unit yang hampir sama dengan suatu area tertentu. Pembelajaran ini biasanya sangat cocok untuk pengelompokan klasifikasi pola. Hermawan, 2006
2.5. Algoritma Jaringan Syaraf Tiruan
Penggunaan Jaringan Saraf Tiruan dalam menyelesaikan suatu permasalahan akan dipengaruhi oleh permasalahan yang akan diselesaikan. Beberapa permasalahan yang
dapat diselesaikan dengan Jaringan Syaraf Tiruan, antara lain: pengenalan pola dan optimisasi. Dalam hal ini diperlukan keputusan dalam memilih algoritma terbaik
untuk menyelesaikan masalah. Beberapa algoritma Jaringan Syaraf Tiruan tersebut antara lain :
a. Algoritma Kohonen b. Algoritma Fractal
c. Algoritma Learning Vector Quantization d. Algoritma Cyclic
e. Algoritma Alternating Projection f. Algoritma Hammimg
g. Algoritma Feedforwad Banyak Lapis h. Algoritma Bidirectional Associative Memory.
2.6. Bidirectional Associative Memory BAM
Bidirectional Associative Memory BAM adalah model jaringan syaraf tiruan yang
memiliki 2 lapisan layer dan terhubung penuh dari satu lapisan ke lapisan yang lainnya.
Pada jaringan ini dimungkinkan adanya hubungan timbal balik antara lapisan input
dan lapisan output. Namun demikian, bobot yang menghubungkan antara satu neuron
n di satu lapisan dengan neuron m di lapisan lainnya akan sama dengan bobot yang menghubungkan neuron m ke neuron n. Bisa dikatakan bahwa, matriks
bobot yang menghubungkan neuron-neuron pada lapisan output ke lapisan input sama dengan transpose matriks bobot neuron-neuron yang menghubungkan lapisan input
ke lapisan output. Kusumadewi, 2005
Universitas Sumatera Utara
Arsitektur Algoritma Bidirectional Associative Memory BAM : Untuk 3 neuron pada lapisan input dan 2 neuron pada lapisan output. Dimana X
1
, X
2
¸ X
3
adalah input, dan Y
1
, Y
2
adalah output dapat dilihat pada gambar 2.4.
Gambar 2.4 Arsitektur jaringan BAM
Algoritma : 1. Set pola input dan pola output pola input = x, pola output = y
2. Hitung matriks bobot dari lapisan X ke lapisan Y
j T
i ij
y x
W 3. Recall pola input
ij i
i
W x
in y
_
4. Tentukan nilai y
i
dengan membandingkan nilai y_in
i
dengan threshold Jika y_in
i
= maka y
i
= 1 Jika y_in
i
maka y
i
= -1 5. Balik arah, cari nilai x_in
i
T ij
j j
W y
in x
_
6. Tentukan nilai x
i
dengan membandingkan nilai x_in
j
dengan threshold Jika x_in
j
= maka x
j
= 1 Jika x_in
j
maka x
j
= -1 7. Jika niai x
i
dan y
j
masih belum stabil, maka ulangi langkah 2-6.
Keterangan : W
ij
: Matriks bobot hubungan i ke-j x
i
: sinyal masukan ke-i y
j
: sinyal keluaran ke-j
Universitas Sumatera Utara
x_in
i
: masukan hasil olahan ke-i y_in
j
: keluaran hasil olahan ke-j
: nilai ambang
2.7. Learning Vector Quantization LVQ
