Jika kita lihat, neuron buatan ini sebenarnya mirip dengan sel neuron biologis. Neuron-neuron buatan tersebut bekerja dengan cara yang sama pula dengan neuron-
neuron biologis. Informasi input akan dikirim ke neuron dengan bobot kedatangan tertentu. Input ini akan diproses oleh suatu fungsi perambatan yang akan
menjumlahkan nilai-nilai semua bobot yang akan datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan suatu nilai ambang tertentu melalui fungsi
aktifasi setiap neuron. Apabila input itu melewati suatu nilai ambang tertentu, maka neuron tersebut akan diaktifkan. Apabila neuron tersebut diaktifkan, maka neuron
tersebut tidak akan mengirimkan output melalui bobot-bobot outputnya ke semua neuron yang berhubungan dengannya demikian seterusnya.
Pada jaringan syaraf, neuron-neuron akan dikumpulkan dalam lapisan-lapisan layer yang disebut dengan lapisan neuron neuron layers. Biasanya neuron-neuron pada
satu lapisan akan dihubungkan dengan lapisan-lapisan sebelum dan sesudahnya kecuali lapisan input dan lapisan output. Informasi yang diberikan pada jaringan
syaraf akan dirambatkan lapisan ke lapisan, mulai dari lapisan input ke lapisan output melalui lapisan yang lainnya yang sering disebut dengan nama lapisan tersembunyi
hidden layer. Tergantung pada algoritma pembelajarannya, bisa jadi informasi tersebut akan dirambatkan secara mundur pada jaringan.Puspitaningrum,2006
2.2. Pelatihan Terbimbing Supervised Training dan Tak Terbimbing
Unsupervised Training
Sebagian besar jaringan saraf melakukan penyesuaian bobot-bobotnya selama menjalani prosedur latihan. Pelatihan dapat berupa pelatihan terbimbing supervised
training di mana diperlukan pasangan masukan-sasaran untuk tiap pola yang dilatihkan. Jenis kedua adalah pelatihan tak terbimbing unsupervised training. Pada
metode ini, penyesuaian bobot sebagai tanggapan terhadap masukan, tak perlu disertai sasaran. Dalam pelatihan tak terbimbing, jaringan mengklasifikasikan pola-
pola yang ada berdasarkan kategori kesamaan. Perbedaan antara supervised training dan unsupervised training tergantung
pada bagaimana algoritma pelatihan menggunakan informasi kelas atau jenis pola. Supervised training pada dasarnya mengasumsikan tersedianya pembimbing yang
mengklasifikasikan contoh-contoh pelatihan ke dalam kelas-kelasnya, sedangkan hal ini tidak terjadi pada unsupervised training sehingga proses pengidentifikasikan
informasi kelas pola merupakan bagian dari proses pelatihan.
Universitas Sumatera Utara
Algoritma supervised training memanfaatkan informasi dari setiap contoh pelatihan. Dengan informasi ini algoritma supervised training dapat mendeteksi
kesalahan klasifikasi pola sebagai umpan balik ke dalam jaringan. Sedangkan algoritma unsupervised training menggunakan contoh yang tidak diklasifikasikan
jenisnya. Sistem akan dengan sendirinya memprosesnya. Algoritma unsupervised training memiliki kompleksitas perhitungan dan akurasi yang lebih rendah jika
dibandingkan dengan algoritma supervised training, tetapi lebih praktis dalam hal kecepatan.Rao,1995
2.3. Arsitektur JST
Seperti telah dijelaskan sebelumnya bahwa neuron-neuron dikelompokan dalam lapisan-lapisan. Umumnya, neuron-neuron yang terletak pada lapisan yang sama akan
memiliki keadaan yang sama. Faktor terpenting dalam menentukan kelakuan suatu neuron adalah fungsi aktifasi dan pola bobotnya. Pada setiap lapisan yang sama,
neuron-neuron akan memiliki fungsi aktivasi yang sama. Apabila neuron-neuron dalam suatu lapisan misalkan lapisan tersembunyi akan dihubungkan dengan
neuron-neuron pada lapisan yang lain misalkan lapisan output, maka setiap neuron pada lapisan tersebut misalkan lapisan tersembunyi juga harus dihubungkan dengan
setiap lapisan pada lapisan lainnya misalkan lapisan output. Terdapat 3 macam arsitektur JST, yaitu :
1. Jaringan dengan lapisan tunggal single layer net Jaringan ini hanya memiliki 1 lapisan dengan bobot-bobot terhubung. Jaringan ini
hanya menerima masukan kemudian secara langsung akan mengolahnya menjadi keluaran tanpa harus melalui lapisan tersembunyi. Pada gambar berikut neuron-neuron
pada kedua lapisan saling berhubungan. Seberapa besar hubungan antara 2 neuron ditentukan oleh bobot yang bersesuaian. Semua unit masukan akan dihubungkan
dengan setiap unit keluaran seperti terlihat pada Gambar 2.3.Hermawan,2006
Universitas Sumatera Utara
Gambar 2.3. Jaringan dengan lapisan tunggal
2. Jaringan dengan banyak lapisan multilayer net Jaringan ini memiliki 1 atau lebih lapisan yang terletak diantara lapisan masukan dan
lapisan keluaran. Umumnya ada lapisan bobot-bobot yang terletak antara 2 lapisan yang bersebelahan seperti terlihat pada Gambar 2.4. Jaringan dengan banyak lapisan
ini dapat menyelesaikan permasalahan yang lebih sulit daripada lapisan tunggal, tentu saja dengan pembelajaran yang lebih rumit. Pada banyak kasus, pembelajaran pada
jaringan dengan banyak lapisan ini lebih sukses dalam menyelesaikan masalah.Hermawan,2006
Universitas Sumatera Utara
Gambar 2.4. Jaringan dengan banyak lapisan
3. Jaringan dengan lapisan kompetitif competitive layer net Pada jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif.
Umumnya hubungan antar neuron pada lapisan kompetitif ini tidak diperlihatkan pada diagram arsitektur. Gambar 2.5 menunjukkan salah satu contoh arsitektur jaringan
dengan lapisan kompetitif yang memiliki bobot - .Hermawan,2006
Gambar 2.5. Jaringan dengan lapisan kompetitif
2.4. Metode JST