P. 1
69966029 Makalah Jaringan Saraf Tiruan

69966029 Makalah Jaringan Saraf Tiruan

|Views: 525|Likes:
Published by Roman Za

More info:

Published by: Roman Za on Dec 02, 2011
Copyright:Attribution Non-commercial

Availability:

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

11/11/2013

pdf

text

original

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

1

kami mohon bimbingan Bapak Dosen selaku dosen saya agar lebih mengerti banyak tentang Hal tersebut. 10 April 2011 Muhammad Fajar Andi Patappari 2 . Dengan adanya Makalah ini saya berharap dapat menambah wawasan atau pun menambah Referensi dalam kaitannya dengan jaringan saraf tiruan.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. Samarinda. 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. Saya menyadari banyak kekurangan dalam menyusun makalah ini.

PENDAHULUAN Latar Belakang ............................. G....DAFTAR ISI Halaman KATA PENGANTAR ..... F............ PEMBAHASAN 4 5 2 3 A.............................. D.................................. 6 6 7 8 9 10 11 13 14 BAB III............................... KESIMPULAN DAFTAR PUSTAKA 3 ... E.................... Komponen Neural Network ....................................... Tujuan ............ A...................................................................... Arsitektur Jaringan Saraf Tiruan ................................. B..................................................................... Algoritma Pembelajaran .................................................. B................. BAB II............. Algoritma Dalam Jaringan Saraf Tiruan ....................................... DAFTAR ISI ....... C.... Pengertian Jaringan Saraf Tiruan ................................................................................................................................................ Supervised Learning ....................................................... Multi Layer Perceptron . BAB I...............................................

dendrit juga menyertai axon sebagai keluaran dari suatu pemrosesan informasi. Skema sederhana dari otak manusia dapat dilihat dari gambar berikut ini.1 Diagram sederhana dari sel otak Dari gambar diatas dapat dilihat bahwa setiap sel saraf mempunyai satu inti sel (nucleus). PENDAHULUAN A. Informasi yang akan 4 . Inti sel akan bertugas melakukan proses informasi. Informasi yang dikirimkan antar neuron berupa rangsangan yang dilewatkan melalui dendrite. Informasi hasil olahan ini akan menjadi masukan bagi sel saraf lain dimana antar dendrite tersebut akan dipertemukan dengan sinapsis. Latar Belakang Jaringan Saraf Tiruan (JST) atau Artificial Neural Network merupakan suatu pendekatan yang berbeda dari metode AI lainnya. Informasi sel akan diterima oleh dendrite yang merupakan dari cell body. Selain menerima informasi. 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.BAB I. Informasi yang datang dan diterima oleh dendrite akan dijumlahkan dan dikirimkan melalui axon ke dendrite akhir yang bersentuhan dengan dendrite dari sel saraf lain. Gambar 1.

diterima oleh neuron lain jika memenuhi batasan tertentu yang lebih dikenal sebagai threshold (nilai ambang). tetapi dari gambaran itu semua komponen dari sel saraf tersebut relevan bagi saraf model komputasi. 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. Gambaran di atas merupakan gambaran sederhana dari jaringan saraf. Secara khusus. Tujuan Tujuan dalam penulisan makalah ini adalah untuk menambah pengetahuan dan informasi bagi yang membacanya dan diharapkan dapat bermanfaat bagi kita semua. B. 5 . dapat dikatakan bahwa setiap unit komputasional dihitung dari beberapa fungsi input.

Setiap penghubung memiliki bobot yang akan mengalikan sinyal yang lewat. Input ini diproses oleh suatu fungsi propagation yang menaikan nilai bobot input. Seperti terlihat pada gambar. 3. struktur NN mirip dengan struktur otak manusia diatas. yaitu cara penentuan nilai bobot pada penghubung. Jaringan saraf tiruan dikembangkan sebagai model matematis dari saraf berdasarkan asumsi bahwa: biologis dengan 1. Pengertian Jaringan Saraf Tiruan Jaringan saraf tiruan adalah suatu sistem pemrosesan informasi yang cara kerjanya memiliki kesamaan tertentu dengan jaringan saraf biologis [Fausett. Jika input 6 . akan menentukan nilai sinyal Jaringan saraf dapat digolongkan menjadi berbagai jenis berdasarkan pada arsitekturnya. Setiap neuron memiliki fungsi aktivasi yang output. Pemrosesan terjadi pada elemen-elemen sederhana yang disebut neuron. B. 2. yaitu pola hubungan antara neuron-neuron. tetapi kesemuanya mempunyai komponen yang hampir sama. dan algoritma trainingnya. Informasi (sebagai input) dikirim ke neuron melalui suatu pembobotan input.BAB III. 4. Komponen Neural Network Terdapat banyak struktur NN. Hasilnya kemudian dibandingkan dengan threshold oleh activation function.1994]. Sinyal dilewatkan antar neuron melalui penghubung. PEMBAHASAN A. Gambar berikut memperlihatkan struktur ideal NN.

C.melampaui threshold. Minsky dan S. 7 . Biasanya setiap neuron dari sebuah layer dihubungkan ke semua neuron yang ada di layer belakang maupun depannya (kecuali input dan output). dan seterusnya. jika sebaliknya maka neutron akan inhibit. Multi Layer Perceptron Diperkenalkan oleh M. Bergantung pada algoritma yang digunakan. maka neutron akan diaktifkan. informasi juga dapat dipropagasi ke arah belakang (backpropagation). merupakan pengembangan dari Perceptron dan mempunyai satu atau lebih hidden layers yang terletak antara input dan output layers. yang disebut neuron layer. Jika diaktifkan. Multi-layer-perceptron dapat digunakan untuk operasi logik termasuk yang kompleks seperti XOR. Perlu dicatat bahwa gambar ini bukan merupakan struktur umum dari NN. Informasi yang dikirim dalam sebuah NN. Dalam NN. atau ada juga NN yang layer-nya berbentuk matriks. neuron dikelompokan dalam layer. Ada NN yang tidak mempunyai hidden layer. Papert pada tahun 1969. dipropagasi layer – per – layer mulai dari input hingga output tanpa atau melalui satu atau lebih hidden layers. Gambar berikut menunjukan NN dengan tiga neuron layers. neuron akan mengirim output melalui pembobotan output ke neuron lainnya.

D. satu atau lebih lapisan tersembunyi (hidden layer). 8 . Lapisan input menerima sinyal dari luar. dan satu lapisan output (output layer). 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. Dengan demikian bias dapat diperlakukan secara sama dengan bobot koneksi.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. danθi adalah nilai bias dari uniti. 1994]. yang akan diteruskan sehingga akhirnya mencapai lapisan output [Riedmiller. 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. Untuk membuat representasi menjadi lebih mudah. kemudian melewatkannya ke lapisan tersembunyi pertama. Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set).lapisan yang terdiri dari satu lapisan input (input layer).wij melambangkan bobot koneksi dari unitj ke uniti. seringkali bias digantikan dengan suatu bobot yang terhubung dengan unit bernilai 1.

Input nilai data pelatihan sehingga diperoleh nilai output. 9 . Setelah selesai pelatihan. yaitu: 1. 1994].  Algoritma Backpropagation Salah satu algoritma pelatihan jaringan syaraf tiruan yang banyak dimanfaatkan dalam bidang pengenalan pola adalah backpropagation. Algoritma Dalam Jaringan Saraf Tiruan. 3. 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. 2. Algoritma pelatihan backpropagation pada dasarnya tahapan [Fausett. Setelah training selesai dilakukan. Penyesuaian bobot koneksi untuk meminimalkan nilai error. jika diberikan masukan xp seharusnya jaringan menghasilkan nilai output.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. 1986]. Tujuan dari training ini pada dasarnya sama dengan mencari suatu nilai minimum global dari E. Propagasi balik dari nilai error yang diperoleh. Secara matematis [Rumelhart. Ketiga tahapan tersebut diulangi terus-menerus sampai mendapatkan nilai error yang diinginkan. hanya tahap pertama yang diperlukan untuk memanfaatkan jaringan syaraf tiruan tersebut. Algoritma ini umumnya digunakan pada jaringan syaraf tiruan yang berjenis multi-layer feedforward. 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. E.

F. Arsitektur JST tersebut dapat diilustrasikan sebagai gambar berikut ini : Gambar 1. yaitu lapisan masukan (input layer). Masing-masing lapisan mempunyai jumlah node atau neuron yang berbedabeda. Perubahan bobot pada algoritma Quickprop dirumuskan sebagai berikut: Pada eksperimen dengan masalah XOR dan encoder/decoder [Fahlman. 1993] juga menunjukkan peningkatan kecepatan training dan unjuk kerja yang signifikan. 1988]. 1988]. dan lapisan keluaran (output layer). Eksperimen dari [Schiffmann. dan gradien dari kurva error untuk suatu bobot tidak terpengaruh oleh bobot-bobot yang lain [Fahlman. lapisan tersembunyi (hidden layer). Arsitektur Jaringan Saraf Tiruan Secara umum. terbukti bahwa algoritma Quickprop dapat meningkatkan kecepatan training. Arsitektur JST terdiri atas beberapa lapisan. Algoritma Quickprop Pada algoritma Quickprop dilakukan pendekatan dengan asumsi bahwa kurva fungsi error terhadap masing-masing bobot penghubung berbentuk parabola yang terbuka ke atas.2 Arsitektur Jaringan Saraf Tiruan 10 . Dengan demikian perhitungan perubahan bobot hanya menggunakan informasi lokal pada masingmasing bobot.

Lapisan keluaran (output layer) Lapisan keluaran berfungsi menyalurkan sinyal-sinyal keluaran hasil pemrosesan jaringan. Lapisan keluaran merupakan tiruan dari sel saraf motor pada jaringan saraf biologis. Perhitungan Output. Proses pembelajaran tersebut dapat dilihat pada gambar berikut ini : 11 . G. Konsekuensi dari adanya lapisan ini adalah pelatihan menjadi makin sulit atau lama. Lapisan tersembunyi (hidden layer) Lapisan tersembunyi merupakan tiruan dari sel-sel syaraf konektor pada jaringan saraf bilogis. Algoritma Pembelajaran Belajar Untuk JST merupakan suatu proses dimana parameter-parameter bebas JST diadaptasikan melalui suatu proses perangsangan berkelanjutan oleh lingkungan dimana jaringan berada. Lapisan ini juga terdiri dair sejumlah neuron. Membandingkan output dengan target yang diinginkan. yaitu : 1. 3. Lapisan ini dillhami berdasarkan cirri-ciri dan cara kerja sel-sel saraf sensori pada jaringan saraf biologi. Suatu Jaringan Saraf Tiruan belajar dari pengalaman.1. Menyesuaikan bobot dan mengulangi prosesnya. 2. 2. 3. Lapisan tersembunyi berfungsi meningkatkan kemampuan jaringan dalam memecahkan masalah. 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. Proses yang lazin dari pembelajran meliputi tiga tugas.

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

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. Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set). Dalam NN.BAB III. neuron dikelompokan dalam layer. Multi-Layer Perceptron adalah jaringan syaraf tiruan feed-forward yang terdiri dari sejumlah neuron yang dihubungkan oleh bobot-bobot penghubung. Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set). yang disebut neuron layer. 13 . 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. dipropagasi layer – per – layer mulai dari input hingga output tanpa atau melalui satu atau lebih hidden layers. Informasi yang dikirim dalam sebuah NN. KESIMPULAN Jaringan Saraf Tiruan (JST) atau Artificial Neural Network merupakan suatu pendekatan yang berbeda dari metode AI lainnya. 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. Biasanya setiap neuron dari sebuah layer dihubungkan ke semua neuron yang ada di layer belakang maupun depannya (kecuali input dan output).

com/category/instrument-kontrol/ http://id. M.DAFTAR PUSTAKA Arhami. Yogyakarta http://asro. Graha Ilmu. S. Penerbit ANDI. 2002. Konsep Dasar Sistem Pakar.. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta Kusumadewi.org/wiki/Jaringan_Saraf_Tiruan 14 . 2005.wordpress.wikipedia.

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.BAB III. 15 . Informasi yang dikirim dalam sebuah NN. Biasanya setiap neuron dari sebuah layer dihubungkan ke semua neuron yang ada di layer belakang maupun depannya (kecuali input dan output). 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. 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. KESIMPULAN Jaringan Saraf Tiruan (JST) atau Artificial Neural Network merupakan suatu pendekatan yang berbeda dari metode AI lainnya. neuron dikelompokan dalam layer. yang disebut neuron layer. Dalam 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).

Graha Ilmu.com/category/instrument-kontrol/ http://id.wordpress. S.DAFTAR PUSTAKA Arhami.wikipedia. Artificial Intelligence (Teknik dan Aplikasinya). 2002.org/wiki/Jaringan_Saraf_Tiruan 16 . Yogyakarta http://asro. M. Yogyakarta Kusumadewi.. Penerbit ANDI. 2005. Konsep Dasar Sistem Pakar.

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)//-->