BAB 2 LANDASAN TEORI
2.1. Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan JST merupakan representasi buatan dari otak manusia yang selalu mencoba mensimulasikan proses pembelajaran pada otak manusia tersebut.
Istilah buatan disini digunakan karena jaringan syaraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses
perhitungan selama proses pembelajaran.Sri Kusumadewi, 2003. Jaringan syaraf tiruan JST adalah sistem pemroses informasi yang memiliki
karakteristik mirip dengan jaringan syaraf biologi. JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi
dengan asumsi bahwa:
o Pemrosesan informasi terjadi pada banyak elemen sederhana
neuron.
o Sinyal
dikirimkan diantara
neuron-neuron melalui
penghubung- penghubung.
o Penghubung antara neuron memiliki bobot yang akan memperkuat atau
memperlemah sinyal. o
Untuk menentukan
output
, setiap neuron menggunakan fungsi aktivasi biasanya bukan fungsi linear yang dikenakan pada jumlahan
input
yang diterima. Besarnya
output
ini selanjutnya dibandingkan dengan suatu batas ambang. Jong Siang Jek, 2005.
JST ditentukan oleh 3 hal : a.
Pola hubungan antar neuron yang menjadi arsitekturnya. b.
Metode penentuan bobot dalam koneksi disebut sebagai proses latihan, pembelajaran, atau Algoritma .
c. Fungsi aktivasi. Jong Siang Jek, 2005
Gambar alur fungsi aktifasi pada jaringan syarah tiruan sederhana dapat dilihat pada gambar 2.1.
X1
X2
XN
F
Ʃ
b a
y w1
w2
w3
Keterangan x1, x2, ..., xn = Input
w1, w2, ..., wn = Bobot ∑ = Neuro ode
b = Bias F = Fungsi aktivasi
y = output a = w1x1+w2x2+...+wnxn+bias
Gambar 2.1 Fungsi Aktivasi Pada Jaringan Syaraf Sederhana
2.1.1. Arsitektur Jaringan Syaraf Tiruan
Lapisan-lapisan penyusun jaringan syaraf tiruan dapat dibagi menjadi tiga, yaitu: a.
Lapisan masukan
input layer
Merupakan lapisan yang terdiri dari beberapa neuron yang akan menerima sinyal dari luar dan kemudian meneruskan ke neuron-neuron lain dalam
jaringan. Lapisan ini diilhami berdasarkan ciri-ciri dan cara kerja sel-sel syaraf sensorikpada jaringan saraf biologi manusia.
b. Lapisan tersembunyi
hidden layer
Merupakan tiruan dari dari sel-sel saraf konektur pada jaringan saraf biologi manusia. Lapisan tersembunyi berfungsi meningkatkan kemampuan jaringan
dalam memecahkan masalah. Konsekuensi dari adanya lapisan ini adalah pelatihan menjadi makin sulit atau lama.
c. Lapisan keluaran
output layer
Lapisan keluaran berfungsi menyalurkan sinyal-sinyal keluaran hasil pemrosesan jaringan. Lapisan ini terdiri dari sejumlah neuron. Lapisan ini
jugan tiruan dari sel saraf motorikpada jaringan biologi manusia. Antoni Siahaan, 2011
∑
Gambar susunan lapisan-lapisan jaringan syaraf tiruan dapat dilihat pada gambar 2.2.
Gambar 2.2 Arsitektur jaringan syaraf tiruan
2.1.2. Fungsi Aktivasi
Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan,
antara lain:
a. Fungsi Sigmoid Biner
Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan menggunakan metode
backpropagation
. Fungsi sigmoid biner memiliki nilai pada
range
0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan syaraf yang membutuhkan nilai
output
yang terletak pada interval 0 sampai 1. Namun fungsi ini juga digunakan oleh jaringan syaraf
yang nilai
output
-nya 0 atau 1. Fungsi sigmoid biner dirumuskan sebagai:
dengan :
b. Fungsi sigmoid bipolar
Fungsi bipolar hampir sama dengan fungsi sigmoid biner, hanya saja
output
dari fungsi ini memiliki range antara 1 sampai -1. Fungsi sigmoid bipolar dirumuskan sebagai: Ferdinand Sinuhaji,
2009
dengan
2.1.3. Pelatihan Jaringan Syaraf Tiruan
Sebelum digunakan, JST dilatih untuk mengenal fungsi pemetaan. Pelatihan merupakan proses belajar JST yang dilakukan dengan menyesuaikan bobot terkoneksi
jaringan. Suatu Jaringan Saraf Tiruan belajar dari pengalaman. Proses yang lazim dari pembelajaran meliputi 3 tugas, yaitu :
a. Perhitungan
output
b. Membandingkan
output
dengan target yang diinginkan c.
Menyesuaikan bobot dan mengulang prosesnya. Proses pelatihan atau pembelajaran tersebut merupakan proses bobot antar neuron
sehingga sebuah jaringan dapat menyelesaikan sebuah masalah. Proses belajar JST diklasifikasikan menjadi dua:
a. Belajar dengan pengawasan
Supervised learning
b. Belajar tanpa pengawasan
Unsupervised learning
. Antoni Siahaan, 2011
2.1.4. Algoritma Jaringan Syaraf Tiruan
Penggunaan Jaringan Saraf Tiruan dalam menyelesaikan permasalahan akan dipengaruhi oleh permasalahan apa yang akan diselesaikan. Berbagai macam
permasalan yang dapat diselesaikan dengan Jaringan Saraf Tiruan, antara lain; pengenalan poladan optimisasi. Dalam hal ini diperlukan keputusan terbaik dalam
memilih algoritma yang terbaik untuk menyelesaikan masalah, dari beberapa algoritma Jaringan Saraf tersebut antara lain :
a. Algoritma Kohonen
b. Algoritma Fractal
c. Algoritma
Learning Vector Quantization
d. Algoritma Cyclic
e. Algoritma Alternating Projection
f. Algoritma Hamming
g.
Algoritma Feedforwad Banyak Lapis. Antoni Siahaan, 2011
2.2.
Learning Vector Quantization
LVQ
LVQ merupakan suatu metode untuk melakukan pelatihan terhadap lapisan-lapisan kompetitif yang terawasi. Lapisan kompetitif akan belajar secara otomatis untuk
melakukan klasifikasi terhadap vektor
input
yang diberikan. Apabila beberapa vektor
input
memiliki jarak yang sangat berdekatan, maka vektor-vektor
input
tersebut akan dikelompokkan dalam kelas yang sama.
Algoritma: 1. Tetapkan: BobotAwal W,Maksimum Epoch MaxEpoch, Error Minimum
yang diharapkan Eps, Learning rate α.
2. Masukkan :
a.
Input
: xm,n; b. Target m : T1,n
3. Tetapkan kondisi awal: a. Epoch=0;
b. Err =1. 4. Kerjakan jika : epochMaxEpoch atau α Eps
a. Epoch=epoch + 1 b. Kerjakan untuk i=1 sampai n
- Tentukan J sedemikian hingga || W – Wj || minimum sebut sebagai Cj
- Perbaiki Wj dengan ketentuan: i. Jika t = Cj maka : Wjbaru=Wjlama + α X – Wjlama
ii. Jika T ≠ Cj maka : Wjbaru=Wjlama- α X- Wjlama
c. Kurangi nilai α
5. Selesai. Antoni Siahaan, 2011 Gambar 8.3 menjelaskan arsitektur jaringan LVQ. Dimana X
1
, X
i,
...¸ X
n
adalah input, W
11
, W
ij
,..., W
rm
adalah bobot dan Y
1
, Y
j
,..., Y
m
adalah output.
Gambar 2.3 Arsitektur Jaringan LVQ
2.3. Kohonen
Kategori