BAB 2
TINJAUAN PUSTAKA
2.1 Jaringan Saraf Tiruan
Jaringan saraf tiruan JST pertama kali diperkenankan oleh McCulloch dan Walter Pitts pada tahun 1943. Jaringan saraf tiruan merupakan suatu sistem pemrosesan
informasi yang memiliki karakteristik-karakteristik menyerupai jaringan saraf biologi [2].
Dengan meniru sistem jaringan biologis maka sistem jaringan saraf tiruan memiliki 3 karakteristik utama, yaitu [1]:
1. Arsitektur jaringan
Merupakan pola keterhubungan antara neuron. Keterhubungan neuron- neuron inilah yang membentuk suatu jaringan.
2. Algoritma Pembelajaran
Merupakan metode untuk menentukan nilai bobot hubungan. Ada dua jenis metode utama, yaitu metode pelatihan atau pembelajaran memorisasi dan
metode pengenalan atau aplikasi. 3.
Fungsi Aktivasi Merupakan fungsi untuk menentukan nilai keluaran output berdasarkan
nilai total masukan input pada neuron. Fungsi aktivasi suatu algoritma jaringan dapat berbeda dengan fungsi aktivasi algoritma jaringan lain.
2.1.1 Arsitektur jaringan saraf tiruan
Satu sel saraf dapat dimodelkan secara matematis seperti diilustrasikan oleh Gambar 1. Satu sel saraf terdiri dari tiga bagian, yaitu fungsi penjumlah summing function,
Universitas Sumatera Utara
8
Synaptic weights
fungsi aktivasi activation function dan keluaran output. Secara matematis, dapat digambarkan sebuah neuron dengan menuliskan pasangan persamaan sebagai berikut:
Gambar 2.1. Model Neuron[1]
y = f ∑
� �=1
w
i
x
i +
� keterangan:
x
i
= sinyal masukan ke-i. w
i
= bobot hubungan ke-i. �
= bias f.
= fungsi aktivasi atau elemen pemroses y
= sinyal keluaran. Beberapa konsep yang berhubungan dengan pemrosesan informasi tersebut
seperti yang disebutkan di atas, yaitu: 1.
Input Nilai numerik atau representasi suatu atribut merupakan input dari
jaringan. Beberapa tipe data seperti teks, gambar dan suara dapat juga digunakan sebagai input.
2. Output
Output jaringan berisi solusi untuk permasalahan. 3.
Bobot weights Unsur kunci Jaringan saraf tiruan adalah bobot. Bobot menunjukkan suatu
kekuatan relatif relative strength atau nilai matematik dari input data atau
w
2
w
i
U
k
Output
Y
k
Summing function
Activation function
w
1
∑
f
.
x
1
x
2
x
i
Input Signal
Threshol dθ
. .
. .
. .
b
1
Universitas Sumatera Utara
9 banyaknya koneksi yang memindahkan data dari satu lapisan ke lapisan
yang lainnya. Bobot sangat penting karena menyimpan pola pembelajaran dari informasi.
4. Fungsi Penjumlahan
Fungsi penjumlahan merupakan perkalian setiap nilai input dengan bobotnya.
5. Fungsi Aktivasi
Fungsi aktivasi merupakan hubungan antara tingkat aktivasi internal dan output yang bisa berupa linier atau non-linier
Arsitektur pada jaringan saraf tiruan menggambarkan jumlah neuron dan hubungan bobot yang dipakai dan fungsi aktivasi. Secara umum arsitektur jaringan
saraf dapat dibedakan menjadi tiga kelas yang berbeda, yaitu jaringan umpan-maju lapisan tunggal single layer feedforward network atau perceptron, jaringan umpan-
maju lapisan jamak multilayer perceptron dan jaringan dengan lapisan kompetitif [6].
2.1.2 Jaringan saraf tiruan backpropagation