Analisis SWOT Pengembangan agroindustri Gambir di kabupaten Lima Puluh Kota, Sumatera Barat

26 aktivasi yang akan menentukan apakah sinyal dari input neuron akan diteruskan ke neuron lain atau tidak. Neuron adalah unit pemroses informasi yang menjadi dasar dalam pengoperasian JST Fausset, 1994. Contoh JST sederhana ditunjukkan pada Gambar 8. Pada Gambar 8, neuron Y j menerima masukan dari neuron x 1 , x 2 , ... x m dengan bobot hubungan masing-masing adalah w j1 , w j2 ,...w j3 . Impuls neuron kemudian dijumlahkan, yaitu: net = x 1 w j1 + x 2 w j2 + ... + x m w jm Besar impuls yang diterima oleh Y j mengikuti fungsi aktivasi y j =fnet. Apabila nilai fungsi aktivasi cukup kuat, maka sinyal akan diteruskan. Nilai fungsi aktivasi keluaran model jaringan juga dapat digunakan sebagai dasar untuk mengubah bobot. Gambar 8. Jaringan Syaraf Tiruan Sederhana Sumber: Fausset 1994 Bentuk JST yang lebih kompleks terdiri dari satu atau lebih lapisan tersumbunyi Gambar 9. Pada JST tersebut, sinyal input akan diterima oleh lapisan tersembunyi 1 hidden layer 1 yang akan meneruskannya ke lapisan tersembunyi berikutnya sampai ke output. Gambar 9. Jaringan Syaraf Tiruan dengan Satu Lapisan Tersembunyi Sumber: Fausset 1994 Y j x 2 x 1 x m w jm   w j 2 w j 1 x i x 1 x n v pi v 1i v 11 Y j Y 1 Y m v p 1 w m 1 w m p v 1n v pn  z p z 1     w 11 w j 1 w jp w 1p 27 Backpropagation Keterbatasan JST dengan satu layer telah menyebabkan berkurangnya minat para ahli dalam pengembangan JST pada tahun 1970-an. Namun, ditemukannya metode training JST multilayer telah membangkitkan kembali upaya untuk pengembangan aplikasi JST dalam berbagai persoalan Fausset, 1994. Metode training ini dikenal sebagai back propagation atau the generalized delta rule . Pada dasarnya, metode ini berupaya meminimumkan error dari output yang dihitung oleh JST. Training JST dengan backpropagation terdiri dari tiga tahap yaitu: 1 feedforward data input, 2 perhitungan error dan menariknya kembali ke belakang dan 3 penyesuaian bobot dalam jaringan. Setelah training, penggunaan JST hanya terdiri dari fase komputasi feedforward. Dalam periode selanjutnya, telah dikembangkan berbagai macam variasi dari backpropagation untuk memperbaiki kecepatan proses training. Algoritma dan langkah-langkah dalam backpropagation untuk JST seperti Gambar 10 dikemukakan oleh Fausset 1994 sebagai berikut: Gambar 10. Jaringan Syaraf Tiruan dengan Satu Lapisan Tersembunyi dan Bias Sumber: Fausset 1994