MAKALAH KECERDASAN BUATAN
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
Disusun Oleh: KELOMPOK VI
Hery Munazar (100411068) Rizky Ramadhan(100411066)
PROGRAM STUDI TEKNIK INFORMATIKA
POLITEKNIK NEGERI LHOKSEUMAWE TAHUN AJARAN 2012
KATA PENGANTAR
Alhamdulillah puji syukur kehadirat Allah SWT yang telah melimpahkanrahmat-Nya sehingga saya dapat menyelesaikan penulisan makalah tentang jaringan saraf tiruan ini dengan lancar. Makalah jaringan saraf tiruan ini bertujuan untuk melengkapi Tugas mata kuliah Kecerdasan Buatan dan untuk meningkatkan pengetahuan tentang penggunaannya. Dalam Makalah ini menjelaskan jaringan saraf tiruan secara detail dari mulai pengertian sampai tahap pembuatan jaringan saraf tiruan dan implementasinya untuk dapat bekerja seperti halnya yang dilakukan manusia. Dengan adanya Makalah ini saya berharap dapat menambah wawasan ataupun menambah Referensi dalam kaitannya dengan jaringan saraf tiruan. Kami menyadari banyak kekurangan dalam menyusun makalah ini.kami mohon bimbingan Bapak selaku dosen kami agar lebih mengerti banyak tentang Hal tersebut. .
Lhokseumawe, 02 Nopember 2012 Penulis
Hery Munanzar dan Rizky Ramadhan
BAB I PENDAHULUAN
1.1. Latar Belakang
Jaringan Saraf Tiruan (JST) atau Artificial Neural Network merupakan suatu pendekatan yang berbeda dari metode AI lainnya. JST merupakan suatu model kecerdasan yang di ilhami dari struktur otak manusia dan kemudian diimplementasikan menggunakan program computer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran berlangsung. Skema sederhana dari otak manusia dapat dilihat dari gambar berikut ini.
Gambar 1.1 Struktur dasar jaringan saraf tiruan dan Struktur sederhana sebuah neuron
Dari gambar diatas dapat dilihat bahwa setiap sel saraf mempunyai satu inti sel(nucleus). Inti sel akan bertugas melakukan proses informasi. Informasi sel akanditerima oleh dendrite yang merupakan dari cell body. Selain menerima informasi,dendrit juga menyertai axon sebagai keluaran dari suatu pemrosesan informasi.Informasi hasil olahan ini akan menjadi masukan bagi sel saraf lain dimana antardendrite tersebut akan dipertemukan dengan sinapsis. Informasi yang dikirimkan antarneuron berupa rangsangan yang dilewatkan melalui dendrite. Informasi yang datang dan diterima oleh dendrite akan dijumlahkan dan dikirimkan melalui axon ke dendriteakhir yang bersentuhan dengan dendrite dari sel saraf lain. Informasi yang akan diterima oleh neuron lain jika memenuhi batasan tertentu yang lebih dikenal sebagai threshold (nilai ambang). Gambaran di atas merupakan gambaran sederhana dari jaringan saraf, tetapidari gambaran itu semua komponen dari sel saraf tersebut relevan bagi saraf modelkomputasi. Secara khusus, dapat dikatakan bahwa setiap unit komputasional dihitung dari beberapa fungsi input. Pengembangan terhadap jaringan saraf ini terus dilakuakan dan memunculkan harapan baru yang dicapainya suatu mesin yang dapat belajar sehingga tidak memerlukan adanya pengulangan proses perhitungan yang sama untuk persoalan yang mirip.
1.2. Tujuan
Tujuan dalam penulisan makalah ini adalah untuk menambah pengetahuan dan informasi bagi yang membacanya dan diharapkan dapat bermanfaat bagi kita semua.
BAB II PEMBAHASAN
2.1. Pengertian Jaringan Saraf Tiruan
Jaringan saraf tiruan adalah suatu sistem pemrosesan informasi yang cara kerjanya memiliki kesamaan tertentu dengan jaringan saraf biologis [Fausett,1994]. Jaringan saraf tiruan dikembangkan sebagai model matematis dari saraf biologis dengan berdasarkan asumsi bahwa: 1. Pemrosesan terjadi pada elemen-elemen sederhana yang disebut neuron. 2. Sinyal dilewatkan antar neuron melalui penghubung. 3. Setiap penghubung memiliki bobot yang akan mengalikan sinyal yang lewat. 4.
Setiap neuron memiliki fungsi aktivasi yang akan menentukan nilai sinyal output.
Jaringan saraf dapat digolongkan menjadi berbagai jenis berdasarkan pada arsitekturnya, yaitu pola hubungan antara neuron-neuron, dan algoritma trainingnya, yaitu cara penentuan nilai bobot pada penghubung.
2.2. Komponen Neural Network
Terdapat banyak struktur NN, tetapi kesemuanya mempunyai komponen yang hampir sama. Gambar berikut memperlihatkan struktur ideal NN.
Gambar 2.1 Struktur ideal NN
Seperti terlihat pada gambar, struktur NN mirip dengan struktur otak manusiadiatas. Informasi (sebagai input) dikirim ke neuron melalui suatu pembobotan input.Input ini diproses oleh suatu fungsi propagation yang menaikan nilai bobot input. Hasilnya kemudian dibandingkan dengan threshold oleh activation function. Jika input melampaui threshold, maka neutron akan diaktifkan, jika sebaliknya maka neutron akan inhibit. Jika diaktifkan, neuron akan mengirim output melalui pembobotan outputke neuron lainnya, dan seterusnya. Dalam NN, neuron dikelompokan dalam layer, yang disebut neuron layer. Biasanya setiap neuron dari sebuah layer dihubungkan ke semua neuron yang ada di layer belakang maupun depannya (kecuali input dan output). Informasi yang dikirim dalam sebuah NN, dipropagasi layer – per – layer mulai dari input hingga output tanpa atau melalui satu atau lebih hidden layers. Bergantung pada algoritma yang digunakan, informasi juga dapat dipropagasi ke arah belakang (backpropagation). Gambar berikut menunjukan NN dengan tiga neuron layers.
Gambar 2.2 NN tiga neuron layers.
Perlu dicatat bahwa gambar ini bukan merupakan struktur umum dari NN. Ada NN yang tidak mempunyai hidden layer, atau ada juga NN yang layer-nya berbentuk matriks.
2.3. Multi Layer Perceptron
Diperkenalkan oleh M. Minsky dan S. Papert pada tahun 1969, merupakan pengembangan dari Perceptron dan mempunyai satu atau lebih hidden layers yang terletak antara input dan output layers. Multi – layer - perceptron dapat digunakan untuk operasi logika termasuk yang kompleks seperti XOR.
Gambar 2.3 Multi-Layer Perceptron
Multi-Layer Perceptron adalah jaringan syaraf tiruan feed-forward yang terdiri dari sejumlah neuron yang dihubungkan oleh bobot-bobot penghubung. Neuron-neuron tersebut disusun dalam lapisan- lapisan yang terdiri dari satu lapisan input (inputlayer), satu atau lebih lapisan tersembunyi (hidden layer), dan satu lapisan output (output layer). Lapisan input menerima sinyal dari luar, kemudian melewatkannya kelapisan tersembunyi pertama, yang akan diteruskan sehingga akhirnya mencapai lapisan output [Riedmiller, 1994]. Setiap neuroni di dalam jaringan adalah sebuah unit pemrosesan sederhana yang menghitung nilai aktivasinya yaitusi terhadap inputeksitasi yang juga disebut melambangkan himpunan predesesor dari unit i melambangkan bobot koneksi dari unit j ke unit i, danθi adalah nilai bias dari unit i. Untuk membuat representasi menjadi lebih mudah, seringkali bias digantikan dengan suatu bobot yang terhubung dengan unit bernilai 1. Dengan demikian bias dapat diperlakukan secara sama dengan bobot koneksi.
2.4. Supervised Learning
Tujuan pada pembelajaran supervised learning adalah untuk menentukan nilai bobot bobot koneksi di dalam jaringan sehingga jaringan dapat melakukan pemetaan(mapping) dari input ke output sesuai dengan yang diinginkan. Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set). Setiap pasangan polap terdiri dari vektor input xp dan vektor target. Setelah selesai pelatihan, jika diberikan masukan xp seharusnya jaringan menghasilkan nilai output.Besarnya perbedaan antara nilai vektor target dengan output actual diukur dengan nilai error yang disebut juga dengan di mana adalah banyaknya unit pada output layer.Tujuan dari training ini pada dasarnya sama dengan mencari suatu nilai minimum global dari E.
2.5. Algoritma Dalam Jaringan Saraf Tiruan. •
Algoritma Backpropagation
Salah satu algoritma pelatihan jaringan syaraf tiruan yang banyak dimanfaatkan dalam bidang pengenalan pola adalah backpropagation. Algoritma ini umumnya digunakan pada jaringan syaraf tiruan yang berjenis multi-layer feed-forward, yang tersusun dari beberapa lapisan dan sinyal dialirkan secara searah dari input menuju output. Algoritma pelatihan backpropagation pada dasarnya terdiri dari tiga tahapan [Fausett, 1994], yaitu: 1. Input nilai data pelatihan sehingga diperoleh nilai output. 2. Propagasi balik dari nilai error yang diperoleh. 3. Penyesuaian bobot koneksi untuk meminimalkan nilai error.
Ketiga tahapan tersebut diulangi terus-menerus sampai mendapatkan nilaierror yang diinginkan. Setelah training selesai dilakukan, hanya tahap pertama yangdiperlukan untuk memanfaatkan jaringan syaraf tiruan tersebut.
Secara matematis [Rumelhart, 1986], ide dasar dari algoritma backpropagation ini sesungguhnya adalah penerapan dari aturan rantai (chain rule) untuk menghitung pengaruh masing-masing bobot terhadap fungsi error.
Algoritma Quickprop
•
Pada algoritma Quickprop dilakukan pendekatan dengan asumsi bahwa kurva fungsi error terhadap masing-masing bobot penghubung berbentuk parabolayang terbuka ke atas, dan gradien dari kurva error untuk suatu bobot tidak terpengaruh oleh bobot bobot yang lain [Fahlman, 1988]. Dengan demikian perhitungan perubahan bobot hanya menggunakan informasi lokal pada masing-masing bobot. Perubahan bobot pada algoritma Quickprop dirumuskan sebagaiberikut: Pada eksperimen dengan masalah XOR dan encoder/decoder [Fahlman,1988], terbukti bahwa algoritma Quickprop dapat meningkatkan kecepatan training. Eksperimen dari [Schiffmann, 1993] juga menunjukkan peningkatan kecepatan training dan unjuk kerja yang signifikan.
2.6. Arsitektur Jaringan Saraf Tiruan
Secara umum, Arsitektur JST terdiri atas beberapa lapisan, yaitu lapisan masukan (input layer).
lapisan tersembunyi (hidden layer ), dan lapisan keluaran (output layer ).
Masing-masing lapisan mempunyai jumlah node atau neuron yang berbeda-beda. Arsitektur JST tersebut dapat diilustrasikan sebagai gambar berikut ini :
Gambar 2.4 Arsitektur Jaringan Saraf Tiruan
1. Lapisan Masukan (input layer) Lapisan masukan merupakan lapisan yang terdiri dari beberapa neuronyang akan menerima sinyal dari luar dan kemudian meneruskan ke neuron-neuron lain dalam jaringan. Lapisan ini dillhami berdasarkan cirri-ciri dancara kerja sel-sel saraf sensori pada jaringan saraf biologi. 2. Lapisan tersembunyi (hidden layer) Lapisan tersembunyi merupakan tiruan dari sel-sel syaraf konektor pada jaringan saraf bilogis. Lapisan tersembunyi berfungsi meningkatkankemampuan jaringan dalam memecahkan masalah. Konsekuensi dariadanya lapisan ini adalah pelatihan menjadi makin sulit atau lama. 3. Lapisan keluaran (output layer) Lapisan keluaran berfungsi menyalurkan sinyal-sinyal keluaran hasilpemrosesan jaringan. Lapisan ini juga terdiri dair sejumlah neuron. Lapisankeluaran merupakan tiruan dari sel saraf motor pada jaringan saraf biologis.
2.7. Algoritma Pembelajaran
Belajar Untuk JST merupakan suatu proses dimana parameter-parameter bebasJST diadaptasikan melalui suatu proses perangsangan berkelanjutan oleh lingkungandimana jaringan berada. Suatu Jaringan Saraf Tiruan belajar dari pengalaman. Prosesyang lazin dari pembelajran meliputi tiga tugas, yaitu : 1. Perhitungan Output, 2. Membandingkan output dengan target yang diinginkan. 3. Menyesuaikan bobot dan mengulangi prosesnya. Proses pembelajaran tersebut dapat dilihat pada gambar berikut ini :
Gambar 2.5 Proses Pembelajaran dari suatu JST
Proses pembelajaran atau pelatihan tersebut merupakan proses perubahan bobot antar neuron sehingga sebuah jaringan dapat menyelesaikan sebuah masalah.Semakin besar bobot keterhubungannya maka akan semakin cepat meyelesaikan suatu masalah. Proses pembelajaran dalam JST dapat diklasifikasikan menjadi dua bagian, yaitu: 1. Supervised Learning (pembelajaran terawasi) yang menggunakan sejumlahpasangan data masukan dan keluaran yang diharapkan. Contoh dari tipe iniadalah metode back propagation, jaringan Hopfield dan perceptron. 2. Unsupervised Learning (pembelajaran tidak terawasi) yang hanyamenggunakan sejumlah pasangan data masukan tanpa ada contoh keluaranyang diharapkan.
BAB III IMPLEMENTASI JARINGAN SARAF TIRUAN
3.1.
Implementasi Jaringan Saraf Tiruan Untuk Menditeksi Posisi Wajah Manusia Pada Citra Digital
Dalam penelitian ini kami menggunakan data yang terdiri dari satu set citra untuk pelatihan(training data set) dan satu set citra untuk pengujian (testingdata set). Untuk data pelatihan digunakan citra wajah berukuran 20x20 pixel sebanyak 3000 buah. Sedangkan untuk citra non-wajah diperoleh dari file- file citra yang tidak terdapat wajahmanusia di dalamnya.Sistem ini menggunakan jaringan syaraf tiruan (JST) dengan jenis multi-layer perceptron.Arsitektur yang digunakan diadaptasi dari hasil penelitian [Rowley, 1998], namun lebih disederhanakan. Lapisan input terdiri dari 400 unit input, yang menerima masukan dari nilai grayscale pixel 20x20 dari subcitra yang akan dideteksi. Sebelum dijadikan input untuk JST, nilai grayscale yang berkisar dari 0 sampai 255 dinormalisasi menjadi antara –1 dan 1. Lapisan output terdiri dari sebuah unit dengan nilai keluaran berkisar antara –1 dan 1. Pada training dataset didefinisikan nilai 1 untuk data wajah dan –1 untuk data non-wajah. Lapisan tersembunyi (hidden layer) terdiri dari total 25+16=41 unit. Bagian pertama terhubung dengan lapisan input yang membentuk 25 area berukuran 4x4 pixel. Bagian kedua terhubung dengan lapisan input yang membentuk 16 area berukuran 5x5 pixel. Secara keseluruhan jaringan ini memiliki 883 bobot penghubung, sudah termasuk bias. Jaringan ini lebih sederhana
dibandingkan dengan sistem [Rowley, 1998] yang jumlah bobot penghubungnya mencapai 4357. 3.1.1. Teknik Active Learning
Training dilakukan secara bertahap dengan menggunakan metode active learning [Sung, 1994].Pada tahap pertama training dimulai dengan menggunakan sedikit data non-wajah. Pada tahap berikutnya, data training non-wajah ditambah sedikit demi sedikit. Namun data tambahan tersebut diseleksi hanya untuk data tertentu saja, yaitu data yang yang dideteksi sebagai wajah(false positive) pada hasil training tahap sebelumnya. Dengan demikian jumlah data training yang digunakan untuk jaringan syaraf tiruan akan lebih sedikit. Karena data training yangdigunakan lebih sedikit, waktu yang diperlukan untuk proses training juga akan lebih singkat. learning yang digunakan untuk sistem pendeteksi wajah. 3.1.2. Detektor Wajah
Bagian detector wajah menggunakan arsitektur jaringan syaraf yang sama dengan yangdigunakan untuk training. Bobot penghubung yang digunakan diambil dari bobot ter akhir yangdihasilkan pada proses training. Hasil deteksi akan diputuskan sebagai wajah jika output dari JST lebih dari 0, dan diputuskan sebagai non-wajah jika output JST kurang dari atau sama dengan 0.
Gambar 3.1 Teknik Active Learning untuk Sistem Pendeteksi Wajah
3.1.3. Ekstraksi Subcitra
Posisi wajah bisa berada di mana saja pada citra yang akan dideteksi. Untuk itu digunakan window berukuran 20x20 pixel yang akan digeser melalui seluruh daerah citra. Daerah citra yang dilewati oleh window tersebut akan diperiksa satu persatu apakah ada wajah atau tidak di area tersebut. Untuk mengantisipasi ukuran wajah yang bervariasi di dalam citra yang dideteksi, citra diperkecil secara bertahap dengan skala perbandingan 1:1,2 sebagaimana dilakukan pada [Rowley, 1998]. Pada setiap ukuran citra yang diperkecil, window 20x20 pixel akan digeser melalui seluruh area citra.
3.1.4. Preprocessing
Sebelum digunakan sebagai training data set, citra akan melalui tahap-tahap preprocessing berikut: Histogram Equalization, untuk memperbaiki kontras citra.Masking, yaitu menghilangkan bagian sudut- sudut citra untuk mengurangi variasi citra sehingga memperkecil dimensi data. Normalisasi, yaitu mengkonversi nilai intensitas grayscale citra sehingga memiliki range antara – 1 sampai dengan 1. Tahap-tahap preprocessing ini juga digunakan pada saat proses pendeteksian wajah. 3.1.5. Merging
Pada saat dilakukan deteksi wajah pada citra, biasanya sebuah wajah akan terdeteksi pada beberapa lokasi yang berdekatan. Lokasi-lokasi ini disebut dengan kandidat wajah. Untuk itu perlu dilakukan proses penggabungan (merging), yaitu menyatukan lokasi kandidatkandidat wajah yang berdekatan. 3.1.6. Hasil implementasi
Untuk kerja dari detektor wajah pada umumnya diukur dengan menggunakan dua parameter,yaitu detection rated an false positive rate [Yang, 2002]. Detection rate adalah perbandingan antara jumlah wajah yang berhasil dideteksi dengan jumlah seluruh wajah yang ada. Sedangkanfalse positive rate adalah banyaknya subcitra non-wajah yang dideteksi sebagai wajah. Contoh hasil deteksi yang dilakukan pada beberapa citra pengujian ditunjukkan pada gambar 4. Pengujian dilakukan dengan data uji citra yang berasal dari
Massachusetts Institute of Technology (MIT) yang terdiri dari 23 file citra yang secara keseluruhan berisi 149 wajah (datauji MIT-23). Kumpulan citra ini pertama kali dipublikasikan pada [Sung, 1994]. Pada data uji ini diperoleh hasil detection rate sebesar 71,14% dan false positives sebanyak 62. Hasil ini diperoleh dari training yang menggunakan 3000 data wajah dan 5200 data non- wajah yang diperoleh melalui metode active learning.
data set yang digunakan untuk training tidak sama jumlah data yang digunakan untuk training tidak sama.
3.1.7.
Pengaruh Algoritma Quickprop
Perbandingan antara training yang menggunakan algoritma backpropagatio st an da r d en ga n training yang menggunakan algoritma Quickprop. Eksperimen dilakukan dengan menggunakan 2000, 3000, dan 4000 data. Untuk setiap proses training, iterasi dihentikan pada saat nilai error m e n c a p a i 0 , 0 5 . Terlihat bahwa untuk jumlah data training yang semakin besar, Algoritm a Quickprop memberikan peningkatan kecepatan yang signifikan. 3.1.8. Pengaruh Metode Active Learning
Perbandingan antara hasil training yang menggunakan metode active learning untuk memilihcontoh data non-wajah, dengan hasil training yang mengg unak an data non- waja h yang dipil ihsecara random. Pada eksperimen pertama digunakan
6000
data
w aj ah . Se da ngka n
yang
terdiri
dari
pa da ek spe ri me n
3000 ke du a
data
wajahdan
di gu na ka n
3000 data 8 20 0 da ta
nonya ng
terdirid a r i 3 0 0 0 d a t a w a j a h d a n 5 2 0 0 d a t a n o n - w a j a h . T e r l i h a t b a h w a t e k n i k a c t i v e l e a r n i n g memberikan hasil yang lebih baik. Ini berarti bahwa teknika active learning dapat memilih datayang benar-benar perlu, sehingga dapat meminimalkan jumlah data training yang digunakan.
BAB IV PENUTUP
4.1.
KESIMPULAN
Jaringan
Saraf
Tiruan
(JST)
atau
Artificial
Neural
Network
merupakan
suatupendekatan yang berbeda dari metode AI lainnya. JST merupakan suatu model kecerdasanyang diilhami dari struktur otak manusia dan kemudian diimplementasikan menggunakan program computer yang mampu menyelesaikan sejumlah proses perhitungan selamaproses pembelajaran berlangsung. Dalam NN, neuron dikelompokan dalam layer, yang disebut neuron layer. Biasanya setiap neuron dari sebuah layer dihubungkan ke semua neuron yang ada di layer belakang maupun depannya (kecuali input dan output). Informasi yang dikirim dalam sebuah NN,dipropagasi layer –per –layer mulai dari input hingga output tanpa atau melalui satu atau lebih hidden layers. Multi-Layer Perceptron adalah jaringan syaraf tiruan feed-forward yang terdiri dari sejumlah neuron yang dihubungkan oleh bobot-bobot penghubung. Tujuan pada pembelajaran supervised learning adalah untuk menentukan nilai bobot-bobot koneksi didalam jaringan sehingga jaringan dapat melakukan pemetaan (mapping) dari input keoutput sesuai dengan yang diinginkan. Pemetaan ini ditentukan melalui satu set polacontoh atau data pelatihan (training data set).
Tujuan pada pembelajaran supervised learning adalah untuk menentukan nilaibobot bobot koneksi di dalam jaringan sehingga jaringan dapat melakukan pemetaan(mapping) dari input ke output sesuai dengan yang diinginkan. Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set).
DAFTAR PUSTAKA
Arhami. M., 2005, Konsep Dasar Sistem Pakar, Penerbit ANDI, Yogyakarta Kusumadewi, S, 2002, Artificial Intelligence (Teknik dan Aplikasinya), Graha Ilmu,Yogyakarta http://asro.wordpress.com/category/instrument-kontrol/ http://id.wikipedia.org/wiki/Jaringan_Saraf_Tiruan
