13
2.5 Komponen dan Arsitektur Jaringan
Seperti halnya sebuah arsitektur bangunan, jaringan syaraf tiruan pun memiliki komponen- komponen yang bersusunan untuk menyusun jaringan tersebut. Jaringan syaraf tiruan terdiri dari
beberapa neuron. Neuron tersebut akan berhubungan dengan yang lainnya. Neuron ini mengubah informasi yang diterima dan mengirimnya menuju neuron lain. Pada jaringan syaraf tiruan, hubungan
ini disebut bobot. Input akan dikirim ke neuron dengan bobot kedatangan tertentu. Input diproses oleh suatu
fungsi perambatan yang menjumlahkan nilai semua bobot. Hasil penjumlahan kemudian akan dibandingkan dengan suatu nilai ambang threshold tertentu melalui fungsi aktifasi setiap neuron.
Apabila neuron diaktifkan maka akan menghasilkan output ke semua neuron yang berhubungan. Jaringan syaraf tiruan terdiri atas beberapa elemen proses yang disebut neuron, units, cells
atau nodes. Setiap neuron berhubungan dengan neuron lainnya dengan bobot yang telah ditentukan. Setiap neuron mempunyai fungsi aktifasi yang mengirimkan nilai aktifasi sebagai sinyal kepada
beberapa neuron lainnya pada satu waktu.
Gambar 6. Jaringan Syaraf Tiruan dengan Bobot Siang 2009 Contoh jaringan syaraf tiruan Pada Gambar 6, terdiri atas tiga neuron pada lapisan input dan satu
neuron pada lapisan output. Neuron Y menerima input dari neuron X
1
, X
2
, dan X
3
. Sedangkan nilai W
1
, W
2
, dan W
3
merupakan bobot masing-masing input. Untuk menghitung nilai output digunakan persamaan
: _
Nilai aktivasi y dari neuron Y adalah suatu fungsi dari input jaringan, Y=fY_in. Fungsi f adalah fungsi linear atau fungsi-fungsi lain yang lebih kompleks. Fungsi aktivasi pada jaringan propagasi
balik terdapat tiga macam fungsi aktivasi, yaitu fungsi aktivasi sigmoid atau logistik, fungsi aktivasi tangen hiperbola
, dan fungsi aktivasi linier. Fungsi tersebut adalah fungsi umum yang akan digunakan untuk membawa input menuju
output yang diinginkan. Fungsi aktivasi inilah yang akan menentukan besarnya bobot. Penggunaan fungsi aktivasi tergantung pada kebutuhan dan desired output Indrawanto 2008. Berikut adalah
penjelasan terhadap masing-masing fungsi aktivasi ini.
X X
X Y
W
1
W
2
W
3
14 1.
Linear Pureline Fungsi linier akan membawa input ke output yang sebanding. Fungsi ini digambarkan
sebagai berikut:
Gambar 7. Fungsi aktivasi Linear Mathworks Online 2010 algoritma dari fungsi ini adalah:
2. Tansig
Tansig adalah fungsi sigmoid tangen yang digunakan sebagai fungsi aktivasi
Gambar 8. Fungsi aktivasi Tansig Mathworks Online 2010 Fungsi ini akan membawa nilai input pada output dengan menggunakan rumus hyperbolic
tangen sigmoid . Nilai maksimal output dari fungsi ini adalah 1 dan minimal -1. Algoritma
dari fungsi ini adalah:
3. Logsig
Logsig Log Sigmoid adalah fungsi transfer yang membawa input ke output dengan
penghitungan log sigmoid. Nilai outputnya antara 0 hingga 1.
15 Gambar 9. Fungsi aktivasi Logsig Mathworks Online 2010
algoritma dari fungsi ini adalah:
Selain memiliki komponen khusus dan fungsi aktivasi, Jaringan Syaraf Tiruan juga tersusun dengan pola keterkaitan antar layer yang spesifik, keterkaitan ini disebut net architecture. Arsitektur
jaringan syaraf tiruan diklasifikasikan sebagai single layer, multilayer dan competitive layer. Untuk menentukan banyak layer yang digunakan, input layer tidak diikutsertakan sebagai layer yang
digunakan. Banyaknya layer yang disertakan dalam jaringan syaraf tiruan menunjukkan banyaknya nilai bobot yang berhubungan antar layer tersebut, karena itu nilai bobot merupakan hal yang penting
dalam jaringan syaraf tiruan. Perbedaan antara single layer, multilayer dan competitive layer adalah sebagai berikut :
1. Single layer net
Single layer net mempunyai satu layer untuk menghubungkan nilai bobotnya.
Neuron input langsung berhubungan dengan neuron output. Jaringan ini hanya menerima
informasi dan langsung mengolahnya menjadi output tanpa melalui hidden layer. Ciri-ciri yang dimiliki single layer net ini hanya mempunyai satu layer input dan satu layer output.
2. Multilayer net
Multilayer net adalah jaringan yang mempunyai tambahan satu layer atau lebih
hidden neuron diantara layer input dan output. Jaringan dengan banyak layer ini dapat menyelesaikan permasalahan yang lebih rumit dibandingkan jaringan dengan satu layer.
3. Competitive layer net
Competitive layer net terdiri dari dua atau lebih jaringan syaraf tiruan. Arsitektur
jaringan ini bisa menghubungkan satu neuron dengan neuron lainnya Pusparianti 2008.
2.6 Algoritma Pembelajaran Propagasi Balik
Kategori