Jaringan syaraf tiruan adalah paradigma pemrosesan informasi yang terinspirasi oleh sistem sel syaraf biologi seperti otak. Terdiri dari input, bobot, fungsi aktivasi, output, dan lapisan tersembunyi. Ada tiga arsitektur utama: single layer, multilayer, dan competitive layer. Algoritma pembelajaran terdiri dari supervised learning dan unsupervised learning.

1. JARINGAN
SYARAF
TIRUAN
Neuro Fuzzy
Sri Kusumadewi dan Sri Hartati
1

2. Definisi
Jaringan Syaraf Tiruan adalah
paradigma pemrosesan suatu
informasi yang terinspirasi
oleh sistim sel syaraf biologi,
sama seperti otak yang
memproses suatu informasi.
https://goo.gl/DYGbub

3. Bobot
Input
Fungsi aktivasi
Output
Neuron layers (Hidden Layer)
Algoritma pembelajaran
Komponen
jaringan syaraf
1
2
3
4
5
6

4. Arsitektur
Jaringan Syaraf
Tiruan Single Layer Net
Multilayer Net
Competitive Layer Net

5. Jaringan dengan lapisan tunggal hanya
memiliki satulapisan dengan bobot-bobot
terhubung. Jaringan ini hanya menerimain
put kemudian secara langsung akan
mengolahnya menjadi output tanpa harus
melalui lapisan tersembunyi. Dengan
kata lain, ciri-
ciri dari arsitektur syaraf dengan lapisantu
nggal adalah hanya terdiri dari satu lapisan
input dan satu lapisan output, tanpa lapisan
tersembunyi.
Single Layer
Net

6. Jaringan dengan banyak lapisan memiliki satu atau
lebih lapisan yang terletak di
antara lapisan input dan lapisan output (memiliki
satu atau lebih lapisan
tersembunyi). Umumnya, ada lapisan bobot-
bobot yang terletak di antara 2
lapisan yang bersebelahan. Jaringan dengan bany
ak lapisan ini dapat
menyelesaikan permasalahan yang lebih sulit dari
pada jaringan dengan lapisan tunggal, tentu saja
dengan pembelajaran yang lebih rumit.
Multi Layer Net

7. • Arsitektur ini memiliki bentuk
berbeda dari kedua arsitektur
lainnya, di mana
antar neuron saling dihubungk
an. Jaringan ini sering
disebut feedback loop karena
unit output ada yang
memberikan informasi terhadap
unit masukan.
Competitive
Layer Net

8. Fungsi Aktivasi
Fuzzy Undak Biner
Fuzzy Bipolar
Fuzzy Linear
Fuzzy Saturating Linear
Fuzzy Symetric Saturating Linear
Fuzzy Sigmoid Biner
Fuzzy sigmoid Bipolar

9. Algoritma Pembelajaran
Supervised Learning
(metode pembelajaran
terawasi)
Unsupervised Learning
(metode pembelajaran tak
terawasi)
1
2
Tujuan : untuk
melakukan
pengaturan
terhadap bobot-
bobot yang
sesuai dengan
pola data yang
dilatih

10. Supervised
Learning Metode pembelajaran pada jaringan syaraf disebut terawasi
jika output yang diharapkan telah diketahui sebelumnya.
Misalkan jaringan syaraf akan digunakan untuk mengenali
pasangan pola, misalkan pada sebuah operasi logika
matematika AND. Pada proses pembelajaran, satu pola
input akan diberikanke satu neuron pada lapisan input. Pola
ini akan dirambatkan ke sepanjang jaringan syaraf 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 pola output hasil pembelajaran dengan
pola target, maka akan muncul error. Apabila nilai error ini
masih cukup besar, berarti perlu dilakukan lebih banyak
pembelajaran lagi. Model-model pembelajaran yang
menggunakan supervised learning di antaranya
adalah Backpropagation, Bidirective Associative Memory
(BAM), dan Hopfield.

11. Unsupervised
Learning Metode pembelajaran yang tak terawasi tidak
memerlukan target output. Pada
metode ini, tidak dapat ditentukan hasil yang sep
erti apakah yang diharapkan selama
proses pembelajaran. Selama proses pembelajaran,
nilai bobot disusun dalam suatu
range tertentu tergantung pada nilai input yang di
berikan. Tujuan pembelajaran ini
adalah mengelompokkan unit-
unit yang hampir sama dalam suatu area tertentu
. Pembelajaran ini biasanya sangat cocok untuk
pengelompokan (klasifikasi) pola. Model-model
pembelajaran yang menggunakan unsupervised
learning di antaranya adalah Adaptive Resonance
Theory (ART) dan Competitive.

12. Algoritma Hebb 12
Pembelajaran dilakukan dengan cara memperbaiki nilai bobot sedemikian rupa
sehingga jika ada 2 neuron yang terhubung dan keduanya pada kondisi hidup pada saat yang
Sama, maka bobot antara keduanya dinaikkan.

13. 13
Algoritma Perceptron
Proses pembelajaran untuk mendapatkan bobot- bobot akhir dilakukan
secara berulang sampai sudah tidak terjadi kesalahan (error) yang terjadi
(output jaringan memiliki nilai yang sama dengan target yang diharapkan).
Apabila proses pembelajaran dilakukan sampai berulang- ulang namun
masih terjadi kesalahan, maka proses pembelajaran harus dihentikan.

14. 14
Algoritma Backpropagation
Backpropagation merupakan salah satu bagian dari Neural Network.
Backpropagation merupakan metode pelatihan terawasi (supervised
learning), dalam artian mempunyai target yang akan dicari. ciri dari
Backpropagation adalah meminimalkan error pada output yang
dihasilkan oleh jaringan. dalam metode backpropagation, biasanya
digunakan jaringan multilayer.

15. 15
Algoritma Perceptron
Proses pembelajaran untuk mendapatkan bobot- bobot akhir dilakukan
secara berulang sampai sudah tidak terjadi kesalahan (error) yang terjadi
(output jaringan memiliki nilai yang sama dengan target yang diharapkan).
Apabila proses pembelajaran dilakukan sampai berulang- ulang namun
masih terjadi kesalahan, maka proses pembelajaran harus dihentikan.