Artificial

Intellegence
ROMADANI| 085-316-261-399
Course Description

 KOMPETENSI Kendali Cerdas

Fuzzy Logic
System Kendali
Neural Network
Course Objectives

Results/Outcome
Course Objectives Skills Developed
Expected
TUGAS 20 % www.Edmodo.com

KEHADIRAN 10 % -

UTS 30 % Skills Developed

UAS 40 % Skills Developed

Required Materials
• Books
• Articles
Reading • Web
• Other

• Paper
Project • Jurnal
• Experiment

Technology/Tools • Rapidminer & Matlab

Instructional Methods

Metode Pembelajaran
Pengajaran

Demonstrasi

Diskusi Kelas/Virtual Diskusi

Project Individu/Group
Referensi

 Jang, J.S.R, dan Sun, C.T. (1997). Neuro-Fuzzy and Soft

Computing. New Jersey : Prentice Hall
 J.M. Bishop, M.J. Bushel and S.Westland (1991),
Application of Neural Network to Computer recipe
prediction, Color Research and application
 T.Sutojo, Edy.Mulyanto, Vincent Suhartono (2011).
Kecerdasan Buatan : Andi Offset Yogyakarta
Kecerdasan Buatan

 Mekanisme berfikir manusia dapat secara

tepat dimodelkan dan disimulasikan pada
computer digital
Kecerdasan Buatan

 Logic Theorist, Darmount Conference, program untuk

membuktikan teorema-teorema matematika.
 Sad Sam, deprogram Robert K.Lindsay, program untuk
mengetahui kalimat-kalimat sederhana yang ditulisa
dalam Bahasa Inggris dan mampu memberikan
jawaban dari fakta yang didengar dalam sebuah
percakapan.
 ELIZA, deprogram Joseph Weizenbaum, Program untuk
melakukan terapi terhadap pasien dengan
memberikan beberapa pertanyaan.
2 IDE DASAR

Studi proses berfikir manusia

Berhubungan dengan
merepresentasikan proses melalui mesin
(computer, robot)
Alasan memodelkan

 Menguji teori psikologis dari performa manusia

 Membuat computer dapat memahami
penalaran (reasoning) manusia
 Membuat manusia dapat memahami
penalaran komputer
 Mengeksploitasi pengetahuan apa yang dapat
diambil dari manusia.
Tujuan Kecerdasan Buatan
(Winston & Prendergest : 1984)

Membuat mesin menjadi lebih pintar

Memahami apakah kecerdasan itu
Membuat mesin menjadi lebih berguna
Kecerdasan Buatan dari
Berbagai Sudut Pandang
 Sudut Pandang Kecerdasan
Mesin menjadi “cerdas” bias berbuat seperti manusia
 Sudut Pandang Penelitian
Studi bagaimana computer dapat melakukan seperti manusia
Domain :
Mundane Task
a. Persepsi (vision & Speech)
b. Bahasa alami (understanding, generation&translation)
c. Robot Control
Kecerdasan Buatan dari
Berbagai Sudut Pandang-2
Studi bagaimana computer dapat melakukan seperti manusia
Domain :
Format Task
a. Permainan/Game
b. Matematika (Geometri, Logika, Kalkulus, Intergral dll)
Expert Task
a) Analisis Financial
b) Analisis Medical
c) Analisis Ilmu Pengetahun
Kecerdasan Buatan dari
Berbagai Sudut Pandang-3

 Sudut Pandang Bisnis

Kumpulan peralatan yang sangat powerfull dan
metodologis dalam menyelesaiakan masalah-masalah
bisnin
 Sudut Pandang Pemrograman
Studi tentang pemrograman simbolik, problem solving,
searching
AI & Program Konvensional
Aspek AI Program Konvensiional
Sebagian besar
Pemrosesan Algoritmik
Simbolik
Input Tidak Harus Lengkap Harus Lengkap
Pendekatan Sebagian besar
Algoritma
pencarian heuristik
Biasanya tidak
Penjelasan/eksplanasi Tersedia
tersedia
Fokus Pengetahuan Data
Pemeliharaan &
Relatif mudah Biasanya sulit
peningkatan
Kemampuan berfikir
Ada Tidak Ada
secara logis
Questions?
 APA YANG ANDA KETAHUI AI / KECERDASAN BUATAN
 BERILAH CONTOH DI LINGKUNGAN SEKITA KITA
TERHADAP PENERAPAN AI
PENGANTAR LOGIKA FUZZY
 Logika fuzzy pertama kali
dikembangkan oleh Lotfi
A.Zadeh, dalam tulisannya
tahun 1965 tentang teori
himpunan fuzzy

 Lotfi Asker Zadeh ilmuwan

Amerika Serikat
berkembangsaan Irsan dari Univ
California di Barkeley
PENGANTAR LOGIKA FUZZY-cont
 Meskipun logika fuzzy dikembangkan di Amerika,
namun ia lebih popular dan banyak
diaplikasikan luas oleh praktisi Jepang dengan
mengadaptasi ke bidang kendali (control)

 Produk elektronik dengan prinsip logika fuzzy,

sperti mesin cuci, AC, dll
PENGANTAR LOGIKA FUZZY-cont
 Mengapa logika fuzzy yang ditemuka di Amerika malah
lebih banyak ditemukan aplikasinya di negara Jepang?

 Salah satu penjelasannya : kultur orang Barat yang

cenderung memandang suatu persoalan sebagai
hitam-putih, ya-tidak, bersalah-tidak bersalah, sukses-
gagal, atau yang setara dengan dunia logika biner
Aristoteles

 Sedangkan kultur orang Timur lebih dapat menerima

dunia ”abu-abu” atau fuzzy.
PENGANTAR LOGIKA FUZZY-cont
 Logika fuzzy umumnya diterapkan pada masalah yang
mengandung unsur ketidakpastian (uncertainty),
ketidaktepatan (imprecise), noisy, dan sebagainya

 Logika fuzzy menjembatani Bahasa mesin yang presisi

dengan Bahasa manusia yang menekankan pada
makna atau arti (significance)

 Logika fuzzy dikembangkan berdasarkan Bahasa

manusia (Bahasa alami)
PENGANTAR LOGIKA FUZZY-cont
PENGANTAR LOGIKA FUZZY-cont

Simbol Keterangan
{} Himpunan dari
 Himpunan bagian dari, contoh
A  B berarti setiap elemen dari
A juga elemen dari B. A  B
berati A  B tetapi A B.
 Keanggotaan himpunan
elemen dari.
PENGANTAR LOGIKA FUZZY-cont

Contoh 1 :
Seseorang dikatakan “tinggi” jika tinggi
badannya lebih dari 1,7 meter.
Bagaimana dengan orang yang mempunyai tinggi badan
1,6999 meter atau 1,65 meter, apakah termasuk kategori
orang tinggi ?

Menurut persepsi manusia, orang yang mempunyai tinggi

badan sekitar 1,7 meter dikatakan “kurang lebih tinggi”
atau “agak tinggi”.
PENGANTAR LOGIKA FUZZY-cont
Contoh 2 :
Kecepatan “pelan” didefinisikan di bawah 20
km/jam
Bagaimana dengan kecepatan 20,001 km/jam, apakah
masih dapat dikatakan pelan ?
Manusia mungkin mengatakan bahwa kecepatan 20,001
km/jam itu “agak pelan”

Ketidakpastian dalam kasus-kasus ini disebabkan oleh

kaburnya pengertian “agak”, “kurang lebih”,”sedikit”, dan
sebagainya.
HIMPUNAN FUZZY
 Logika fuzzy dikembangkan dari teori himpunan fuzzy.

 Himpunan klasik yang sudah dipelajari selama ini

disebut himpunan tegas (crip set).

 Di dalam himpunan tegas, keanggotaan suatu unsur di

dalam himpunan dinyatakan secara tegas, apakah
objek tersebut anggota himpunan atau bukan.

 Untuk sembarang himpunan A, sebuah unsur x adalah

anggota himpunan apabila x terdapat atau terdefinisi
di dalam A.
Contoh : A { 0,4,7,8,11}, maka 7  A, tetapi 5  A.
HIMPUNAN FUZZY
 Fungsi Karakteristik, dilambagkan dengan 1 ,
mendefinisikan apakah suatau unsur dari semesta pembicaraan
merupakan anggota suatu himpunan atau bukan :

1, 𝑥 𝐴
𝐴 (x) = ቊ
0, 𝑥 𝐴
 Contoh
Misalkan X = {1,2,3,4,5,6} dan A  X, yanga dalam hal ini A
= {1,2,5}. Kita menyatakan A sebagai
A= {(1,1),(2,1),(3,0),(4,0),(5,1),(6,0)}

Keterangan : (2,1) berarti 𝐴 (2)=1; (4,0) berarti 𝐴 (4)=0

HIMPUNAN FUZZY
 Contoh 4 :
Misalkan X = {x|0  x  10, x  R}. Misalkan A  X, dan A= {x|5 x
8, x  R}. Maka, kita dapat menyatakan bahwa

𝐴 (6)=0; 𝐴 (4,8)=0; 𝐴 (7)=1; 𝐴 (8,6,5,4)=1

LATIHAN
 Buatlah sebuah himpunan bilangan jarak
a. Lakukan analisis dari himpunan bilangan
jarak
b. Terapkan terhadap sebuah sampling
sembarang data ke dalam himpunan
bilangan jarak
TUGAS :
• BACALAH TENTANG METODE PARTICLE SWARM OPTIMIZATION
• HASIL ANDA MEMBACA DITUANGKAN / DIJELASKAN / DIRANGKUM
DENGAN BAHASA ANDA DALAM POWER POINT.
SEARCHING
 Masalah

 Dapat di konversi ke dalam ruang

keadaan, keadaan awal (iniatial state),
keadaan tujuan (goal state)

 Dapat mengubah suatu keadaan (state)

ke keadaan lainnya
MASALAH, RUANG KEADAN, ATURAN
 Ruang keadaan (state space), yaitu suatu
ruang berisi semua keadaan yang
mungkin
 Keadaan awal (initial state), keadaan
dimulaianya pencarian
 Keadaan akhir (Goal), keadaan
diakhirinya sebuah pencarian
MASALAH, RUANG KEADAN, ATURAN-cont2
Contoh Kasus :
2 Buah gelas Air, masing-masing volume 4 liter dan
3 liter. Semula isi ke-2nya kosong. Pada ke-2 gelas
tidak terdapat tanda ukuran batas volume.

Ada sebuah kran air yang digunakan untuk mengisi

air pada ke-2 gelas.

Bagaimana agar dapat mengisi tepat

 2 liter air pada gelas dengan volume 4 liter dan
 3 liter air pada gelas dengan volume 3 liter
MASALAH, RUANG KEADAN, ATURAN-cont3
Deskripsi
Misal
X = volume dari gelas 4 liter
Y = volume dari gelas 3 liter

Ruang keadaan pada masalah ini yaitu dengan

pasangan himpunan bilangan bulat (X,Y) yang
terurut, sedemikian rupa sehingga
X = 0,1,2,3,4
Y = 0,1,2,3
X|Y 0 1 2 3
0 (0,0) (0,1) (0,2) (0,3)
1 (1,0) (1,1) (1,2) (1,3)
2 (2,0) (2,1) (2,2) (2,3)
3 (3,0) (3,1) (3,2) (3,3)
4 (4,0) (4,1) (4,2) (4,3)
MASALAH, RUANG KEADAN, ATURAN-cont4
X|Y 0 1 2 3
0 (0,0) (0,1) (0,2) (0,3)
1 (1,0) (1,1) (1,2) (1,3)
2 (2,0) (2,1) (2,2) (2,3)
3 (3,0) (3,1) (3,2) (3,3)
4 (4,0) (4,1) (4,2) (4,3)

Keadaan awal : ke-2 gelas dalam keadaan kosong

dinyatakan (0,0)

Tujuan : X = 2 liter dan Y = 3 liter dinyatakan (2,3)

MASALAH, RUANG KEADAN, ATURAN-cont5
X|Y 0 1 2 3
0 (0,0) (0,1) (0,2) (0,3)
1 (1,0) (1,1) (1,2) (1,3)
2 (2,0) (2,1) (2,2) (2,3)
3 (3,0) (3,1) (3,2) (3,3)
4 (4,0) (4,1) (4,2) (4,3)
Kumpulan Aturan
1. Isi penuh gelas volume 4 liter
Jika keadaan sekarang (X < 4), maka keadaan selanjutnya (4,Y)

2. Isi penuh gelas volume 3 liter

Jika keadaan sekarang (Y < 3), maka keadaan selanjutnya (x,3)

3. Kosongkan gelas volume 4 liter

Jika keadaan sekarang X>0, maka keadaan selanjutnya (0,Y)

4. Kosongkan gelas volume 3 liter

Jika keadaan sekarang Y>0, maka keadaan selanjutnya (X,0)
MASALAH, RUANG KEADAN, ATURAN-cont6
X|Y 0 1 2 3
0 (0,0) (0,1) (0,2) (0,3)
1 (1,0) (1,1) (1,2) (1,3)
2 (2,0) (2,1) (2,2) (2,3)
3 (3,0) (3,1) (3,2) (3,3)
4 (4,0) (4,1) (4,2) (4,3)
Kumpulan Aturan
5. Tuangkan sebagian isi gelas volume 3 liter ke gelas volume 4 liter
hingga gelas volume 4 liter penuh
Jika keadaan sekarang (X +Y> 4) dan Y > 0, maka keadaan
selanjutnya (4,Y+X-4)

6. Tuangkan sebagian isi gelas volume 4 liter ke gelas volume 3 liter

hingga gelas volume 3 liter penuh
Jika keadaan sekarang (X+Y >3), maka keadaan selanjutnya
(Y+X-3,3)
MASALAH, RUANG KEADAN, ATURAN-cont7
X|Y 0 1 2 3
0 (0,0) (0,1) (0,2) (0,3)
1 (1,0) (1,1) (1,2) (1,3)
2 (2,0) (2,1) (2,2) (2,3)
3 (3,0) (3,1) (3,2) (3,3)
4 (4,0) (4,1) (4,2) (4,3)
Kumpulan Aturan
7. Tuangkan seluruh isi gelas volume 4 liter ke gelas volume 3 liter
Jika keadaan sekarang (X +Y 3) dan X > 0, maka keadaan
selanjutnya (0,Y+X)

8. Tuangkan seluruh isi gelas volume 3 liter ke gelas volume 4 liter

Jika keadaan sekarang (X+Y  4), maka keadaan selanjutnya
(Y+X,0)
 MASALAH, RUANG KEADAN, ATURAN-cont8
Keadaan Sekarang Aturan Keadaan Selanjutnya
Gelas 4 Lt Gelas 3 Lt dipakai Gelas 4 Lt Gelas 3 Lt
0 0 1 4 0
4 0 6 1 3
1 3 7 1 0
1 0 7 0 1
0 1 1 4 1
4 1 6 2 3

Tujuan dicapai saat keadaan selanjutnya (2,3), dan

pencarian dihentikan
KASUS-1 :
Selesaikan kasus dibawah ini dengan AI

“Pada suatu hari ada seorang petani yang mempunyai seekor kambing dan
serigala. Pada saat itu ia baru saja panen sayuran. Karena membutuhkan uang,
petani tersebut hendak menjual kambing, serigala, dan sayurannya ke pasar Pagi.
Untuk sampai di pasar Pagi ia harus menyeberangi sungai. Permasalahannya yaitu
di sungai itu hanya tersedia 1 perahu yang hanya bisa memuat petani dan 1
penumpang lain (kambing, serigala, sayuran). Jika ditinggalkan oleh petani
tersebut, maka sayuran akan dimakan oleh kambing, dan kambing akan dimakan
oleh serigala.

• Bagaimana caranya agar petani, kambing, serigala, dan sayuran dapat

selamat sampai di seberang sungai?”
• Tentukan ruang keadaan, keadaan awal, Tujuan, kumpulan aturan
Deskripsi
Ada daerah asal dan daerah seberang yang dilambangkan dengan
(P,Sy,K,Sg)

Daerah asal (P,Sy,0,Sg)  pada daerah asal ada petani, ada sayuran,
tidak ada kambing, dan ada serigala

Ruang Keadaan : (P, Sy, K, Sg)

Keadaan awal :
 Daerah asal : (P, Sy, K, Sg)
 Daerah seberang : (0,0,0,0)
Tujuan :
 Daerah asal : (0,0,0,0)
 Daerah seberang : (P,Sy,K,Sg)
Deskripsi
Ada daerah asal dan daerah seberang yang dilambangkan dengan
(P,Sy,K,Sg)

Daerah asal (P,Sy,0,Sg)  pada daerah asal ada petani, ada sayuran,
tidak ada kambing, dan ada serigala

Kumpulan Aturan :
Aturan Aturan
ke-
1 Kambing dan petani menyeberang
2 Sayuran dan petani menyeberang
3 Serigala dan petani menyeberang
4 Kambing dan petani kembali
5 Sayuran dan petani kembali
6 Serigala dan petani kembali
7 Petani kembali
Aturan Aturan
ke-
1 Kambing dan petani menyeberang
2 Sayuran dan petani menyeberang
Ruang Keadaan : (P, Sy, K, Sg)
3 Serigala dan petani menyeberang Keadaan awal :
4 Kambing dan petani kembali  Daerah asal : (P, Sy, K, Sg)
 Daerah seberang : (0,0,0,0)
5 Sayuran dan petani kembali
Tujuan :
6 Serigala dan petani kembali  Daerah asal : (0,0,0,0)
7 Petani kembali  Daerah seberang : (P,Sy,K,Sg)

Keadaan Sekarang Aturan yang Keadaan Selanjutnya

Asal Seberang dipakai Asal Seberang
(P,Sy,K,Sg) (0,0,0,0) 1 (0,Sy,0,Sg) (P,0,K,0)
(0,Sy,0,Sg) (P,0,K,0) 7 (P,Sy,0,Sg) (0,0,K,0)
(P,Sy,0,Sg) (0,0,K,0) 3 (0,Sy,0,0) (P,0,K,Sg)
(0,Sy,0,0) (P,0,K,Sg) 4 (P,Sy,K,0) (0,0,0,Sg)
(P,Sy,K,0) (0,0,0,Sg) 2 (0,0,K,0) (P,Sy,0,Sg)
(0,0,K,0) (P,Sy,0,Sg) 7 (P,0,K,0) (0,Sy,0,Sg)
(P,0,K,0) (0,Sy,0,Sg) 1 (0,0,0,0) (P,Sy,K,Sg)
LATIHAN KASUS
Menara Hanoi adalah sebuah permaian yang terdiri dari
tiga tiang dan sejumlah cakram dengan ukuran berbeda-
beda yang bias dimasukkan ke tiang mana saja. Permainan
dimulai dengan cakram-cakram yang tertumpuk rapi
berurutan berdasarkan ukurannya dalam salah satu tiang,
cakram terkecil diletakkan di urutan teratas sehingga
membentuk kerucut. Tujuan dari teka teki ini adalah untuk
memindahkan seluruh tumpukan ke tiang yang lain,
mengikuti aturan berikut.

 Hanya satu cakram yang boleh dipindahkan dalam satu

waktu
 Setiap perpindahan berupa pengambilan cakram teratas
dari satu tiang dan memasukkannya ke tiang lain, di atas
cakram lain yang mungkin sudah ada di tiang tersebut.
 Tidak boleh meletakkan cakram lain yang lebih kecil
DASAR-DASAR LOGIKA FUZZY

Himpunan Fuzzy memiliki 2 atribut :

 Linguistik : kelompok yang mewakili suatu
keadaan tertentu dengan Bahasa alami
o Dingin, Sejuk, Panas  mewakili variable
temperature
o Muda, Paruhbaya, Tuas  mewakili variable
umur
 Numeris : suatu nilai yang menunjukkan ukuran
dari suatu variable
o 10,35, 40 dll
KONSEP PEMAHAMAN LOGIKA FUZZY

 Variabel Fuzzy
 Penghasilan, temperature, permintaan, umur
 Himpunan Fuzzy : suatu kelompok yang mewakili
keadaa tertentu dalam variable Fuzzy
Turun Naik
1

0
1000 5000
KONSEP PEMAHAMAN LOGIKA FUZZY-cont
 Semesta pembicaraan : seluruh nilai yang diizinkan untuk
dioperasikan dalam suatu variable fuzzy
 Semesta pembicaraan untuk variable temperatur : [-10 90]
 Semesta pembicaran untuk variable permintaan : [0 +∞]

 Domain himpunan fuzzy: nilai yang diizinkan

dalam semesta pembicaraan dan boleh
dioperasikan dalam sutau himpunan fuzzy
Turun Naik
1  Domain himpunan TURUN = [ 0 5000]
 Domain himpunan NAIK = [ 1000 +∞]

0
1000 5000
FUNGSI KEANGGOTAAN

 Grafik yang mewakili besar dari derajat keanggotaan masing-

masing variable input yang berada dalam interval antara 0 dan
1
 Derajat keanggotaan sebuah variable x dilambangkan
dengan symbol µ(x)
 Rule-rule menggunakan nilai keanggotaan sebagai factor
bobot untuk menentukan pengaruhnya pada saat melakukan
inferensi untuk menarik kesimpulan
GRAFIK KEANGGOTAAN
A. Grafik Keanggotaan Kurva Linear NAIK
Keanggotaan
0; xa domain
µ[x] =ቐ(𝑥 − 𝑎)Τ 𝑏 − 𝑎 ; axb 1.2

1; x=b 1

0.8

Grafik Keanggotaan Linear NAIK, yaitu kenaikan 0.6

himpunan Fuzzy dimulai pada nilai domain yang 0.4

derajat keanggotaan nol [0]

memiliki 0.2

bergerak ke kanan menuju ke nilai 0

a b
domain yang memiliki derajat domain
keanggotaan lebih tinggi
GRAFIK KEANGGOTAAN
Contoh Kasus :
 Fungsi keanggotaan untuk himpunan NAIK pada variable permintaan seperti pada
grafis berikut. Berapa derajat keanggotaan 32 pada himpunan NAIK tersebut ?

NAIK
1
0,7 NAIK[32] = (32-25)/(35-25)
Keanggotaan

= 7/10 = 0.7
Derajat

0
25 32 35
GRAFIK KEANGGOTAAN
B. Grafik Keanggotaan Kurva Linear TURUN
Keanggotaan
(𝑏 − 𝑥)Τ 𝑏 − 𝑎 ; axb domain
µ[x] =ቊ x≥b
0; 1.2

0.8

Grafik Keanggotaan Linear TURUN, yaitu himpunan 0.6

fuzzy dimulai dari domain dengan

nilai 0.4

derajat keanggotaan tertinggi pada 0.2

sisi kiri, kemudian bergerak menurun ke 0

a b

nilai domain yang memiliki derajat domain

keanggotaan lebih rendah.

 GRAFIK KEANGGOTAAN
Contoh Kasus :
 Fungsi keanggotaan untuk himpunan TURUN pada variable permintaan seperti
pada grafis berikut. Berapa derajat keanggotaan 20 pada himpunan TURUN
tersebut ?
TURUN
1
TURUN[32] = (30-20)/(30-15)
= 10/15 = 0.667
Keanggotaan

0,667
Derajat

0
15 20 30
GRAFIK KEANGGOTAAN
LATIHAN Kasus :

Fungsi keanggotaan untuk himpunan NAIK pada variable

permintaan dengan domain 10 35. Berapa derajat
keanggotaan 25 pada himpunan NAIK tersebut ?, Buatlah
grafiknya

Fungsi keanggotaan untuk himpunan TURUN pada variable

permintaan dengan domain 20 40. Berapa derajat
keanggotaan 30 pada himpunan TURUN tersebut ?, Buatlah
grafiknya
JARINGAN SYARAF TIRUAN (NN)
Tujuan :

Mengetahui bagian dari Kecerdasan Buatan & Paham akan

konsep JST
Mengetahui komponen-komponen JST
Memahami manfaat dari fungsi aktivasi dan proses
pembelajaran

Outcome :
Mampu menjelaskan konsep dasar JST
Menjelaskan alasan penggunaan JST
Menjelaskan komponen-komponen JST
Menerapkan JST untuk menyelesaiakn masalah kecerdasan
buatan
JARINGAN SYARAF TIRUAN (NN)
Tujuan :

Mengetahui bagian dari Kecerdasan Buatan & Paham akan

konsep JST
Mengetahui komponen-komponen JST
Memahami manfaat dari fungsi aktivasi dan proses
pembelajaran

Outcome :
Mampu menjelaskan konsep dasar JST
Menjelaskan alasan penggunaan JST
Menjelaskan komponen-komponen JST
Menerapkan JST untuk menyelesaiakn masalah kecerdasan
buatan
PARADIGMA JARINGAN SYARAF TIRUAN (NN)
 Pengolahan informasi yang terinspirasi dari system saraf
secara biologis

 Elemen kuncinya yaitu struktur dari system pengolahan

informasi dari sejulmlah elemen pemroses neuron

 Dikonfigurasikan untuk aplikasi seperti pengenalan pola atau

klasifikasi data melalui proses pembelajaran.
MENGAPA JARINGAN SYARAF TIRUAN (NN)
 Memiliki kemampuan untuk mendapatkan informasi dari data
yang rumit atau tidak tepat.
 Mampu menyelesaikan permasalahan yang tidak terstruktur dan
sulit didefinisikan
 Dapat belajar dari pengalaman
 Mampu melakukan generalisasi dan ekstraksi dari suatu pola data
tertentu
 Mampu memilih input data ke dalam kategori yang sudah
ditetapkan (klasifikasinya)
 Mampu mengolah data-data input tanpa harus memiliki target
 Mampu menemukan jawaban terbaik sehingga meminimalisir
fungsi biaya (optimasi)
KELEBIHAN JARINGAN SYARAF TIRUAN (NN)
 Adaptive Learning : mempelajari bagaiman melakukan pekerjaan
berdasarkan data yang diberikan untuk pelatihan atau
pengalaman awal.

 Self Organisation : membuat organisasi sendiri atau representasi

dari informasi yang diterimanya selama waktu belajar.

 Real Time Operation : perhitungan JST dilakukan secara parallel

sehingga perangkat keras yang dirancang dan diproduksi dapat
mengambil keuntungan dari kemampuannya.
KEKURANGAN JARINGAN SYARAF TIRUAN (NN)
 Tidak efektif jika digunakan operasi-operasi numerik dengan presisi
tinggi.

 Tidak efisien jika digunakan melakukan operasi algoritma aritmatik,

operasi logika, dan simbolis

 Butuh pelatihan sehingga bila jumlah datanya besar, waktu yang

digunakan untuk proses pelatihan sangat lama
APLIKASI JARINGAN SYARAF TIRUAN (NN)
A. Kehidupan sehari-hari
 Peramalam penjualan
 Kontrol proses industry
 Penelitian pelanggan
 Validasi data
 Manajemen Resiko
 Target Pemasaran
B. Kedokteran
 Scan ultrasonic
 Cardiograms
 Diagnosis Kardiovaskular
C. Bisnis
 Analisis keuangan
MODEL JST (BIOLOGI)
Cell Body

Dendris
Treshold

Axon

Summary
• Neuron mengumpulkan signal berupa rangsangan dari neuron lain melalui dendrit.
• Signal datang & diterima oleh dendrit akan dijumlahkan (summary) dan dikirim melalui Axon ke
dendrit akhir yang bersentuhan dengan dendrit dari neuron lain.
• Signal akan diterima neuron lain jika memenuhi nilai threshold tertentu.
• Neuron teraktivasi
MODEL Matematika

𝑥0 𝑤𝑘 0

Activation
𝑥1 𝑤𝑘 1
Function

𝑣𝑘 Output
෍∑ 𝜑(0) 𝑣𝑘
𝑥2 𝑤𝑘 2
Summary
Junction

𝜃𝑘
Thershold
𝑥𝑛 𝑤𝑘 𝑛

Input Signal Synaptic

Weights