2.4. Jaringan Saraf Tiruan
Jaringan saraf tiruan neural network merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran
pada otak manusia tersebut. Istilah tiruan di sini digunakan karena jaringan saraf ini meniru cara kerja jaringan saraf biologis dan diimplementasikan dengan
menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran [23].
2.4.1. Otak Manusia
Otak manusia berisi berjuta-juta sel saraf yang bertugas mengolah informasi. Tiap-tiap sel saraf bertugas seperti suatu prosesor sederhana dan saling berinteraksi
sehingga mendukung kemampuan kerja otak manusia. Gambar 2.13 menunjukkan contoh jaringan saraf secara biologis.
Gambar 2. 13 Jaringan
Saraf Secara Biologis [24]
Universitas Sumatera Utara
Setiap neuron menerima sinyal input dari neuron yang lain melalui dendrit dan mengirimkan sinyal yang dihasilkan inti sel melalui axon. Axon dari neuron
biologis bercabang-cabang dan berhubungan dengan dendrit dari neuron lainnya dengan cara mengirimkan sinyal input melalui sinapsis. Di mana sinapsis merupakan
unit fungsional yang terletak di antara 2 buah neuron umpamanya neuron 1 dan 2. Dan nilai yang terdapat pada sinapsis dapat berkurang dan bertambah tergantung dari
seberapa besar tingkat propagasi yang diterimanya [25]. Tabel 2.2 istilah nama antara jaringan saraf biologis dengan jaringan saraf tiruan JST.
Tabel 2. 2 Istilah Nama Antara JST Dengan Jaringan Saraf Biologis [25]
Jaringan saraf tiruan Jaringan saraf biologis
Node atau unit
Input Output
Bobot Neuron
Dendrit Axon
Sinapsis 2.4.2.
Komponen Jaringan Saraf Tiruan Ada beberapa tipe jaringan saraf tiruan, namun demikian hampir semuanya
memiliki komponen-komponen yang sama. Jaringan saraf tiruan disusun dengan asumsi yang sama seperti jaringan saraf biologis yakni terdiri dari beberapa node dan
adanya hubungan antara node. Sinyal informasi yang terdapat di antara 2 buah node diteruskan melalui sebuah hubungan dan setiap hubungan antara 2 buah node
mempunyai nilai bobot lalu dengan menggunakan fungsi aktivasi nilai keluaran node ditentukan [24]. Gambar 2.14 merupakan struktur node jaringan saraf tiruan.
Universitas Sumatera Utara
d s
p o
m Pada
dengan laye sebelum dan
pada JST ak output
mel menunjukka
Bobot
G a JST node-n
er node. Nod
n sesudahny kan diramba
alui lapisan an JST denga
Ga Gambar 2. 14
node akan d
de -node pad
ya kecuali lap atkan lapisan
n tersembun an 3 lapisan.
ambar 2. 15 4
Struktur N dikumpulkan
da satu lapis apisan input
n ke lapisan nyi seperti
.
JST Denga Node
Jaringa n dalam lap
san akan dih dan output.
n, mulai dar tampak p
n 3 Lapisan an Saraf Tiru
pisan layer hubungkan d
Informasi y ri lapisan inp
ada Gamba
[24] uan [24]
yang diseb dengan lapis
yang diberik put
ke lapis ar 2.15 ya
but san
kan san
ang
Universitas Sumatera Utara
2.4.3. Arsitektur Jaringan Saraf Tiruan
Hubungan antar node dalam jaringan saraf tiruan mengikuti pola tertentu tergantung dari arsitektur jaringan saraf tiruan yang digunakan. Pada dasarnya ada 3
macam arsitektur jaringan saraf tiruan yaitu [24]:
e. Jaringan saraf tiruan dengan lapisan tunggal
Jaringan saraf tiruan dengan satu lapisan tunggal hanya memiliki satu lapisan dengan bobot-bobot terhubung. Jaringan ini hanya menerima input kemudian
mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi seperti pada Gambar 2.16. Dengan kata lain ciri jaringan ini hanya mempunyai satu
lapisan input dan output, tidak mempunyai lapisan tersembunyi.
Gambar 2. 16 Bentuk Jaringan Saraf Tiruan Dengan Lapisan Tunggal [24]
Universitas Sumatera Utara
b. Jaringan saraf tiruan dengan banyak lapisan
Jaringan saraf tiruan dengan banyak lapisan memiliki satu atau lebih lapisan yang terletak diantara lapisan input dan lapisan output memiliki satu atau lebih
lapisan tersembunyi. Umumnya terdapat lapisan bobot diantara 2 lapisan bersebelahan seperti pada Gambar 2.17.
Gambar 2. 17 Bentuk JST Dengan Banyak Lapisan [24]
Universitas Sumatera Utara
c. Jaringan saraf tiruan dengan lapisan kompetitif
Arsitektur pada jaringan saraf tiruan ini memiliki bentuk yang berbeda, di mana antar node dapat saling berhubungan. Gambar 2.18 merupakan bentuk jaringan
saraf tiruan dengan lapisan kompetitif.
Gambar 2. 18 Bentuk JST Dengan Lapisan Kompetitif [24] 2.4.4.
Arsitektur Jaringan Saraf Tiruan Backpropagation Di dalam jaringan saraf tiruan dengan backpropagation setiap node yang
berada di lapisan input terhubung dengan setiap node pada lapisan tersembunyi dan setiap node pada lapisan tersembunyi juga terhubung dengan setiap node pada lapisan
Universitas Sumatera Utara
output [25]. Untuk lebih jelasnya arsitektur JST backpropagation dapat dilihat pada
Gambar 2.19.
Gambar 2. 19 JST Backpropagation Dengan Satu Lapisan Tersembunyi [25]
Jaringan saraf tiruan dengan algoritma pembelajaran backpropagation terdiri
dari banyak lapisan multilayer neural network yaitu:
Universitas Sumatera Utara
1. Lapisan input hanya 1. Pada lapisan input terdapat node X
i
, i = 1, 2, ..., n. n = jumlah node dalam lapisan input.
2. Lapisan tersembunyi hidden layer minimal 1. Seperti halnya lapisan input pada lapisan tersembunyi juga berisi node mulai dari Z
j,
j = 1, 2
,
..., p p = jumlah node pada lapisan tersembunyi untuk 1 lapisan. Tetapi pada lapisan tersembunyi ini
dapat saja terdiri dari beberapa lapisan tersembunyi. 3. Lapisan output hanya 1 buah. Lapisan ini terdiri dari node output mulai dari Y
k
, k = 1, 2, ..., m m = jumlah node pada lapisan output. V
0j
adalah bias untuk node Z
j
pada lapisan tersembunyi dan W
0k
adalah bobot untuk node Y
k
pada lapisan output
. Bias V
0j
dan W
0k
sama seperti bobot di mana output bias ini selalu bernilai 1. V
ij
adalah bobot yang menghubungkan antara node X
i
pada lapisan input
dengan node Z
j
pada lapisan tersembunyi, sedangkan W
jk
adalah bobot yang menghubungkan antara node Z
j
pada lapisan tersembunyi dengan node Y
k
lapisan output. 2.4.5.
Bobot Bobot dipakai untuk menentukan nilai sebuah node dan terletak di antara 2
dua lapisan, baik antara lapisan input dengan lapisan tersembunyi atau antara lapisan tersembunyi dengan lapisan output dan mempunyai nilai tertentu. Pada saat
awal pelatihan nilai bobot diatur agar berada pada nilai acak yang kecil misalnya di antara -0,5 sampai 0,5 lalu nilai bobot ini diperbaharui setiap proses epoch pada
waktu pelatihan.
Universitas Sumatera Utara
2.4.6. Bias
Bias juga dipakai untuk menentukan nilai sebuah node tetapi hanya pada node pada lapisan tersembunyi dan output. Bias ini selalu bernilai 1 tetapi nilai bobotnya
berbeda dan pada awal pelatihan diberi dengan nilai acak yang kecil antara -0,5 sampai 0,5 lalu nilai bobot ini juga diperbaharui setiap proses epoch pada waktu
pelatihan.
2.4.7. Epoch
Epoch adalah pengulangan yang terjadi pada proses pelatihan di dalam
jaringan saraf tiruan dalam memperbaiki error. Pengulangan ini akan terus berlangsung hingga toleransi error MSE pelatihan atau nilai epoch yang ditetapkan
telah tercapai.
2.4.8. Learning Rate
Learning rate α merupakan sebuah parameter pembelajaran di dalam jaringan
saraf tiruan backpropagation yang digunakan untuk mempercepat proses pelatihan dan bernilai antara 0 sampai 1. Jika jaringan saraf tiruan menggunakan learning rate
mendekati 0 maka proses pelatihan membutuhkan waktu yang lebih lama dalam mencapai performance jaringan saraf tiruan yang diinginkan tetapi terkadang baik
jika dipakai pada proses aplikasi. Sebaliknya jaringan saraf tiruan menggunakan learning rate
mendekati 1 maka proses pelatihan membutuhkan waktu yang lebih cepat dalam mencapai performance jaringan saraf tiruan yang diinginkan tetapi
terkadang tidak baik jika dipakai pada proses aplikasi.
Universitas Sumatera Utara
2.4.9. Toleransi Error
Toleransi error merupakan sebuah nilai pembatas yang ditetapkan oleh user agar selisih target dengan keluaran jaringan saraf tiruan MSE dalam proses
pelatihan tidak sampai 0. Hal ini bertujuan untuk menghindari overtraining yang menyebabkan jaringan saraf tiruan mengambil sifat memorilisasi akibatnya ketika
hasil pelatihan diuji dengan pola data yang tidak pernah dikenali maka jaringan saraf tiruan akan memberikan hasil yang jauh berbeda dari target yang diharapkan.
2.5. Fungsi Aktivasi
Kategori