seseorang yang wajahnya pernah dilihat dari foto, atau dapat mengenali seseorang yang wajahnya sedikit berbeda karena sudah lama tidak dijumpainya.
Kedua, otak manusia tetap mampu bekerja meskipun beberapa neuron-nya tidak mampu bekerja dengan baik. Jika sebuah neuron rusak, neuron lain kadang-
kadang dapat dilatih untuk menggantikan fungsi sel yang rusak tersebut[10].
2.5. Jaringan Syaraf Tiruan
Jaringan syaraf tiruan bisa dibayangkan seperti otak buatan di dalam cerita-cerita fiksi ilmiah. Otak buatan ini dapat berpikir seperti manusia, dan juga sepandai
manusia dalam menyimpulkan sesuatu dari potongan-potongan informasi yang diterima. Khayalan manusia tersebut mendorong para peneliti untuk
mewujudkannya. Komputer diusahakan agar bisa berpikir sama seperti cara berpikir manusia. Caranya adalah dengan melakukan peniruan terhadap aktivitas-
aktivitas yang terjadi di dalam sebuah jaringa n syaraf biologi.
Ketika manusia berpikir, aktivitas-aktivitas yang terjadi adalah aktivitas mengingat, memahami, menyimpan, dan memanggil kembali apa yang pernah
dipelajari oleh otak[9].
Jaringan syaraf tiruan JST adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi.
JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi, dengan asumsi bahwa:
1. Pemrosesan informasi terjadi pada banyak elemen sederhana neuron.
2. Sinyal dikirimkan di antara neuron-neuron melalui penghubung-
penghubung. 3.
Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal.
Universitas Sumatera Utara
4. Untuk menentukan output, Setiap neuron menggunakan fungsi aktivasi
biasanya bukan fungsi linier yang dikenakan pada jumlahan input yang diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas
ambang[10].
Jaringan syaraf tiruan ditentukan oleh 3 hal: 1.
Pola hubungan antar neuron disebut arsitektur jaringan. 2.
Metode untuk menentukan bobot penghubung disebut metode traininglearningalgoritma.
3. Fungsi aktivasi.
Sebagai contoh, perhatikan neuron Y pada gambar 2.3 berikut ini: x1
x2
x3 w2
w1
w3 Y
Gambar 2.3 neuron dalam jaringan syaraf tiruan[10]
Y menerima input dari neuron x
1
, x
2
, dan x
3
, dengan bobot hubungan masing-masing adalah w
1
, w
2
, dan w
3
. Ketiga impuls neuron yang ada dijumlahkan.
Net = x
1
w
1
+ x
2
w
2
+ x
3
w
3
………………………2.2
Besarnya impuls yang diterima oleh Y mengikuti fungsi aktivasi y = fnet. Apabila nilai fungsi aktivasi cukup kuat, maka sinyal akan diteruskan. Nilai
Universitas Sumatera Utara
fungsi aktivasi keluaran model jaringan juga dapat dipakai sebagai dasar untuk mengubah bobot[10].
Kemampuan dan proses komputasi pada JST memberikan keuntungan- keuntungan sebagai berikut:
1. JST bersifat adaptif terhadap perubahan parameter yang mempengaruhi
karakteristik sistem, sehingga pada proses belajar, JST mampu belajar secara adaptif dan melaksanakan tugas berbasis pada data yang diberikan pada saat
pelatihan. 2.
JST memiliki kekebalan atau toleran terhadap kesalahan. Artinya, JST tetap berfungsi walaupun ada ketidak-lengkapan data yang dimasukkan. JST
mempunyai kemampuan mengisi bagian masukan yang kurang lengkap sedemikian rupa sehingga tetap diperoleh keluaran yang lengkap.
3. JST dapat dilatih memberikan keputusan dengan memberikan set pelatihan
sebelumnya untuk mencapai target tertentu, sehingga JST mampu membangun dan memberikan jawaban sesuai dengan informasi yang
diterima pada proses pelatihan. 4.
JST mempunyai struktur paralel dan terdistribusi. Artinya, komputasi dapat dilakukan oleh lebih dari satu elemen pemroses yang bekerja secara
simultan. 5.
JST mampu mengklasifikasi pola masukan dan pola keluaran. Melalui proses penyesuaian, pola keluaran dihubungkan dengan masukan yang
diberikan oleh JST. 6.
JST mengurangi derau, sehingga dihasilkan keluaran yang lebih bersih. 7.
JST dapat dimanfaatkan pada proses optimisasi penyelesaian suatu masalah. 8.
JST dapat digunakan pada proses pengendalian sistem agar masukan memberi tanggapan yang diinginkan[6].
2.5.1. Sejarah Jaringan Syaraf Tiruan
Universitas Sumatera Utara
Jaringan syaraf tiruan sederhana pertama kali diperkenalkan oleh McCulloch dan Pitts di tahun 1943. McCulloch dan Pitts menyimpulkan bahwa kombinasi
beberapa neuron sederhana menjadi sebuah sistem neural akan meningkatkan kemampuan komputasinya. Bobot dalam jaringan yang diusulkan oleh McCulloch
dan Pitts diatur untuk melakukan fungsi logika sederhana. Fungsi aktivasi yang dipakai adalah fungsi threshold.
Tahun 1958, Rosenblatt memperkenalkan dan mulai mengembangkan model jaringan yang disebut perceptron. Metode pelatihan diperkenalkan untuk
mengoptimalkan hasil iterasi-nya.
Widrow dan Hoff 1960 mengembangkan perceptron dengan memperkenalkan aturan pelatihan jaringan, yang dikenal sebagai aturan delta
atau sering disebut kuadrat rata-rata terkecil. Aturan ini akan mengubah bobot perceptron apabila keluaran yang dihasilkan tidak sesuai dengan target yang
diinginkan.
Apa yang dilakukan peneliti terdahulu hanya menggunakan jaringan dengan layar tunggal single layer. Rumelhart 1986 mengembangkan
perceptron menjadi backpropagation, yang memungkinkan jaringan diproses melalui beberapa layer.
Selain itu, beberapa model jaringan syaraf tiruan lain juga dikembangkan oleh Kohonen 1972, Hopfield 1982, dll.
Pengembangan yang ramai dibicarakan sejak tahun 1990an adalah aplikasi model-model jaringan syaraf tiruan untuk menyelesaikan berbagai
masalah di dunia[10].
2.5.2. Arsitektur Jaringan Syaraf Tiruan
Universitas Sumatera Utara
Beberapa arsitektur jaringan yang sering dipakai dalam jaringan syaraf tiruan antara lain:
1. Jaringan Layar Tunggal single layer network
Jaringan dengan lapisan tunggal terdiri dari 1 layer input dan 1 layer output. Setiap neuronunit yang terdapat di dalam layer input selalu terhubung
dengan setiap neuron yang terdapat pada layer output. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi
output tanpa harus melalui hidden layer. Contoh algoritma JST yang menggunakan metode ini yaitu adaline dan perceptron. Pada Gambar 2.4
diperlihatkan arsitektur single layer network dengan n buah input layer X
1
, X
2
, …, X
n
dan dua buah output layer Y
1
, Y
2
dengan bobot masing-masing yang menghubungkan antara input layer dengan output layer W
11
, W
12
, W
21
, W
22
, W
n1
, W
n2
.
x
1
Y
1
Y
2
x
2
x
n
w
12
w
11
w
21
w
22
w
n1
w
n2
Nilai Input
Nilai Output
Input Layer
Output Layer
Gambar 2.4 Arsitektur Single Layer Network[12]
Universitas Sumatera Utara
2. Jaringan Layar Jamak Multi Layer Network
Jaringan dengan lapisan jamak memiliki ciri khas tertentu yaitu memiliki 3 jenis layer yaitu layer input, layer output, dan layer tersembunyi. Jaringan
dengan banyak lapisan ini dapat menyelesaikan permasalahan yang kompleks dibandingkan jaringan dengan lapisan tunggal. Namun, proses
pelatihan sering membutuhkan waktu cenderung lama. Contoh algoritma JST yang menggunakan metode ini yaitu backpropagation. Pada Gambar
2.5 diperlihatkan arsitektur multi layer network dengan n buah input layer X
1
, …, X
n
, n buah hidden layer Z
1
, Z
2
, …, Z
n
dan sebuah output layer Y dengan bobot yang menghubungkan input layer dengan hidden layer
W
11
,W
12
, W
1n
, W
n1
, W
n2
, W
nn
dan bobot yang menghubungkan hidden layer dengan output layer V
1
, V
2
, …, V
n
.
x
1
x
n
Y
v
z z
z
2 n
1
v v
1 2
n
. . . . . .
. . .
w w
w w
1 1
12
w
1n
w
n1 n
nn 2
Nilai Input
Input Layer
Hidden Layer
Nilai Output
Output Layer
Gambar 2.5 Arsitektur Multi Layer Network[12]
3. Recurrent Network
Universitas Sumatera Utara
Dalam recurrent network ini minimal paling sedikit ada satu feedback loop didalamnya. Feedback loop mempengaruhi kemampuan belajar dan kinerja
jaringan[12].
Gambar 2.6 Recurrent Network[12]
Elman network berbeda dengan two-layers network konvensional dalam hal layer pertama mempunyai koneksi yang bersifat recurrent. Elman
network adalah two-layer backpropagation networks, dengan tambahan koneksi feedback z
-1
dari output ke hidden layer ke input.
2.5.3. Aplikasi Jaringan Syaraf Tiruan
Beberapa aplikasi jaringan syaraf tiruan adalah sebagai berikut: 1.
Pengenalan Pola Pattern Recognition Jaringan syaraf tiruan dapat dipakai untuk mengenali pola misal huruf,
angka, suara atau tanda tangan yang sudah sedikit berubah. Hal ini mirip dengan otak manusia yang masih mampu mengenali orang yang sudah
beberapa waktu tidak dijumpainya mungkin wajahbentuk tubuhnya yang sudah sedikit berubah.
2. Signal Processing
Jaringan syaraf tiruan model Adaline dapat dipakai untuk menekan noise dalam saluran telpon.
3. Peramalan
Universitas Sumatera Utara
Jaringan syaraf tiruan juga dapat dipakai untuk meramalkan apa yang akan terjadi di masa yang akan datang berdasarkan pola kejadian yang ada di
masa yang lampau. Peramalan ini dapat dilakukan mengingat kemampuan jaringan syaraf tiruan dapat membuat generalisasi dari apa yang sudah ada
sebelumnya. Jaringan syaraf tiruan juga dapat menyelesaikan masalah dalam bidang kontrol dan kedokteran[10].
2.6. Jaringan Syaraf Tiruan Bidirectional Associative Memory
