11 International Airport Widharma, 2005. Sudah banyak sekali persoalan-persoalan
dapat diselesaikan dengan menggunakan JST. Dalam JST Semua informasi akan dimasukan dalam JST dengan melalui suatu proses komputasi, semua informasi
tersebut akan dirubah dalam suatu nilai yang disimpan dalam setiap node yang akhirnya informasi tersebut digunakan untuk memberikan suatu keputusan akan
suatu pola.
2.5. Karakteristik -karakteristik Jaringan Saraf Tiruan JST
JST dapat digunakan untuk pemecahan masalah-masalah komplek yang sulit diselesaikan oleh manusia atau teknik komputasi yang lainnya. Beberapa
kelebihan yang lainnya adalah Stergiou and Siganos, 2005. 1. Adaptive learning: mudah untuk belajar bagaimana melakukan sesuatu tugas
berdasarkan data yang diberikan untuk dipelajari. 2. Self-Ogranization: JST dapat membuat dan dapat merepresentasikan sendiri
informasi yang diterima selama learning time 3. Real Time Operation: Komputasi JST dapat dilakukan dengan parallel dan
special hardware yang didesain dengan mengambil kelebihan yang dimilikinya.
4. Fault Tolerance via Redundant Information Coding : Kerusakan terbesar pada jaringan dapat menyebabkan terjadinya penurunan kinerja. Tetapi beberapa
kemampuan dapat menahan, bahkan kerusakan terbesar pada jaringan. JST belajar berdasarkan contoh,. JST tidak dapat diprogram untuk
menunjukan secara spesifik tugas. Contoh harus dipilih secara hati- hati kalau tidak, akan berfungsi tidak dengan benar. Kekurangan dari JST adalah operasinya
tidak dapat diprediksi karena bagaimana pemecahan masalah dilakukan oleh dirinya sendiri. Didalam JST biasanya terdiri dari beberapa lapisana neuron dan
setiap lapisan terdiri dari sekelompok neuron yang melakukan proses komputasional secara terdistribusi dan paralel. Hubungan antar neuron dinyatakan
dalam bobot keterhubungan berupa bilangan numerik yang berubah terus menerus untuk mendapatkan suatu oprimasi nilai bobot agar dapat mengenali
suatu pola masukan. Tahapan untuk mengenali pola masukan tersebut dinamakan tahapan pelatihan atau proses pembelajaran.
12 Proses pembelajaran dalam jaringan neural buatan memiliki beberapa aturan
dan paradigma, antara lain paradigma proses pembelajaran dengan pengarahan supervised dan proses pembelajaran tanpa pengarahan unsupervised. Dalam
proses pembelajaran dengan pengarahan, jaringan neural akan membandingkan hasil keluaran yang sebenarnya actual output dengan hasil keluaran
komputasinya computed output untuk melakukan penyesuaian bobot agar kesalahannya menjadi semakin kecil. Untuk itu jaringan neural memerlukan
seperangkat pelatih training set yang mempresentasikan masukan dan target keluaran sistem. Sedangkan untuk proses pembelajaran tanpa pengarahan,
jaringan neural tidak menggunakan pengaruh dari luar untuk mengatur bobot, akan tetapi jaringan akan melihat keteraturan data masukan sehingga jaringan
dapat membentuk unit-unit kelompok data masukan. Dalam melakukan proses pembelajaran, JST akan menggunakan salah satu
dari banyak algoritma pembelajaran diantaranya Hebb, Perceptron, Hopfield, Learning Vektor Quantization, Backpropagation, masing- masing memiliki
karakteristik yang berbeda. JST berisi tiga komponen yaitu input layer, hidden layer dan output layer, berikut ini contoh arsitektur JST yang terdiri dari lapisan
input, satu lapisan tersembunyi, dan lapisan keluaran.
dengan: X
i
= lapisan input Z
i
= lapisan output Y
= lapisan tersembunyi w
i
= nilai pembobot antara lapisan input dan lapisan tersembunyi v
i
= nilai pembobot antara lapisan tersembunyi dan lapisan output
Gambar 2.6. contoh arsitektur JST X
1
X
2
X
3
Y Z
2
Z
1
w
1
w
2
w
3
v
1
v
2
III. METODOLOGI PENELITIAN
3.1. Kerangka Pemikiran
Sebagai langkah awal maka perlu adanya studi pustaka berkenaan dengan algal blooms untuk menggali informasi sebanyak mungkin agar lebih banyak
mengenal dan memahami permasalahan dengan adanya algal blooms. Kemudian dilakukan identifikasi dari masalah yang akan diteliti untuk memperjelas
permasalahan yang akan menjadi fokus penelitian. Selanjutnya dilakukan pengumpulan data, dimana data tersebut digunakan untuk proses pembelajaran
fuzzy neural juga dapat digunakan untuk proses pengujian, selain itu juga dapat diketahui parameter lingkungan yang dapat mengakibatkan algal blooms
khususnya di teluk Jakarta. Dari data tersebut selanjutnya dilakukan pengembangan suatu model fuzzy neural dari model yang sudah dikembangkan
sebelumnya Budiarto, 1998, dimana banyaknya parameter-parameter lingkungan penyebab algal blooms sebagai penentu banyaknya parameter masukan fuzzy
neural dan kemungkinan terjadinya blooms atau bukan blooms dijadikan sebagai keluaran dari fuzzy neural.
Langkah selanjutnya adalah pembuatan program aplikasi sebagai implementasi dari model tersebut, dimana program aplikasi tersebut untuk proses
pembelajaran dan pengujian, dalam rangka mengetahui tingkat keakuratan ha sil yang diperoleh dari proses pembelajaran fuzzy neural. Dari hasil pengujian
tersebut dapat memberikan informasi tingkat akurasi dari model tersebut, dan berdasarkan informasi tersebut dapat ditentukan layak tidaknya penerapan fuzzy
neural untuk masalah algal blooms. Berikut ini adalah gambar garis besar kerangka pemikiran dari penelitian ini.
