29 -
η -
η
- η
- η
- η
- η
A
1
A
i
A
j
A
m
Lapisan
input
lapisan tersembunyi lapisan
output
Gambar 2.5 Arsitektur
Multi Layer Network
Gambar 2.5 memperlihatkan arsitektur
multi layer network
dengan n neuron
input
�
1
, �
2
, … , � , sebuah lapisan tersembunyi yang terdiri dari p
neuron pada lapisan tersembunyi
1
,
2
, … ,
�
, dan m neuron
output
1
,
2
, … ,
. c.
Jaringan dengan Lapisan Kompetitif
Competitive Layer Network Competitive layer network
memiliki arsitektur yang berbeda dari s
ingle layer network
dan
multi layer network
, yaitu antar neuron dapat saling dihubungkan.
Competitive layer network
memiliki bobot –η. Gambar 2.6
merupakan arsitektur
competitive layer network
.
Gambar 2.6 Arsitektur
Competitive Layer Network
11 1
�
� �2
�1 1
12 11
2 �
� 1
21
2 1
1
�
�
2
�
1
�
30
3. Algoritma Pembelajaran
Salah satu bagian terpenting dari konsep jaringan syaraf adalah terjadinya proses pembelajaran. Tujuan utama dari proses pembelajaran adalah melakukan
pengaturan terhadap bobot-bobot pada ANN, sehingga diperoleh bobot akhir yang sesuai dengan pola data yang dilatih Sri Kusumadewi Sri Hartati, 2010: 84.
Berdasarkan algoritma pembelajaran, ANN dapat dikelompokkan ke dalam dua jenis Haykin, 1999, 63-66, yaitu:
a. Pembelajaran Terawasi
Supervised Learning
Algoritma pembelajaran pada ANN disebut terawasi jika
output
yang diharapkan telah diketahui sebelumnya. Pada proses pembelajaran, satu pola
input
akan diberikan ke suatu neuron pada lapisan
input
. Selanjutnya pola akan dirambatkan pada sepanjang jaringan syaraf sampai ke neuron pada
lapisan
output
. Lapisan
output
akan membangkitkan pola
output
yang akan dicocokan dengan pola
output
targetnya.
Error
muncul apabila terdapat perbedaan antara pola
output
hasil pembelajaran dengan pola target sehingga diperlukan pembelajaran lagi.
b. Pembelajaran Tak Terawasi
Unsupervised learning
Pembelajaran tak terawasi tidak memerlukan target
output
. Selama proses pembelajaran, nilai bobot disusun dalam suatu range tertentu sesuai
dengan nilai
input
yang diberikan. Proses pembelajaran bertujuan untuk mengelompokkan unit-unit yang hampir sama ke dalam suatu area tertentu
sehingga algoritma pembelajaran ini sangat cocok untuk klasifikasi.
