Materi dasar Sistem Jaringan Syaraf Tiruan.pptx

Jaringan Syaraf Tiruan

1. Sistem Jaringan Syaraf Tiruan (Artificial Neural Network) Materi Pengenalan untuk Mahasiswa

2. Pengantar Jaringan Syaraf Tiruan Jaringan syaraf tiruan (JST) adalah sistem komputasi yang terinspirasi oleh cara kerja otak manusia. Digunakan untuk mengenali pola, memprediksi data, dan belajar dari pengalaman.

3. Motivasi Penggunaan JST • Kemampuan belajar dari data • Dapat menangani data kompleks dan non-linear • Banyak digunakan dalam AI, pengenalan gambar, dan pemrosesan bahasa alami.

4. Sejarah Singkat JST • 1943: McCulloch dan Pitts memperkenalkan model neuron sederhana. • 1958: Rosenblatt mengembangkan Perceptron. • 1980-an: Muncul kembali dengan algoritma backpropagation. • Sekarang: Digunakan dalam Deep Learning.

5. Konsep Dasar Neuron Buatan Neuron buatan meniru fungsi neuron biologis. Setiap neuron menerima input, melakukan perhitungan (fungsi aktivasi), dan menghasilkan output.

6. Struktur Neuron Buatan Komponen utama: • Input (x1, x2, ... xn) • Bobot (w1, w2, ... wn) • Fungsi aktivasi • Output (y)

7. Fungsi Aktivasi Digunakan untuk menentukan output neuron. Contoh fungsi aktivasi: • Step Function • Sigmoid • ReLU (Rectified Linear Unit) • Tanh

8. Arsitektur Jaringan Syaraf 1. **Single Layer Perceptron** – hanya memiliki satu lapisan output. 2. **Multi Layer Perceptron (MLP)** – memiliki satu atau lebih lapisan tersembunyi. 3. **Feedforward Network** – data bergerak satu arah. 4. **Recurrent Network** – memiliki umpan balik (feedback).

9. Proses Pembelajaran JST Langkah-langkah: 1. Inisialisasi bobot acak. 2. Hitung output berdasarkan input. 3. Bandingkan dengan target (error). 4. Perbarui bobot untuk meminimalkan error (training).

10. Algoritma Pelatihan • **Supervised Learning**: menggunakan data berlabel. • **Unsupervised Learning**: tanpa label, mencari pola sendiri. • **Reinforcement Learning**: belajar berdasarkan umpan balik dari lingkungan.

11. Algoritma Backpropagation Metode umum untuk melatih jaringan multi-layer. Menghitung error, lalu menyesuaikan bobot secara mundur dari output ke input.

12. Contoh Penerapan JST • Pengenalan wajah dan suara • Deteksi penipuan • Prediksi cuaca dan saham • Kendaraan otonom • Sistem rekomendasi

13. Kelebihan Jaringan Syaraf Tiruan • Mampu belajar dan beradaptasi • Menangani data kompleks • Tahan terhadap noise • Dapat melakukan generalisasi data baru

14. Kekurangan Jaringan Syaraf Tiruan • Membutuhkan data dan waktu pelatihan besar • Sulit diinterpretasikan (black box) • Rentan terhadap overfitting jika data tidak seimbang

15. Perbandingan JST dengan Algoritma Lain • JST lebih fleksibel tetapi lebih kompleks. • Regresi/logistik cocok untuk hubungan linear. • JST cocok untuk data nonlinear dan besar.

16. Kesimpulan Jaringan Syaraf Tiruan adalah dasar dari banyak teknologi AI modern. Dengan memahami struktur dan cara kerjanya, kita dapat mengembangkan model cerdas yang mampu belajar dari data.