lapisan Masukan (input layer) Lapisan masukan merupakan lapisan yang terdiri dari beberapa neuron yang akan menerima sinyal dari luar dan kemudian meneruskan ke neuronneuron lain dalam jaringan. Lapisan ini dillhami berdasarkan cirri-ciri dan cara kerja sel-sel saraf sensori pada jaringan saraf biologi. 2. Lapisan tersembunyi (hidden layer) Lapisan tersembunyi merupakan tiruan dari sel-sel syaraf konektor pada jaringan saraf bilogis. Lapisan tersembunyi berfungsi meningkatkan kemampuan jaringan dalam memecahkan masalah. Konsekuensi dari adanya lapisan ini adalah pelatihan menjadi makin sulit atau lama. 3. Lapisan keluaran (output layer) Lapisan keluaran berfungsi menyalurkan sinyal-sinyal keluaran hasil pemrosesan jaringan. Lapisan ini juga terdiri dair sejumlah neuron. Lapisan keluaran merupakan tiruan dari sel saraf motor pada jaringan saraf biologis. G. Algoritma Pembelajaran Belajar Untuk JST merupakan suatu proses dimana parameter-parameter bebas JST diadaptasikan melalui suatu proses perangsangan berkelanjutan oleh lingkungan dimana jaringan berada. Suatu Jaringan Saraf Tiruan belajar dari pengalaman. Proses yang lazin dari pembelajran meliputi tiga tugas, yaitu : 1. 2. 3. Perhitungan Output, Membandingkan output dengan target yang diinginkan. Menyesuaikan bobot dan mengulangi prosesnya.

Proses pembelajaran tersebut dapat dilihat pada gambar berikut ini :

11

Gambar 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. Proses pembelajaran dalam JST dapat diklasifikasikan menjadi dua bagian, yaitu : 1. Supervised Learning (pembelajaran terawasi) yang menggunakan sejumlah pasangan data masukan dan keluaran yang diharapkan. Contoh dari tipe ini adalah metode back propagation, jaringan Hopfield dan perceptron. 2. Unsupervised Learning (pembelajaran tidak terawasi) yang hanya

menggunakan sejumlah pasangan data masukan tanpa ada contoh keluaran yang diharapkan.

12

BAB III. KESIMPULAN

Jaringan Saraf Tiruan (JST) atau Artificial Neural Network merupakan suatu pendekatan yang berbeda dari metode AI lainnya. JST merupakan suatu model kecerdasan yang diilhami dari struktur otak manusia dan kemudian diimplementasikan menggunakan program computer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran berlangsung. Dalam NN, neuron dikelompokan dalam layer, yang disebut neuron layer. 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, dipropagasi layer per layer mulai dari input hingga output tanpa atau melalui satu atau lebih hidden layers. 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 di dalam jaringan sehingga jaringan dapat melakukan pemetaan (mapping) dari input ke output sesuai dengan yang diinginkan. Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set). Tujuan pada pembelajaran supervised learning adalah untuk menentukan nilai bobot-bobot koneksi di dalam jaringan sehingga jaringan dapat melakukan pemetaan (mapping) dari input ke output sesuai dengan yang diinginkan. Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set).

13

DAFTAR PUSTAKA
Arhami. M., 2005, Konsep Dasar Sistem Pakar, Penerbit ANDI, Yogyakarta Kusumadewi, S, 2002, Artificial Intelligence (Teknik dan Aplikasinya), Graha Ilmu, Yogyakarta http://asro.wordpress.com/category/instrument-kontrol/ http://id.wikipedia.org/wiki/Jaringan_Saraf_Tiruan

14