14
Gambar 5. Skema persiapan data untuk analisis data jaringan syaraf tiruan Yu, Chen dan Wang 2009 dalam Agrarista 2011
2.6 Jaringan Syaraf Tiruan dan Aplikasinya
2.6.1 Jaringan Syaraf Tiruan
Jarigan syaraf tiruan sederhana pertama kali diperkenalkan oleh McCulloch dan Pitts di tahun 1943. McCulloch dan Pitts menyimpulkan bahwa kombinasi beberapa neuron sederhana menjadi
sebuah sistem neural akan meningkatkan kemampuan komputasinya. Bobot dalam jaringan yang diusulkan McCulloch dan Pitts diatur untuk melakukan fungsi logika sederhana. Fungsi yang dipakai
adalah fungsi threshold. Tahun 1958, Rosenbalt memperkenalkan dan mulai mengembangkan model jaringan yang disebut perceptron. Model pelatihan tersebut diperkenalkan untuk mengoptimasikan
hasil iterasi. Widrow dan Hoff 1960 mengembangkan perceptron dengan memperkenalkan aturan pelatihan jaringan, yang dikenal dengan aturan delta sering disebut kuadrat rata-rata terkecil. Aturan
ini akan mengubah bobot perceptron apabila keluaran yang dihasilkan tidak sesuai dengan target yang diinginkan. Apa yang dilakukan pada penelitian terdahulu hanya menggunakan jaringan dengan
lapisan tunggal.
Analisi Data Awal Analisis
Kebutuhan
Koleksi Data
Seleksi Data
Integrasi Data
Masalah Penting
Solusi
Seleksi Variabel data Analisis korelasi
Proses Awal Data Pemeriksaan Data
Masalah Penting Solusi
- Data yang terlalu banyak
- Data yang terlalu sedikit
- Data yang hilang
- Data yang noise outlier
- Data dengan skala yang berbeda
- Data trend musiman
- Data bukan stasioner
- Sampling data
- Pengumpulan kembali data
- Perbaikan data
- Menghilangkan noise
- Normalisasi data
- Menghilangkan trend
- membedakan
Pengolahan Data
Analisis Akhir Data Pembagian Data
Masalah Penting Solusi
- Underfitting
- overfitting
- Meningkatkan kelompok data
- Menurunkan kelompok data
Validasi Data Penyesuaian Kembali
Data
15
Jaringan syaraf tiruan artificial neural network adalah suatu sistem pemrosesan informasi yang memiliki karakteristik menyerupai jaringan syaraf biologi otak manusia. Karakteristik tersebut
yaitu hubungan antar neuron arsitektur, metode penentuan bobot pada saluran penghubung traininglearning algorithm, dan fungsi aktivasi yang digunakan Marimin 2009.
Informasi yang diberikan pada jaringan syaraf tiruan akan dirambatkan melalui neuron, dimulai dari lapisan input sampai ke lapisan output memalui lapisan lainnya. Lapisan ini sering dikenal
dengan nama lapisan tersembunyi hidden layer Fausett 1994. Arsitektur jaringan syaraf sederhana dengan satu lapisan tersembunyi ditunjukkan pada Gambar 6.
Kemampuan belajar jaringan syaraf tiruan JST merupakan suatu hal yang sangat mengagumkan. Seperti sistem biologi yang dimodelkannya, JST ini memodifikasi dirinya sendiri dari
hasil pengalaman yang diperolehnya untuk menghasilkan pola tingkah laku yang lebih tepat. Kemampuan belajar ini dipresentasikan dalam mekanisme metode pembelajaran JST yang
merupakan suatu metode perubahan bobot pada saluran penghubung sehingga dihasilkan output JST yang sesuai Marimin 2009.
Gambar 6. Jaringan syaraf tiruan sederhana dengan hidden layer Fausett 1994 Berbeda dengan metode lain, algoritma untuk jaringan syaraf tiruan bekerja dengan data
numerik sehingga data yang tidak numerik harus dirubah menjadi data numerik. Dibandingkan dengan cara perhitungan konvensional, jaringan syaraf tiruan tidak memerlukan atau menggunakan suatu
model matematis atas pemasalahan yang dihadapi. Oleh karena itu jaringan syaraf tiruan juga dikenal dengan free-estimator.
Jaringan syaraf tiruan memiliki kelebihan dibandingkan dengan metode perhitungan lain atau metode konvensional, yaitu :
1. Kemampuan mengakuisisi pengetahuan walaupun dalam kondisi ada gangguan dan
ketidakpastian. Hal ini dapat disebabkan jaringan syaraf tiruan mampu melakukan generalisasi, abstraksi, dan ekstraksi terhadap properti statistik data.
2. Kemampuan merepresentasikan pengetahuan secara fleksibel. Jaringan syaraf tiruan dapat
menciptakan sendiri representasi melalui pengaturan diri sendiri atau kemampuan belajar self organizing.
3. Kemampuan untuk memberikan toleransi atas suatu distorsi errorfault. Dimana
gangguan kecil pada data dapat dianggap hanya sebagai noise guncangan belaka. 4.
Kemampuan memproses pengetahuan secara efisien karena memakai sistem parallel, sehingga waktu yang diperlukan untuk mengoperasikannya menjadi lebih singkat.
Dengan tingkat kemampuan yang baik, jaringan syaraf tiruan dapat diterapkan untuk storing and recall data pattern, klasifikasi pola, pemetaan umum dari pola input ke pola output,
pengelompokkan pola-pola yang mirip, atau untuk pemecahan masalah optimasi yang memiliki batasan-batasan tertentu Marimin 2009.
16
Jaringan syaraf tiruan juga memiliki keterbatasan, antara lain kurang mampu melakukan operasi-operasi numerik dengan presisi tinggi, operasi algoritma aritmatik, operasi logika, dan operasi
simbolis serta lamanya proses pelatihan yang terkadang membutuhkan waktu berhari-hari untuk jumlah data yang sangat besar Hermawan 2006.
2.6.2 Komponen Jaringan Syaraf Tiruan
