implementasi jaringan syaraf tiruan

Nama : Isma Aprianti
Npm : 1057201000786
Semester : V111 (A) pagi
PENDAHULUAN
1.1
Latar Belakang
Jaringan saraf tiruan (JST) atau Artificial Neural Network merupakan suatu pendekatan yang
berbeda dari metode AI lainya. JST merupakan suatu model kecerdasan yang diilhami dari
struktur otak manusia dan kemudian diimplementasikan menggunakan program computer yang
mampu menyelesaikan sejumlah proses perhitungan secara proses pembelajaran berlangsung.
Skema sederhana dari otak manusia dapat dilihat dari gambar berikut.
Gambar 1.1 diagram sederhana dari sel otak
Dari gambar diatas dapat dilihat bahwa setiap sel saraf mempunyai satu inti sel (nucleus). Intisel
akan bertugas melakukan proses informasi. Informasi sel akan diterima oleh dendrite yang
merupakan cell body.
Selain menerima informasi, dendrite juga menyertai axon sebagai keluaran dari suatu
pemprosesan informasi. Informasi hasil olahan ini akan menjadi masukan bagi sel saraf lain
diman antar dendrite tersebut akan dipertemukan dengan sinapsis. Informasi yang dikirim antar
neuron berupa rangsangan yang dilewatkan melalui dendrite. Informasi yang datang dan diterima
oleh dendrite akan dijumlahkan dan dikirimkan melalui axon ke dendrite terakhir yang
bersentuhan dengan dendrite dari sel saraf lain. Informasi yang akan diterima oleh neorun lain
jika memenuhi batasan tertentu yang lebih dikenal sebagai threshold (nilai ambang).
Gambaran diatas merupakan gambaran sederhana dari jaringan saraf, tetapi dari gambaran itu
semua komponen dari sel saraf tersebut relevan bagi saraf modelkomputasi. secara khusus, dapat
dikatan bahwa setiap unit komputasional dihitung dari beberapa pungsi input.
Pengembangan terhadap jaringan saraf ini terus dilakukan dan memunculkan harapan baru yang
dicapainya suatu mesin yang dapat belajar sehingga tidak memerlukan adanya pengulangan
proses penghitungan yang sama untuk persoalan yang mirip.
1.2
Tujuan
Tujuan dalam penulisan makalah ini adalah untuk menambahkan pengetahuan dan informasi
bagi yang membacanya dan diharapkan dapat bermanfaat bagi kita semua.
PEMBAHASAN
A.
Pengertian Jaringan Saraf Tiruan
Jaringan Saraf Tiruan (JST) adalah sistem pemosesan informasi yang memiliki
karakteristik mirip dengan jaringan saraf biologi. JST dibentuk sebagai generalisasi model
matematika dari jaringan saraf biologi, dengan asumsi bahwa :
a)
Pemrosesan informasi terjadi pada banyak elemen sederhana yang disebut neuron.
b)
Sinyal dikirimkan diantara neuron-neuron melalui penghubung-penghubung.
c)
Setiap penghubung antara neuron memiliki bobot yang akan memperkuat atau
memperlemah sinyal.
d)
Untuk menetukan output, setiap neuron mengunakan fungsi aktivasi yang
dikenakan pada jumlahan input yang diterima.
B.
Sejarah Jaringan Saraf Tiruan

Pada tahun 1940-an, para ilmuan menemukan psikologi dari otak sama dengan
mode pemrosesan yang dilakukan oleh peralatan komputer.

Pada tahun 1943, McCulloch dan Pitts merancang model formal yang pertama
seakali sebagai perhitungan dasar neuron.

Pada tahun 1949, Hebb menyatakan bahwa informasi dapat disimpan dalam
koneksi-koneksi dan mengusulkan adanya skema pembelajaran untuk
memperbaiki koneksi-koneksi antar neuron tersebut.

Pada tahun 1954, Ferly dan Clark mensetup model-model untuk relasi adaptif
stimulus-respon dalam jaringan random.

Pada tahun 1958, Rosenblett mengembangkan konsep dasar tentang perseptron
untuk klasifikasi pola.

Pada tahun 1960, Widrow dan Hoff mengembangkan ADALINE untuk kendali
adaptif dan pencocokan pola yang dilatih dengan aturan pembelajaran Leas Mean
Square(LMS).

Pada tahun 1974, Werbos memperkenalkan algoritma backpropagationuntuk
melatih perceptron dengan banyak lapisan.

Mengapa Jaringan Saraf Tiruan Perlu Dipelajari
Beberapa alasan mengapa jaringan saraf tiruan perlu dipelajari :
1.Banyaknya algoritma Jaringan Saraf Tiruan yang tersedia. Teknik-teknik yang ada saat
ini memiliki arsitektur yang sangat beragam dan lebih canggih.
2.Adanya komputer digital berkecepatan tinggi. Hal ini semakin mempermudah proses
simulasi jaringan saraf tiruan.
3.Apilkaisi Jaringan Saraf Tiruan sangat luas.

Bidang-bidang Aplikasi Jaringan Saraf Tiruan

Aerospace
Autopilot pesawat terbang, simulasi jalur penerbangan, sistem kendali pesawat, perbaikan
autopilot, simulasi komponen pesawat.

Otomotif Sistem kendali otomatis mobil.

Keuangan dan perbankan Pendeteksian uang palsu, evaluator aplikasi kredit,
pengidentifikasian pola-pola data pasar saham.

Pertahanan (Militer) Pengendali senjata, pendeteksi bom, penelusuran target,
pembedaan objek,
pengendali sensor, sonar, radar, dan pengolahan sinyal citra yang meliputi kompresi
data,ekstraksi bagian istimewa, dan penghilangan derau, pengenalan sinyal atau citra.

Elektronik Pembuatan perangkat keras yang bisa mengimplementasikan JST
secara efisien, machine vision, pengontrol gerakan dan penglihatan robot, sintesis suara.

Broadcast Pencarian klip berita melalui pengenalan wajah.

Keamanan
JST digunakan untuk mengenali mobil dan mengenali wajah oknum.

Medis
Analisis sel kanker payudara, pendeteksian kanker kulit dll.

Pengenalan suara Pengenalan percakapan, klasifikasi suara.

Pengenalan tulisan Pengenalan tulisan tangan, penerjemahan tulisan ke dalam
tulisan latin.

Matematika
Alat pemodelan adalah dimana bentuk eksplisit dari hubungan antara variabel-variabel
tertentu tidak diketahui.

Pengenalan benda bergerak
Selain pola dari citra diam, JST juga bisa digunakan untuk mendeteksi citra bergerak dari
video seperti citra orang yang bergerak, dll.

JST digunakan sebagai detektor virus komputer, penginderaan bau, dll

Proses Pembelajaran dan Pelatihan
1) Pembelajaran Terawasi (Supervised Learning)
Pada pembelajaran ini kumpulan input yang digunakan, output-outputnya telah diketahui.
Perbedaan antara output-output aktual dengan output-output yang diinginkan digunakan
untuk mengoreksi bobot JST agar JST dapat menghasilkan jawaban sedekat (semirip)
mungkin dengan jawaban yang benar yang telah diketahui oleh JST.
2) Pembelajaran Tak Terawasi (Unsupervised Learning)
Pada pembelajaran ini, JST mengorganisasi dirinya sendiri untuk membentuk vektorvektor input yang serupa, tanpa menggunakan data atau contoh-contoh pelatihan. Struktur
menggunakan dasar data atau korelasi antara pola-pola data yang dieksplorasi. Paradigma
pembelajaran ini mengorganisasi pola-pola ke dalam kategori-kategori berdasarkan
korelasi yang ada.
3) Pembelajaran Gabungan (Hybrid).
Merupakan kombinasi dari kedua pembelajaran tersebut. Sebagian dari bobot-bobotnya
ditentukan melalui pembelajaran terawasi dan sebagian lainnya melalui pembelajaran tak
terawasi.

Istilah-istilah Jaringan Saraf Tiruan
a)
Neuron atau Node atau Unit : Sel saraf tiruan yang merupakan elemen pengolahan
jaringan saraf tiruan untuk menerima dan memproses input.
b)
Jaringan : Kumpulan neuron yang saling terhubung dan membentuk lapisan.
c)
Input atau Masukan : Berkorespon dengan sebuah atribut tunggal dari sebuah pola atau
data lain dari dunia luar. Sinyal-sinyal input ini kemudian diteruskan ke lapisan
selanjutnya.
d)
Output atau Keluaran : Solusi atau hasil pemahaman jaringan terhadap data nput. Tujuan
dari jaringan saraf tiruan adalah untuk mengetahui nilai output.
e)
Lapisan Tersembunyi (hidden layer) : Lapisan yang tidak secara langsung berinteraksi
dengan dunia luar.
f)
Bobot : Nilai matematik dari koneksi, mentransfer data antar lapisan. Bobot digunakan
untuk mengatur jaringan sehingga menghasilkan output yang diinginkan.
g)
Summation Function : Fungsi yang digunakan untuk mencari rata-rata bobot dari semua
elemen input.

Model Dasar Jaringan Saraf Tiruan
Jaringan syaraf mempunyai beberapa tipe, namun hampir semua tipe dari jaringan syaraf
memiliki komponen-komponen yang sama. Seperti halnya otak manusia, jaringan syaraf juga
terdiri dari beberapa neuron yang mempunyai hubungan satu dengan lainnya. Neuron-neuron
tersebut akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju
ke neuron-neuron yang lain. Pada jaringan syaraf, hubungan ini dikenal dengan nama bobot
(weight). Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut.

Arsitektur Jaringan Saraf Tiruan
aringan saraf tiruan dirancang dengan menggunakan suatu aturan yang bersifat menyeluruh di
mana seluruh model jaringan memiliki konsep dasar yang sama.Umumnya neuron-neuron yang
terletak pada lapisan yang sama akan memiliki keadaan yang sama. Arsitektur sebuah jaringan
akan menentukan keberhasilan target yang akan dicapai karena tidak semua permasalah dapat
diselesaikan dengan arsitektur yang sama. Ada beberapa arsitektur jaringan saraf.
a) Jaringan dengan lapisan tunggal (single layer net)
Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot-bobot terhubung.
Jaringan ini hanya menerima inputkemudian secara langsung akan mengolahnya menjadi output
tanpa harus melalui lapisan tersembunyi.
b) Jaringan dengan Banyak Lapisan (Multilayernet)
Jaringan dengan banyak lapisan memiliki satu atau lebih lapisan yang terletak diantara lapisan
Input dan lapisan output. Umumnya terdapat lapisan bobot-bobot yang terletak antara 2 lapisan
ang bersebelahan. Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang
lebih sulit daripada lapisan dengan lapisan tunggal, dengan pembelajaran yang lebih rumit.
c) Jaringan dengan lapisan Kompetitif (competitive layernet)
Hubungan antar neuron pada lapisan kompetitif ini tidak diperlihatkan pada diagram
arsitektur. Gambar berikut menunjukkan salah satu contoh arsitektur jaringan dengan lapisan
kompetitif yang memiliki bobot –n.

Jaringan Saraf Tiruan
Jaringan saraf tiruan ditentukan oleh tiga hal diantaranya:
1. Pola hubungan antara neuron (disebut arsitektur jaringan)
2. Metode untuk menentukan bobot penghubung (disebut metode training / learning /
algoritma)
3. Pungsi aktivasi
Sebagai contoh, perhatikan neuron Y pada gambar berikut.
Y menerima input dari neuron x1, x2, x3 dengan bobot hubungan masing masing adalah w1,w2,w3.
ketiga impulse neuron yang ada dijumlahkan
net = x1w1+x2w2+x3w3
Besarnya impulse yang diterima oleh Y mengikuti fungsi aktivitas y=f(net). Apabila nilai fungsi
aktivitas cukup kuat, maka sinyal akan diteruskan. Nilai fungsi aktivasi (keluaran model
jaringan) jangan lupa dipakai sebagai dasar untuk merubah bobot.

MODEL JARINGAN SYARAF BACKPROPAGATION
Pelatihan pada jaringan syaraf backpropagation, feedfoward (umpan maju) dilakukan
dalm rangka perhitungan bobot sehingga pada akhir pelatihan akan diperoleh bobot bobot yang
baik. Selama proses pelatihan, bobot bobot diatur secara iterative u ntuk meminimumkan error
(kesalahan yang terjadi). Error (kesalahan) dihitung berdasarkan rata rata kuadrat kesalahan
(MSE). Rata-rata kuadrat kesalahan juga dijadikan dasar perhitungan untuk kerja fungsi aktivasi.
Sebagian besar pelatihan untuk jaringan feedfoward umpan maju menggunakan gradient dari
funsi aktivasi untuk menetukan bagaimna mengatur bobo-bobot dalam rangka meminimumkan
kinerja. Gradient ini ditentukan dengan menggunakan suatu teknik yang disebut backprogation.
Algoritma pelatihan standar backprogation akan mengerakan bobot dengan arah gradient
negatif. Pringsif dasar dari olgaritma backprogation akan mengerakkan bobot dengan arah
gradient negatif. Pringsif dasar dari algoritma backprogation adlah memperbaiki bobot-bobot
jaringan dengan arah yang membuat fungsi aktivasi menjadi turun dengan cepat.
Pelatiah backprogation meliputi 3 tahapan sebagai berikut.
1. Propagasi maju
Pola masukan dihitung maju mulai dari input layer hingga output layer menggunakan
fungsi aktivasi yang ditentukan.
2. Propagasi mundur
Selisih antara keluaran jaringan dengantarget yang diinginkan merupakan kesalahan
yang terjadi. Kesalhan yang terjadi itu dipropogasi mundur. Dimulai dari garis yang
berhubungan langsung dengan unit-unit di output layer.
3. Perubahan bobot.
Modifikasi bobot untuk menurunkan kesalahan yang terjadi. Ketiga fase tersebut
diulang-ulang terus hingga kondisi penghentian dipenuhi.

Algoritma Jaringan Syaraf Backprogation
Backprogation merupakan algoritma pembelajaran yang terwarisi dan biasanya
digunakan oleh perceptron dengan banyak lapisan untuk mengubh bobot-bobot yang terhubung
dengan neuron-neuron yang ada pada lapisan tersembunyi.Algoritma backprogation
menggunakan error output untuk mengubah nilai-nilai bobotnya dalam arah mundur (backward).
Tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu untuk
mendapatkan nilai error tersebut. Saat prambatan maju neuron-neuron diaktifkan dengan
menggunkan fungsi aktivasi sigmoid biner yaitu:
F(x)=
1
1 + e-x
Arsitektur jaringan syaraf backprogation seperti terlihat pada gambar dibawah ini:
Gambar Arsitektur backprogation
Keterangan
X1 s/d xn : input layer
Z1 s/d zn : input layer
Y1 s/d yn : input layer
IMPLEMENTASI JARINGAN SYARAF TIRUAN
Prediksi ketinggian air selama ini dilakukan dengan menggunakan metode konvensional dengan
menggunakan metode-metode statistika. Akan tetapi, akan muncul suatu masalah apabila
pengamatan dilakukan pada system dinamis, seperti halnya pada system prediksi ketinggian air.
Dengan menggunakan teknologi di bidang kecerdasan buatan, yaitu teknologi jaringan syaraf
tiruan, maka indenfikasi pola data dari sistem prediksi ketinggian air dapat dilakukan melalui
metode pendekatan pembelajaran atau pembelajaran atau pelatihan.
Berdasarkan kemampuan belajar yang dimilikinya, jaringan syaraf tiruan dapat dilatih untuk
mempeljari dan dan menganalisa pola data masa lalu dan berusaha mencari suatu fungsi yang
akan menghubungkan pola data masa laludengan keluaran yang diinginkan. Penelitian ini
bertujuan untuk mengimplentasika jaringan syaraf tiruan propagasi balik dalam memprediksi
besarnya ketinggian air disuatu daerah aliran sungai dan untuk mengetahui besarnya tingkat
keaturan prediksi yang dihasilkan. Perancangan model prediksi ketinggian air menggunakan
jaringan syraf tiruan dalam karya ilmiah ini dilakukan dengan software MATLAP R 2010
b.pada karya ilmiah ini dilakukan oftimisasi pada parameter-prameter jaringan saraf tiruan
seperti pembagian data diantra data pelatihan dan pengujian, laju pembelajaran, momentum,
banyaknya neuron tersembunyi, toleransi galat dan juga maksimum iterasi. Hal ini dilakukan
agar mendapatkan system jaringan syaraf tiruan yang oftimal dan memiliki tingkat ke akuratan
prediksi yang baik. Dan hasil percobaan yang dilakukan bahwa jaringan syaraf tiruan dengan
algoritmka pembelajaran propagasi balik dan arsitektur jaringan dengan satu lapisan masukan
dengan dua newron, satu lapisan tersembu yi, dan satu lapisan keluaran dengan satu newron,
dengan parameter-parameter yang sesaui berhasil diimplementsikan untuk memprediksi besarnya
ketinggian air didaerah sungai ciliwung – Bogor. Hasil model memiliki tingkat keakuratan yang
baik dalam prediksi.
PENUTUP
Jringan syaraf tiruan (JST) atau artificial neural network merupakan suatu pendekatan
yang berbeda dari metode AI lainya. Jst merupakan suatu model kecerdasan yang di ilhami dari
struktur otak manusia dan kemudain diimplementasikan menggunakan program computer yang
mampu menyeelsaikan 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 delayer belakang
maupun depanya (kecuali input dan output).
DAFTAR PUSTAKA
Arhami, Muhammad, (2005), Konsep Dasar System Pakar, Yogyakarta :
Penerbit ANDI.
Hermawaan, Arief, (2006), Jaringan Saraf Tiruan (Teori dan Aplikasinya ),
Yogyakarta : Penerbit ANDY.
Hermawan, A, (2006), Jaringan Syaraf Tiruan Teori dan Aplikasi. Yogyakarta: Penerbit
ANDY.
Kusumadewi,S. (2003). Artifical intelligence (Teknik dan Aplikasinya). Yogyakarta: Garha ilmu