BAB II
LANDASAN TEORI
2.1. Jaringan Syaraf Tiruan
Jaringan saraf tiruan artificial neural network adalah sistem komputasi yang arsitektur dan operasinya diinspirasi dari pengetahuan tentang sel saraf biologis di
dalam otak. Jaringan saraf tiruan tercipta sebagai suatu generalisasi model matematis dari pemahaman manusia human cognition yang didasarkan atas asumsi sebagai
berikut : 1.
Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron. 2.
Isyarat mengalir di antara sel sarafneuron melalui suatu sambungan penghubung.
3. Setiap sambungan penghubung memiliki bobot yang bersesuaian. Bobot ini
akan digunakan untuk menggandakanmengalikan isyarat yang dikirim melaluinya.
4. Setiap sel saraf akan menerapkan fungsi aktivasi terhadap isyarat hasil
penjumlahan berbobot yang masuk kepadanya untuk menentukan isyarat keluarannya.
Jaringan saraf tiruan dapat belajar dari pengalaman, melakukan generalisasi atas contoh-contoh yang diperolehnya dan mengabstraksi karakterisasi esensial input
bahkan untuk data yang tidak relevan. Model saraf ditunjukkan dengan kemampuannya dalam emulasi, analisis, prediksi, dan asosiasi. Kemampuan yang
dimiliki JST dapat digunakan untuk belajar dan menghasilkan aturan atau operasi dari beberapa contoh atau input yang dimasukkan dan membuat prediksi tentang
kemungkinan output yang akan muncul atau menyimpan karakteristik dari input yang disimpan kepadanya.Hermawan,2006
Berbeda dengan metode lain, algoritma untuk jaringan saraf tiruan beroperasi secara langsung dengan angka sehingga data yang tidak numeric harus dirubah.
Dibandingkan dengan cara perhitungan konvensional, jaringan saraf tiruan tidak memerlukan atau menggunakan suatu model matematis atas permasalahan yang
dihadapi. Jaringan saraf tiruan tidak diprogram untuk menghasilkan keluaran tertentu.
Universitas Sumatera Utara
Semua keluaran atau kesimpulan yang ditarik oleh jaringan didasarkan pada pengalamannya selama mengikuti proses pembelajaran. Pada proses pembelajaran, ke
dalam JST dimasukkan pola-pola masukan dan keluaran lalu jaringan akan diajari untuk memberikan jawaban yang bisa diterima.
Pada dasarnya karakteristik JST ditentukan oleh : 1.
Pola hubungan antar neuron disebut arsitektur jaringan 2.
Metode penentuan bobot-bobot sambungan disebut dengan pelatihan atau proses belajar jaringan
3. Fungsi aktivasi
Ada beberapa tipe jaringan syaraf, namun demikian hampir semuanya memiliki komponen-komponen yang sama. Seperti halnya otak manusia, jaringan syaraf juga
terdiri dari beberapa neuron, dan ada hubungan antara neuron-neuron tersebut. Neuron-neuron tersebut akan mentransformasikan informasi yang diterima melalui
sambungan keluarannya menuju ke neuron-neuron yang lain. Pada jaringan syaraf, hubungan ini dikenal dengan nama Bobot. Informasi tersebut disimpan pada suatu
nilai tertentu pada bobot tersebut.Hermawan,2006 Model struktur neuron jaringan syaraf tiruan :
Gambar 2.1. Model Struktur JST
Gambar 2.2. Model Struktur JST
Universitas Sumatera Utara
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
