Sistem Kecerdasan Buatan Rekayasa sistem manajemen ahli dalam perencanaan produksi rantai pasok agroindustri karet spesifikasi teknis
ditranmisikan. Fungsi pengkatifan dapat berupa suatu fungsi batas threshold atau suatu fungsi lainnya seperti fungsi sigmoid atau fungsi tangen hyporbolik.
Jaringan syaraf tiruan digambarkan oleh suatu set simpul node dan tanda arah panah. Simpul berkaitan dengan neuron sedangkan tanda arah menyatakan arah
aliran sinyal diantara neuron dalam model matematis, suatu neuron mereprensentasikan suatu elemen pemroses processing element. Elemen
pemroses menangani fungsi dasar seperti mengevaluasi sinyal input, menjumlahkan sinyal dan membandingkannya dengan suatu nilai batas
threshold untuk menentukan nilai ouputnya. Setiap elemen pemroses dapat menerima banyak sinyal input secara
simultan, tetapi hanya terdapat satu sinyal output yang tergantung kepada sinyal input, bobot dana nilai batas untuk elemen pemroses tersebut. Beberapa model
jaringan mempunyai suatu input ekstra yang disebut sebagai bias, yang merupakan pengaruh dari luar jaringan.Jaringan syaraf tiruan terdiri dari sejumlah
elemen pemroses sederhana yang menyerupai neuron dan sejumlah penghubung diantara elemen-elemen neuron. Setiap penghubung, menghubungkan satu simpul
ke simpul yang lainnya dan dikaitkan dengan uatu bobot. Bobot dari penghubung menggambarkan pengetahuan dari suatu jaringan.
Dasar-dasar komputasi jaringan syaraf tiruan menurut Faucett 1994 dan Siang 2005 mulai dari jaringan, input, hidden layer, output, bobot, fungsi
penjumlahan sampai dengan fungsi aktivasi, dengan penjelasan sebagai berikut : 1. Jaringan
Suatu JST terdiri atas kumpulan neuron yang terhubung, dan dikelompokkan dalam lapisan-lapisan layers. Struktur jaringan dalam JST dibedakan atas
dua struktur dasar yaitu 1 Struktur dua lapisan yang terdiri atas input dan output 2 Struktur tiga lapisan yang terdiri atas input, intermediate hidden
dan ouput. 2. Input
Jaringan dapat dirancang untuk menerima sekumpulan nilai input yang berupa nilai biner atau kontinyu. Jika masalah bersifat kualitatif dan berupa grafik,
maka informasi harus dirubah kedalam suatu nilai numerik yang ekivalen sebelum dapat diinterpretasikan oleh Jaringan Syaraf Tiruan.
3. Output Tujuan dari suatu jaringan adalah menghitung nilai output sebagai solusi dari
masalah. Dalam JST supervised, output awal dari jaringan biasanya tidak tepat dan jaringan harus disesuaikan sampai diperoleh output yang benar.
4. Hidden layer Pada arsitektur multi layered, hidden layers tidak berinteraksi secara langsung
dengan dunia luar, tetapi menambah tingkat kompleksitas dalam JST. Hidden layer menambah sebuah representasi internal dari masalah, sehingga
menjadikan jaringan mampu memecahkan masalah yang kompleks dan non linier.
5. Bobot weight Bobot menunjukkan kekuatan relatif nilai matematis dari berbagai
koneksiyang mentransfer data dari lapisan ke lapisan. Bobot merupakan kepentingan relatif dari setiap input ke dalam elemenproses neuron. Bobot
sangat penting dalam JST karena dengan bobot ini jaringan disesuaikan secara berulang untuk menghasilkan output yang diinginkan.
6. Fungsi penjumlahan Fungsi penjumlahan summation function menghitung rata-rata bobot dari
suatu elemen input , dimana summation input X
j
dengan bobot W
ij
dijumlahkan untuk mendapatkan weigted sum S
i
, dengan formula :
1 i
i i
i
W X
S
7. Fungsi Transfer Aktivasi Fungsi transferaktivasi yang dipakai dalam metode belajar backpropagation ,
harus memiliki sifat kontinyu dan dapat diturunkan. Pemakaian fungsi aktivasi ditentukan oleh aplikasi yang dirancang, hal yang paling penting adalah fungsi
transfer yang digunakan mudah dihitung turunannya sehingga dapat menggunakan algoritma backpropagation.
Menurut Krose 1996, Siang 2005 pendekatan belajar dalam JST dibedakan atas supervised learning terawasi dan unsupervised learning tidak
terawasi. Supervised learning menggunakan sekumpulan input dengan output
yang telah diketahui. Perbedaan output aktual dan output yang diinginkan digunakan untuk menghitung nilai koreksi pada bobot jaringan syaraf. Dalam
unsupervised learning, jaringan syaraf mengorganisasikan dirinya untuk menghasilkan kategori dimana kumpulan iput akan termasuk kedalamnya.
Metode backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah
bobot-bobot yang terhubung dengan sel syaraf yang ada pada lapisan tersembunyi Patuelli, 2006. Algoritma backpropagation menggunakan error output untuk
mengubah nilai bobot-bobotnya dalam arah mundur backward. Untuk mendapatkan error ini, tahap perambatan maju forward propagation harus
dikerjakan terlebih dahulu. Pada saat perambatan maju, sel-sel syaraf diaktifkan dengan menggunakan fungsi aktivasi Sigmoid Biner atau fungsi aktivasi Sigmoid
Bipolar. Metode backpropagation adalah metode turunan gardien gradient descent
method untuk meminimalkan total squared error dari output yang dihasilkan jaringan. Fungsi kinerja yang sering digunakan adalah mean square error.
Karakteristk dari jaringan backpropagation dapat digunakan untuk menyelesaikan berbagai masalah yang melibatkan pemetaan suatu input terhadap output tertentu
supervised learning. Arsitektur jaringan Backpropagation diperlihatkan pada Gambar 11
Gambar 11 Arsitektur jaringan syaraf tiruan Backpropagation http:fbim.fh-regensburg.de,
2010
Menurut Munakata 2008 penggunaan JST dalam memecahkan masalah memiliki kekurangan dan kelebihan. Diantara kelebihannya adalah :
1. Memiliki kemampuan belajar, melalui penyesuaian bobot dalam struktur jaringan untuk setiap proses pembelajarannya.
2. Memiliki kemampuan generalisasi sehingga mampu mempelajari pola baru mengacu pada pola pembelajaran yang dberikan.
3. Mampu menyelesaikan masalah nonlinier yang sulit diselesaikan dengan model matematis, selama jaringan mampu mempelajari pola non linier yang
dilatihkan. 4. Memiliki kehandalan dalam menangani sejumlah noise pada input, bahkan jika
terjadi kerusakan dalam arsitektur jaringan, JST masih dapat melakukan tugasnya dalam batas tertentu.
Selain keunggulan, menurut Munakata 2008 jaringan syaraf tiruan juga memiliki beberapa kekurangan sebagai berikut :
1. Secara menyeluruh jaringan belum benar-benar dapat meniru cara kerja jaringan syaraf manusia sehingga masih perlu kajian dan pengembangan lebih
lanjut. 2. Bobot sebagai hasil proses pelatihan jaringan dalam pengenalan pola belum
menyajikan informasi yang jelas. 3. Iterasi sebagai proses penghitungan berulang untuk mempelajari pola sering
memakan waktu yang lama, namun jika jaringan sudah terlatih dengan mudah dapat digunakan untuk memperkirakan suatu pola berdasrkan pola yang telah
dipelajari. 4. Jika dilakukan peningkatan skala scale-up dengan meningkatkan jumlah
neuron yang sudah terlatih, maka perlu dilakukan proses pelatihan dari awal.
Penerapan JST dalam melakukan prakiraan menurut Rurkhamet 1998 memiliki beberapa kelebihan diantaranya ; 1 kemampuan memproses banyak
variabel, 2 kemampuan mempelajari perilaku data tanpa mengidentifikasi sebagai masukan, 3 hasil cenderung lebih akurat dan 4 mampu beradaptasi pada saat
parameter atau data dirubah.
Kemampuan JST dalam melakukan prakiraan forecasting telah banyak diterapkan dalam penelitian. Kamaruzzaman dan Sarker 2003 melakukan
perbandingan kemampuan antara metode Jaringan Syaraf Tiruan dan ARIMA dalam memprediksi harga di pasar mata uang asing di Australia. Penelitian
menunjukkan Jaringan Syaraf Tiruan dengan metode pembobotan standard backpropagation lebih baik dalam melakukan prediksi. Kinerja prediksi diukur
dengan membandingkan nilai normalized mean square error NMSE, mean absolute error MAE dan directions symetry DS antara nilai prediksi dan nilai
aktual. Hasil penelitian Zhang 2003 menunjukkan penerapan neural network sebagai metode baru dalam menangani masalah prakiraan kebutuhan dan
pemilihan pemasok. Penerapan JST dengan propagasi balik lapisan tunggal single layer
backpropagation dalam bidang agroindustri minyak atsiri digunakan untuk memprediksi harga dan permintaan berdasarkan data masa lalu oleh Indrawanto
2007. Kemampuan JST dengan metode propagasi balik lapisan jamak multiple layer backpropagation digunakan dalam memprediksi harga tapioka dan prediksi
pasokan bahan baku pada agroindustri tapioka Astuti, 2010.