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
Terdapat banyak ide dan definisi yang berhubungan dengan “belajar”. Taksonomi proses belajar dalam jaringan saraf tiruan dibagi secara umum menjadi dua bagian [5]:
1. Supervised learning
Supervised learning adalah proses belajar yang membutuhkan guru. Yang dimaksud guru disini adalah sesuatu yang memiliki pengetahuan tentang
lingkungan. Guru bisa direpresentasikan sebagai sekumpulan sampel input- ouput.
2. Unsupervised learning
Sesuai dengan namanya, unsupervised atau self-organized learning tidak membutuhkan guru untuk memantau proses belajar. Dengan kata lain,
tidak ada sekumpulan input-output atau fungsi tertentu untuk dipelajari oleh jaringan.
Universitas Sumatera Utara
10 Jaringan saraf tiruan backpropagation dikategotikan sebagai supervised
learning yang melakukan pembelajaran sehingga memberikan output yang masuk akal jika diberi masukan serupa tidak harus sama dengan pola yang dipakai dalam
pelatihan. Sifat generalisasi ini membuat pelatihan lebih efisien karena tidak perlu dilakukan pada semua data [9].
Backpropagation dibentuk dengan membuat generalisasi aturan pelatihan dalam model widrow-hoff dengan cara menambahkan layer tersembunyi. Kata
backpropagation merujuk pada cara bagaimana gradien perubahan bobot dihitung.
Suatu jaringan saraf tiruan backpropagation memproses informasi masukan pada setiap neuron. Pada gambar 2. ditunjukkan arsitektur JST backpropagation
dengan tiga layer dimana unit masukan X, unit hidden layer Z, dan unit keluaran Y. Sedangkan v
0j
adalah nilai bias untuk hidden layer Z dan w
ok
adalah nilai bias untuk keluaran Y.
Y
1
Y
k
Y
m
w
01
w
11
w
j1
w
p1
w
0k
w
1k
w
jk
w
pk
w
0m
w
1m
w
jm
w
pm
Z
1
Z
j
Z
p
X
1
X
i
X
n
v
01
v
11
v
i1
v
n1
v
0j
v
1j
v
ij
v
nj
v
0p
v
1p
v
ip
v
np
1
1
Gambar 2.2. Arsitektur Jaringan Saraf Tiruan dengan Backpropagation[7]
Keterangan: X
= Masukan input V
= Bobot lapisan tersembunyi W
= Bobot lapisan keluaran
Universitas Sumatera Utara
11 n
= Jumlah unit pengolah lapisan tersembunyi Z
= Lapisan tersembunyi hidden layer Y
= Keluaran output
2.1.3 Fungsi Aktivasi
