35
3. Algoritma Pembelajaran
Algoritma pembelajaran adalah prosedur untuk menentukan bobot pada lapisan yang berhubungan dalam neural network Fausett, 1994: 429. Tujuan
utama dari proses pembelajaran adalah melakukan pengaturan terhadap bobot- bobot yang ada pada neural network sehingga diperoleh bobot akhir yang tepat
sesuai dengan pola data yang dilatih Kusumadewi Hartati, 2010: 84. Secara garis besar ada dua jenis pembelajaran pada neural network, yaitu pembelajaran
yang menyangkut pengaturan bobot koneksi pada neural network dan struktur belajar, yang berfokus pada perubahan struktur jaringan, termasuk jumlah neuron
dan jenis hubungan antar neuron. Kedua jenis pembelajaran dapat dilakukan secara bersamaan atau terpisah. Setiap jenis pembelajaran dapat diklasifikasikan
menjadi tiga kategori, yaitu Supervised Learning, Reinforcement Learning, dan Unsupervised Learning Lin Lee, 1995:5. Berikut merupakan ketiga kategori
algoritma pembelajaran Lin Lee, 1995:213-214: a.
Pembelajaran terawasi supervised learning Algoritma pembelajaran pada neural network 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
36 pembelajaran lagi. Gambar 2.11 berikut merupakan diagram alur dari supervised
learning:
Gambar 2. 11 Supervised Learning Pembelajaran Terawasi
b. Pembelajaran Penguatan Reinforcement Learning
Reinforcement learning adalah bentuk dari supervised learning karena jaringan masih menerima beberapa umpan balik dari lingkungannya. Tapi umpan
balik penguat sinyal hanya sebagai evaluatif yaitu hanya menyatakan seberapa baik atau seberapa buruk output tertentu dan menyediakan petunjuk mengenai apa
yang seharusnya menjadi jawaban yang tepat. Output dari penguat sinyal biasanya diproses oleh sinyal generator untuk menghasilkan sinyal evaluative yang lebih
informatif untuk neural network dalam menyesuaikan bobot yang benar dengan harapan mendapatkan umpan balik yang lebih baik. Gambar 2.12 berikut
merupakan diagram alur dari reinforcement learning.
Gambar 2. 12 Reinforcement Learning Pembelajaran Penguatan
c. Pembelajaran Tak Terawasi Unsupervised Learning
Dalam Unsupervised Learning, tidak ada pasangan data input-target output yang dipakai untuk melatih jaringan hingga diperoleh bobot yang
Sinyal Error
X ANN
Generator Sinyal Error
input
Y
output sebenarnya
d
output yang diharapkan
Sinyal Kritik
X ANN
Generator Sinyal Kritik
input
Y
output sebenarnya
Sinyal Penguat
37 diinginkan, sehingga tidak ada yang memberikan umpan balik informasi. Jaringan
harus menemukan sendiri pola, fitur, keteraturan, korelasi, atau kategori pada data input dan kode dalam output. Sementara dalam menemukan fitur ini, jaringan
mengalami perubahan bobot; proses ini disebut mengorganisasikan diri. Proses pembelajaran bertujuan untuk mengelompokkan unit-unit yang hampir sama ke
dalam suatu area tertentu sehingga algoritma pembelajaran ini sangat cocok untuk klasifikasi. Gambar 2.13 berikut merupakan diagram alur dari unsupervised
learning.
Gambar 2. 13 Unsupervised Learning Pembelajaran Tak Terawasi
G. Ketepatan Hasil Klasifikasi
Kategori