26
2. Prosedur Pemodelan ANN
Berikut ini adalah prosedur pemodelan ANN sebagai generalisasi model matemaika dari jaringan saraf biologi Siang, 2009: 3:
a. Pemrosesan informasi terjadi pada banyak elemen sederhana neuron,
b. Sinyal
dikirimkan diantara neuron-neuron melalui penghubung- penghubung,
c. Penghubung antar neuron memiliki bobot yang akan memperkuat atau
memperlemah sinyal, d.
Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi biasanya bukan fungsi linier yang dikenakan pada jumlahan input yang diterima.
Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang.
3. Fungsi Aktivasi
Pada artificial neural network, fungsi aktivasi digunakan untuk menentukan keluaran suatu neuron. Jika net merupakan kombinasi linear input dan bobot
= ∑ �
� =
, maka fungsi aktivasinya adalah = ∑
�
� =
Siang, 2009: 26. Pada beberapa kasus, fungsi aktivasi nonlinear dapat digunakan. Berikut ini adalah fungsi aktivasi non linear yang umum digunakan pada artificial
neural network Kusumadewi, 2004: 49-61: a.
Fungsi Linear Fungsi linear sering dipakai apabila menginginkan output jaringan berupa
sembarang bilangan riil. Pada fungsi identitas, nilai output yang dihasilkan sama dengan nilai input. Fungsi linear dirumuskan sebagai berikut:
= =
+ , ∈
2.17
27 Fungsi identitas merupakan fungsi linear dengan nilai = 1 dan = 0. Fungsi
identitas dirumuskan sebagai berikut: =
= , ∈
2.18
Gambar 2.8 Fungsi Aktivasi Identitas
b. Fungsi Undak Biner Hard Limit
Jaringan dengan lapisan tunggal sering menggunakan fungsi undak step function untuk mengkonversikan input dari suatu variabel yang bernilai kontinu ke
suatu output biner 0 atau 1. Fungsi ini sering digunakan pada jaringan dengan lapisan tunggal. Pada Matlab R2013a, perintah untuk menggunakan fungsi undak
biner adalah hardlim. Gambar 2.9 adalah fungsi undak biner hard limit dengan rumus sebagai berikut:
= = { ,
, ≥
2.19
Gambar 2.9 Fungsi Aktivasi Undak Biner Hard Limit
1 y
x -1
-1 1
1 y
x
28 c.
Fungsi Bipolar Symetric Hard Limit Fungsi bipolar mirip dengan fungsi undak biner, perbedaannya terletak pada
nilai output yang dihasilkan. Nilai output bipolar berupa 1 atau -1 gambar 2.10. Pada Matlab R2013a, perintah untuk menggunakan fungsi bipolar adalah hardlims.
Fungsi bipolar dirumuskan sebagai berikut: =
= { − , ,
≥
2.20
Gambar 2.10 Fungsi Aktivasi Bipolar Symetric Hard Limit
d. Fungsi Sigmoid Biner
Fungsi sigmoid biner sering digunakan karena nilai fungsinya terletak antara 0 dan 1 dan dapat diturunkan dengan mudah. Pada Matlab R2013a, perintah untuk
menggunakan fungsi sigmoid biner adalah logsig. Fungsi sigmoid biner dirumuskan sebagai berikut:
= =
+�
−�
,
, ∈
2.21
e. Fungsi Sigmoid Bipolar
Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, perbedaannya terletak pada rentang nilai outputnya. Rentang nilai output fungsi
sigmoid bipolar adalah -1 sampai 1. Pada Matlab R2013a, perintah untuk menggunakan fungsi sigmoid bipolar adalah tagsig. Fungsi sigmoid bipolar
dirumuskan sebagai sebagai: =
=
− �
−�
+�
−�
, ∈
2.22
-1 1
y
x
29
4. Algoritma Pembelajaran Learning Algorithm