1 MATA KULIAH
JARINGAN SYARAF TIRUAN
KELOMPOK 4
ANGGOTA :
1. MUHAMMAD SYIROZUL M. (141080200204)
2. YOGY RISTRIANA PUTRI (141080200206)
3. M. HARIS PRASETYO (141080200271)
FAKULTAS TEKNIK
JURUSAN TEKNIK INFORMATIKA
UNIVERSITAS MUHAMMADIYAH SIDOARJO
2 DAFTAR ISI
MATA KULIAH JARINGAN SYARAF TIRUAN ... 1
DAFTAR ISI... 2
DAFTAR GAMBAR ... 3
DAFTAR TABEL ... 4
1.1 LATAR BELAKANG ... 5
1.2 TUJUAN ... 5
1.3 MANFAAT ... 5
BAB 2 PEMBAHASAN ... 6
2.1 DEFINISI JARINGAN SYARAF TIRUAN ... 6
2.2 PERKEMBANGAN JARINGAN SYARAF TIRUAN ... 8
2.3 PERBANDINGAN ANTARA OTAK MANUSIA DAN JARINGAN SYARAF TIRUAN ... 10
BAB 3 KESIMPULAN ... 14
Jaringan syaraf tiruan sederhana pertama kali diperkenalkan oleh McCulloch dan Pitts di tahun 1943. McCulloch dan Pitts menyimpulkan bahwa kombinasi beberapa neuron sederhana menjadi sebuah sistem neural akan meningkatkan kemampuan komputasinya... 14
3 DAFTAR GAMBAR
4 DAFTAR TABEL
Table 2.1 Tabel perkembangan jaringan saraf tiruan ... 8 Table 2.2 Tabel perbedaan jaringan syaraf tiruan dan jaringan syaraf alami
5 BAB 1
PENDAHULUAN
1.1 LATAR BELAKANG
Jaringan Syaraf Tiruan merupakan salah satu mata kuliah jurusan teknik informatika. Jaringan syaraf tiruan adalah salah satu sistem pemrosesan yang dirancang dan dilatih untuk memiliki kemampuan seperti yang dimiliki oleh manusia dalam menyelesaikan persoalan yang rumit dengan melakukan proses belajar melalui perubahan bobot sinapsisnya. Jaringan syaraf mensimulasi struktur proses-proses otak (fungsi syaraf biologis) dan kemudian membawanya kepada perangkat lunak kelas baru yang dapat mengenali pola-pola yang kompleks serta belajar dari pengalaman-pengalaman masa lalu.
1.2 TUJUAN
Tujuan dibuatnya mkalah ini adalah agar mahasiswa mengetahui:
1. Definisi jaringan syaraf tiruan
2. Perkembangan jaringan syaraf tiruan
3. Perbandingan antara otak manusia dan jaringan syaraf tiruan
1.3 MANFAAT
Manfaat dari dibuatnya makalah ini adalah untuk menambah wawasan
mahasiswa mengenai jaringan syaraf tiruan, khususnya mengenai definisi
jaringan syaraf tiruan, perkembangan jaringan syaraf tiruan dan perbandingan
6 BAB 2
PEMBAHASAN
2.1 DEFINISI JARINGAN SYARAF TIRUAN
(Pitowarno. 2004) mengatakan bahwa, Jaringan Syaraf Tiruan (JST)
merupakan system pemroses informasi yang memiliki karakteristik mirip
dengan jaringan syaraf biologi.
Jaringan Syaraf Tiruan sebagai generalisasi model matematika dari
jaringan syaraf biologi, dengan asumsi bahwa:
a) Pemeroses informasi terjadi banyak elemen sederhana (neuron)
b) Sinyal dikirimkan diantara neuron-neuron melalaui
penghubung-penghubung
c) Penghubung anatara neuron memiliki bobot yang akan memperkuat
atau memeperlemah sinyal.
d) Untuk menentukan input, setiap neuron menggunakan fungsi aktivasi
(biasanya bukan fungsi linier) yang dikenakan pada jumlah input yang
diterima.
Besarnya output ini selanjutnya dibandingakan dengan suatu batas
ambang. Dan berkaitan dengan teori Jaringan Syaraf Tiruan, ditentukan
3 hal yaitu:
a) Pola hubungan antar neuron (atau disebut arsitektur jaringan)
b) Metode untuk menentukan bobot penghubung (disebut metode
training/learning/algoritma )
c) Fungsi aktivasi.
Sebagai contoh, perhatikan neuron Y pada gambar 2.1
7 Y menerima input dari neuron x1, x2 dan x3 dengan bobot
hubungan masing-masing adalah w1, w2 dan w3. Ketiga impuls
neuron yang ada dijumlahkan
net = x1w1 + x2w2 + x3w3
Besarnya impuls yang diterima oleh Y mengikuti fungsi aktivasi y
= f(net). Apabila nilai fungsi aktivasi cukup kuat, maka sinyal akan
diteruskan. Nilai fungsi aktivasi (keluaran model jaringan) juga
dapat dipakai sebagai dasar untuk merubah bobot
Menurut Hermawan, Arief . 2006 . “Jaringan syaraf tiruan didefinisikan
sebagai suatu sistem pemrosesan informasi yang mempunyai karakteristik
menyerupai jaringan saraf manusia”. Jaringan saraf tiruan tercipta sebagai
suatu generalisasi model matematis dari pemahaman manusia (human
cognition) yang didasarkan atas asumsi sebagai berikut :
1. Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron.
2. Isyarat mengalir di antara sel saraf / neuron melalui suatu sambungan
penghubung.
3. Setiap sambungan penghubung memiliki bobot yang bersesuaian.
4. Setiap sel saraf akan merupakan fungsi aktivasi terhadap isyarat hasil
penjumlahan berbobot yang masuk kepadanya untuk menentukan isyarat
keluarannya.
Menurut teori Haykin (1999,p2) : " Jaringan syaraf tiruan (Artificial
Neural Network) adalah sejumlah besar prosesor yang terdistribusi secara
pararel dan terdiri dari unit pemrosesan sederhana, dimana masing – masing
unit memiliki kecenderungan untuk menyimpan pengetahuan yang dialami
dan dapat digunakan kembali."
Neural Network merupakan kategori ilmu Soft Computing. Neural
Network sebenarnya mengadopsi dari kemampuan otak manusia yang
mampu memberikan stimulasi/rangsangan, melakukan proses, dan
8 terjadi di dalam otak manusia. Kemampuan manusia dalam memproses
informasi merupakan hasil kompleksitas proses di dalam otak.
Misalnya, yang terjadi pada anak-anak, mereka mampu belajar untuk
melakukan pengenalan meskipun mereka tidak mengetahui algoritma apa
yang digunakan. Kekuatan komputasi yang luar biasa dari otak manusia ini
merupakan sebuah keunggulan di dalam kajian ilmu pengetahuan.
2.2 PERKEMBANGAN JARINGAN SYARAF TIRUAN
Jaringan syaraf tiruan sederhana pertama kali diperkenalkan oleh
McCulloch dan Pitts di tahun 1943. McCulloch dan Pitts menyimpulkan
bahwa kombinasi beberapa neuron sederhana menjadi sebuah sistem neural
akan meningkatkan kemampuan komputasinya. Bobot dalam jaringan yang
diusulkan oleh McCulloch dan Pitts diatur untuk melakukan fungsi logika
sederhana. Fungsi aktivasi yang dipakai adalah fungsi threshold.
Tahun 1958, Rosenblatt memperkenalkan dan mulai mengembangkan
model jaringan yang disebut Perceptron. Metode pelatihan diperkenalkan
untuk mengoptimalkan hasil iterasinya.
Untuk lebih jelasnya dapat di lihat pada table dibawah ini,
Table 2.1 Tabel perkembangan jaringan saraf tiruan
Tahun Orang yg
mengembangkan
Perkembangan JST
1943 Waffen McCulloch
dan Walter Pitts
Merancang model formal yang pertama kali sebagai perhitungan dasar neuron pada jaringan syaraf
1949 Donald O. Hebb
Memperkenalkan teori yang menjelaskan mengenai pembelajaran yang dilakukan oleh neuron yang kini dikenal dengan konsep Hebbian Learning
1952 Ashby Dalam buku the origin of
9
1954 Minsky Dalam thesis doctor berjudul
“neural network” memperkaya
pemahaman jaringan syaraf tiruan kea rah yang lebih komprehensif.
1954
Farley dan Clark Mensetup model-model untuk
relasi adaptif stimulus-respon dalam jaringan random.
1956 Taylor Meletakan dasar struktur
jaringan syaraf tiruan associative memory.
1958 Rosenblatt Mengembangkan konsep dasar
tentang perceptron untuk klasifikasi pola
1960 Widrow dan Hoff Mengembangkan ADALINE
untuk kendali adaptif dan pencocokan pola yang dilatih dengan aturan pembelajaran Least Mean Square
1962 Dreyfus Memperkenalkan metode
recursive derivation berdasarkan aturan turunan berantai untuk jaringan syaraf tiruan
1965 Nills Nilson Membuat mesin monografi
pertamayang menggunakan teknik jaringan syaraf tiruan.
1969 Kelly Memperkenalkan metode
gradient untuk mendukung proses pembelajaran jaringan lapis banyak
1974 Werbos Memperkenalkan algoritma
backpropagation untuk melatih perceptron dengan banyak lapisan
1974 Stephen Grossberg Mengembangkan teori adaptive
resonance networks
1975 Little dan Shaw Menggambarkan jaringan syaraf
menggunakan model probalistik
1980 Fokushima dan
Miyaka
Mengaplikasikan mesin jaringan syaraf tiruan pada bidang biologi untuk tujuan pencocokan pola secara visual
1982 John Hopfield Mengembangkan jaringan syaraf
10
1982 Kohonen
Mengembangkan metode pembelajaran jaringan syaraf yang tidak terawasi
(unsupervised learning) untuk pemetaan
1983 Kirkpatrick, Galantt
dan Vecchi
Memperkenalkan teknik statistic yang dikenal simulated annealing
1985 Algoritma pembelajaran dengan
menggunakan mesin Boltzmann yang menggunakan model jaringan syaraf probabilistik mulai dikembangkan
1987 Kosko Mengembangkan jaringan
Adaptive Bidirectional Associative Memory (BAM)
Pengembangan yang ramai dibicarakan sejak tahun 1990 an adalah
aplikasi model-model jaringan syaraf tiruan untuk menyelesaikan berbagai
masalah di dunia nyata.
2.3 PERBANDINGAN ANTARA OTAK MANUSIA DAN JARINGAN
SYARAF TIRUAN
Jaringan Syaraf Tiruan (Neural Network) terinspirasi dari penelitian
kecerdasan buatan, terutama percobaan untuk menirukan fault-tolerence dan
kemampuan untuk belajar dari sistem syaraf biologi dengan model struktur
low-level dari otak. Otak terdiri dari sekitar (10.000.000.000) sel syaraf yang
saling berhubungan. Sel syaraf mempunyai cabang struktur input (dendrites),
sebuah inti sel dan percabangan struktur output (axon)
Jaringan Syaraf Biologi, Otak manusia memiliki struktur yang sangat
kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari
neuron-neuron dan penghubung yang disebut sinapsis. Neuron bekerja berdasarkan
impuls/sinyal yang diberikan pada neuron. Neuron meneruskannya pada
neuron lain. Diperkirakan manusia memiliki 1012 neuron dan 6x1018
sinapsis. Dengan jumlah yang begitubanyak, otak mampu mengenali pola,
11 kecepatan yanglebih tinggi dibandingkan komputer digital (Puspitaningrum,
2006). Sebagai perbandingan, pengenalan wajah seseorang yang sedikit
berubah misal memakai topi, memiliki jenggot tambahan dan lainnya akan
lebih cepat dilakukan manusia dibandingkan komputer.
Perbedaan Jaringan Syaraf Tiruan dengan Jaringan Syaraf Alami
(Biologi)
Table 2.2 Tabel perbedaan jaringan syaraf tiruan dan jaringan syaraf alami
(biologi)
Jaringan Syaraf Tiruan Jaringan Syaraf Alami ( Biologi )
Memformulasikan model
matematis sel-sel otak
Kinerja sel sel otak manusia dari
berfikir sampai gerakan
Asumsi model matematis
strukturnya :
· Pemrosesan informasi
terjadi pada elemen sederhana
(neuron)
· Sinyal dikirimkan
diantara neuron neuron
melalui penghubung (dendrit
dan akson)
· Penghubung antar elemen
memiliki bobot yang akan menambah atau mengurangi
sinyal
· Untuk menentukan
output, setiap neuron memiliki
fungsi aktivasi (biasanya non
Dilihat struktur sel – sel alami nya :
· Dendrit merupakan suatu
perluasan dari somayang menyerupai
rambut dan bertindak sebagai saluran
masukan.
· Saluran masukan ini menerima
masukan dari sel saraf lainnya
melalui sinapsis.
· Soma dalam hal ini kemudian
memproses nilai masukan menjadi
sebuah output yang kemudian dikirim ke sel saraf lainnya melalui akson dan
12
Memodelkan hubungan yang
kompleks antara input dan
output untuk menemukan
pola-pola pada data
Sel saraf biologi mempunyai struktur
yang lebih kompleks dan lebih canggih
Jaringan saraf tiruan menawarkan kemampuan sebagai berikut:
1. Nonlinearity. Sebuah neuron buatan bisa saja linear atau tidak linear.
2. Input-output mapping. Sebuah paradigma populer dari pembelajaran
disebut learning with a teacher (belajar dengan guru) atau supervised
learning (pembelajaran terbimbing yang melibatkan modifikasi bobot
sinapsis jaringan saraf tiruan dengan mengaplikasikan kumpulan
sampel training.
3. Adaptivity. Neural network memiliki kemampuan untuk menyesuaikan
bobot sinaptik mereka terhadap perubahan pada lingkunganya.
4. Evidential Response. Dalam konteks klasifikasi pola, jaringan saraf
dapat dirancang untuk memberikan informasi tidak hanya tentang pola
yang khusus.
5. Contextual Information. Pengetahuan direpresentasikan oleh struktur
dan aktivasi dari jaringan saraf.
6. Fault Tolerance. Jaringan saraf yang diimplementasikan pada bentuk
hardware, memiliki potensi untuk bersifat fault tolerant (toleran
terhadap kesalahan), dalam arti bahwa kinerjanya menurun dalam
13
7. VLSI Implementability. Sifat dasar dari jaringan saraf tiruan yang
parallel membuatnya berpotensi untuk mengkomputasikan tugas-tugas
tertentu dengan cepat.
8. Uniformity of Analysis and Design. Pada dasarnya, jaringan saraf tiruan
dikenal sebagai pemroses informasi.
9. Neurobiological Analogy. Rancangan jaringan saraf tiruan
dianalogikan dengan otak manusia, yang merupakan bukti nyata bahwa
toleransi terhadap kesalahan pada pemrosesan paralel tidak hanya
14 BAB 3
KESIMPULAN
Neural Network (Jaringan Syaraf Tiruan) merupakan kategori ilmu Soft
Computing. Neural Network sebenarnya mengadopsi dari kemampuan otak
manusia yang mampu memberikan stimulasi/rangsangan, melakukan proses,
dan memberikan output.
Jaringan syaraf tiruan sederhana pertama kali diperkenalkan oleh
McCulloch dan Pitts di tahun 1943. McCulloch dan Pitts menyimpulkan
bahwa kombinasi beberapa neuron sederhana menjadi sebuah sistem neural
15 DAFTAR PUSTAKA
Arif, F. A. (2013, Maret 24). Jaringan Syaraf Komputer (II). Retrieved from Fadhlin Amalia Arif:
http://fadhlinamalia- fst10.web.unair.ac.id/artikel_detail-75561-Kuliah%20Siscer-Jaringan%20Syaraf%20Tiruan%20(II).html
Azmi, Z., Saripurna, D., & Anwar, B. (2013). Jurnal Ilmiah Saintikom Vol 12. No 2. Aplikasi Jaringan Syaraf Tiruan Untuk Pengenalan Pola Pembukaan Permainan Catur, 14.
Dasar, E. (2012, Oktober 23). Jaringan Syaraf Tiruan. Retrieved from
Elektronika Dasar: http://elektronika-dasar.web.id/jaringan-syaraf-tiruan-neural-network/
Jumarwanto, A., Hartanto, R., & Prastiyanto, D. (2009). Jurnal Teknik Elektro Vol. 1 No.1. APLIKASI JARINGAN SARAF TIRUAN
BACKPROPAGATION UNTUK MEMPREDIKSI PENYAKIT THT DI RUMAH SAKIT MARDI RAHAYU KUDUS, 11.
Karyono. (2015, Maret 18). Tugas Makalah. Retrieved from Makalah Jaringan Syaraf Tiruan:
https://www.slideshare.net/YonoBocahCibiukAsliCilacapSingKalemDewe k/makalah-jst
Muis, S. (2006). Teknik Jaringan Syaraf Tiruan. Yogyakarta: Graha Ilmu.
