Gambar 2.1 Saraf Secara Biologis Haykin, 2008
2.2 JARINGAN SARAF TIRUAN JST
JST dibuat pertama kali pada tahun 1943 oleh neurophysiologist Waren McCulloch dan logician Walter Pits. Teknologi yang tersedia pada saat itu belum memungkinkan mereka
berbuat lebih jauh. JST merupakan suatu sistem pemrosesan Informasi yang memiliki karaktristik-karakteristik menyerupai jaringan saraf Biologi. Hal yang sama diutarakan oleh
Simon Haykin yang menyatakan Bahwa JST adalah sebuah mesin yang dirancang untuk memodelkan cara otak manusia mengerjakan fungsi atau tugas-tugas tertentu. Mesin ini
memiliki kemampuan menyimpan pengetahuan berdasarkan pengalaman dan menjadikanya simpanan pengetahuan yang dimiliki menjadi bermanfaat Haykin, 2008.
2.2.1 Karakteristrik JST
Karakteristik JST ditentukan oleh 3 hal yaitu: 1. Pola hubungan antar neuron disebut arsiktektur jaringan.
2. Metode untuk menentukan nilai bobot tiap hubungan disebut pembelajaran pelatihan.
3. Fungsi aktivasi Fungsi Transfer
Universitas Sumatera Utara
2.2.2 Struktur dan Komponen JST
JST terdiri dari sejumlah elemen pemroses sederhana yang disebut dengan neuron. Tiap neuron terhubung sambungan komunikasi dimana tiap sambungan mempunyai nilai bobot
sendiri. Nilai bobot ini menyediakan informasi yang akan digunakan oleh jaringan untuk memecahkan masalah.
Neuron buatan ini dirancang untuk menirukan karakteristik neuron biologis. Secara prinsip diberikan serangkaian masukan input yang masing-masing menggambarkan
keluaran output yang kemudian akan menjadi masukan bagi neuron lain. Setiap input akan dikalikan dengan suatu faktor penimbang tertentu w
i
yang analog dengan tegangan synapsis. Semua input tertimbang itu dijumlahkan untuk menentukan tingkat aktivasi suatu
neuron. Gambar 2.2 menunjukkan serangkaian input dengan nama x
1
, x
2
, ..., x
n
i i
i n
w x
Yin
1 =
∑
= pada suatu
neuron buatan. Untuk mendapat keluaran dari setiap input digunakan: 2.1
Y
in
Keterangan : X
1
,X
2
,... X
i
: Data Input, w
1,
w
2,
w
i
: Bobot , Y
-in :
Gambar 2.2 Model Neuron Buatan Fausett, 1994
Sinyal output
Output yang diharapkan dalam sistem JST ini berada pada range 0 sampai 1 dan dengan fungsi Sigmoid Biner berapapun nilai input-nya akan dihasilkan output dengan nilai antara 0
sampai 1. Biasanya satu neuron mengirimkan nilai aktivasinya ke beberapa neuron yang
lain.
X
1
X
i
X
2
W
1
W
2
W
i
Universitas Sumatera Utara
2.2.3 Pemrosesan Informasi dalam JST
Aliran informasi yang diproses disesuaikan dengan arsitektur jaringan Wulandari et al, 2012. Beberapa konsep utama yang berhubungan dengan proses adalah:
1. Masukan Input, setiap input bersesuaian dengan suatu atribut tunggal. Serangkaian input pada JST diasumsikan sebagai vektor X yang bersesuaian
dengan sinyal-sinyal yang masuk ke dalam sinapsis neuron biologis. Input merupakan sebuah nilai yang akan diproses menjadi nilai output.
2. Keluaran Output, output dari jaringan adalah penyelesaian masalah. 3. Bobot Weight, mengekspresikan kekuatan relatif atau nilai matematis dari
input data awal. Penyesuaian yang berulang-ulang terhadap nilai bobot menyebabkan JST “belajar”. Bobot-bobot ini diasumsikan sebagai vektor w.
setiap bobot bersesuaian dengan tegangan strength penghubung sinapsis biologis tunggal.
4. Fungsi Penjumlahan, menggandakan setiap nilai input x
i
dengan bobot w
i
5. Fungsi Alih Transfer Function, menghitung stimulasi internal atau level aktivasi dari saraf.
dan menjumlahkannya bersama-sama untuk memperoleh suatu output Y. Fungsi
penjumlahan ini bersesuaian dengan badan sel biologis soma.
2.2. 4 Fungsi Aktivasi
Kategori