14
Gambar 2.4. Fungsi Aktivasi Neuron Negnevitsky, 2005
Step function dan sign function disebut sebagai fungsi pembatasan kasar yang
digunakan secara umum pada permasalahan klasifikasi dan pengenalan pola. Sigmoid function
digunakan pada jaringan propagasi balik dan dapat mengubah input yang memiliki jangkauan nilai [-
∞, ∞] menjadi output dengan jangkauan nilai [0,0, 1,0]. Linear
activation function digunakan pada pendekatan linear dan dapat menghasilkan output
yang sama dengan input yang diterima oleh neuron. Jaringan saraf tiruan dapat digunakan untuk dua jenis konsep pembelajaran, yakni:
1. Pembelajaran supervised, yaitu pembelajaran yang dilakukan dengan menerima
sekumpulan contoh yang ditandai sebagai data pelatihan dan membuat prediksi untuk seluruh titik yang tidak diketahui. Pembelajaran ini sudah terlebih dahulu
mengetahui output yang diharapkan berdasarkan input yang diberikan Mohri, et
al., 2012.
2. Pembelajaran unsupervised, yaitu pembelajaran yang dilakukan dengan menerima
sekumpulan data pelatihan yang tidak ditandai dan membuat prediksi untuk seluruh titik yang tidak diketahui. Pembelajaran ini tidak dapat terlebih dahulu
mengetahui output dari input yang diberikan sehingga memerlukan metode lain
untuk mengelompokkan input yang diberikan Mohri, et al., 2012.
2.6. Deep Neural Network
Deep Neural Network merupakan sebuah jaringan saraf tiruan Neural Network yang
memiliki lebih dari satu hidden layer, sehingga DNN juga dikenal sebagai multilayer perceptron
. Output pada sebuah multilayer perceptron dapat ditentukan menggunakan
Universitas Sumatera Utara
15
rumus fungsi aktivasi sigmoid function. Arsitektur dari sebuah multilayer perceptron dengan dua hidden layer dapat dilihat pada Gambar 2.5 Negnetvisky, 2005.
Gambar 2.5. Arsitektur Multilayer Perceptron dengan Dua Hidden Layer Negnevitsky, 2005
Deep Neural Network juga menggunakan arsitektur deep deep architectures. Arsitektur deep terdiri atas beberapa tingkat operasi non-linear, seperti jaringan saraf
tiruan dengan banyak hidden layer atau dalam sebuah rumusan yang menggunakan banyak sub-rumusan Bengio, 2009.
Deng Yu 2014 mendefenisikan DNN adalah generasi baru dari jaringan saraf tiruan yang menggunakan konsep deep learning. Deep learning adalah sebuah
kumpulan teknik pembelajaran mesin yang memanfaatkan banyak lapisan pemrosesan informasi linear untuk ekstraksi fitur dan transformasi yang supervised dan
unsupervised , serta untuk analisis pola dan klasifikasi. Deep learning terbagi menjadi
tiga kategori, yakni: 1.
Deep networks untuk pembelajaran unsupervised atau generatif, bertujuan untuk mendapatkan korelasi atau keterkaitan antara data yang dapat diobservasi untuk
analisis pola pada saat informasi tentang hasil yang seharusnya didapatkan tidak ada.
2. Deep networks untuk pembelajaran supervised, bertujuan menyediakan
kemampuan untuk membedakan klasifikasi pola secara langsung, dilakukan dengan mengkarakteristik distribusi kelas untuk data.
Universitas Sumatera Utara
16
3. Hybrid deep networks, memiliki tujuan sebagai pembeda dimana secara signifikan
dibantu dengan hasil yang didapatkan dari deep network untuk pembelajaran unsupervised
. Heaton 2015 mendefinisikan deep learning adalah sebuah pengembangan baru
dalam bidang pemrograman jaringan saraf tiruan yang memberikan cara untuk melatih DNN
. Jaringan saraf tiruan dengan lebih dari dua lapisan layer disebut sebagai deep. Kemampuan untuk membuat DNN telah muncul sejak 1943 dimana Pitts mengenalkan
multilayer perceptron . Jaringan saraf tiruan pada awalnya belum dapat dilatih secara
efektif hingga Hinton berhasil menjadi peneliti pertama yang melatih jaringan saraf tiruan yang rumit pada tahun 1984.
2.7. Backpropagation