Pembagian aristektur JST bisa dilihat dari kerangka kerja dan skema interkoneksi. Kerangka kerja JST bisa dilihat dari jumlah lapisan layer dan
jumlah node pada setiap lapisan. Lapisan-lapisan penyusun JST dapay dibagi menjadi tiga Gambar 4, yaitu:
1 Lapisan input input layer Node-node di dalam lapisan input disebut unit-unit input. Unit-unit input
menerima input dari dunia luar. Input yang dimasukkan merupakan penggambaran dari suatu masalah.
2 Lapisan tersembunyi hidden layer Node-node di dalam lapisan tersembunyi disebut unit-unit tersembunyi. Output
dari lapisan ini tidak secara langsung dapat diamati. 3 Lapisan output output layer
Node-node pada lapisan output disebut unit-unit output. Keluaran dari lapisan ini merupakan output JST terhadap suatu permasalahan.
Gambar 4 Arsitektur Jaringan Saraf Tiruan Sumber: http:yeni.herdiyeni.staff.ipb.ad.id
2.3.1 Backpropagation
Jaringan saraf dengan lapisan tunggal memiliki keterbatasan dalam pengenalan pola. Kelemahan ini bisa ditanggulangi dengan menambahkan
satubeberapa lapisan tersembunyi di antara lapisan masukan dan keluaran. Meskipun penggunaan lebih dari satu lapisan tersembunyi memiliki kelebihan
manfaat untuk beberapa kasus, akan tetapi pelatihannya membutuhkan waktu yang lebih lama. Maka pada umumnya orang mulai mencoba mengguanakan
sebuah lapisan tersembunyi terlebih dahulu Siang 2005. Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara
kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola
masukan yang serupa dengan pola yang dipakai selama pelatihan.
2.3.2 Fungsi Aktivasi
Fungsi aktivasi merupakan fungsi yang menentukan level aktivasi, yakni keadaan internal sebuah neuron dalam jaringan syaraf tiruan. Dalam
backpropagation, fungsi aktivasi yang dipakai harus memenuhi beberapa syarat, yaitu kontinu, terdiferensial dengan mudah dan meruapakan fungsi yang tidak
turun. Fungsi aktivasi yang sering digunakan antara lain:
Fungsi Sigmoid Biner Fungsi ini merupakan fungsi yang umum digunakan Siang 2005. Range-nya
adalah 0,1 dan didefinisikan sebagai: 2
dengan turunan pertama: 3
Fungsi sigmoid biner ini diilustrasikan pada Gambar 5.
Gambar 5 Fungsi sigmoid biner dengan range 0,1
1
Fungsi Sigmoid Bipolar Fungsi sigmoid bipolar merupakan fungsi yang memiliki range -1,1 dan
didefinisikan sebagai: 4
dengan turunan: 5
Fungsi sigmoid bipolar digambarkan pada Gambar 6.
Gambar 6 Fungsi sigmoid bipolar dengan range -1,1 Fungsi Identitas
Fungsi aktivasi identitas akan menghitung nilai output dari neuron dan mengembalikan nilai tersebut menggunakan fungsi linier. Fungsi identitas
didefinisikan sebagai: dimana
. Fungsi identitas dapat dilihat pada Gambar 7.
Gambar 7 Fungsi Identitas
fx
x
2.3.3 Algoritme Pelatihan Backpropagation