BAB II JARINGAN SARAF BUATAN
Penjelasan mengenai sejarah perkembangan jaringan saraf buatan, serta beberapa teori dasar yang mendukung pembelajaran jaringan saraf buatan akan
dibahas dalam bab ini, yaitu Teori-teori dasar yang mendukung pembelajaran jaringan saraf buatan antara lain ide dasar jaringan saraf buatan yang terinspirasi
dari sistem jaringan otak manusia, definisi dan arsitektur jaringan saraf buatan, model-model pembelajaran, fungsi transfer, perceptron rule dan delta rule pada
jaringan saraf buatan lapisan tunggal serta gambaran stokastik gradien descent.
2.1. Jaringan Saraf Manusia
Jaringan saraf buatan merupakan model yang cara kerjanya meniru sistem jaringan biologis. Otak manusia terdiri atas sel-sel saraf yang disebut
neuron , yang berjumlah sekitar 10
11
sel-sel saraf. Sel-sel saraf ini berhubungan satu dengan yang lain membentuk jaringan yang disebut
jaringan saraf [4]. Proses yang terjadi dalam suatu sel saraf merupakan proses elektrokimiawi. Di otak ini terdapat fungsi-fungsi yang sangat
banyak dan rumit, diantaranya adalah ingatan, belajar, bahasa, asosiasi, penalaran, kecerdasan, dan inisiatif.
Semua sel saraf alami mempunyai empat komponen dasar yang sama. Keempat komponen dasar ini diketahui berdasarkan nama biologinya
yaitu, dendrit, soma, akson, sinapsis. Dendrit merupakan suatu perluasan
4
dari soma yang menyerupai rambut dan bertindak sebagai saluran masukan. Saluran input ini menerima masukan dari sel saraf lainnya melalui sinapsis.
Kemudian soma memproses nilai input menjadi sebuah output yang kemudian dikirim ke sel saraf lainnya melalui akson dan sinapsis. Gambar
berikut menunjukkan komponen-komponen dari saraf [7].
Gambar 2.1 Komponen-Komponen Sel Saraf
Suatu jaringan saraf menerima ribuan informasi kecil dari berbagai organ sensoris dan mengintegrasikannya untuk menentukkan reaksi yang
harus dilakukan. Kegiatan sistem jaringan saraf didasari oleh pengalaman sensoris dari reseptor sensoris, baik berupa reseptor visual, reseptor
auditoris, reseptor raba dipermukaan tubuh, ataupun jenis reseptor lainnya. Pengalaman sensoris ini dapat menyebabkan suatu reaksi segera dan
kenangannya dapat disimpan didalam otak [4]. Konsep dasar semacam inilah yang ingin dicoba para ahli dalam menciptakan jaringan buatan.
5
2.2. Jaringan Saraf Buatan
Jaringan saraf buatan diperkenalkan pertama kali pada tahun 1943 oleh seorang ahli saraf Warren McCulloch dan seorang ahli logika Walter
Pitss [12]. Jaringan saraf buatan merupakan model yang meniru cara kerja
jaringan sel-sel saraf biologis. Penelitian yang berlangsung pada tahun 1950-an dan 1960-an mengalami hambatan karena minimnya kemampuan
komputer. Kemudian pada pertengahan tahun 1980-an dapat dilanjutkan lagi, karena sarana yang dibutuhkan telah tersedia. Sistem saraf buatan dirancang
untuk menirukan karakteristik sel-sel saraf biologis. Beberapa definisi tentang jaringan saraf buatan dikemukakan oleh para ahli.
Menurut [7] jaringan saraf didefinisikan sebagai sebuah prosesor yang terdistribusi paralel dan mempuyai kecenderungan untuk menyimpan
pengetahuan yang didapatkannya dari pengalaman dan membuatnya tetap tersedia untuk digunakan.
Sedangkan menurut [3]. Mendefinisikan jaringan saraf buatan sebagai sebuah sistem yang dibentuk dari sejumlah elemen pemroses sederhana yang
bekerja secara paralel dan fungsinya ditentukan oleh stuktur jaringan, kekuatan hubungan serta pengolahan dilakukan pada komputasi elemen-
elemennya.
2.2.1. Arsitektur Jaringan Saraf Buatan
Pemodelan struktur pemrosesan
informasi terdistribusi
dilakukan dengan menentukan pola hubungan antar sel-sel saraf buatan. Pola hubungan yang umum adalah hubungan antar lapisanr
6
lapisan. Setiap lapisan terdiri dari sekumpulan sel saraf buatan unit yang memiliki fungsi tertentu, misalnya fungsi masukan
input atau fungsi keluaran output. Sistem saraf buatan terdiri dari tiga lapisan unit, yaitu:
1. Unit input
Pada gambar 2.2 unit input dinotasikan dengan i. Unit input ini menerima data dari jaringan saraf luar. Aktifasi unit-unit lapisan
input menunjukkan informasi dasar yang kemudian digunakan
dalam jaringan saraf buatan. 2. Unit tersembunyi
Unit tersembunyi dinotasikan dengan h pada gambar 2.2. Unit tersembunyi menerima dan mengirim sinyal ke jaringan saraf.
Aktifasi setiap unit-unit lapisan tersembunyi ditentukan oleh aktifasi dari unit-unit input dan bobot dari koneksi antara unit-
unit input dan unit-unit lapisan tersembunyi. 3. Unit output
Unit output dinotasikan dengan o. Unit output mengirim data ke jaringan saraf. Karakteristik dari unit-unit output tergantung dari
aktifasi unit-unit lapisan tersembunyi dan bobot antara unit-unit lapisan tersembunyi dan unit-unit output. Dalam jaringan saraf
buatan lapisan banyak unit output bisa digunakan kembali menjadi unit input yang diproses dalam lapisan selanjutnya.
7
X
1
X
2
X
3
X
4
i
1
i
2
i
3
i
4
h
1
h
2
h
3
o
1
o
2
Y
1
Y
2
Gambar 2.2 Jaringan Saraf Buatan
Sedangkan tipe arsitektur jaringan saraf buatan ada tiga yaitu :
1. Jaringan dengan lapisan tunggal Single Lapisanr Net
Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot yang terhubung. Jaringan ini hanya menerima input kemudian
secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi Gambar 2.3.
Gambar 2.3. Jaringan Saraf Buatan Lapisan Tunggal Feedforward
8
2. Jaringan dengan lapisan banyak Multilapisanr Net
Pada tipe ini, diantara lapisan masukan dan keluaran terdapat satu atau lebih lapisan tersembunyi Gambar 2.4. Hubungan antar lapisan
berlangsung satu arah. Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit dari pada lapisan tunggal.
Gambar 2.4. Jaringan Saraf Buatan
Lapisan Banyak
Feedforward
3. Reccurent Network
Tipe reccurent berbeda dengan kedua tipe sebelumnya. Pada reccurent, sedikitnya memiliki satu koneksi umpan balik feedback.
Gambar 2.5. Jaringan dengan lapisan kompetitif reccurent
9
2.2.2. Model-Model Pembelajaran
Menurut [10] model pembelajaran dibedakan menjadi tiga, yaitu :
1. Supervised Learning
Pada model pembelajaran ini, jaringan saraf buatan menggunakan variabel prediktor sebagai input yang akan dijadikan indikator untuk
menerangkan variabel target sebagai outputnya. Variabel-variabel prediktor tersebut disesuaikan dengan target output yang ingin
dihasilkan. Tujuan model supervised learning adalah untuk menentukan nilai bobot-bobot koneksi didalam jaringan sehingga
jaringan tersebut dapat melakukan pemetaan dari input ke output sesuai
dengan yang
diinginkan. Jaringan
perceptron , dan
backpropagation merupakan model-model dengan tipe supervised
learning [8].
Tabel 2.1 Data Sederhana Pengenalan Huruf Alphabet
Variabel Prediktor Contoh
Posisi horizontal
Posisi vertikal
Panjang box
Tinggi box
Jumlah pixel
Variabel Target
1 2
8 3
5 1
T 2
5 12
3 7
2 I
3 4
11 6
8 6
D 4
7 11
6 6
3 N
5 2
1 3
1 1
G
Model pembelajaran supervised learning selalu memiliki satu kolom yang merupakan variabel target, pada contoh data sederhana
pengenalan huruf diatas variabel targetnya adalah huruf alphabet. Pada model pembelajaran ini tiap-tiap variabel memiliki suatu hubungan
10
yang tidak saling bebas. Sebagai contoh, Huruf T diprediksi berada dalam posisi horizontal yang dihitung dari sebelah kiri gambar dan
huruf berada di tengah box pada titik koordinat 2 pixel, posisi vertikal dihitung dari bagian bawah pada box di titik koordinat 8 pixel,
Sedangkan panjang box berada pada titik koordinat 3 pixel dan tinggi box berada pada titik koordinat 5 pixel. Jika huruf alphabet berada
dalam karakteristik variabel target maka dapat dikatakan huruf tersebut berhasil dalam mengklasifikasikan huruf alphabet.
2. Unsupervised Learning
Berbeda dengan model supervised learning, dalam model unsupervised learning
tidak terdapat variabel target dari kategori pola- pola yang akan diklasifikasikan hanya terdiri dari variabel prediktor.
Untuk model pembelajaran ini biasanya hanya dilakukan proses clustering
lihat tabel 2.2. Bukan pengklasifikasian seperti pada model pembelajaran supervised.
Tabel 2.2
Hak pilih USA senator pada 6 persoalan
Issue Class 1
Class 2
Toxic Waste Yes
No Budget Cuts
Yes No
SDI Reduction No
Yes Contra Aid
Yes No
Line-Item Veto Yes
No MX Production
Yes No
3. Semi Unsupervised Learning
Model semi unsupervised learning awalnya adalah model unsupervised learning,
data percobaan untuk model ini biasanya tidak
11
memiliki variabel target. Oleh karena itu, proses klasifikasi dengan model pembelajaran ini dilakukan dengan cara menentukan variabel
targetnya terlebih dahulu two step analysis.
2.3 Fungsi Aktivasi
Pada setiap lapisan pada jaringan saraf buatan terdapat fungsi aktivasi. fungsi ini adalah fungsi umum yang akan digunakan untuk membawa input
menuju output yang diinginkan. Fungsi aktivasi inilah yang akan menentukan besarnya bobot.
Karakter dari jaringan saraf buatan tergantung pada bobot dan fungsi input-output
Fungsi Transfer yang mempunyai ciri-ciri tertentu untuk setiap unit. Fungsi ini terdiri dari tiga kategori, yaitu : fungsi linear, fungsi
threshold , dan fungsi sigmoid Gambar 2.6. Pada fungsi linear, aktivasi
output adalah sebanding dengan jumlah bobot output. Untuk fungsi threshold
, output diatur satu dari dua tingkatan tergantung dari apakah jumlah input lebih besar atau lebih kecil dari nilai batasnya. Sedangkan
Fungsi sigmoid, outputnya terus menerus berubah tetapi tidak berbentuk linear.
i
Threshold sgn
i i
Linear Sigmoid
Gambar 2.6. Jenis fungsi aktivasi yang digunakan dalam jaringan saraf buatan
12
Ada beberapa pilihan fungsi aktivasi yang digunakan didalam metode backpropagation
, seperti fungsi sigmoid biner dan sigmoid bipolar Gambar 2.7.. Untuk lebih jelasnya, berikut adalah penjelasan lebih lengkap
tentang fungsi sigmoid biner dan sigmoid bipolar, yaitu:
1. Fungsi Sigmoid Biner
Fungsi ini merupakan fungsi yang umum digunakan dalam metode backpropagation
. Nilai jangkauannya diantara 0,1 dan didefinisikan sebagai :
f x
= 1
1 + e
− x
dengan turunan : f
x = f x1 − f x
2.1
2. Fungsi Sigmoid Bipolar
Fungsi ini merupakan fungsi yang umum digunakan dalam metode backpropagation
. Range diantara -1,1 dan didefinisikan sebagai: g
x = 2 f x − 1
dengan f
x =
1 1
+ e
− x
sehingga
g x
= 2 f x − 1 1
= 2 − 1
1 + e
− x
1 − e
− x
= 1
+ e
− x
2.2
13
dengan turunan : g
x =
1 1
+ g x1 − g x 2
2.3
Gambar 2.7. Fungsi sigmoid biner dan fungsi sigmoid bipolar
2.4. Perceptron
Kategori