Dokumen ini membahas tentang Jaringan Syaraf Tiruan (Artificial Neural Network/ANN), termasuk struktur, cara kerjanya, serta aplikasi dalam pengenalan pola dan pengolahan sinyal. ANN mirip dengan jaringan syaraf biologis, di mana informasi diproses melalui neuron yang terhubung dengan bobot yang dapat disesuaikan. Kelebihan ANN adalah kemampuannya dalam belajar dari data yang kompleks, sementara kekurangannya terletak pada kebutuhan data pelatihan yang besar dan waktu pelatihan yang signifikan.

1. 1
Machine Learning
Pertemuan 12
Artificial Neural Network (ANN)/Jaringan
Syaraf Tiruan
Gambar 1. Jaringan Syaraf Biologi
12.1 Artificial Neural Network (ANN)
• Sistem pemrosesan informasi yang memiliki karakteristik mirip dengan jaringan syaraf
biologi yang digambarkan sebagai berikut:
• Menerima input atau masukan (baik dari data yang dimasukkan atau dari output sel saraf
pada jaringan saraf).
• Setiap input datang melalui suatu koneksi atau hubungan yang mempunyai sebuah bobot
(weight).
11.2 Analogi ANN dengan Jaringan Syaraf Biologi
• ANN dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi, dengan
asumsi bahwa:
1. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).
2. Sinyal dikirimkan diantara neuron-neuron melalui penghubung-penghubung.
3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah
sinyal.

2. 2
4. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan
fungsi linear) yang dikenakan pada jumlahan input yang diterima. Besarnya output ini
selanjutnya dibandingkan dengan suatu batas ambang.
• Hal yang ingin dicapai dengan melatih JST adalah untuk mencapai keseimbangan antara
kemampuan memorisasi dan generalisasi.
• Cara kerja Jaringan Syaraf Tiruan (JST) dalam memperoleh pengetahuan yang akan
dipelajari menyerupai otak manusia, yaitu:
• Pengetahuan diperoleh jaringan melalui proses belajar.
• Kekuatan hubungan antar sel saraf yang dikenal sebagai bobot-bobot sinapsis yang
digunakan untuk menyimpan pengetahuan.
• Pola hubungan antar neuron (disebut arsitektur jaringan)
• Metode untuk menentukan bobot penghubung (metode training/ learning/algoritma).
• Fungsi aktivasi.
12.3 Contoh ANN dengan Neuron Y
Gambar 2. Contoh ANN dengan Neuron Y
• Y menerima input dari neuron 𝑋1, 𝑋2, dan 𝑋3 dengan bobot hubungan masing-masing adalah
𝑤1, 𝑤2, dan 𝑤3. Ketiga impuls neuron yang ada dijumlahkan.
• Besarnya impuls yang diterima oleh Y mengikuti fungsi aktivasi y = f(net).
• Apabila nilai fungsi aktivasi cukup kuat, maka sinyal akan diteruskan.
• Nilai fungsi aktivasi (keluaran model jaringan) juga dapat dipakai sebagai dasar untuk
merubah bobot.
12.4 Aplikasi ANN
• Algoritma ANN yang telah dibentuk kemudian dilatih sehingga memperoleh pengetahuan
dapat diterapkan ke dalam sebuah aplikasi.
• Pengenalan pola (Pattern Recognition): misal huruf, angka, suara atau tanda tangan.
• Signal Processing: misal menekan noise dalam saluran telepon.
• Peramalan: berdasarkan pola kejadian yang ada di masa yang lampau.

3. 3
12.5 Model Neuron
Gambar 3. Model Neuron
• Neuron adalah unit pemrosesan informasi yang menjadi dasar dalam pengoperasian ANN.
• Himpunan unit-unit yang dihubungkan dengan jalur koneksi.
• Suatu unit penjumlahan yang akan menjumlahkan input-input sinyal yang sudah dikalikan
dengan bobot.
• Fungsi aktivasi yang akan menentukan apakah sinyal dari input neuron akan diteruskan ke
neuron lain ataukah tidak.
12.6 Konsep dasar ANN
• Setiap pola-pola informasi input dan output yang diberikan ke dalam jaringan saraf
tiruan/ANN diproses dalam neuron.
• Neuron tersebut terkumpul di dalam lapisan-lapisan yang disebut neuron layers.
• Lapisan-lapisan penyusun jaringan saraf tiruan tersebut dapat dibagi menjadi 3, yaitu:
1. Lapisan input: Unit-unit di dalam lapisan input disebut unit-unit input. Unit-unit input
tersebut menerima pola inputan data dari dari luar yang menggambarkan suatu
permasalahan.
2. Lapisan tersembunyi: Unit-unit di dalam lapisan tersembunyi disebut unit-unit
tersembunyi (hidden layer). Dimana output-nya tidak dapat secara langsung diamati.
3. Lapisan output: Unit-unit di dalam lapisan output disebut unit-unit output. Output dari
lapisan ini merupakan solusi jaringan saraf tiruan terhadap suatu permasalahan.
12.7 Arsitektur ANN
• Jaringan Layer Tunggal (Single Layer Network)
• Jaringan Layer Jamak (Multi Layer Network)

4. 4
• Jaringan Recurrent (Recurrent Layer Network)
12.8 Jaringan Layar Tunggal (Single Layer Network)
Gambar 4. Jaringan Layar Tunggal (Single Layer Network)
12.9 Jaringan Layar Jamak (Multi Layer Network)
Gambar 5. Jaringan Layar Jamak (Multi layer Network)
12.10 Jaringan recurrent (Recurrent Layer Network)

5. 5
Gambar 6. Jaringan Recurrent (Recurrent Layer Network)
12.11 Fungsi Aktivasi
• Jika tahapan fungsi aktivasi digunakan (output sel saraf = 0 jika input < 0 dan 1 jika input
>= 0) maka tindakan sel saraf sama dengan sel saraf biologi yang dijelaskan di atas (
pengurangan nilai ambang dari jumlah bobot dan membandingkan dengan 0 adalah sama
dengan membandingkan jumlah bobot dengan nilai ambang).
• Biasanya tahapan fungsi jarang digunakan dalam Jaringan Saraf tiruan. Fungsi aktivasi (f(.))
Gambar 7. Fungsi Aktivasi
Gambar 8. Bias
• Fungsi aktivasi dipakai untuk menentukan keluaran suatu neuron.
• Fungsi aktivasinya adalah f(net) = f (∑ 𝑥𝑖 𝑤𝑖).
• Kadang dalam jaringan ditambahkan sebuah unit masukan yang nilainya selalu = 1. Unit
yang demikian disebut bias
• Bias dapat dipandang sebagai sebuah input yang nilainya = 1
• Jika melibatkan bias, maka keluaran unit penjumlahan adalah net = ∑ 𝑥𝑖𝑤𝑖
𝑖
• Fungsi aktivasi threshold menjadi:

6. 6
1 jika net ≥ 0
f(net) =
-1 jika net < 0
12.12 Contoh
Suatu jaringan layar tunggal seperti gambar di atas terdiri dari 2 input 𝑥1 = 0,7 dan 𝑥2 = 2,1 dan
memiliki bias. Bobot 𝑤1 = 0,5 dan 𝑤2 = -0,3 dan bobot bias g = 1,2. Tentukan keluaran neuron
Y jika fungsi aktivasi adalah threshold bipolar.
Penyelesaian:
net = b + ∑ 𝑥𝑖𝑤𝑖
𝑖 = 1,2 + (0,7 * 0,5) + (2,1 * (-0,3)) = 0,92 = 1
Karena net > 0 maka keluaran dari jaringan y = f(net) = 1
12.13 Kelebihan dan Kekurangan
1. Kelebihan
Kelebihan ANN dalam pengenalan gambar adalah kemampuannya untuk belajar dan
menyesuaikan pola yang kompleks. Jaringan saraf dapat mengidentifikasi fitur-fitur penting
dalam gambar yang sulit diinterpretasikan oleh manusia. Selain itu, ANN juga dapat mengenali
pola dalam gambar yang memiliki variasi, seperti rotasi, skala, atau pergeseran.
2. Kekurangan
Salah satu kekurangan ANN dalam pengenalan gambar adalah membutuhkan jumlah data
pelatihan yang besar untuk menghasilkan model yang akurat. Proses pelatihan ANN juga dapat
memakan waktu dan sumber daya komputer yang signifikan. Selain itu, interpretasi hasil dari
ANN yang kompleks juga bisa menjadi tantangan.
12.14 Diskusi
Pertanyaan Diskusi
Sebutkan dan jelaskan secara singkat salah satu aplikasi/penerapan dari ANN (Artificial Neural
Network)!!!
Jawaban:
Salah satu aplikasi/penerapan yang signifikan dari Artificial Neural Network (ANN) adalah
dalam pengenalan gambar atau penglihatan komputer (computer vision).
Dalam pengenalan gambar, ANN digunakan untuk mengajarkan komputer untuk mengenali
dan mengklasifikasikan objek, wajah, teks, atau pola visual lainnya dalam gambar atau video.
Ini memiliki berbagai aplikasi, seperti:

7. 7
1. Deteksi Objek: ANN dapat digunakan untuk mengenali dan mendeteksi objek dalam gambar,
seperti mobil, manusia, atau hewan. Hal ini penting dalam aplikasi seperti pengawasan
keamanan, kendaraan otonom, atau pemrosesan citra medis.
2. Pengenalan Wajah: ANN digunakan untuk mengenali dan membedakan wajah manusia
dalam gambar atau video. Ini penting dalam aplikasi seperti pengenalan wajah untuk keamanan,
verifikasi identitas, atau kategori emosi.
3. Klasifikasi Gambar: ANN digunakan untuk mengklasifikasikan gambar ke dalam kategori
atau kelas yang sesuai. Misalnya, dalam aplikasi klasifikasi gambar, ANN dapat mengenali
apakah gambar berisi kucing atau anjing, mengklasifikasikan jenis makanan, atau
mengidentifikasi tumbuhan atau benda mati.
4. Segmentasi Gambar: ANN digunakan untuk memisahkan objek dari latar belakang dalam
gambar. Misalnya, dalam aplikasi segmentasi medis, ANN dapat membantu memisahkan organ
atau jaringan tertentu dalam gambar medis untuk analisis lebih lanjut.
ANN dalam pengenalan gambar terdiri dari lapisan-lapisan saraf buatan yang memproses
informasi dari piksel-piksel gambar dan mempelajari pola-pola yang mewakili fitur-fitur visual
yang relevan. Dengan menggunakan teknik seperti Convolutional Neural Networks (CNN),
ANN dapat melakukan pengenalan gambar dengan tingkat akurasi yang tinggi.
Penerapan ANN dalam pengenalan gambar memungkinkan mesin untuk "belajar" dari data dan
mengenali pola-pola kompleks dalam gambar yang sulit untuk diidentifikasi dengan metode
konvensional. Ini membuka pintu untuk berbagai aplikasi yang melibatkan pemrosesan gambar
dan pengenalan visual yang lebih lanjut.
Terima kasih
Referensi
Syahid Abdullah, S. M. (2023). Machine Learning. Dalam S. M. Syahid Abdullah, Sesi 12- Sesi 12-
Artificial Neural Network (ANN)/Jaringan Saraf Tiruan(hal. 1 - 19). Jakarta: Informatika UNSIA.
Irwansyah Saputra, D. A. (2022). MACHINE LEARNING UNTUK PEMULA. Bandung:
INFORMATIKA

8. 8
File PDF: https://www.slideshare.net/HendroGunawan8/machine-learning-diskusi-12pdf
Terima kasih