13 2.
Self Organisation: Dapat membuat organisasi sendiri atau me-representasikan informasi yang didapat pada saat pembelajaran.
3. Real Time Operation: Dapat menghasilkan perhitungan pararel dan dengan
device hardware yang khusus yang dibuat akan memberikan keuntungan dengan adanya kemampuan tersebut.
4. Fault Tolerance melalui Redundant Information Coding: Kerusakan pada
bagian tertentu dari jaringan akan mengakibatkan penurunan kemampuan. Beberapa jaringan mempunyai kemampuan untuk menahan kerusakan besar
pada jaringan. 5.
Kelebihan jaringan syaraf tiruan terletak pada kemampuan belajar yang dimilikinya. Dengan kemampuan tersebut pengguna tidak perlu merumuskan
kaidah atau fungsinya. Jaringan syaraf tiruan akan belajar mencari sendiri kaidah atau fungsi tersebut. Dengan demikian jaringan syaraf tiruan mampu
digunakan untuk menyelesaikan masalah yang rumit atau masalah yang terdapat kaidah atau fungsi yang tidak diketahui.
6. Kemampuan jaringan syaraf tiruan dalam menyelesaikan masalah yang rumit
telah dibuktikan dalam berbagai macam penelitian.
2.4 Keunggulan Jaringan Syaraf Tiruan
Sebagai alat pemecah masalah, JST memiliki keunggulan. Beberapa keunggulan yang dimiliki oleh JST yaitu :
1. Mampu memecahkan masalah yang sukar disimulasikan dengan menggunakan
teknik analikal logika seperti pada sistem pakar dan teknologi software standar.
2. Mampu memahami data yang dimasukkan meskipun data tersebut tidak
lengkap incomplete data atau data yang terkena gangguan noisy data. 3.
Jaringan syaraf tiruan memiliki kelebihan yang sulit diciptakan dengan pendekatan simbolik logical dari teknik tradisional artificial intelligence,
yaitu bahwa JST mampu belajar dari pengalaman. 4.
Pada JST, yang perlu dilakukan adalah tinggal melatih jaringan untuk ‘belajar’ dengan cara memasukkan set data berisi sekumpulan kasus ke dalam jaringan.
Universitas Sumatera Utara
14 5.
Jaringan syaraf tiruan terbuka untuk digabungkan dengan teknologi lain untuk menghasilkan sistem hibrida yang memiliki kemampuan memecahkan masalah
dengan lebih baik lagi[10].
2.5 Arsitektur Jaringan Syaraf Tiruan
Arsitektur pada jaringan syaraf tiruan menggambarkan jumlah neuron dan hubungan bobot yang dipakai dan fungsi aktivasi. Secara umum arsitektur jaringan syaraf dapat
dibedakan menjadi tiga kelas yang berbeda, yaitu jaringan umpan-maju lapisan tunggal single layer feedforward network atau Perceptron, jaringan umpan-maju
lapisan banyak multilayer perceptron dan jaringan syaraf tiruan recurrent[7].
2.5.1 Jaringan Umpan-Maju Lapisan Tunggal
Arsitektur umpan-maju lapis tunggal memiliki satu lapis koneksi bobot. Di mana setiap unit dibedakan antara unit masukan dan unit keluaran. Unit masukan adalah unit
yang menerima sinyal yang berasal dari lingkungan luar, sedangkan unit keluaran adalah respon dari jaringan syaraf yang dapat dibaca. Unit masukan secara penuh
terhubung dengan unit keluaran tetapi tidak terhubung dengan unit masukan lain, begitu juga halnya unit keluaran tidak terhubung dengan unit keluaran yang lain.
Universitas Sumatera Utara
15
X
1
Y
1
X
i
Y
j
Y
m
X
n
.
. .
. .
.
. .
.
. .
.
W
n1
W
1j
W
11
W
i1
W
ij
W
nj
W
1m
W
im
W
nm
Unit Masukan Unit Masukan
Gambar 2.4 Jaringan Umpan-Maju Lapisan TunggalFausett, 1994
2.5.2 Jaringan Umpan-Maju Lapisan Banyak
Pada jaringan syaraf umpan-maju lapisan banyak, lapisan masukan tidak langsung terhubung dengan lapisan keluaran. Di antara lapisan masukan jaringan terdapat satu
atau lebih lapisan tersembunyi. Dengan adanya lapisan tersembunyi maka jaringan syaraf dapat menyelesaikan permasalahan yang sulit daripada jaringan syaraf dengan
arsitektur lapisan tunggal.
Universitas Sumatera Utara
16
.
X
1
. .
.
. .
. .
. .
. .
Y
k
Y
m
Y
1
Z
p
Z
j
Z
1
X
n
X
i
. .
. .
. .
V
i1
V
1p
V
1j
V
np
V
ij
V
11
V
nj
V
ip
V
n1
W
11
W
1k
W
jm
W
1m
W
jk
W
j1
W
p1
W
pk
W
pm Unit Masukan
Unit Tersembunyi
Unit Keluaran
Gambar 2.5 Jaringan Umpan-Maju Lapisan Banyak Fausett, 1994
2.5.3 Jaringan Syaraf Tiruan Recurrent
Neuron pada jaringan syaraf recurrent dapat terhubung dengan neuron itu sendiri dan neuron lainnya. Jaringan jaringan syaraf recurrent tidak memiliki proses pelatihan,
sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif.
Gambar 2.6 Jaringan Syaraf Tiruan Recurrent Fausett, 1994
Universitas Sumatera Utara
17
2.6 Metode Pembelajaran
Metode pembelajaran dalam JST dapat dibedakan menjadi pembelajaran terpandu, pembelajaran tak terpandu dan pembelajaran hibrida reinforcement.
2.6.1 Metode Pembelajaran Terpandu
Metode pembelajaran pada jaringan syaraf disebut terpandu jika keluaran yang diharapkan atau target telah diketahui sebelumnya. Sebelum jaringan mengubah
sendiri bobotnya untuk mencapai target, bobot interkoneksi diinisialisasi. Proses belajar JST dengan pengawasan adalah proses belajar dengan memberikan latihan
untuk mencapai suatu target keluaran yang ditentukan. JST mendapatkan latihan untuk mengenali pola-pola tertentu. Selisih antara keluaran yang dihasilkan pada proses
pembelajaran dan target error digunakan untuk mengoreksi bobot JST sehingga JST mampu menghasilkan keluaran sedekat mungkin dengan target yang telah diketahui
JST[9].
2.6.2 Metode Pembelajaran Tidak Terpandu
Pada metode pembelajaran tidak terpandu ini target tidak diperlukan. Pada metode ini, tidak hanya ditentukan hasil seperti apakah yang diharapkan selama proses
pembelajaran. Selama proses pembelajaran, nilai bobot disusun dalam suatu range tertentu, tergantung pada nilai masukan yang diberikan. Tujuan pembelajaran ini
adalah mengelompokkan unit-unit yang hampir sama dalam area tertentu.
2.6.3 Metode Pembelajaran Hibrida Reinforcement
Universitas Sumatera Utara
18
Merupakan kombinasi dari metode pembelajaran terpandu dan metode pembelajaran tidak terpandu. Sebagian dari bobot-bobotnya ditentukan melalui pembelajaran
terpandu dan sebagian lainnya melalui pembelajaran tak terpandu.
2.7 Jaringan Syaraf Tiruan Self-Organizing Feature Maps SOFM
Kohonen Self Organizing Feature Maps, disingkat dengan SOFM atau lebih terkenal dengan istilah SOM ditemukan dan dikembangkan oleh Teuvo
Kohonen, seorang profesor di Academy of Finland. Metode ini memungkinkan untuk menggambarkan data multidimensi kedalam dimensi yang lebih kecil,
biasanya satu atau dua dimensi. Proses penyederhanaan ini dilakukan dengan mengurangi vektor yang menghubungkan masing-masing node. Cara ini
disebut juga dengan Vector Quantization. Teknik yang dipakai dalam metode SOM dilakukan dengan membuat jaringan yang menyimpan informasi dalam
bentuk hubungan node dengan training set yang ditentukan.
Salah satu hal yang menarik dalam metode SOM adalah kemampuannya untuk belajar secara mandiri unsupervised leaming. Pada
metode belajar secara mandiri, sebuah network akan belajar tanpa adanya target terlebih dahulu. Hal ini berbeda dengan beberapa metode neural network
yang lain seperti backpropagation, perceptron, dan sebagainya yang memerlukan adanya target saat proses learning dilaksanakan[3].
Self-Organizing Feature Maps adalah jaringan syaraf kompetitif dimana neuron disusun dalam kotak dua dimensi yang mewakili ruang fitur.
Menurut aturan belajar, vektor yang mirip satu sama lain dalam ruang multidimensi akan serupa dalam ruang dua dimensi. SOFM sering digunakan
hanya untuk memvisualisasikan ruang n-dimensi, tetapi aplikasi utamanya adalah klasifikasi data[4].
Universitas Sumatera Utara
19 SOFM Self Organizing Feature Maps terdiri dari dua lapisan, yaitu
lapisan input dan lapisan output. Setiap neuron output mempunyai bobot untuk masing-masing neuron input. Proses pembelajaran dilakukan dengan
melakukan penyesuaian terhadap setiap bobot pada neuron output. Setiap input yang diberikan dihitung jarak Euclidean dengan setiap neuron output,
kemudian dicari neuron output yang mempunyai jarak minimum. Neuron yang mempunyai jarak yang paling kecil disebut neuron pemenang atau neuron
yang paling sesuai denga input yang diberikan[5].
Terdapat m unit kelompok yang tersusun dalam arsitektur satu atau dua dimensi dan sinyal-sinyal masukan sejumlah n. vektor bobot untuk suatu unit
kelompok disediakan satu eksemplar dari pola-pola masukan yang tergabung dengan kelompok tersebut. Selama proses pengorganisasian sendiri, unit
kelompok yang memiliki vektor bobot paling cocok dengan pola masukan ditandai dengan jarak Euclidean paling minimum dipilih sebagai pemenang.
Unit pemenang dan unit tetangganya diperbaharui bobotnya[2].
2.7.1 Arsitektur jaringan Self-Organizing Feature Maps SOFM
. . . . . .
. . . . . .
Gambar 2.7 Arsitektur Jaringan Self-Oraganizing Feature Maps Fausett, 1994
Y
1
Y
j
Y
X
1
X
i
X
n
W
11
W
i1
W
n1
W
1j
W
nm
W
ij
W
nj
W
1m
W
im
Universitas Sumatera Utara
20
2.7.2 Algoritma pelatihan jaringan kohonen SOM
Algoritma pelatihan jaringan kohonen SOM adalah sebagai berikut : Langkah-0. Inisialisasi bobot Wij
Tetapkan parame ter cluster m dan parameter laju pelatihan α.
Langkah-1. Selama syarat berhenti salah, lakukan langkah-langkah dibawah ini : Langkah i. Untuk setiap vector masukan X, lakukan beberapa langkah dibawah ini :
Langkah a. Untuk setiap j hitunglah :
Dj = w
ij
- x
i 2
I Langkah b. Cari indeks j sedemikian sehingga D j minimum
Langkah c. Untuk semua unit j didalam ketetanggaan j, dan untuk semua i, hitunglah :
w
ijbaru
= w
ijlama
+ α [ x
i
- w
ijlama
]
Langkah ii. Perbarui laju belajar. Langkah iii. Kurangi jari-jari ketetanggaan topologis dengan pencecahan
tertentu. Langkah iv. Uji syarat berhenti. Bila benar, maka berhenti.
2.7.3 Contoh algoritma pelatihan jaringan kohonen SOM :
1. Vector-vector yang akan dikelompokkan adalah sebagai berikut:
[1 1 0 0], [0 0 0 1], [1 0 0 0], [0 0 1 1]. Jumlah cluster yang diinginkan adalah m=2, dengan bobot awal tiap cluster:
w
1
= [0.2 0.6 0.5 0.9]; w
2
= [0.8 0.4 0.7 0.3]; Ditetapkan laju pelatihan
awal α0 = 0.6 dan αt+1 = 0.5α t. Radius ketetanggaan R = 0. Carilah matriks bobot setelah 100 iterasi dan tentukan
termasuk kelompok cluster yang mana keempat vector masukan diatas. Penyelesaian:
Step-0 Inisialisasi matriks bobot:
Universitas Sumatera Utara
21
Inisialisasi radius R = 0
Inisialisasi learning rate α0 = 0.6
Step-1 Mulai pelatihan: Step-2 Untuk vector pertama [1 1 0 0] lakukan langkah 3-5;
Step-3 D1 = 0.2-1
2
+ 0.6-1
2
+ 0.5-0
2
+ 0.9-0
2
= 1.86; D2 = 0.8-1
2
+ 0.4-1
2
+ 0.7-0
2
+ 0.3-0
2
= 0.98; Step-4 Vektor input tertutup untuk output node 2, maka:
J = 2 Step-5 Bobot unit pemenang di perbahurui dengan:
w
i2
= w
i2old+
0.6[x
i
-w
i2old
]
Bobot matriks yag diberikan saat ini:
Step-2 Untuk vector kedua [0 0 0 1] lakukan langkah 3-5; Step-3 D1 = 0.2-1
2
+ 0.6-1
2
+ 0.5-0
2
+ 0.9-0
2
= 0.66; D2 = 0.92-1
2
+ 0.76-1
2
+ 0.28-0
2
+ 0.12-0
2
= 2.2768; Step-4 Vektor input tertutup untuk output node 2, maka:
J = 1 Step-5 Kolom kedua di perbaharui dengan:
Step-2 Untuk vector ketiga [1 0 0 0] lakukan langkah 3-5; Step-3 D1 = 0.8-1
2
+ 0.24-1
2
+ 0.20-0
2
+ 0.96-0
2
= 1.865; D2 = 0.92-1
2
+ 0.76-1
2
+ 0.28-0
2
+ 0.12-0
2
= 0.676;
Universitas Sumatera Utara
22 Step-4 Vektor input tertutup untuk output node 2, maka:
J = 2 Step-5 Kolom kedua di perbaharui dengan:
Step-2 Untuk vector keempat [0 0 1 1] lakukan langkah 3-5; Step-3 D1 = 0.08-0
2
+ 0.24-0
2
+ 0.20-1
2
+ 0.96-1
2
= 0.705; D2 = 0.968-0
2
+ 0.304-0
2
+ 0.112-1
2
+ 0.048-1
2
= 2.72; Step-4 Vektor input tertutup untuk output node 2, maka:
J = 1
Step-5 Kolom kedua di perbaharui dengan:
Step-6 Kurangi dengan learning rate: a = 0.50.6 = 0.3
persamaan bobot yang di perbaharui sekarang:
w
ijnew
= w
ijold+
0.3[x
i
-w
ijold
]
Matriks bobot setelah 2 kali pelatihan adalah:
Universitas Sumatera Utara
1
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Perkembangan perangkat keras dan perangkat lunak di era ini sangat mempengaruhi pola pemakaian komputer. Komputer dapat di program seolah-olah seperti manusia.
Salah satu manfaat teknologi komputer yaitu dapat digunakan untuk sistem pakar. Salah satu implementasi yang diterapkan yaitu bidang kesehatan dan peternakan.
Sistem ini menggunakan pengetahuan seorang dokter yang dalam hal ini berlaku sebagai pakar. Pengetahuan-pengetahuan yang dimiliki dokter akan disimpan dalam
program komputer yang nantinya diharapkan program komputer ini bekerja sebagaimana layaknya penalaran yang dilakukan seorang dokter hewan.
Peternakan ayam saat ini menghadapi banyak kendala. Salah satu kendala yang serius bagi peternakan ayam dalam mencegah penyakit adalah keberhasilan vaksinasi.
Bila terjadi wabah suatu penyakit, akan memerlukan banyak biaya untuk pengobatan, selain itu juga akan terjadi penurunan produksi ternak tersebut. Untuk mengetahui
beberapa jenis penyakit dperlukan beberapa data.
Pengelompokan data merupakan salah satu dari tugas utama data mining. Dengan pengelompokan data maka akan dapat diperoleh informasi tertentu. Penerapan
pengelompokan data dalam kehidupan cukup banyak, misalnya dibidang biologi, kependudukan, lingkungan dan lain-lain. Salah satu metode untuk mengelompokkan
data adalah dengan menggunakan jaringan syaraf tiruan. Beberapa metode jaringan syaraf tiruan dapat digunakan untuk proses clustering pattern input ke dalam cluster
Universitas Sumatera Utara
2 tertentu karena jaringan syaraf tiruan tertentu mempunyai kemampuan belajar
unsupservised. Contohnya algoritma Self Organizing Feature Maps SOFM[5].
Mencermati hal-hal di atas maka penulis membuat suatu penelitian yang
berjudul “Implementasi Jaringan Syaraf Tiruan dalam Mendeteksi Penyakit pada Ayam dengan Metode Self-Organizing Feature Maps SOFM”.
1.2 Rumusan Masalah