BAB 2 LANDASAN TEORI
2.1. Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan JST merupakan representasi buatan dari otak manusia yang selalu mencoba mensimulasikan proses pembelajaran pada otak manusia tersebut.
Istilah buatan disini digunakan karena jaringan syaraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses
perhitungan selama proses pembelajaran.Sri Kusumadewi, 2003. Jaringan syaraf tiruan JST adalah sistem pemroses informasi yang memiliki
karakteristik mirip dengan jaringan syaraf biologi. JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi
dengan asumsi bahwa:
o Pemrosesan informasi terjadi pada banyak elemen sederhana neuron. o Sinyal
dikirimkan diantara
neuron-neuron melalui
penghubung- penghubung.
o Penghubung antara neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal.
o Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi biasanya bukan fungsi linear yang dikenakan pada jumlahan input yang
diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang. Jong Siang Jek, 2005.
JST ditentukan oleh 3 hal : a. Pola hubungan antar neuron yang menjadi arsitekturnya.
b. Metode penentuan bobot dalam koneksi disebut sebagai proses latihan, pembelajaran, atau Algoritma .
c. Fungsi aktivasi. Jong Siang Jek, 2005 Gambar alur fungsi aktifasi pada jaringan syarah tiruan sederhana dapat dilihat
pada gambar 2.1.
X1
X2
XN
F
Ʃ
b a
y w1
w2
w3
Keterangan x1, x2, ..., xn = Input
w1, w2, ..., wn = Bobot ∑ = Neuro ode
b = Bias F = Fungsi aktivasi
y = output a = w1x1+w2x2+...+wnxn+bias
Gambar 2.1 Fungsi Aktivasi Pada Jaringan Syaraf Sederhana
2.1.1. Arsitektur Jaringan Syaraf Tiruan Lapisan-lapisan penyusun jaringan syaraf tiruan dapat dibagi menjadi tiga, yaitu:
a. Lapisan masukan input layer Merupakan lapisan yang terdiri dari beberapa neuron yang akan menerima
sinyal dari luar dan kemudian meneruskan ke neuron-neuron lain dalam jaringan. Lapisan ini diilhami berdasarkan ciri-ciri dan cara kerja sel-sel syaraf
sensorikpada jaringan saraf biologi manusia. b. Lapisan tersembunyi hidden layer
Merupakan tiruan dari dari sel-sel saraf konektur pada jaringan saraf biologi manusia. Lapisan tersembunyi berfungsi meningkatkan kemampuan jaringan
dalam memecahkan masalah. Konsekuensi dari adanya lapisan ini adalah pelatihan menjadi makin sulit atau lama.
c. Lapisan keluaran output layer Lapisan keluaran berfungsi menyalurkan sinyal-sinyal keluaran hasil
pemrosesan jaringan. Lapisan ini terdiri dari sejumlah neuron. Lapisan ini jugan tiruan dari sel saraf motorikpada jaringan biologi manusia. Antoni
Siahaan, 2011
∑
Gambar susunan lapisan-lapisan jaringan syaraf tiruan dapat dilihat pada gambar 2.2.
Gambar 2.2 Arsitektur jaringan syaraf tiruan
2.1.2. Fungsi Aktivasi
Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan,
antara lain:
a. Fungsi Sigmoid Biner Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan
menggunakan metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan
untuk jaringan syaraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun fungsi ini juga digunakan oleh jaringan syaraf
yang nilai output-nya 0 atau 1. Fungsi sigmoid biner dirumuskan sebagai:
dengan :
b. Fungsi sigmoid bipolar Fungsi bipolar hampir sama dengan fungsi sigmoid biner, hanya saja
output dari fungsi ini memiliki range antara 1 sampai -1. Fungsi sigmoid bipolar dirumuskan sebagai: Ferdinand Sinuhaji,
2009
dengan
2.1.3. Pelatihan Jaringan Syaraf Tiruan
Sebelum digunakan, JST dilatih untuk mengenal fungsi pemetaan. Pelatihan merupakan proses belajar JST yang dilakukan dengan menyesuaikan bobot terkoneksi
jaringan. Suatu Jaringan Saraf Tiruan belajar dari pengalaman. Proses yang lazim dari pembelajaran meliputi 3 tugas, yaitu :
a. Perhitungan output b. Membandingkan output dengan target yang diinginkan
c. Menyesuaikan bobot dan mengulang prosesnya. Proses pelatihan atau pembelajaran tersebut merupakan proses bobot antar neuron
sehingga sebuah jaringan dapat menyelesaikan sebuah masalah. Proses belajar JST diklasifikasikan menjadi dua:
a. Belajar dengan pengawasan Supervised learning b. Belajar tanpa pengawasan Unsupervised learning. Antoni Siahaan, 2011
2.1.4. Algoritma Jaringan Syaraf Tiruan
Penggunaan Jaringan Saraf Tiruan dalam menyelesaikan permasalahan akan dipengaruhi oleh permasalahan apa yang akan diselesaikan. Berbagai macam
permasalan yang dapat diselesaikan dengan Jaringan Saraf Tiruan, antara lain; pengenalan poladan optimisasi. Dalam hal ini diperlukan keputusan terbaik dalam
memilih algoritma yang terbaik untuk menyelesaikan masalah, dari beberapa algoritma Jaringan Saraf tersebut antara lain :
a. Algoritma Kohonen b. Algoritma Fractal
c. Algoritma Learning Vector Quantization d. Algoritma Cyclic
e. Algoritma Alternating Projection f. Algoritma Hamming
g. Algoritma Feedforwad Banyak Lapis. Antoni Siahaan, 2011
2.2. Learning Vector Quantization LVQ
Kategori