Jaringan syaraf tiruan adalah sistem pemrosesan informasi yang meniru kerja jaringan syaraf biologi manusia dengan menggunakan neuron sebagai unit pemroses dan sinapsis sebagai penghubung antar neuron. Jaringan syaraf tiruan mampu mempelajari pola dan merespon seperti otak manusia dengan memperkuat atau memperlemah sinyal antar neuron berdasarkan bobot sinapsis. Aplikasinya meliputi pengenalan pola,

1. JARINGAN
SYARAF TIRUAN
Tenia Wahyuningrum, S.Kom., MT

2. pembahasan
Plus
Konsep
Sejarah JSB Minus
JST
JST

3. 1943, McCulloch dan Pitts
Menyimpulkan bahwa kombinasi beberapa
neuron sederhana menjadi sebuah sistem
neuron akan meningkatkan kemampuan
komputasinya
Bobot dalam jaringan diatur untuk melakukan
fungsi logika sederhana
Fungsi aktivasi yang digunakan adalah fungsi
Pitts threshold
McCulloh

4. Manusia bereaksi cepat terhadap perubahan

5. Mereka
menggunakan
sistem syarafnya
untuk
melakukan
perilaku ini

7. Struktur syaraf manusia
Otak manusia dengan
bagian kerja otak

8. JST
mencoba meniru
JSB agar dapat
menghasilkan respon
dan perilaku yang
sama

9. Struktur otak manusia
1012 neuron
(sel-sel syaraf)
6.1018 sinapsis
(penghubung)
Kompleksitas otak

10. Neuron bekerja berdasarkan
impuls/sinyal yang diberikan padanya, dan
diteruskan ke neuron lain

11. Kemampuan otak, merespon
dengan kecepatan tinggi

12. Contoh : pengenalan
wajah seseorang yang
sedikit berubah

13. Sel Syaraf (Neuron)

14. Komponen Penting Neuron
Dendrit Dendrit
 Menerima sinyal kimia
listrik dari neuron lain
Soma
 Menjumlahkan semua
sinyal yang masuk
 Jika hasil penjumlahan
sinyal cukup kuat atau
melebihi threshold, sinyal
Soma akan diteruskan ke sel lain
(cell body) melalui axon
Axon
 Mengirimkan sinyal ke
Axon
neuron lain

15. Koneksi Antar Neuron
axon dendrit
sinapsis
Pengiriman sinyal / informasi terjadi pada sinapsis
Sinapsis memperkuat atau memperlemah sinyal yang
hendak dikirimkan

16. JST
“Sistem pemrosesan informasi
dengan karakteristik menyerupai
jaringan syaraf biologi”

17. Asumsi
Penghubung
antar neuron
memiliki bobot
yang dapat
memperkuat
Pemrosesan atau
informasi terjadi memperlemah
pada neuron sinyal
Sinyal dikirimkan Untuk
antar neuron menentukan
melalui suatu keluaran, setiap
penghubung neuron
menggunakan
fungsi
aktivasi, yang
menentukan
sinyal diteruskan
ke neuron lain
atau tidak

18. Model Neuron
x1
w1
 Neuron adalah unit pemroses
x2 w2 Y informasi yang menjadi dasar
jaringan syaraf tiruan
w3
x3
Terdiri dari 3 elemen :
 Himpunan unit-unit yang dihubungkan dengan jalur koneksi
 Unit penjumlah yang akan menjumlahkan sinyal masukan
yang sudah dikalikan dengan bobotnya
 Fungsi aktivasi yang akan menentukan apakah sinyal dari
input neuron akan diteruskan ke neuron lain atau tidak

19. Model Neuron
x1
w1 net=(x1w1+x2w2+x3w3)
x2 w2 Y y=f(net)=f(x1w1+x2w2+x3w3)
w3  Y menerima input dari neuron x1, x2, x3 dengan
x3 bobot penghubung masing-masing w1, w2, w3
 Ketiga impuls neuron dijumlahkan :
net = x1w1+x2w2+x3w3
 Besarnya impuls yang diterima Y mengikuti
fungsi aktivasi y=f(net)
 Apabila nilai fungsi aktivasi cukup kuat, sinyal
akan diteruskan ke neuron lain

20. Karakteristik JST
Ditentukan oleh :
• Arsitektur jaringan (pola hubungan antar
neuron)
– Jaringan layer tunggal, jaringan layer jamak
• Metode training/learning (metoda
menentukan bobot penghubung)
– Dengan supervisi (diawasi) atau tanpa supervisi
• Fungsi aktivasi
– Hard limit, sigmoid

21. Aplikasi JST
• Pengenalan pola (pattern recognition)
– Mengenal huruf, angka, suara, tanda tangan yang
sudah sedikit berubah
– Menyerupai otak manusia yang masih mampu
mengenali orang yang sudah beberapa waktu tidak
dijumpai (wajah/bentuk tubuh sedikit berubah)
• Pengolahan sinyal (signal processing)
– Menekan noise dalam saluran telepon
• Peramalan (forecasting)
– Meramal kejadian masa datang berdasarkan pola
kejadian yang ada di masa lampau
– JST mampu mengingat dan membuat generalisasi
dari apa yang sudah ada sebelumnya

22. Perkembangan JST
 Model JST formal pertama diperkenalkan oleh
McCulloch dan Pitts (1943)
 1949, Hebb mengusulkan jaringan Hebb
 1958, Rosenblatt mengembangkan perceptron
untuk klasifikasi pola
 1960, Widrow dan Hoff mengembangkan
ADALINE dengan aturan pembelajaran Least
Mean Square (LMS)
 1974, Werbos memperkenalkan algoritma
backpropagation untuk perceptron banyak
lapisan

23. Kelebihan dan Kelemahan JST
 Kelebihan :
 Banyak aplikasi menjanjikan yang dapat
dilakukan oleh jaringan syaraf tiruan, terutama
masalah rumit yang sangat tidak linier
 Kelemahan :
 Ketidakakuratan hasil yang diperoleh
 Bekerja berdasarkan pola yang terbentuk pada
inputnya