jaringan syaraf tiruan

17
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

Upload: mayasari-dewi

Post on 20-Jul-2015

259 views

Category:

Education


2 download

TRANSCRIPT

Page 1: 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

Page 2: Jaringan Syaraf Tiruan

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.

Page 3: Jaringan Syaraf Tiruan

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

Page 4: Jaringan Syaraf Tiruan

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

Page 5: Jaringan Syaraf Tiruan

Komponen Jaringan Syaraf

Seperti halnya otak manusia, jaringan saraf juga terdiri dari beberapa

neuron, dan ada hubungan antara neuron–neuron tersebut.

Neuron–neuron tersebut akan mentransformasikan informasi yang

diterima melalui sambungan keluarnya menuju ke neuron–neuron 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.

Page 6: Jaringan Syaraf Tiruan

Input ini akan diproses suatu fungsi perambatan yang akan

menjumlahkan nilai–nilai 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 bobot–bobot outputnya ke semua

neuron yang berhubungan dengannya.

Neuron Layer

Pada jaringan saraf, neuron–neuron akan dikumpulkan dalam

lapisan–lapisan (layer) yang disebut dengan lapisan neuron

(neuron layers).

Biasanya neuron–neuron pada satu lapisan akan dihubungkan

dengan lapisan–lapisan 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)

Page 7: Jaringan Syaraf Tiruan

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 bobot–bobot

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.

Page 8: Jaringan Syaraf Tiruan

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 –η

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 :

Page 9: 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 θ) 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

Page 10: Jaringan Syaraf Tiruan

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 –½, dan akan bernilai

1 jika inputnya lebih dari ½. Sedangkan jika nilai input terletak antara -½

dan ½, maka outputnya akan bernilai sama dengan nilai inputnya ditambah

½. Fungsi saturating linear ini dirumuskan sebagai berikut:

Page 11: Jaringan Syaraf Tiruan

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

menggunakan metode backpropagation, mempunyai range 0 sampai 1.

Biasanya digunakan untuk jaringan saraf yang membutuhkan nilai output

yang terletak pada interval 0 sampai dengan 1, juga pada jaringan saraf

yang nilai outputnya 0 atau 1.

9. Fungsi Sigmoid Bipolar

Fungsi ini hampir sama dengan fungsi sigmoid biner, tetapi output fungsi

ini memiliki range 1 sampai –1. Fungsi ini dirumuskan sebagai berikut:

Page 12: Jaringan Syaraf Tiruan

Ringkasan fungsi aktifasi di atas dapat dilihat pada tabel berikut

F. Proses Pembelajaran

Perubahan yang terjadi selama pembelajaran adalah perubahan

nilai bobot. Nilai bobot akan bertambah, jika informasi yang diberikan

oleh neuron yang bersangkutan tersampaikan, sebaliknya jika tidak

disampaikan oleh suatu neuron ke neuron yang lain, maka nilai bobot

yang menghubungkan keduanya akan dikurangi.

Pada saat pembelajaran dilakukan pada input yang berbeda, maka

nilai bobot akan diubah secara dinamis hingga mencapai nilai yang cukup

seimbang. Apabila nilai ini telah tercapai yang mengindikasikan bahwa

Page 13: Jaringan Syaraf Tiruan

tiap–tiap input telah berhubungan dengan output yang diharapkan. Ada

beberapa metode untuk proses pembelajaran pada jaringan saraf tiruan ini,

diantaranya

a. Pembelajaran Terawasi (Supervised Learning)

Output telah diketahui sebelumnya

Satu pola input akan diberikan ke satu neuron pada lapisan input

Pola dirambatkan disepanjang jaringan saraf hingga sampai ke

neuron pada lapisan output

Lapisan output ini akan membangkitkan pola output yang nantinya

akan dicocokkan dengan pola output targetnya.

Apabila terjadi perbedaan antara output hasil pembelajaran dengan

pola target, maka disini akan muncul error

Apabila error ini masih cukup besar, mengindikasikan bahwa

masih perlu dilakukan lebih banyak pembelajaran lagi

b. Pembelajaran Tak Terawasi (Unsupervised Learning)

Tidak memerlukan target output.

Tidak dapat ditentukan hasil seperti apakah yang diharapkan

selama proses pembelajaran.

Selama proses pembelajaran, nilai bobot disusun dalam suatu range

tertentu tergantung pada nilai input yang diberikan.

Tujuan pembelajaran ini adalah mengelompokkan unit–unit yang

hampir sama dalam suatu area tertentu.

Pembelajaran ini biasanya sangat cocok untuk pengelompokan

(klasifikasi) pola

c. Gabungan pembelajaran terawasi dan tak terawasi (hybrid)

Merupakan kombinasi dari kedua pembelajaran tersebut.

Sebagian dari bobot-bobotnya ditentukan melalui pembelajaran

terawasi dan sebagian lainnya melalui pembelajaran tak terawasi.

Page 14: Jaringan Syaraf Tiruan

G. Contoh

Contoh dan program jaringan sederahana

Bila telah ditentukan

Fungsi aktivasi biner

Besar bobotnya sama

Memiliki threshold yang sama

buat fungsi logika “and”, input X1 dan X2, dan Y =

1 jika dan hanya jika inputan 1

X1 X2 Y

1 1 1

1 0 0

0 1 0

0 0 0

Jawab

X1 X2 net Y, 1 jika net >=2, 0 jika net < 2

1 1 1.1+1.1=2 1

1 0 1.1+0.1=1 0

0 1 0.1+1.1=1 0

0 0 0.1+0.1=0 0

Ternyata BERHASIL mengenali pola

X1

X2

Y 2

1

1

Page 15: Jaringan Syaraf Tiruan

Problem “OR”

X1 X2 net Y, 1 jika net >=1, 0 jika net < 1

1 1 1.1+1.1=2 1

1 0 1.1+0.1=1 1

0 1 0.1+1.1=1 1

0 0 0.1+0.1=0 0

Ternyata BERHASIL mengenali pola

H. Aplikasi Jaringan Syaraf Tiruan

Berikut adalah beberapa aplikasi jaringan syaraf tiruan dalam kehidupan :

1. Jaringan syaraf tiruan untuk mendeteksi posisi wajah manusia pada

citra digital

2. Jaringan syaraf tiruan (model ADALINE) dapat dipakai unuk menekan

noise dalam saluran telepon.

3. Aplikasi JST untuk pengenalan pola sidik jari.

4. Aplikasi Pengenalan Ucapan Dengan Jaringan Syaraf Tiruan Propagasi

Balik Untuk Pengendalian Robot Bergerak

X1

X2

Y 1

1

1

Page 16: Jaringan Syaraf Tiruan

PENUTUP

Masih banyak ilmu yang bisa digali dari Jaringan Syaraf Tiruan.

Banyak pula referensi yang membahas tentang aplikasi JST. Tentu banyak

kekurangan dalam penyampaian makalah di atas, oleh karena itu selalu

diharapkan kritik dan saran dari pembaca. Semoga dengan adanya penjelasan di

atas dapat bermanfaat dan membantu pembaca dalam memahami seputar Jaringan

Syaraf Tiruan.