11
Dari gambar 2.1 diperlihatkan bahwa arsitektur jaringan dengan layar tunggal dengan n buah masukan
, ,...,
dan m buah keluaran ,
, ..., . Dalam jaringan ini semua unit input dihubungkan dengan
semua unit output. Tidak ada unit input yang dihubungkan dengan unit input lainnya dan unit output pun demikian.
2. Jaringan dengan banyak lapisan multilayer net
Jaringan dengan banyak lapisan memiliki satu atau lebih lapisan yang terletak diantara lapisan input dan output. Umumnya terdapat lapisan bobot-bobot
yang terletak antara 2 lapisan yang bersebelahan. Jaringan ini dapat menyelesaikan permasalahan yang lebih sulit daripada jaringan dengan
lapisan tunggal, dengan pembelajaran yang lebih rumit.
Gambar 2.2 Jaringan dengan banyak lapisan
Dari gambar 2.2 diperlihatkan jaringan dengan n buah unit masukan ,
, ...,
, sebuah layar tersembunyi yang terdiri dari p buah unit ,
,..., dan 1 buah unit keluaran.
3. Jaringan dengan lapisan kompetitif competitif layer net
Hubungan antar neuron pada lapisan kompetitif ini tidak diperlihatkan pada diagram arsitektur ini.
2.1.3 Algoritma Umum Jaringan Syaraf Tiruan
Algoritma pembelajaranpelatihan jaringan syaraf tiruan Puspitaningrum, 2006: Dimasukkan n contoh pelatihan ke dalam jaringan syaraf tiruan. Lakukan:
Universitas Sumatera Utara
12
1. Inisialisasi bobot-bobot jaringan. Set i=1.
2. Masukkan contoh ke-i dari sekumpulan contoh pembelajaran yang terdapat
dalam set pelatihan kedalam jaringan pada lapisan input. 3.
Cari tingkat aktivasi unit-unit output menggunakan algoritma aplikasi. If kinerja jaringan memenuhi standar yang ditentukan sebelumnya
memenuhi syarat berhenti then
exit. 4.
Update bobot-bobot dengan menggunakan aturan pembelajaran jaringan. 5.
If i = n, then reset i = 1 Else i = i-1.
Ke langkah 2.
Algoritma aplikasi jaringan syaraf tiruan: Dimasukkan sebuah contoh pelatihan ke dalam jaringan syaraf tiruan. Lakukan:
1. Masukkan kasus ke dalam jaringan pada lapisan input.
2. Hitung tingkat aktivasi node-node jaringan.
3. Untuk jaringan koneksi umpan maju, jika tingkat aktivasi dari semua unit
outputnya telah dihitung, maka exit. Untuk jaringan koneksi balik, jika tingkat aktivasi dari semua unit output menjadi konstan atau mendekati konstan,
maka exit. Jika tidak, kembali ke langkah 2. Jika jaringannya tidak stabil, maka exit dan fail.
2.1.4 Fungsi aktivasi
Sinyal aktivasi dalam jaringan syaraf tiruan ditentukan oleh suatu fungsi aktivasi. Ada beberapa fungsi aktivasi yang digunakan dalam jaringan syaraf tiruan antara
lain Desiani dan Arhami, 2006: 1.
Fungsi identitas Fungsi ini biasanya digunakan pada jaringan lapisan tunggal dan akan
menghasilkan nilai yang sama dengan nilai masukannya. = → ∀
Universitas Sumatera Utara
13
2. Fungsi tangga biner
Fungsi ini merupakan fungsi identitas dengan pembulatan yang bergantung pada parameter pembulatan
. Untuk = 1, fungsi ini hanya akan
menghasilkan nilai 1 atau 0. = 1,
≥ 0 3.
Fungsi signoid-biner Fungsi ini tergantung pada steepnes parameter
. Agar fungsi ini menghasilkan nilai yang dibatasi oleh bilangan biner 0 sampai 1 maka
= 1 . =
1 1 +
4. Fungsi signoid-bipolar
Fungsi ini tergantung pada steepnes parameter . Fungsi ini merupakan
fungsi signoid-biner yang diperluas hingga mencapai nilai negatif melalui sumbu x sehingga untuk
= 1, fungsi ini akan menghasilkan nilai keluaran antara -1 sampai +1.
= 2 − 1 =
2 1 +
− 1 = 1 −
1 + Untuk memilih fungsi aktivasi mana yang akan digunakan dalam sistem
jaringan syaraf tiruan maka bergantung pada algoritmamodel jaringan yang digunakan.
2.1.5 Proses Pembelajaran
