10
2.1.4 Karakteristik Jaringan Syaraf Tiruan
Jaringan syaraf tiruan di defenisikan sebagai sistem pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan syaraf manusia. Jaringan syaraf tiruan
tercipta sebagai suatu generalisasi model matematis dari pemahaman manusia human cognition yang didasarkan atas asumsi sebagai berikut:
1. Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron. 2. Isyarat mengalir di antara sel syaraf neuron melalui suatu sambungan
penghubung. 3. Setiap sambungan penghubung memiliki bobot yang bersesuaian. Bobot
ini akan digunakan untuk menggandakanmengalikan isyarat yang dikirim melaluinya.
4. Setiap sel syaraf akan menerapkan fungsi aktivasi terhadap isyarat hasil penjumlahan berbobot yang masuk kepadanya untuk menentukan isyarat
keluarannya.
Karakteristik jaringan syaraf tiruan ditentukan oleh: 1. Pola hubungan antar neuron disebut dengan arsitektur jaringan
2. Metode penentuan bobot-bobot sambungan disebut dengan pelatihan atau proses belajar jaringan
3. Fungsi aktivasi.[ Hermawan, Arief, 2006]
2.1.5 Kelebihan Jaringan Syaraf Tiruan
Sistem jaringan syaraf tiruan disebut juga brain metaphor, computational neuroscience atau parallel distributed processing serta connection. Jaringan syaraf
tiruan tersusun dari sejumlah besar elemen yang melakukan kegiatan analog dengan fungsi-fungsi biologis neuron yang paling elementer. Elemen
–elemen ini terorganisasi sebagaimana layaknya anatomi otak, walaupun tidak persis. Jaringan syaraf tiruan
dapat belajar dari pengalaman, melakukan generalisasi atas contoh –contoh yang
Zulkarnain Harun : Pengenalan Pola Angka Dengan Menggunakan Algoritma Hopfield, 2008. USU Repository © 2009
11 diperoleh dan mengabstraksi karakteristik essensial input bahkan untuk data yang
tidak relevan. Jaringan syaraf tiruan memiliki sejumlah besar kelebihan dibandingkan dengan
metode perhitungan lainnya, yaitu: 1. Kemampuan mengakusisi pengetahuan walaupun dalam kondisi ada
gangguan dan ketidakpastian. Hal ini karena jaringan syaraf tiruan mampu melakukan generalisasi, abstraksi, dan ekstraksi terhadap property statistic
dari data. 2. Kemampuan merepresentasikan pengetahuan secara fleksibel. Jaringan
syaraf tiruan dapat menciptakan sendiri representasi melalui pengaturan diri sendiri atau kemampuan belajar Self Organizing.
3. Kemampuan untuk memberikan toleransi atas suatu distorsi errorfault, dimana gangguan kecil pada data dapat dianggap hanya sebagai noise
guncangan belaka. 4. Kemampuan memproses pengetahuan secara efisien karena memakai
ssstem parallel, sehingga waktu yang diperlukan untuk mengoperasikan menjadi lebih singkat.
Sedangkan keuntungan penggunaan Jaringan Syaraf Tiruan dalam hal pengenalan pola:
1. Perangkat yang mampu untuk mengenali suatu pola secara non-linier. 2. Mempermudah pemetaan input menjadi suatu hasil tanpa mengetahui proses
sebenarnya. 3. Mampu melakukan pengadaptasian terhadap pengenalan suatu pola
4. Perangkat yang memiliki toleransi terhadap suatu kesalahan dalam pengenalan suatu pola.
5. Neural Network mampu diimplementasikan pada suatu Hardware atau perangkat keras.
6. Perangkat yang mampu diimplementasikan secara parallel.
Dengan tingkat kemampuan yang sangat baik, beberapa aplikasi jaringan syaraf tiruan sangat cocok untuk diterapkan pada:
Zulkarnain Harun : Pengenalan Pola Angka Dengan Menggunakan Algoritma Hopfield, 2008. USU Repository © 2009
12 1. Klasifkasi, memilih suatu input data kedalam satu kategori tertentu yang
diterapkan. 2. Asosiasi, menggambarkan suatu objek secara keseluruhan hanya dengan
sebuah bagian dari objek lain. 3. Self Organizing, kemampuan untuk mengelola data input tanpa harus
memiliki data sebagai target. 4. Optimasi, menemukan suatu jawaban atau solusi yang paling baik sehingga
seringkali dengan meminimalisasikan suatu fungsi biaya optimizer. Hermawan, Arief, 2006
2.2 Model Neuron
Neuron adalah unit pemroses informasi yang menjadi dasar dalam pengoperasian jaringan syaraf tiruan. Neuron terdiri dari 3 tiga elemen pembentuk:
1. Himpunan unit-unit yang dihubungkan dengan jalur koneksi. Jalur-jalur tersebut memiliki bobotkekuatan yang berbeda-beda. Bobot yang bernilai
positif akan memperkuat sinyal dan yang bernilai negatif akan memperlemah sinyal yang dibawanya. Jumlah, struktur dan pola hubungan
antar unit-unit tersebut akan menentukan arsitektur jaringan dan juga model jaringan yang dibentuk.
2. Suatu unit penjumlah yang akan menjumlahkan input-input sinyal yang sudah dikalikan dengan bobotnya.
Misalkan x
1
,x
2
, .. , x
m
adalah unit-unit input dan w
j1
, w
j2
, ... , w
jm
adalah bobot penghubung dari unit-unit tersebut ke unit keluaran Y
j
, dengan demikian unit penjumlah akan memberikan keluaran sebesar u
j
= x
j
w
j1
+ x
2
w
j2
+ ... + x
m
w
jm
3. Fungsi aktivasi yang akan menentukan apakah sinyal dari input neuron akan diteruskan ke neuron lain atau tidak.Siang, Jong Jek, 2005
Bentuk dasar arsitektur suatu neural network adalah sebagai berikut:
Zulkarnain Harun : Pengenalan Pola Angka Dengan Menggunakan Algoritma Hopfield, 2008. USU Repository © 2009
13 Gambar 2. Arsitektur dasar Jaringan Syaraf Tiruan
Secara umum, terdapat 3 tiga jenis jaringan syaraf yang sering digunakan berdasarkan jenis jaringannya network, yaitu:
1. Single-Layer Neural Network
2. Multilayer Perceptron Neural Network
3. Recurrent Neural Networks
2.2.1 Single-Layer Neural Network
Neural network jenis ini memiliki koneksi pada inputnya secara langsung ke jaringan output.
Gambar 3. Single Layer Neural Network Jenis neural network ini sangatlah terbatas, hanya digunakan pada kasus-kasus yang
sederhana. Input
Output
p1 p2
pR a1
aS b1
wS,R Input
Output
Zulkarnain Harun : Pengenalan Pola Angka Dengan Menggunakan Algoritma Hopfield, 2008. USU Repository © 2009
14
2.2.2 Multilayer Perceptron Neural Network
Jenis neural network ini memiliki layer lapisan yang dinamakan “hidden”, ditengah
layer input dan output. Hidden ini bersifat berubah-ubah, dapat digunakan lebih dari satu hidden layer.
Gambar 4. Multilayer Perceptron Neural Network Input
Output Hidden
p1
p2 pR
a
2
1 a
2
S
2
a
1
1 a
1
S
1
b
1
1 b
2
1
wS
1
,R wS
2
,S
1
Zulkarnain Harun : Pengenalan Pola Angka Dengan Menggunakan Algoritma Hopfield, 2008. USU Repository © 2009
15
2.2.3 Recurrent Neural Network
Kategori