3 Recurrent Networks Recurrent Networks merupakan jaringan yang memiliki minimal satu
feedback loop. Jaringan ini mirip dengan single layer maupun multi layer. Hanya saja, pada jaringan ini terdapat simpul keluaran yang memberikan
sinyal pada input. Contoh recurrent network ditunjukkan pada Gambar Gambar 2.4.
Gambar 2.4. Recurent NetworkSani, 2014.
2.3.4. Proses Belajar
Menurut Suyanto 2014, proses belajar pada ANN adalah suatu proses dimana parameter-parameter bebas ANN diadaptasikan melalui suatu proses
perangsangan berkelanjutan oleh lingkungan dimana jaringan berada. Jenis belajar ditentukan oleh pola dimana pengubahan parameter dilakukan. Terdapat dua jenis
pembelajaran pada ANN yang dikenal yaitu Suyanto, 2014 : 1 Supervised Learning
Supervised Learning merupakan proses pembelajaran yang membutuhkan guru. Dalam hal ini yang dapat dikatakan sebagai guru adalah sesuatu
yang memiliki pengetahuan. Misalnya pembelajaran menggunakan data yang telah ada.
2 Unsupervised Learning Berbeda dengan supervised learning, unsupervised learning tidak
memerlukan guru dalam pembelajaran. Dengan kata lain proses pem- belajaran tidak menggunakan data yang telah ada.
2.3.5. Extreme Learning Machine
Extreme Learning Machine ELM adalah sebuah metode pembelajaran yang baru dari ANN yang menggunakan arsitektur single hidden layer
feedforward. Pembuatan metode ini bertujuan untuk mengatasi permasalahan dari metode ANN terutama dalam hal learning speed. Parameter-parameter pada
metode ELM seperti input weight dan hidden bias dipilih secara random, sehingga ELM memiliki learning speed yang cepat dan mampu menghasilkan performa
generalisasi yang baik. Berbeda dari ANN Feedforward, matode ELM memiliki model matematis yang lebih sederhana dan efektif.
4 5
Secara umum fungsi matermatis untuk Single Hidden Layer Feedforward Neural Networks SLFNs dengan jumlah hidden nodes sebanyak N dan
activation function x ditunjukkan pada Persamaan 6 Hidayat and Suprapto, 2012.
6
Keterangan
= vektor dari weight yang menghubungkan th hidden nodes dan input nodes.
= weight vector yang menghubungkan th hidden dan output nodes.
threshold dari th hidden nodes. = inner produk dari dan .
Arsitektur sederhana metode ELM ditunjukkan pada Gambar Gambar 2.5.
Gambar 2.5. Arsitektur ELM Hidayat and Suprapto, 2012.
Langkah-langkah yang dilakukan untuk menghitung menggunakan metode ELM adalah sebagai berikut Fardani dkk., 2015 :
1 Tentukan bobot dan nilai bias secara random. 2 Hitung output pada hidden layer menggunakan fungsi
7 3 Hitung bobot akhir dari hidden layer menggunakan fungsi
8 merupakan matriks Moore-Penrose Generalized Invers dari matriks H.
Sedangkan matriks H merupakan matriks yang tersusun dari ouput masing-masing hidden layer. Sedangkan T merupakan matriks target.
4 Menghitung semua keluaran di unit output dengan menggunakan persamaan
9
2.4. Particle Swarm Optimization
