16
b. adanya hubungan antara neuron-neuron tersebut, yang berfungsi mentransfer sinyal informasi,
c. penghubung antar neuron memiliki bobot yang akan memperkuat memperlemah sinyal, dan
d. untuk menentukan output, setiap neuron menggunakan fungsi aktivasi. Dengan demikian, jaringan syaraf tiruan ditentukan oleh 3 hal:
a. arsitektur jaringan, yaitu pola hubungan antar neuron, b. metode traininglearningalgoritma, yaitu metode untuk menentukan bobot
penghubung, dan c. fungsi aktivasi
2.4.2 Arsitektur Jaringan
Arsitektur jaringan yang sering dipakai dalam jaringan syaraf tiruan terdiri dari 3 macam.
a. Jaringan Lapisan Tunggal Single Layer Network Dalam jaringan ini, sekumpulan input neuron dihubungkan langsung
dengan sekumpulan outputnya.
Gambar 2.5 Jaringan Lapisan Tunggal
Gambar 2.5 menunjukkan arsitektur jaringan dengan neuron input
, buah neuron output dan
17
menyatakan bobot hubungan antara neuron input ke-i dengan neuron output ke-j. Semua neuron input dihubungkan dengan semua neuron output, meskipun dengan
bobot yang berbeda-beda. Tidak ada neuron input yang dihubungkan dengan neuron input lainnya. Demikian pula dengan neuron output. Contoh perhitungan
jaringan syaraf tiruan lapisan tunggal: diberikan jaringan dengan satu input dan satu output
output yang diinginkan = 1, konstanta belajar , dengan fungsi aktivasi
undak biner hardlimit langkah 1: menghitung penjumlahan bobot
, langkah 2: hitung fungsi aktivasi
karena u = -7 0, maka fu = 0, langkah 3: perubahan bobot
langkah 4: ulang kembali langkah ke-1 sampai ke-3, hingga output yang dihasilkan sama dengan target, dengan menggunakan bobot yang telah
diperbaharui.
2
-1
input output
bias
18
b. Jaringan Lapisan Jamak Multi Layer Network Dalam jaringan ini, selain neuron input dan output, ada neuron lain yang
sering disebut lapisan tersembunyi hidden layer.
Gambar 2.6 Jaringan Lapisan Jamak
Gambar 2.6 menunjukkan jaringan dengan buah neuron input
, buah neuron tersembunyi
dan buah neuron output .
c. Jaringan Recurrent Jaringan recurrent adalah jaringan yang mengakomodasi output jaringan
untuk menjadi input pada jaringan yang sama dalam rangka menghasilkan output jaringan berikutnya, sehingga akan menjadikan jaringan rileks dalam keadaan
stabil karena tidak adanya masukan dari luar [12]. Jaringan recurrent mempunyai buah neuron input, buah neuron tersembunyi dan buah neuron output,
seperti pada jaringan feedforward, yang membedakan adalah jaringan recurrent setidaknya memiliki satu loop umpan balik, yaitu ketika output neuron kembali ke
jaringan sebagai input.
19
Gambar 2.7 Jaringan Recurrent
Pada gambar 2.7, terlihat adanya lapisan konteks context layer, yang terdiri dari beberapa node. Lapisan inilah yang menerima output dari lapisan tersembunyi,
dan mengembalikannya kembali ke lapisan tersebut sebagai input. Lapisan konteks diperlukan ketika belajar pola-pola dari waktu ke waktu, yaitu ketika nilai
sebelumnya berpengaruh untuk nilai selanjutnya. Karena itulah, jaringan recurrent dapat dilihat sebagai upaya menggabungkan antara waktu dan memori
pada jaringan syaraf tiruan. Ada 2 jaringan yang menggunakan prinsip jaringan Recurrent, yaitu jaringan Hopfield [13] dan jaringan Elman [14]. Contoh
perhitungan jaringan recurrent
2
-1
input output
bias recurrent
20
dengan satu input dan satu output, serta fungsi aktivasi undak biner hardlimit. Langkah 1: menghitung penjumlahan bobot
, langkah 2: hitung fungsi aktivasi; karena u = -7 0, maka fu = 0, yang akan
menjadi input kembali, langkah 3: ulang kembali langkah ke-1 dan ke-2; menghitung penjumlahan bobot,
dengan kondisi yang baru ,
hitung fungsi aktivasi; karena , maka , dan proses
iterasi berhenti karena .
2.4.3 Metode Pembelajaran