4. Untuk menentukan output, setiap neuron memiliki fungsi aktivasi yang dikenakan
pada jumlah semua input-nya. Besar output akan dibandingkan dengan nilai threshold tertentu.
Berdasarkan moedel matematis tersebut, baik tidaknya suatu model jaringan saraf tiruan ditentukan oleh hal
– hal berikut. 1.
Arsitektur jaringan, yaitu sebuah arsitektur yang menentukan pola antar neuron. 2.
Metode pembelajaran, yaitu metode yang digunakan untuk menentukan dan mengubah bobot.
3. Fungsi aktivasi Sutojo et al. 2011.
Secara matematis proses ini dijelaskan dalam Gambar 2.1 .
Gambar 2.1 Model matematis dari jaringan saraf tiruan Siang, 2005
Y menerima masukan dari neuron , dan dengan bobot hubungan masing –
masing adalah , dan . Ketiga impuls neuron yang ada dijumlahkan
net = +
+ ........................................................................................ 2.1
Keterangan notasi diatas sebagai berikut. net : hasil penjumlahan ketiga impuls neuron dikalikan dengan bobot.
, , : neuron masukan
, , : bobot masing
– masing neuron
2.1.2 Arsitektur Jaringan
Universitas Sumatera Utara
Neuron – neuron terkumpul dalam lapisan – lapisan yang disebut lapisan neuron.
Lapisan – lapisan penyusun jaringan saraf tiruan dibagi menjadi tiga, yaitu Sutojo et
al. 2011 : 1.
Lapisan Masukan Input Layer. Unit
– unit dalam lapisan masukan disebut unit – unit masukan yang bertugas menerima pola masukan dari luar yang menggambarkan suatu permasalahan.
2. Lapisan Tersembunyi Hidden Layer.
Unit – unit dalam lapisan tersembunyi disebut unit – unit tersembunyi yang mana
nilai keluarannya tidak dapat diamati secara langsung. 3.
Lapisan Keluaran Output Layer. Unit
– unit dalam lapisan keluaran disebut unit – unit keluaran, yang merupakan solusi jaringan saraf tiruan terhadap suatu permasalahan.
Beberapa arsitektur jaringan yang sering digunakan dalam jaringan saraf tiruan antara lain Sutojo et al. 2011 :
1. Jaringan Lapisan Tunggal
Jaringan dengan lapisan tunggal terdiri dari 1 lapisan input dan 1 lapisan output Gambar 2.2. Setiap unit dalam lapisan input selalu terhubung dengan setiap unit yang
terdapat pada lapisan output. Jaringan ini menerima input kemudian mengolahnya menjadi output tanpa melewati lapisan tersembunyi. Contoh jaringan saraf tiruan yang
menggunakan jaringan lapisan tunggal adalah Adaline, Hopfield, Perceptron.
Universitas Sumatera Utara
Gambar 2.2 Jaringan saraf dengan lapisan tunggal Sutojo et al. 2011
Pada Gambar tersebut lapisan input memiliki 3 unit neuron, yaitu , , dan yang
terhubung langsung dengan lapisan output yang memiliki 2 unit neuron, yaitu dan
� . Hubungan neuron – neuron pada kedua lapisan tersebut ditentukan oleh bobot yang bersesuaian
, ,
, ,
dan .
2. Jaringan Lapisan Banyak
Jaringan lapisan banyak mempunyai 3 jenis lapisan, yaitu lapisan input, lapisan tersembunyi dan lapisan output Gambar 2.3. Jaringan ini dapat menyelesaikan
permasalahan yang lebih kompleks dibandingkan dengan jaringan lapisan tunggal. Contoh jaringan saraf tiruan yang menggunakan jaringan lapisan banyak adalah
Madaline, Backpropagation, dan Neocognitron.
Universitas Sumatera Utara
Gambar 2.3 Jaringan saraf dengan lapisan banyak Sutojo et al. 2011
Pada Gambar 2.3, lapisan input memiliki 3 unit neutron, yaitu , , dan yang
terhubung langsung dengan lapisan tersembunyi yang memiliki 2 unit neuron tersembunyi, yaitu dan . Hubungan neuron
– neuron pada lapisan input dan lapisan output tersebut ditentukan oleh bobot
, ,
dan . Kemudian, 2 unit
neuron tersembunyi dan terhubung langsung dengan lapisan output yang memiliki 1 unit neuron Y yang besarnya ditentukan oleh bobot
dan .
3. Jaringan dengan Lapisan Kompetitif
Jaringan ini memiliki bobot yang telah ditentukan dan tidak memiliki proses pelatihan Gambar 2.4. Jaringan ini digunakan untuk mengetahui neuron pemenang dari
sejumlah neuron yang ada. Akibatnya, pada jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif. Nilai bobot setiap neuron untuk dirinya sendiri
adalah 1, sedangkan untuk neuron lainnya bernilai random negatif. Contoh jaringan saraf tiruan yang menggunakan jaringan dengan lapisan kompetitif adalah LVQ.
Universitas Sumatera Utara
Gambar 2.4 Jaringan saraf dengan lapisan kompetitif Sutojo et al. 2011
2.1.3 Pelatihan Supervisi dan Tanpa Supervisi
