tersebut dikatakan berkualitas terutama karena koi berfungsi sebagai ikan hias, tentu saja harus memberi kepuasan kepada konsumennya.
2.2 Jaringan syaraf tiruan
Pada sistem yang menggunakan kecerdasan buatan, akan dicoba untuk memberikan output berupa solusi dari suatu masalah berdasarkan kumpulan pengetahuan
yang ada. Input yang diberikan pada sistem yang menggunakan kecerdasan buatan berupa masalah. Pada sistem harus dilengkapi dengan sekumpulan pengetahuan yang ada pada
basis pengetahuan. Sistem harus memiliki inference engine agar mampu mengambil kesimpulan berdasarkan fakta atau pengetahuan. Output yang diberikan berupa solusi
masalah sebagai hasil dari inferensi. JST merupakan salah satu representasi buatan dari otak manusia yang selalu
mencoba untuk mensimulasikan proses pembelajaran pada otak manusia pada struktur komputasi, sehingga output yang dihasilkan bekerja seperti halnya sistem jaringan saraf
biologi di dalam otak. Secara sederhana konsep kerja dari jaringan syaraf tiruan dapat dijelaskan oleh Gambar 3 Demuth dan Beale, 1999 dalam Kusumadewi, 2003.
Sumber: Demuth dan Beale, 1999 in Kusumadewi 2003 Gambar 3. Konsep kerja jaringan syaraf tiruan
Neuron-neuron jaringan syaraf tiruan yang memiliki
bobot tertentu
Bandingkan
Target
Perbaiki nilai Bobot Input
Seperti terlihat pada Gambar 3, bobot hubungan antara elemen atau neuron pada JST disesuaikan berdasarkan galat hasil perbandingan antara output dengan target sampai
jaringan mencapai pola target. Jaringan syaraf tiruan adalah suatu grup pemrosesan elemen-elemen neuron-
neuron, dimana suatu subgroup layer melakukan komputasi yang independent dan meneruskan hasilnya ke subgroup selanjutnya. Pemrosesan elemen-elemen dalam
subgroup ele men mempunyai tingkat aktivasi dari input yang diterimanya, kemudian mengirimkannya sebagai sinyal ke beberapa elemen yang lain. Seperti yang ditunjukan
pada Gambar 4, JST ini mempunyai beberapa input dan satu output.
Sumber: Kusumadewi 2003 Gambar 4. Gambaran Jaringan syaraf tiruan JST
Gambar 4 diatas dapat dijelaskan dengan singkat yaitu sebelum sinyal input dimasukan kedalam unit output, suatu sinyal
i
X digandakan dengan beban
i
ω terhadap
i
X dinyatakan dengan
i i
x X
∑
= ω
. Oleh unit output
i
X dimasukan kedalam suatu fungsi transfer
x f
tertentu fungsi aktivasi untuk menghasilkan output akhir. Fungsi transfer
x f
dapat berupa fungsi linier atau fungsi lainya yang dapat lebih kompleks.
Y = fx
Output
fx X
x x
x
ù ù
ù
Input
i i
x X
∑
= ω
Nilai Bobot Fungsi Aktivasi
Layaknya jaringan syaraf biologi, jaringan syaraf tiruan memiliki karakteristik- karakteristik yang khas antara lain:
a Arsitektur Merupakan gambaran pola hubungan antara neuron. Pada arsitektur JST terdapat
elemen – elemen pemrosesan informasi neuron – neuron yang saling berhubungan melalui connection link. Neuron – neuron disusun pada suatu lapisan layer,
umumnya lapisan – lapisan tersebut terdiri dari lapisan input input layer, lapisan terselubung hidden layer dan lapisan output ouput layer. Neuron – neuron pada
lapisan yang sama biasanya memiliki sifat atau kelakuan yang sama. Arsitektur JST yang digunakan pada penelitian ini adalah multi – layer neural net JST lapis ganda
yang memiliki satu lapisan terselubung hidden layer diantara lapisan input dan lapisan ouput. Arsitektur JST lapisan ganda adalah seperti gambar berikut.
Sumber: Rich dan Knight in Sriyasa 2003 Gambar 5. Model Network Multilayer Rich dan Knight, 2001
ù
AB
Output Layer
Hidden Layer
Input Layer
v
BC
1 H
H
H
1
H
2
H
3
H
B
O
H
O
1
H
O
c
H
1 X
X
1
X
A
dimana :
A
X = Variabel input node A pada lapisan input, A=0, 1, 2, …
B
H = Output node B pada lapisan Hidden, B=0, 1, 2, …
C
O = Output node C pada lapisan terselubung hidden layer
AB
ω
= Bobot yang menghubungkan node A pada lapisan input dengan
node B pada lapisan hidden
BC
V = Bobot yang menghubungkan node B pada lapisan terselubung hidden
layer dengan node C pada lapisan output.
b Pelatihan Training Pembelajaran learning merupakan algoritma yang dipakai untuk penentuan
bobot pada hubungan connection link. Metode pelatihan jaringan syaraf tirua n dapat diklasifikasikan menjadi tiga yaitu: supervised, reinforcement dan unsupervised.
Metode pelatihan supervised yaitu metode pembelajaran dengan output yang diharapkan telah diketahui sehingga pembelajaran ini dapat diasumsikan dengan guru
yang hadir selama proses pelatihan dan setiap contoh yang diberikan terdiri dari nilai input dan nilai target. Selama proses pelatihan, nilai output yang dihasilkan
dibandingkan dengan antar target untuk menentukan besarnya galat. Galat tersebut digunakan untuk mena mbah pembobot pada jaringan syaraf tiruan sehingga dapat
meningkatkan kinerja jaringan. Proses pelatihan ini tercapai jika galat pada setiap contoh yang diberikan telah diperkecil pada tingkat yang dapat diterima.
Contoh algoritma yang menggunakan metode supervised adalah Delta rule, Backpropagation, Hebian dan Stokastik. Metode pelatihan reinforcement adalah
dengan diasumsikan adanya guru yang hadir selama proses pelatihan, tetapi nilai target tidak diberikan, hanya diberikan indikasi bahwa nilai output adalah benar atau
salah, indikasi ini digunakan oleh JST untuk memperbaiki kinerja jaringan. Contoh algoritma yang menggunakan metode reinforcement adalah Learning automata.
Metode pelatihan Unsupervised adalah diasumsikan tanpa guru selama proses pelatihan, contoh yang diberikan selama pelatihan hanya berupa input tanpa nilai
target. Sistem harus belajar menemukan dan beradaptasi terhadap perbedaan dan persamaan didalam nilai input yang diberikan . Contoh algoritma yang menggunakan
metode unsupervised antara lain hopfield dan Kohonen feature Map. c Fungsi aktivasi
Fungsi aktivasi yang mentranformasikan total input JST pada suatu neuron untuk menghasilkan sinyal keluaran outgoing activity. Fungsi aktivasi yang digunakan
pada penelitian ini adalah fungsi sigmoid:
1 1
∑ +
=
−
i i
x
e x
f
ω
………………………………… 1
dengan 1
x f
x f
x f
− = δ
dimana:
∑
=
i i
x ω
δ
..................................................... 2 x
f = turunan pertama fungsi aktivasi
i
ω = bobot neuron ke – i; i = 0,1,2,…
i
X = input ke – i pada layer
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. walaupun pada penelitian ini hanya membutuhkan nilai keluaran 0 dan 1 tetapi dengan menggunakan fungsi aktivasi sigmoid biner
pengambilan keputusan dapat lebih teliti karena perubahan nilai output lebih ”halus” mengikuti kurva sigmoid dibandingkan dengan menggunakan fungsi biner, dimana
perubahanya sangat ”kasar” hanya memiliki keluaran 0 dan 1. Untuk mendapatkan nilai keluaran 0 dan 1 maka akan digunakan nilai 0.5 sebagai
batas dimana nilai keluaran dibawah 0.5 dianggap sebagai keluaran 0 dan keluaran diatas 0.5 dianggap sebagai keluaran 1
Sumber: Kusumadewi 2002 Gambar 6. Fungsi aktivasi sigmoid biner
Pada Gambar 6. dapat dilihat bahwa semakin kecil nilai
∑
=
i i
x ω
δ maka
keluaran atau output akan semakin landai, ini berarti perubahan nilai output yang dihasilkan akan semakin halus.
ä = 0.2
ä = 1 ä = 0.5
fx
2.3 JST Propagasi Balik
