BAB 2 LANDASAN TEORI
Pada bab ini, peneliti akan memberikan penjelasan tentang teori metode backpropagation jaringan syaraf tiruan dan metode deret berkala ARIMABox-
jenkins sehingga dapat mempermudah dalam hal analisis data pada bab berikutnya.
2.1 JARINGAN SYARAF TIRUAN
2.1.1 Sejarah Jaringan Syaraf Tiruan
Siang 2005:4 menjelaskan bahwa sejarah jaringan syaraf tiruan pertama kali secara sederhana diperkenalkan oleh McCulloch dan Pitts pada tahun 1943.
McCulloch dan Pitts menyimpulkan bahwa kombinasi beberapa neuron sederhana menjadi sebuah sistem neural akan meningkatkan kemampuan komputasinya.
Bobot dalam jaringan yang diusulkan oleh McCulloch dan Pitts diatur untuk melakukan fungsi logika sederhana. Fungsi aktivasi yang dipakai adalah fungsi
threshold.
Selanjutnya pada tahun 1958, Rosenblatt memperkenalkan dan mulai mengembangkan model jaringan baru yang terdiri dari beberapa lapisan yang
disebut Perceptron. Metode pelatihan diperkenalkan untuk mengoptimalkan hasil iterasinya.
Widrow dan
Hoff 1960
mengembangkan perceptron
dengan memperkenalkan aturan pelatihan jaringan, yang dikenal sebagai aturan delta atau
sering disebut kuadrat rata-rata terkecil. Aturan ini akan mengubah bobot perceptron apabila keluaran yang dihasilkan tidak sesuai dengan target yang diinginkan.
Universitas Sumatera Utara
Apa yang dilakukan peneliti terdahulu hanya menggunakan jaringan dengan layer tunggal single layer. Rumelhart 1986 mengembangkan perceptron menjadi
Backpropagation, yang memungkinkan jaringan diproses melalui beberapa layer. Selain itu, beberapa model jaringan syaraf tiruan lain juga dikembangkan oleh
Kohonen 1972, Hopfield 1982, dan lain-lain. Pengembangan yang ramai dibicarakan sejak tahun 1990an adalah aplikasi model-model jaringan syaraf tiruan
untuk menyelesaikan berbagai masalah di dunia nyata.
2.1.2 Definisi Jaringan Syaraf Tiruan
Jaringan saraf tiruan JST atau disebut juga dengan neural network NN, adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan
saraf manusia. Jaringan syaraf tiruan merupakan sistem adaptif yang dapat merubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun
internal yang mengalir melalui jaringan tersebut. Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-linier. JST dapat digunakan untuk memodelkan
hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data.
Menurut Hecht-Nielsend:1988 mendefinisikan bahwa jaringan syaraf tiruan adalah suatu struktur pemroses informasi yang terdistribusi dan bekerja secara paralel,
yang terdiri atas elemen pemroses yang memiliki memori lokal dan beroperasi dengan informasi lokal yang diinterkoneksi bersama dengan alur sinyal searah yang
disebut koneksi. Setiap elemen pemroses memiliki koneksi keluaran tunggal yang bercabang ke sejumlah koneksi kolateral yang diinginkan setiap koneksi membawa
sinyal yang sama dari keluaran elemen pemroses tersebut. Keluaran dari elemen pemroses tersebut dapat merupakan sebarang jenis persamaan matematis yang
diinginkan. Seluruh proses yang berlangsung pada setiap elemen pemroses harus benar-benar dilakukan secara lokal, yaitu keluaran hanya bergantung pada nilai
masukan pada saat itu yang diperoleh melalui koneksi dan nilai yang tersimpan dalam memori lokal.
Universitas Sumatera Utara
Sebuah jaringan saraf adalah sebuah prosesor yang terdistribusi paralel dan mempuyai kecenderungan untuk menyimpan pengetahuan yang didapatkannya dari
pengalaman dan membuatnya tetap tersedia untuk digunakan. Hal ini menyerupai kerja otak dalam dua hal yaitu: 1. Pengetahuan diperoleh oleh jaringan melalui suatu
proses belajar. 2. Kekuatan hubungan antar sel saraf yang dikenal dengan bobot sinapsis digunakan untuk menyimpn pengetahuan Haykin:1994.
Jaringan syaraf tiruan menjadi salah satu pilihan ketika rumusan persoalan- persoalan yang dihadapi tidak bias diselesaikan secara analitik,dan dengan
mengasumsikan suatu black box yang kita tidak tahu isinya maka jaringan syaraf tiruan menemukan pola hubungan antara input dan output melalui tahap pelatihan
Santosa 2007:79. Menurut Siang 2005:2, jaringan syaraf tiruan JST adalah sistem pemroses
informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi, dengan
asumsi bahwa : a. Pemrosesan informasi terjadi pada banyak elemen sederhana neuron.
b. Sinyal dikirirnkan
diantara neuron-neuron melalui
penghubung- penghubung.
c. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal.
d. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi biasanya bukan fungsi linier yang dikenakan pada jumlahan input yang
diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang.
JST ditentukan oleh 3 hal : a. Pola hubungan antar neuron disebut arsitektur jaringan
b. Metode untuk menentukan bobot penghubung disebut metode training learning algoritma
c. Fungsi aktivasi fungsi transfer
Universitas Sumatera Utara
Neuron dalam jaringan syaraf tiruan sering diganti dengan istilah simpul. Setiap simpul tersebut berfungsi untuk menerima atau mengirim sinyal dari atau ke
simpul-simpul lainnya. Pengiriman sinyal disampaikan melalui penghubung. Kekuatan hubungan yang terjadi antara setiap simpul yang saling terhubung dikenal
dengan nama bobot. Arsitektur jaringan dan algoritma pelatihan sangat menentukan model-model
jaringan syaraf tiruan. Arsitektur tersebut gunanya untuk menjelaskan arah perjalanan sinyal atau data di dalam jaringan. Sedangkan algoritma belajar menjelaskan
bagaimana bobot koneksi harus diubah agar pasangan masukan-keluaran yang diinginkan dapat tercapai. Dalam setiap perubahan harga bobot koneksi dapat
dilakukan dengan berbagai cara, tergantung pada jenis algoritma pelatihan yang digunakan. Dengan mengatur besarnya nilai bobot ini diharapkan bahwa kinerja
jaringan dalam mempelajari berbagai macam pola yang dinyatakan oleh setiap pasangan masukan-keluaran akan meningkat. Sebagai contoh, perhatikan neuron Y
pada gambar berikut :
Gambar 2.1 Sebuah Sel Syaraf Tiruan
Y menerima input dari neuron x
1
, x
2
, dan x
3
dengan bobot hubungan masing-masing adalah w
1
, w
2
dan w
3
. Ketiga impuls neuron yang ada dijumlahkan net = x
1
w
1
+ x
2
w
2
+ x
3
w
3
. Besarnya impuls yang diterima oleh Y mengikuti fungsi aktivasi y = fnet. Apabila nilai fungsi akivasi cukup kuat, maka sinyal akan diteruskan. Nilai fungsi
aktivasi keluaran model jaringan juga dapat dipakai sebagai dasar untuk merubah bobot.
X
1
X
2
X
3
Y
w
1
w
2
W
3
Universitas Sumatera Utara
2.1.3 Arsitektur Jaringan