Gambar 2.1 : Proses Threshold
2.2 Jaringan Saraf Tiruan
Jaringan saraf tiruan artificial neural network, atau disingkat JST, adalah system komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel saraf
biologis di dalam otak, yang merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba menstimulasi proses peroses pembelajaran pada otak
manusia tersebut. JST dapat digambarkan sebagai model matematis dan komptasi untuk fungsi aproksimasi non-linear, klasifikasi data cluster dan regresi non-para-
metrik atau sebuah simulasi dari koleksi model saraf biologi[1].
Gambar 2.2 Jaringan Saraf Tiruan Sederhana
Jaringan saraf tiruan atau yang sering dikenal dengan Artificial Neural Networks ANNs mulai di kembangkan pada tahun 1940. Jaringan Saraf tiruan
biasanya diklarifikasikan sebagai jaringan satu lapisan single layer atau jaringan banyak lapisan multiple layer. Dalam penentuan jumlah lapisan, laisan masukan
tidak termasuk dalam hitungan karena pada lapisan itu tidak terjadi proses komputasi. Neuron sel saraf adalah sebuah unit pemrosesan informasi yang merupakan
dasar operasi jaringan saraf tiruan. Beberapa neuron akan mentransformasikan informasi yang diterimanya melalui sambungan keluaran menuju neuron-neuron yang
lain.
X
1
X
2
Z
1
Z
2
Y
Universitas Sumatera Utara
Model dari sebuah neuron ditunjukkan pada gambar 2.
Gambar 2.3 Model Neuron
Dari model sebuah neuron pada Gambar 2 dapat dituliskan persamaan: y = f
∑
� �=1
w x
i
– ѳ
keterangan: x
i
= sinyal masukan ke-i. w
i
= bobot hubungan ke-i. ѳ = bias
f. = fungsi aktivasi atau elemen pemroses y = sinyal keluaran
2.2.1 Arsitektur Jaringan Saraf Tiruan
Jaringan saraf tiruan dirancang dengan menggunakan suatu aturan yang bersifat menyeluruh general rule dimana seluruh model jaringan memiliki konsep dasar
yang sama. Arsitektur sebuah jaringan akan menentukan suatu keberhasilan target yang akan di capai karena tidak semua permasalahan dapat
diselesaikan dengan arsitektur yang sama. Jaringan saraf tiruan dibagi oleh tiga arsitektur yaitu Jaringan dengan lapisan tunggal, Jaringan dengan banyak lapisan, dan
Jaringan dengan lapisan kompetitif [1]. x
1
w
1
x
2
w
2
�
f . Input
. .
.
net
k
output Fungsi
Penjumlahan Fungsi
Aktivasi x
i
w
i
Universitas Sumatera Utara
2.2.1.1. Jaringan dengan Lapisan Tunggal Single Layer Network
Jaringan saraf satu lapisan tunggal single layer network pertama kali dirancang oleh widrow dan holf pada tahun 1960. Jaringan dengan lapisan tunggal hanya memiliki
satu lapisan bobot terhubung. Jaringan ini hanya menerima input kemudian secara langsung akan mengelolahnya menjadi output tanpa harus melalui lapisan
tersembunyi [1]. Single layer network yang dalam bahasa Indonesia berarti jaringan lapis
tunggal merupakan jaringan yang mana neuron-neuron tersusun dalam suatu lapisan. Disebut lapisan tunggal oleh karena neuron output dari jaringan ini hanya satu.
Pada gambar dibawah ini, lapisan input memiliki 3 neuron, yaitu X
1
, X
2,
X
3.
Sedangkan lapisan output memiliki 2 neuron, yaitu Y
1
dan Y
2
. neuron-neuron pada kedua lapisan saling berhubungan. Seberapa besar hubungan antara 2 neuron
ditentukan oleh bobot yang bersesuaian. Semua unit input akan di hubungkan dengan setiap unit output [1].
X
1
X
3
X
2
Y
2
Y
1
Nilai input
Lapisan input
Lapisan output Matriks bobot
Nilai output w
12
w
13
w
14
w
15
w
1
w
11
Gambar 2.4 Jaringan Saraf dengan Lapisan Tunggal
2.2.1.2. Jaringan dengan Banyak Lapisan multilayer net
Jaringan dengan banyak lapisan multilayer net memiliki satu atau lebih lapisan yang terletak di antara lapisan input dan lapisan output seperti terlihat pada gambar 4.
Umumnya terdapat lapisan bobot-bobot yang terletak antara 2 lapisan yang bersebelahan. Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan
Universitas Sumatera Utara
yang lebih sulit daripada lapisan dengan lapisan tunggal, dengan pembelajaran yang lebbih rumit [1].
X
1
X
3
X
2
Z
2
Z
1
Nilai input
Lapisan input
Lapisan output Matriks bobot
Nilai output w
12
w
13
w
14
w
15
w
1
w
11
Y w
1
w
2
Lapisan Matriks bobot ke-
Gambar 2.5 Jaringa Saraf dengan Banyak Lapisan
2.2.1.3. Jaringan dengan lapisan kompetitif competitif layer net
Hubungan antar neuron pada lapisan kompetitif competitif layer net ini tidak diperlihatkan pada diagram arsitektur. Gambar 2.6 berikut menunjukan salah satu
contoh arsitektur jaringan lapisan komperirif yang memiliki bobot –n [1].
1 A
1
-n
A
j
A
m
A
i
1
-n -n
-n
Gambar 2.6 Jaringan saraf dengan kompetitif
Universitas Sumatera Utara
2.3 Jaringan Saraf Tiruan Backpropagation