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

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.

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 ataupun

menambah Referensi dalam kaitannya dengan jaringan saraf tiruan. Kami menyadari banyak

kekurangan dalam menyusun makalah ini.kami mohon bimbingan Bapak selaku dosen kami

agar lebih mengerti banyak tentang Hal tersebut.

.

Lhokseumawe, 02 Nopember 2012

Penulis

Hery Munanzar dan Rizky Ramadhan

BAB I

PENDAHULUAN

1.1. 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 di ilhami 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 Struktur dasar jaringan saraf tiruan dan Struktur sederhana sebuah

neuron

Dari gambar diatas dapat dilihat bahwa setiap sel saraf mempunyai satu inti

sel(nucleus). Inti sel akan bertugas melakukan proses informasi. Informasi sel akanditerima

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 antardendrite tersebut akan dipertemukan

dengan sinapsis. Informasi yang dikirimkan antarneuron berupa rangsangan yang dilewatkan

melalui dendrite. Informasi yang datang dan diterima oleh dendrite akan dijumlahkan dan

dikirimkan melalui axon ke dendriteakhir 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, tetapidari

gambaran itu semua komponen dari sel saraf tersebut relevan bagi saraf modelkomputasi.

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.

1.2. Tujuan

Tujuan dalam penulisan makalah ini adalah untuk menambah pengetahuan dan

informasi bagi yang membacanya dan diharapkan dapat bermanfaat bagi kita semua.

BAB II

PEMBAHASAN

2.1. 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 biologis dengan berdasarkan asumsi

bahwa:

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 akan menentukan nilai sinyal output.

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.

2.2. Komponen Neural Network

Terdapat banyak struktur NN, tetapi kesemuanya mempunyai komponen yang hampir

sama. Gambar berikut memperlihatkan struktur ideal NN.

Gambar 2.1 Struktur ideal NN

Seperti terlihat pada gambar, struktur NN mirip dengan struktur otak manusiadiatas.

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 outputke 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.

Gambar 2.2 NN 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.

2.3. 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

logika termasuk yang kompleks seperti XOR.

Gambar 2.3 Multi-Layer Perceptron

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 (inputlayer), satu atau lebih

lapisan tersembunyi (hidden layer), dan satu lapisan output (output layer). Lapisan input

menerima sinyal dari luar, kemudian melewatkannya kelapisan 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 inputeksitasi yang juga disebut melambangkan himpunan

predesesor dari unit i melambangkan bobot koneksi dari unit j ke unit i, danθi adalah nilai bias

dari unit i. 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.

2.4. 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.

2.5. 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 feed-forward, yang

tersusun dari beberapa lapisan dan sinyal dialirkan secara searah dari input menuju output.

Algoritma pelatihan backpropagation pada dasarnya terdiri dari tiga 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 nilaierror

yang diinginkan. Setelah training selesai dilakukan, hanya tahap pertama yangdiperlukan

untuk memanfaatkan jaringan syaraf tiruan tersebut.

Secara matematis [Rumelhart, 1986], ide dasar dari algoritma 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 parabolayang 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 masing-masing bobot. Perubahan bobot pada

algoritma Quickprop dirumuskan sebagaiberikut:

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.

2.6. 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 berbeda-beda. Arsitektur

JST tersebut dapat diilustrasikan sebagai gambar berikut ini :

Gambar 2.4 Arsitektur Jaringan Saraf Tiruan

1. 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. Lapisan ini dillhami berdasarkan cirri-ciri dancara 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 meningkatkankemampuan jaringan

dalam memecahkan masalah. Konsekuensi dariadanya lapisan ini adalah pelatihan

menjadi makin sulit atau lama.

3. Lapisan keluaran (output layer)

Lapisan keluaran berfungsi menyalurkan sinyal-sinyal keluaran hasilpemrosesan

jaringan. Lapisan ini juga terdiri dair sejumlah neuron. Lapisankeluaran merupakan

tiruan dari sel saraf motor pada jaringan saraf biologis.

2.7. Algoritma Pembelajaran

Belajar Untuk JST merupakan suatu proses dimana parameter-parameter bebasJST

diadaptasikan melalui suatu proses perangsangan berkelanjutan oleh lingkungandimana

jaringan berada. Suatu Jaringan Saraf Tiruan belajar dari pengalaman. Prosesyang lazin dari

pembelajran meliputi tiga tugas, yaitu :

1. Perhitungan Output,

2. Membandingkan output dengan target yang diinginkan.

3. Menyesuaikan bobot dan mengulangi prosesnya.

Proses pembelajaran tersebut dapat dilihat pada gambar berikut ini :

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.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 sejumlahpasangan

data masukan dan keluaran yang diharapkan. Contoh dari tipe iniadalah metode back

propagation, jaringan Hopfield dan perceptron.

2. Unsupervised Learning (pembelajaran tidak terawasi) yang hanyamenggunakan

sejumlah pasangan data masukan tanpa ada contoh keluaranyang diharapkan.

BAB III

IMPLEMENTASI JARINGAN SARAF TIRUAN

3.1. 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). Untuk data

pelatihan digunakan citra wajah berukuran 20x20 pixel sebanyak 3000 buah. Sedangkan

untuk citra non-wajah diperoleh dari file- file citra yang tidak terdapat wajahmanusia di

dalamnya.Sistem ini menggunakan jaringan syaraf tiruan (JST) dengan jenis multi-layer

perceptron.Arsitektur yang digunakan diadaptasi dari hasil penelitian [Rowley, 1998], namun

lebih disederhanakan. Lapisan input terdiri dari 400 unit input, yang menerima masukan dari

nilai grayscale pixel 20x20 dari subcitra yang akan dideteksi. Sebelum dijadikan input untuk

JST, nilai grayscale yang berkisar dari 0 sampai 255 dinormalisasi menjadi antara –1 dan 1.

Lapisan output terdiri dari sebuah unit dengan nilai keluaran berkisar antara –1 dan 1. Pada

training dataset didefinisikan nilai 1 untuk data wajah dan –1 untuk data non-wajah. Lapisan

tersembunyi (hidden layer) terdiri dari total 25+16=41 unit. Bagian pertama terhubung dengan

lapisan input yang membentuk 25 area berukuran 4x4 pixel. Bagian kedua terhubung dengan

lapisan input yang membentuk 16 area berukuran 5x5 pixel. Secara keseluruhan jaringan ini

memiliki 883 bobot penghubung, sudah termasuk bias. Jaringan ini lebih sederhana

dibandingkan dengan sistem [Rowley, 1998] yang jumlah bobot penghubungnya mencapai

4357.

3.1.1. Teknik Active Learning

Training dilakukan secara bertahap dengan menggunakan metode active learning [Sung,

1994].Pada tahap pertama training dimulai dengan menggunakan sedikit data non-wajah.

Pada tahap berikutnya, data training non-wajah ditambah sedikit demi sedikit. Namun data

tambahan tersebut diseleksi hanya untuk data tertentu saja, yaitu data yang yang dideteksi

sebagai wajah(false positive) pada hasil training tahap sebelumnya. Dengan demikian jumlah

data training yang digunakan untuk jaringan syaraf tiruan akan lebih sedikit. Karena data

training yangdigunakan lebih sedikit, waktu yang diperlukan untuk proses training juga akan

lebih singkat. learning yang digunakan untuk sistem pendeteksi wajah.

3.1.2. Detektor Wajah

Bagian detector wajah menggunakan arsitektur jaringan syaraf yang sama dengan

yangdigunakan untuk training. Bobot penghubung yang digunakan diambil dari bobot terakhir

yangdihasilkan pada proses training. Hasil deteksi akan diputuskan sebagai wajah jika output

dari JST lebih dari 0, dan diputuskan sebagai non-wajah jika output JST kurang dari atau

sama dengan 0.

Gambar 3.1 Teknik Active Learning untuk Sistem Pendeteksi Wajah

3.1.3. Ekstraksi Subcitra

Posisi wajah bisa berada di mana saja pada citra yang akan dideteksi. 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. Untuk mengantisipasi ukuran wajah yang bervariasi di

dalam citra yang dideteksi, citra diperkecil secara bertahap dengan skala perbandingan 1:1,2

sebagaimana dilakukan pada [Rowley, 1998]. Pada setiap ukuran citra yang diperkecil,

window 20x20 pixel akan digeser melalui seluruh area citra.

3.1.4. Preprocessing

Sebelum digunakan sebagai training data set, citra akan melalui tahap-tahap

preprocessing berikut: Histogram Equalization, untuk memperbaiki kontras citra.Masking,

yaitu menghilangkan bagian sudut- sudut citra untuk mengurangi variasi citra sehingga

memperkecil dimensi data. Normalisasi, yaitu mengkonversi nilai intensitas grayscale citra

sehingga memiliki range antara – 1 sampai dengan 1. Tahap-tahap preprocessing ini juga

digunakan pada saat proses pendeteksian wajah.

3.1.5. Merging

Pada saat dilakukan deteksi wajah pada citra, biasanya sebuah wajah akan terdeteksi

pada beberapa lokasi yang berdekatan. Lokasi-lokasi ini disebut dengan kandidat wajah.

Untuk itu perlu dilakukan proses penggabungan (merging), yaitu menyatukan lokasi kandidat-

kandidat wajah yang berdekatan.

3.1.6. Hasil implementasi

Untuk kerja dari detektor wajah pada umumnya diukur dengan menggunakan dua

parameter,yaitu detection rated an false positive rate [Yang, 2002]. Detection rate adalah

perbandingan antara jumlah wajah yang berhasil dideteksi dengan jumlah seluruh wajah yang

ada. Sedangkanfalse positive rate adalah banyaknya subcitra non-wajah yang dideteksi

sebagai wajah. Contoh hasil deteksi yang dilakukan pada beberapa citra pengujian

ditunjukkan pada gambar 4. Pengujian dilakukan dengan data uji citra yang berasal dari

Massachusetts Institute of Technology (MIT) yang terdiri dari 23 file citra yang secara

keseluruhan berisi 149 wajah (datauji MIT-23). Kumpulan citra ini pertama kali

dipublikasikan pada [Sung, 1994]. Pada data uji ini diperoleh hasil detection rate sebesar

71,14% dan false positives sebanyak 62. Hasil ini diperoleh dari training yang menggunakan

3000 data wajah dan 5200 data non- wajah yang diperoleh melalui metode active learning.

data set yang digunakan untuk training tidak sama

jumlah data yang digunakan untuk training tidak sama.

3.1.7. Pengaruh Algoritma Quickprop

Perbandingan antara training yang menggunakan algoritma backpropagatio

standar dengan training yang menggunakan algoritma Quickprop. Eksperimen dilakukan

dengan menggunakan 2000, 3000, dan 4000 data. Untuk setiap proses training, iterasi

dihentikan pada saat nilai error mencapa i   0 ,05 .

Te r l i ha t   bahwa  un tuk   j umlah  da t a   t r a i n ing  yang   s emak in  be sa r ,  A lgo r i tm

a Quickprop memberikan peningkatan kecepatan yang signifikan.

3.1.8. Pengaruh Metode Active Learning

Perbandingan antara hasil training yang menggunakan metode active

learning untuk memilihcontoh data non-wajah, dengan hasil training yang

menggunakan data non-wajah yang dipilihsecara random. Pada eksperimen pertama

digunakan 6000 data yang terdiri dari 3000 data wajahdan 3000 data non-

wajah. Sedangkan pada eksperimen kedua digunakan 8200 data yang

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 - w a j a h .

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. Ini

berarti bahwa teknika active learning dapat memilih datayang benar-benar perlu, sehingga

dapat meminimalkan jumlah data training yang digunakan.

BAB IV

PENUTUP

4.1. KESIMPULAN

Jaringan Saraf Tiruan (JST) atau Artificial Neural Network merupakan

suatupendekatan yang berbeda dari metode AI lainnya. 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, 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 didalam jaringan

sehingga jaringan dapat melakukan pemetaan (mapping) dari input keoutput sesuai dengan

yang diinginkan. Pemetaan ini ditentukan melalui satu set polacontoh atau data pelatihan

(training data set).

Tujuan pada pembelajaran supervised learning adalah untuk menentukan nilaibobot-

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).

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