chapter 1

BAHAN PRESENTASI UNTUK MATAKULIAH JARINGAN SYARAF TIRUAN

SEMESTER GENAP 2019-2020

DOSEN : DARWISON, MT

KHAIRUN HAFIZHAN

(1610951005)

REFERENSI :

• DANIEL GRAUPE, 2007, PRINCIPLES OF ARTIFICIAL NEURAL NETWORKS, WORLD SCIENTIFIC

JURUSAN TEKNIK ELEKTRO

FAKULTAS TEKNIK

UNIVERSITAS ANDALAS 

PADANG

chapter 1. Introduction and Role of Artificial Neural Networks

DAFTAR ISI

1. Tujuan

2. Landasan Teori

3. Link download

• Tujuan[KEMBALI]

Tujua dari presentasi mata kuliah ini adalah untuk mengetahui dan memahami artificial neural networks

• Landasan Teori[KEMBALI]

1. Perbedaan Algoritma Konventional Dengan Algoritma Jaringan Saraf  Tiruan

Jaringan saraf tiruan adalah sebuah teknologi yang meniru sistem saraf manusia sehingga pemrosesan dengan komputer menjadi lebih sederhana. Sistem ini terinspirasi dari cara kerja sistem saraf manusia yang dipelajari dalam bidang neurophisiologi. Jaringan saraf tiruan merupakan penemuan baru dalam arsitektur komputer dan arsitektur algoritma yang memiliki hubungan dengan komputer konventional.

Algoritma Konventional, Menggunakan sekumpulan persamaan algoritma yang kompleks Hanya menyelesaikan permasalahan yang diberikan dan cocok dengannya. 2. Algoritma Jaringan Saraf Tiruan Melakukan komputerisasi dan algoritmarisasi dengan sangat sederhana Memiliki self-organizing feature agar dapat menangani permasalahan dalam range yang luas. Algoritma Konventional dan Algoritma Jaringan Saraf Tiruan akan saling melengkapi. JST dapat menyelesaikan permasalahan yang sulit jika diselesaikan dengan menggunakan komputasi konventional.

2. Konsep Jaringan Saraf Tiruan

Jaringan saraf tiruan bekerja dengan menirukan sistem kerja otak manusia yaitu dengan memberikan stimulasi/ransangan, melakukan proses dan memberikan output. Dalam sistem jaringan saraf tiruan ada proses pelatihan yang dapat memperbaiki sistem dan memberikan output yang lebih baik. Jaringan saraf tiruan terdiri atas neuron-neuron sebagai unit pemroses informasi dan elemen penghitung tak linier yang masing-masing dihubungkan melalui suatu pembobot yang terhubung secara paralel. 

Bobot inilah yang akan diperbaiki selama proses pelatihan. Pelatihan dilakukan pada jaringan saraf tiruan sebelum menyelesaikan masalah. Hasil pelatihan akan didapatkan apabila sistem memberikan tanggapan yang benar terhadap masukan. Jaringan saraf tiruan dapat memberikan tanggapan yang benar walaupun masukan mengalami gangguan atau derau.

3. Peranan Jaringan Saraf Tiruan

Jaringan Saraf Tiruan memungkinkan penggunaan operasi komputer yang sangat sederhana untuk menyelesaikan masalah yang kompleks, matemaatika tak terdefinisi, permasalahan nonlinier atau permasalahan skokastika. Mengapa jaringan saraf tiruan perlu dipelajari? 

berikut alasan mengapa jaringan saraf tiruan perlu dipelajari: Ada banyaknya teknik (algoritma) jaringan saraf tiruan yang tersedia. Teknik-teknik yang ada saat ini memiliki tekstur yang sangat beragam dan canggih. Adanya komputer digital berkecepatan tinggi. 

Hal ini semakin mempermudah proses simulasi jaringan saraf tiruan. Aplikasi yang sangat luas. Bidang-bidang penelitian yang memanfaatkan jaringan saraf tiruan di antaranya: Aerospace Autopilot pesawat terbang, simulasi jalur penerbangan,, sistem kendali pesawat, perbaikan autopilot dan simulasi komponen pesawat. Otomotif Sistem kendali otomatis mobil. 

Keuangan dan Perbankan Pendeteksian uang palsu, avaluator aplikasi kredit, pengidentifikasian pola-pola data pasar saham. Pertahanan (Militer) Pengendali senjata, pendeteksi bom, penelusuran target, pembedaan objek, pengendali sensor, sonar, radar, dan pengolahan sinyal citra yang meliputi kompresi data, ekstraksi bagian istimewa dan penghilangan derau, pengenalan sinyal atau citra. Elektronik Pembuatan perangkat keras yang bisa mrngimplementasikan jaringan saraf tiruan secara efisien (pendesaian VLSI), machine vision, pengontrol gerakan dan penglihatan robot, 

sintesis suara. Broadcast Pencarian klip berita melalui pengenalan wajah. Keamanan Jaringan saraf tiruan digunakan untuk mengenali mobil dan mengenali wajah oknum. Medis Analisis sel kanker payudara, pendeteksi kanker kulit. Pengenalan Suara Pengenalan percakapan, aplikasi suara. 

Pengenalan Tulisan Pengenalan tulisan tangan, penerjemahan tulisan ke dalam tulisan lain. Matematika Alat pemodelan masalah dimana bentuk ekplisit dari hubungan antara variabel-variabel tertentu tidak diketahui. Pengenalan Benda Bergerak Selain pola dari citra diam, jaringan saraf tiruan juga bisa digunakan untuk mendeteksi citra bergerak. 

Lain-lain Jaringan saraf tiruan juga dapat digunakan sebagai detektor virus komputer, penginderaan bau, pengenalan pola-pola unik dalam penambangan data (data mining), dan mendukung sistem pendukung keputusan (DSS – Decision Support System).

4. Sejarah Jaringan Syaraf Tiruan

Sejarah Jaringan Saraf Tiruan

1.       Pada tahun 1940-an, ilmuan menemukan bahwa psikologi dari otak sama dengan pemrosesan yang dilakukan oleh peralatan komputer. 

2.       pada tahun 1943, McCulloch dan Pitts merancang model formal yang pertama kali sebagai perhitungan dasar neuron. 

3.       pada tahun 1949, Hebb menyatakan bahwa informasi dapat disimpan dalam koneksi-koneksi dan mengusulkan adanya skema pembelajaran untuk memperbaiki koneksi-koneksi antar neuron tersebut. 

4.       Pada tahun 1954, Farley dan Clark mensetup model-model untuk relasi adaptif stimulus-respon dalam jaringan random. 

5.       Pada tahun 1958, Rosenblatt mengembangkan konsep dasar tentang perceptron ntuk klasifikasi pola. 

6.       Pada tahun 1960, Widrow dan Hoff mengembangkan ADALINE untuk kendali adaptif dan pengembangan pola yang dilatih dengan aturan pembelajaran Least Mean Square (LMS). 

7.       Pada tahun 1974, Werbos memperkenalkan algoritma backpropagationuntuk melatih perceptron dengan banyak lapisan. 

8.       Pada tahun 1975, Little dan Shaw menggambarkan jaringan syaraf dengan menggunakan model probabilistik. 

9.       Pada tahun 1982, Kohonen mengembangkan metode pembelajaranjaringan syaraf yang tidak terawasi (unsupervised learning) untuk pemetaan.

10.  Pada tahun 1982, Grossberg mengembangkan teori jaringan yang diinspirasi oleh perkembangan psikologi. Bersama Carpenter, mereka mengenalkan sejumlah arsitektur jaringan, antara lain: Adaptive Resonance Theory (ART), ART2, dan ART3.

11. Pada tahun 1982, Hopfield mengembangkan jaringan syaraf reccurent yang dapat digunakan untuk menyimpan informasi dan optimasi. 

12.  Pada tahun 1985, algoritma pembelajaran dengan menggunakan mesin Boltzmann yang menggunakan model jaringan syaraf probabilistik mulai dikembangkan. 

13.  Pada tahun 1987, Kosko mengembangkan jaringan Adaptive Bidirectional Associative Memory (BAM). Pada tahun 1988, mulai dikembangkan fungsi radial basis.

• Link download [KEMBALI]

              html download