3. Akson Neuron biasanya hanya memiliki satu akson yang tumbuh dari bagian soma dan
disebut dengan akson hillock. Akson menyalurkan sinyal elektrik yang dihasilkan pada bagian bawah dari akson hillock. Sinyal elektrik digunakan untuk
menyampaikan informasi sinyal ke otak dengan semua sinyal sama. Oleh karena itu, otak menentukan jenis informasi yang diterima berdasarkan jalur yang
membawa sinyal. Otak kemudian menganalisis dan menafsirkan jenis informasi yang diterima. Myelin adalah materi lemak yang melindungi syaraf. Fungsinya
seperti lapisan pelindung pada kabel listrik dan memudahkan syaraf untuk mengirim impulsnya dengan cepat. Tidak semua bagian akson terbungkus dengan
myelin. Bagian yang tidak terbungkus ini disebut nodus ranvier. Pada nodus ini, sinyal yang mengalir dan mengalami penurunan akan diperkuat lagi. Hal ini akan
memastikan bahwa perjalanan sinyal pada akson mengalir cepat dan tetap konstan. 4. Sinapsis Synapse
Sinapsis merupakan bagian kontak tempat terjadinya pertukaran sinyal antar dua neuron. Neuron sebenarnya secara fisik tidak berhubungan. Mereka dipisahkan
oleh synaptic cleft. Neuron yang mengirim sinyal disebut dengan sel presynaptic dan neuron yang menerima sinyal disebut dengan sel postsynaptic.[8]
2.4 Jaringan Syaraf Tiruan
Jaringan syaraf tiruan atau Artificial Neural Network yang sering disingkat dengan ANN merupakan jaringan neural yang meniru prinsip kerja dari neuron otak manusia
neuron biologis. ANN pertama kali muncul setelah model sederhana dari neuron buatan diperkenalkan oleh McCulloch dan Pitts pada tahun 1943. Model sederhana
tersebut dibuat berdasarkan fungsi neuron biologis yang merupakan dasar unit pensinyalan dari sistem syaraf. [8]
Jaringan syaraf tiruan memiliki beberapa kemampuan seperti yang dimiliki otak manusia, yaitu:
1. Kemampuan untuk belajar dari pengalaman 2. Kemampuan melakukan perumpamaan generalization terhadap input baru dari
pengalaman yang dimilikinya. 3. Kemampuan memisahkan abstraction karakteristik penting dari input yang
mengandung data yang tidak penting. [8]
Jaringan Syaraf Tiruan merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak
manusia tersebut. Istilah buatan digunakan karena jaringan syaraf ini diimplementasikan dengan menggunakan program komputer yang mampu
menyelesaikan sejumlah proses perhitungan selama proses pembelajaran berlangsung. Dikarenakan sebagai generalisasi model matematika dari jaringan syaraf biologi,
maka Jaringan Syaraf Tiruan diasumsikan sebagai berikut: 1. Pengolahan informasi terjadi pada elemen pemrosesan yang disebut neuron.
2. Sinyal dikirimkan diantara neuron-neuron melalui penghubung-penghubung. 3. Setiap penghubung antar neuron memiliki nilai bobot.
4. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi terhadap total input jaringan penjumlahan bobot input. [7]
Pemodelan ANN Artificial Neural Network merupakan pemodelan dengan menggunakan pendekatan pemodelan black box. Prinsip kerja ANN didasari pada
mekanisme kerja penyaluran informasi sistem NN. Namun demikian, karena keterbatasan yang dimiliki oleh struktur ANN maka hanya sebagian kecil saja dari
kemampuan sistem syaraf manusia dapat ditiru. Gambar 2.2 berikut menunjukkan ilustrasi model ANN buatan. [9]
Gambar 2.2 Ilustrasi model ANN[9]
Gambar 2.2 di atas dapat dijelaskan sebagai berikut. p
r
w menyatakan sinyal input dari node input ke i = 1, 2, …, r, dengan r menyatakan
jumlah input.
s,r
n menyatakan total jumlah sinyal terbobot yang masuk ke node s atau sering juga disebut sebagai tingkat pengaktifan activation level di node s.
menyatakan bobot weight hubungan dari node neuron input r ke node neuron yang dituju j, j = 1, 2, …, s, dengan s menyatakan jumlah neuron.
f menyatakan fungsi transfer transfer function yang akan menentukan keluaran dari node s dan tergantung pada nilai n.
a
s
Nilai n dari model di atas dapat dihitung dengan rumus: menyatakan sinyal yang keluar outgoing signal atau output dari node s.
n = w
s,r
p
r ………
sedangkan keluaran node yang dinyatakan dengan a dapat ditentukan sebagai berikut. ..………………………………………………………1
a = f n ..……………………………………………………………..2 seringkali kedua formula di atas digabung menjadi satu seperti berikut.
a = f w
s,r
p
r
…...……………………………………………………...3
Secara ringkas prinsip kerja neuron dapat dinyatakan sebagai berikut. Pada suatu neuron, sinyal input diterima oleh dendrit akan masuk ke node soma. Pada
node terjadi proses penjumlahan sinyal-sinyal input yang telah terbobot dinyatakan sebagai w
s,r
p
r
dan dilambangkan dengan n. Penjumlahan sinyal-sinyal terbobot tersebut n diproses menjadi sinyal output a dengan menggunakan suatu fungsi
aktivasi. Sinyal output ini kemudian diteruskan ke neuron lain oleh akson sinyal pada akson.
Proses seperti di atas terjadi pada setiap node dan berjalan secara independen terpisah. Akan tetapi, hasil proses di tiap node akan mempengaruhi hasil dari
networks secara keseluruhan karena output dari suatu node menjadi input untuk node- node yang lainnya node di lapisan berikutnya.
Fungsi aktivasi menyatakan perlakuan suatu node terhadap input. Keluaran suatu neuron sangat tergantung pada fungsi aktivasi yang digunakan.
Berikut disajikan tabel perbandingan antara sistem NN dan sistem ANN, sehingga menjadi lebih jelas prinsip kerja NN yang ditiru oleh ANN.
Tabel 2.1 Perbandingan NN dengan ANN
NN ANN
Soma sel tubuh Node
Dendrites Sinyal input
Sinyal pada akson Sinyal output
Synapsis Bobot
Memiliki kecepatan rendah Memiliki kecepatan tinggi
Memiliki neuron sekitar 100 miliar Harusnya memiliki sekitar ratusan
neuron Karakteristik dari Jaringan Syaraf Tiruan adalah:
1. Arsitektur Jaringan : pola hubungan antar neuron 2. Algoritma pembelajaran : metode yang menentukan nilai bobot penghubung
3. Fungsi aktivasi : menentukan nilai output berdasarkan total nilai input-nya.
2.4.1 Komponen Jaringan Syaraf Tiruan
Seperti otak manusia, Jaringan Syaraf Tiruan juga memiliki neuron yang merupakan dasar dari operasi Jaringan Syaraf Tiruan yang berfungsi untuk memproses informasi.
Sel syaraf tiruan ini biasa disebut processing element, neuron atau unit.
Masing-masing neuron akan meneruskan informasi yang diterimanya menuju neuron lainnya. Hubungan antar neuron ini disebut edge dan memiliki nilai yang
disebut bobot atau weight disimbolkan dengan w
1
, …, w
n
. Selain bobot, setiap unit juga memiliki input, output, dan error. Input yang disimbolkan dengan x
i
x
1
, …, x
n
merupakan nilai atau angka yang ingin dilatih maupun untuk diuji di dalam suatu jaringan dimana nilainya harus berupa angka sedangkan output yang disimbolkan
dengan y
i
y
1
, …, y
n
merupakan hasil keluaran dari suatu unit yang merupakan solusi atau pemahaman jaringan terhadap data input, sedangkan error merupakan tingkat
kesalahan yang terdapat dalam suatu unit proses yang telah dilakukan. Dalam jaringan terkadang ditambah sebuah unit input yang nilainya selalu sama dengan 1, unit ini
disebut bias.
Jaringan Syaraf Tiruan memiliki banyak neuron yang tersebar di seluruh bagiannya. Masing-masing neuron dikelompokkan ke dalam beberapa lapisan dan
memiliki hubungan satu dengan yang lain disebut dengan layer.
Layer terdiri dari beberapa bagian, yaitu: 1. Lapisan masukan input layer
Lapisan ini merupakan tempat dimana seluruh lapisan bobot awal dimasukkan inisialisasi input yang selanjutnya diproses untuk dikirim ke lapisan di atasnya.
2. Lapisan tersembunyi hidden layer Lapisan ini merupakan lapisan di antara lapisan masukan dan lapisan keluaran.
Disini bobot yang diterima dari lapisan input juga diproses untuk selanjutnya dikirim ke lapisan di atasnya yaitu lapisan output.
3. Lapisan keluaran output layer Lapisan ini merupakan lapisan akhir pada arsitektur jaringan dimana nilai output
dari jaringan dihasilkan. Pada lapisan ini ditetapkan nilai output aktual untuk dibandingkan dengan nilai output target untuk mengetahui apakah jaringan sudah
sesuai dengan hasil yang diinginkan.[7]
2.4.2 Arsitektur Jaringan
Arsitektur jaringan merupakan salah satu hal terpenting dalam Jaringan Syaraf Tiruan selain dari neuron dan algoritma pembelajaran. Arsitektur jaringan terbagi menjadi
tiga jenis, yaitu: 1. Jaringan lapis tunggal single layer network
Jaringan lapis tunggal merupakan jaringan yang hanya memiliki satu buah lapisan dengan bobot-bobot yang terhubung. Jaringan ini hanya menerima nilai input dan
secara langsung mengolahnya untuk menjadi nilai output tanpa melalui lapisan tersembunyi. Jaringan lapis tunggal dapat dilihat pada gambar 2.3 di bawah ini.
x
1
x
3
x
2
Y
v
3
v
1
v
2
Gambar 2.3 Jaringan Lapis Tunggal
2. Jaringan multilapis multilayer network Jaringan multilapis merupakan jaringan yang memiliki satu buah atau lebih lapisan
di antara lapisan input dan lapisan output. Jaringan multi lapis ini dapat menyelesaikan permasalahan yang lebih kompleks dibandingkan dengan jaringan
lapis tunggal walaupun memiliki tingkat kerumitan yang tinggi serta membutuhkan waktu yang lama dalam proses pelatihannya. Jaringan multi lapis
dapat dilihat pada gambar 2.4 di bawah ini.
x
1
x
3
x
2
Y z
1
z
m
z
2
x
n
v
11
v
12
v
1m
w
1
w
2
w
3
v
21
v
22
v
2m
v
31
v
32
V
3m
v
n1
v
n1
v
nm
Gambar 2.4 Jaringan Multi lapis
3. Jaringan kompetitif competitive layer network Jaringan kompetitif sering disebut feedback loop karena unit output ada yang
memberikan informasi terhadap unit masukan. Jaringan kompetitif dapat dilihat pada gambar 2.5 berikut ini.
A
1
A
m
A
i
A
j
Gambar 2.5 Jaringan Kompetitif
2.4.3 Model Pelatihan Jaringan Syaraf Tiruan
Seperti halnya otak manusia yang membutuhkan pembelajaran dalam mengenali sesuatu, pada Jaringan Syaraf Tiruan juga demikian. Setiap neuron dibangun untuk
dilatih dalam mempelajari pola yang akan diinginkan. Pada saat pelatihan dilakukan, nilai dari masing-masing hubungan neuron ditetapkan untuk menentukan output.
Semakin banyak pelatihan yang dilakukan maka akan semakin kecil tingkat dari suatu error di lapisan keluarannya, sehingga pengenalan suatu pola akan segera tercapai.
Metode pembelajaran Jaringan Syaraf Tiruan terdiri dari dua cara: 1. Supervised Learning pembelajaran dengan pengawasan
Supervised Learning merupakan metode pembelajaran dalam Jaringan Syaraf Tiruan dimana output target yang diinginkan telah diketahui sebelumnya dan
diharapkan setelah proses pelatihan output target tercapai. Pada metode pembelajaran ini pasangan data masukan-keluaran dipakai untuk melatih
jaringan. Pada proses pembelajarannya pola masukan diberikan pada lapisan input untuk terus dirambatkan sampai pada lapisan output. Nilai yang diperoleh dari
proses perhitungan pola pada pembelajaran lapisan output akan dicocokkan denganpola output target awal. Jika diperoleh perbedaan antara kedua nilainya
maka akan muncul error. Apabila nilai error belum sesuai dengan yang diinginkan maka pelatihan akan terus dilakukan dengan terus memodifikasi bobot
sampai dihasilkan error yang sesuai. Model Jaringan Syaraf Tiruan yang menggunakan metode supervised learning adalah perceptron, ADALINE, dan
backpropagation. 2. Unsupervised Learning pembelajaran tanpa pengawasan
Unsupervised learning merupakan metode pembelajaran dalam Jaringan Syaraf Tiruan yang tidak memerlukan output target dalam proses pembelajarannya.
Pelatihan dilakukan hanya pada data input saja. Model Jaringan Syaraf Tiruan yang menggunakan metode unsupervised learning adalah kohonen, hebbian, dan
lain-lain.
Pada umumnya operasi model jaringan dalam Jaringan Syaraf Tiruan terbagi atas dua mekanisme kerja, yaitu:
1. Mekanisme pelatihan atau belajar Pada mekanisme ini jaringan dilatih untuk menghasilkan data yang sesuai dengan
output target yang diinginkan melalui satu atau lebih pasangan data masukan dan keluaran. Semakin banyak pelatihan pada tiap siklusnya epoch dilakukan maka
target yang diinginkan akan segera tercapai. 2. Mekanisme pengujian
Pada mekanisme ini jaringan diuji apakah dapat mengenali pola yang baru dengan data input yang berbeda dari data pelatihan setelah proses pelatihan dilakukan.
2.4.4 Fungsi Aktivasi
Dalam jaringan syaraf tiruan, fungsi aktivasi dipakai untuk menentukan keluaran suatu neuron. Argumen fungsi aktivasi adalah net masukan kombinasi linier masukan
dan bobotnya. Jika net = ∑ �
�
�
�
, maka fungsi aktivasinya adalah fnet = f ∑ �
�
�
�
.
Beberapa fungsi aktivasi yang sering dipakai adalah sebagai berikut:[8] 1. Fungsi threshold batas ambang
f x = �
1 ���� � ≥ �
���� � � Untuk beberapa kasus, fungsi threshold yang dibuat tidak berharga 0 atau 1, tapi
berharga -1 atau 1 sering disebut threshold bipolar. Jadi
f x = �
1 ���� � ≥ �
−1 ���� � � 2. Fungsi sigmoid
fx =
1 1+�
−�
Fungsi sigmoid sering dipakai karena nilai fungsinya yang terletak antara 0 dan 1 dan dapat diturunkan dengan mudah.
fx = fx 1-fx
3. Fungsi identitas fx = x
Fungsi identitas sering dipakai apabila kita menginginkan keluaran jaringan berupa sembarang bilangan riil bukan hanya pada range [0,1] atau [-1,1]
2.5 Perceptron
