Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan

Disusun Guna Memenuhi Tugas Kecerdasan Buatan

Oleh :

Dewi Mayasari (11305141032)

Lia Listyana (11305144026)

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS NEGERI YOGYAKARTA

2014

PENDAHULUAN

Kecerdasan buatan dapat memungkinkan komputer untuk

berpikir. Dengan cara menyederhanakan program, kecerdasan buatan dapat

menirukan proses belajar manusia sehingga informasi baru dapat diserap dan

digunakan sebagai acuan untuk menyelesaikan masalah-masalah yang akan

terjadi. Salah satu teknik dalam kecerdasan buatan yang banyak digunakan adalah

Jaringan Syaraf Tiruan. Seperti namanya, Jaringan Syaraf Tiruan (JST) adalah

tiruan dari jaringan syaraf manusia. Yang ditiru tentu saja adalah cara kerjanya,

yaitu menyampaikan input melalui neuron-neuron yang membentuk jaringan

untuk akhirnya disampaikan menjadi output. Berikut akan dijelaskan lebih

mendalam tentang JST yang telah banyak diaplikasikan untuk menyelesaikan

persoalan dalam kehidupan nyata.

PEMBAHASAN

A. Pengertian

Jaringan saraf tiruan (JST) (Bahasa Inggris: artificial neural network

(ANN), atau juga disebut simulated neural network (SNN), atau umumnya hanya

disebut neural network (NN)), adalah jaringan dari sekelompok unit pemroses

kecil yang dimodelkan berdasarkan jaringan saraf manusia / jaringan saraf

biologis (JSB). JST dapat digunakan untuk memodelkan hubungan yang

kompleks antara input dan output untuk menemukan pola-pola pada data.

Jaringan saraf tiruan telah dikembangkan sebagai turunan model

matematika dari kesadaran manusia atau saraf biologis, karena berdasar pada

asumsi bahwa :

Pemrosesan informasi terjadi pada beberapa elemen sederhana yang

disebut neuron.

Sinyal lewat diantara neuron menciptakan jaringan koneksi.

Setiap koneksi penghubung memiliki bobot yang terhubung, yang

dalam jaringan saraf tertentu mengalikan sinyal yang ditransmisikan.

Setiap neuron mempunyai fungsi aktrivasi (biasanya non linier) pada

jaringan inputnya (jumlah dari bobot sinyal input) untuk menentukan

sinyal outputnya.

Karakteristik dari jaringan saraf tiruan adalah :

Pola hubungan antar neuron ( yang menjadi arsitekturnya).

Metode penentuan bobot dalam koneksi (disebut sebagai proses

latihan, pembelajaran, atau Algoritma ).

Fungsi aktivasi.

B. Struktur Jaringan Syaraf Tiruan

Struktur dasar jaringan syaraf biologis dan jaringan syaraf tiruan dapat

dilihat pada gambar berikut

Model Neuron JST

Y1 = X1.W1 + X2.W2 + X3.W3; dst

Analogi JST dengan JSB dapat dilihat dari tabel berikut

JST JS Biologis

Node Badan Sel (Soma)

Input Dendrit

Output Akson

Bobot

informasi yang digunakan oleh

jaringan untuk menyelesaikan

persoalan

Sinapsis

aksi pada proses kimia

X1

X2

X3

Y1

Y2

Y3

W1

W2

W3

Fungsi aktivasi

Masukkan Keluaran

)(;1

zHyxwzn

i

ii

Komponen Jaringan Syaraf

Seperti halnya otak manusia, jaringan saraf juga terdiri dari beberapa

neuron, dan ada hubungan antara neuronneuron tersebut.

Neuronneuron tersebut akan mentransformasikan informasi yang

diterima melalui sambungan keluarnya menuju ke neuronneuron yang

lain.

Pada jaringan saraf, hubungan ini dikenal dengan nama bobot.

Informasi tersebut disimpan pada nilai tertentu pada bobot tersebut.

Struktur Neuron Jaringan Syaraf

Input : x1,x2,x3,xn adalah sinyal yg masuk ke sel syaraf

Bobot (weight) : w1,w2,w3,wn adalah faktor bobot yang berhubungan

dengan masing-masing node.

Threshold : Nilai ambang internal dari node, dimana besarnya offset

yang mempengaruhi aktivasi dari output node y.

Fungsi aktivasi : Merupakan operasi matematik yang dikenakan pada

sinyal output y. Ada beberapa fungsi aktivasi yang biasa dipakai dalam

JST tergantung dari masalah yang akan diselesaikan.

C. Cara Kerja Jaringan Syaraf Tiruan

Cara kerja jaringan syaraf tiruan adalah sebagai berikut :

Informasi (disebut: input) akan dikirim neuron dengan bobot

kedatangan tertentu.

Input ini akan diproses suatu fungsi perambatan yang akan

menjumlahkan nilainilai semua bobot yang datang.

Hasil penjumlahan ini kemudian akan dibandingkan dengan suatu

nilai ambang (threshold) tertentu melalui fungsi aktivasi setiap

neuron.

Apabila input tersebut melewati suatu nilai ambang tertentu, maka

neuron tersebut akan diaktifkan, tetapi kalau tidak, neuron tersebut

tidak akan diaktifkan.

Apabila neuron tersebut diaktifkan, maka neuron tersebut akan

mengirimkan output melalui bobotbobot outputnya ke semua

neuron yang berhubungan dengannya.

Neuron Layer

Pada jaringan saraf, neuronneuron akan dikumpulkan dalam

lapisanlapisan (layer) yang disebut dengan lapisan neuron

(neuron layers).

Biasanya neuronneuron pada satu lapisan akan dihubungkan

dengan lapisanlapisan sebelum dan sesudahnya (kecuali lapisan

input dan lapisan output).

Informasi yang diberikan pada jaringan saraf akan dirambatkan dari

lapisan ke lapisan, mulai dari lapisan input sampai ke lapisan

output melalui lapisan yang lainnya, yang sering dikenal dengan

nama lapisan tersembunyi (hidden layer).

Umumnya neuron-neuron yang terletak pada lapisan yang sama

akan memiliki keadaan yang sama sehingga pada setiap lapisan

yang sama neuron-neuron memiliki fungsi aktivasi yang sama.

Bila neuron-neuron pada suatu lapisan (misal lapisan tersembunyi)

akan dihubungkan dengan neuron-neuron pada lapisan lain (misal

lapisan output) maka setiap neuron pada lapisan tersebut (lapisan

tersembunyi) juga harus dihubungkan dengan setiap neuron pada

lapisan lainnya (lapisan output)

Faktor terpenting dalam menentukan kelakuan suatu neuron adalah

fungsi aktivasi dan pola bobotnya.

D. Arsitektur Jaringan Syaraf Tiruan

Ada beberapa bentuk arsitektur jaringan saraf yaitu :

1. Jaringan dengan lapisan tunggal (single layer net)

Jaringan ini hanya memiliki satu lapisan dengan bobotbobot

terhubung. Jaringan ini menerima input yang kemudian secara

langsung akan mengolahnya menjadi output tanpa harus melalui

lapisan tersembunyi.

2. Jaringan dengan banyak lapisan (multilayer)

Jaringan ini memiliki satu atau lebih lapisan yang terletak diantara

lapisan input dan lapisan outputnya (memiliki satu atau lebih lapisan

tersembunyi). Jaringan dengan banyak lapisan ini dapat menyelesaikan

permasalahan yang lebih sulit dari pada jaringan dengan lapisan

tunggal, tetapi pembelajarannya lebih rumit. Jaringan ini pada banyak

kasus lebih sukses dalam menyelesaikan masalah.

3. Jaringan dengan lapisan kompetitif (competitive layer net)

Pada jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak

menjadi aktif.

Gambar berikut menunjukkan salah satu contoh arsitektur jaringan

dengan lapisan kompetitif yang memiliki bobot

E. Fungsi Aktivasi

Fungsi aktivasi dipakai untuk menentukan keluaran suatu neuron, yaitu

merupakan fungsi yang menggambarkan hubungan antara tingkat aktivasi internal

(summation function) yang mungkin berbentuk linier atau nonlinear. Berikut

adalah fungsi aktivasi yang digunakan pada Jaringan Syaraf Tiruan :

1. Fungsi Undak Biner (Hard Limit)

Fungsi Undak Biner merupakan jaringan lapisan tunggal yang

menggunakan fungsi undak (step function) untuk mengkonversikan input

dari suatu variabel yang bernilai kontinyu ke suatu output biner (0 atau 1).

2. Fungsi Undak Biner (Threshold)

Fungsi undak biner dengan menggunakan nilai ambang sering juga

disebut dengan nama fungsi nilai ambang (thresholed) atau fungsi

Heaviside. Fungsi undak biner (dengan nilai ambang ) dirumuskan

sebagai berikut

3. Fungsi Bipolar (Symetric Hard Limit)

Fungsi bipolar dengan Symetric hard limit sebenarnya hampir sama

dengan fungsi undak biner, hanya saja output yang dihasilkan berupa 1, 0,

-1. Fungsi Symetric Hard Limit dirumuskan sebagai berikut

4. Fungsi Bipolar (dengan threshold)

Fungsi bipolar dengan threshold sebenarnya hampir sama dengan fungsi

undak biner, hanya saja output yang dihasilkan berupa 1, 0 atau -1. Fungsi

bipolar dengan nilai ambang 0 dirumuskan sebagai berikut

5. Fungsi Linear (Identitas)

Fungsi ini memiliki nilai output yang sama dengan nilai inputnya,

dirumuskan sebagai berikut:

Y = x

6. Fungsi Saturating Linear

Fungsi ini akan bernilai 0 jika inputnya kurang dari , dan akan bernilai

1 jika inputnya lebih dari . Sedangkan jika nilai input terletak antara -

dan , maka outputnya akan bernilai sama dengan nilai inputnya ditambah

. Fungsi saturating linear ini dirumuskan sebagai berikut:

7. Fungsi Symetric Saturating Linear

Fungsi ini akan bernilai 1 jika inputnya kurang dari 1, dan akan bernilai

1 jika inputnya lebih dari 1. Sedangkan jika nilai input terletak antara -1

dan 1, maka outputnya akan bernilai sama dengan nilai inputnya.

8. Fungsi Sigmoid Biner

Fungsi ini digunakan untuk jaringan saraf yang dilatih dengan