26 proses kimia. Sinyal tersebut dimodifikasi diperkuat atau diperlemah di
synaptic gap. Kemudian soma atau badan sel akan menjumlahkan sinyal-sinyal input yang masuk. Jika ada input yang masuk maka sel
akan aktif dan mengirimkan sinyal ke sel lain melalui akson dan synaptic gap. Untuk lebih jelasnya, susunan neuron biologis ini dapat dilihat pada
Gambar 3 berikut.
Gambar 3. Susunan Neuron Biologis Menurut Medsker dan Liebowitz dalam Septiani 2005 perbedaan
terminologis antara jaringan syaraf biologis dan tiruan disajikan pada Tabel 5.
Tabel 5. Perbedaan Jaringan Syaraf Biologis dengan JST
JARINGAN SYARAF BIOLOGIS JARINGAN SYARAF TIRUAN
Soma Node atau neuron
Dendrit Input
Axon Output
Synapse Weight ataubobot
Kecepatan rendah Kecepatan tinggi
Neuron banyak 10
9
Neuron beberapa ± 100
Sumber : Septiani 2005
3. Struktur Dasar Jaringan Syaraf Tiruan
Menurut Marimin 2002, Setiawan 2003, Setiyawan 2003 dan Hermawan 2006 JST merupakan suatu sistem pemrosesan atau
pengolah informasi dengan kemampuan belajar, mengingat dan menyelesaikan masalah berdasarkan proses belajar yang diberikan dan
mengambil keputusan dengan menirukan cara kerja otak manusia pakar atau ahli. JST mampu mengenali kegiatan dengan berbasis pada data
masa lalu. Data masa lalu akan dipelajari oleh JST sehingga mempunyai kemampuan untuk memberikan keputusan terhadap data yang belum
pernah dipelajari. Sistem ini memiliki karakteristik-karakteristik yang
27 menyerupai jaringan syaraf biologi yang berupa hubungan antar neuron
arsitektur, metode penentuan bobot pada saluran penghubung traininglearning algorithm dan fungsi aktivasi yang digunakan.
Menurut Siang 2005 dan Fausett 1994 JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi dengan asumsi
bahwa : • Pemrosesan atau pengolahan informasi terjadi pada banyak
elemenunsur sederhana neuron. • Sinyal dikirimkan diantara neuron-neuron melalui rantai
koneksipenghubung. • Penghubung antar neuron memiliki bobot yang akan memperkuat
atau memperlemah sinyal. Bobot ini mempresentasikan informasi yang digunakan jaringan untuk memecahkan masalah.
• Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi biasanya non-linier yang dikenakan pada jumlahan input
yang diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang.
Gambar 4. Gambaran JST Pada Gambar 4, secara visual JST digambarkan terdiri dari tiga
neuron pada layer input dan satu neuron pada layer output. Neuron Y menerima input dari neuron-neuron X
1
, X
2
, X
3
. Nilai aktivasi sinyal output neuron-neuron tersebut adalah x
1
, x
2
, x
3
. Bobot saluran penghubung dari X
1
, X
2
, X
3
ke neuron Y adalah w
1
, w
2
, w
3
. Input jaringan, y_in ke neuron Y adalah jumlah dari bobot sinyal x dari neuron-neuron X
1
, X
2
, X
3
. Y_in = w
1
x
1
+ w
2
x
2
+ w
3
x
3
Neuron-neuron dalam JST disusun dalam suatu layer yang membentuk suatu arsitektur JST. Umumnya layers tersebut terdiri dari
layer input, hidden layer dan layer output.
28 Secara garis besar ada 2 jenis arsitektur JST yaitu jaringan
feedforward dan feedback. Jaringan feedforward adalah jaringan yang arah sinyalnya dalam arah maju saja dimana suatu layer tidak memiliki
hubungan dengan layer sebelumnya. Pada jaringan feedback arah sinyalnya adalah maju dan mundur yang berasal dari hubungan umpan
balik dan arsitektur jaringannya bersifat dinamis. Jaringan syaraf tiruan memiliki 2 macam metode penentuan bobot,
yaitu : a.
Supervised training merupakan suatu metode penentuan bobot yang menggunakan sepasang kumpulan vektor yaitu vektor pelatihan dan
vektor target. Penentuan bobot didasarkan pada perbandingan antara vektor pelatihan dan target sampai output JST sesuai dengan
targetnya. b.
Unsupervised training merupakan self-organizing JST, artinya menggunakan vektor pelatihan tanpa vektor target. JST memodifikasi
bobot sehingga vektor-vektor input yang serupa diklasifikasikan ke suatu unit output yang sama cluster dan konsisten. Jadi, penerapan
salah satu vektor pelatihan atau suatu vektor yang serupa akan menghasilkan pola output yang sama.
Fungsi aktivasi merupakan karakteristik ketiga JST. Aktivasi suatu neuron pada layer yang sama akan memiliki fungsi aktivasi yang sama.
Fungsi ini mentransformasikan total input JST pada suatu neuron untuk menghasilkan sinyal keluaran outgoing activity.
Menurut Kosko dalam Kristanto 2004 JST diklasifikasikan dalam 2 definisi, yaitu :
• Bagaimana JST menyimpan pengetahuan encode. Berdasarkan encode, dibedakan menjadi 2 bagian, yaitu :
¾ Supervised atau dibimbing. ¾ Unsupervised atau tidak dibimbing.
• Bagaimana JST menanggapi dan memproses data yang masuk decode.
Berdasarkan decode, dibedakan menjadi : ¾ Feedforward atau lurus.
¾ Feedback atau umpan balik.
29
4. Metode Pembelajaran JST