Beberapa fungsi aktivasi yang sering dipakai adalah sebagai berikut: a. Fungsi treshold batas ambang
fx =
Dalam beberapa kasus, fungsi threshold yang dibuat tidak berharga 0 atau 1, tapi berharga -1 atau 1 sering dibuat threshold bipolar.
Jadi fx =
b. Fungsi sigmoid fx
=
fungsi sigmoid sering dipakai karena karena nilai fungsinya yang terletak antara 0 dan 1 dan dapat digunakan dengan mudah.
f x = fx 1 - fx
c. Fungsi identitas fx = x
fungsi ini sering dipakai apabila apabila kita menginginkan keluaran jaringan berupa sembarang bilangan riil bukan hanya pada range [0,1]
atau [-1, 1].
2.1.5 Algoritma Belajar dan Pelatihan
Universitas Sumatera Utara
Dalam jaringan syaraf tiruan terdapat konsep belajar atau pelatihan. Sehingga jaringan-jaringan yang dibentuk akan belajar melakukan generalisasi karakteristik
tingkah laku objek. Menurut Sekarwati 2005, Algoritma pelatihan artinya membentuk pemetaan fungsi yang menggambarkan hubungan antara vektor
masukan dan vektor keluaran. Biasanya diberikan contoh yang cukup penting dalam membangun pemetaan
tersebut. Walaupun untuk pasangan masukan keluaran yang belum pernah digambarkan sebelumnya. Dalam menyelesaikan suatu permasalahan, jaringan syaraf
tiruan memerlukan algoritma belajar atau pelatihan yaitu bagaimana sebuah konfigurasi jaringan dapat dilatih untuk mempelajari data historis yang ada. Dengan
pelatihan ini, pengetahuan yang terdapat pada data dapat diserap dan direpresentasikan oleh nilai-nilai bobot koneksinya.
Berdasarkan cara modifikasi bobotnya, ada dua macam pelatihan yang dikenal Siang 2005:30, yaitu sebagai berikut:
1. Pelatihan Dengan Supervisi Supervised Training Dalam pelatihan dengan supervisi, terdapat sejumlah pasangan data masukan-
target keluaran yang dipakai untuk melatih jaringan hingga diperoleh bobot yang diinginkan. Pada setiap pelatihan, suatu masukan diberikan ke jaringan.
Jaringan akan memproses dan mengeluarkan keluaran. Selisih antara keluaran jaringan dengan target keluaran yang diinginkan merupakan kesalahan yang
terjadi. Jaringan akan memodifikasi bobot sesuai dengan kesalahan tersebut. 2. Pelatihan Tanpa Supervisi Unsupervised Training
Dalam pelatihannya, perubahan bobot jaringan dilakukan berdasarkan parameter tertentu dan jaringan dimodifikasi menurut ukuran parameter
tersebut. Model yang menggunakan pelatihan ini adalah model jaringan kompetitif.
Universitas Sumatera Utara
2.1.6 Backpropagation
Backpropagation adalah salah satu metode dari jaringan syaraf tiruan yang dapat diaplikasikan dengan baik dalam bidang peramalan forecasting. Backpropagation
melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan mengenali pola yang digunakan selama training serta kemampuan jaringan untuk
memberikan respon yang benar terhadap pola masukan yang serupa namun tidak sama dengan pola yang dipakai selama pelatihan Siang, 2005:119.
Menurut Kusumadewi 2004:116 dalam pelatihan dengan backpropagation sama halnya seperti pelatihan pada jaringan syaraf yang lain. Pada jaringan
feedfoward umpan maju, pelatihan dilakukan dalam rangka perhitungan bobot sehingga pada akhir pelatihan akan diperoleh bobot-bobot yang baik. Selama proses
pelatihan, bobot-bobot diatur secara iteratif untuk meminimumkan error kesalahan yang terjadi. Kesalahan dihitung berdasarkan rata-rata kuadrat kesalahan MSE.
Rata-rata kuadrat kesalahan juga dijadikan dasar perhitungan unjuk kerja fungsi aktivasi.
Sebagian besar pelatihan untuk jaringan feedfoward umpan maju menggunakan gradien dari fungsi aktivasi untuk menentukan bagaimana mengatur
bobot-bobot dalam rangka meminimumkan kinerja. Gradien ini ditentukan dengan menggunakan suatu teknik yang disebut backpropagation. Dan pada dasarnya,
algoritma pelatihan standar backpropagation akan menggerakkan bobot dengan arah gradien negatif. Prinsip dasar dari algoritma backpropagation adalah memperbaiki
bobot-bobot jaringan dengan arah yang membuat fungsi aktivasi menjadi turun dengan cepat.
Ada 3 fase Pelatihan backpropagation menurut Siang 2005:100-104 antara lain :
1. Fase 1, yaitu propagasi maju. Dalam propagasi maju, setiap sinyal masukan dipropagasi dihitung maju ke
layar tersembunyi hingga layar keluaran dengan menggunakan fungsi aktivasi yang ditentukan.
Universitas Sumatera Utara
2. Fase 2, yaitu propagasi mundur. Kesalahan selisih antara keluaran jaringan dengan target yang diinginkan
yang terjadi dipropagasi mundur mulai dari garis yang berhubungan langsung dengan unit-unit di layar keluaran.
3. Fase 3, yaitu perubahan bobot. Pada fase ini dilakukan modifikasi bobot untuk menurunkan kesalahan yang
terjadi. Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi.
Algoritma pelatihan untuk jaringan dengan satu layar tersembunyi dengan fungsi aktivasi sigmoid biner adalah sebagai berikut :
a. Langkah 0 : Inisialisasi semua bobot dengan bilangan acak kecil b. Langkah 1 : Jika kondisi penghentian belum terpenuhi, lakukan
langkah 2-9
c. Langkah 2 : Untuk setiap pasang data pelatihan lakukan langkah 3-8
