• Preprocessing berfungsi mempersiapkan citra atau sinyal agar dapat
menghasilkan ciri yang lebih baik pada tahap berikutnya. Pada tahap ini sinyal informasi ditonjolkan dan sinyal penganggu derau diminimalisir.
• Pencarian dan seleksi fitur berfungsi menemukan karakteristik pembeda
yang mewakili sifat utama sinyal dan sekaligus mengurangi dimensi sinyal menjadi sekumpulan bilangan yang lebih sedikit tetapi representatif
• Algoritma klasifikasi berfungsi untuk mengelompokkan fitur ke dalam
kelas yang sesuai •
Algoritma deskripsi berfungsi memberikan deskripsi pada sinyal.
2.4. Jaringan Syaraf Tiruan
Jaringan syaraf tiruan JST diketahui sebagai suatu sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf manusia
biologi. Jaringan syaraf tiruan terbentuk sebagai generalisasi model matematika jaringan syaraf manusia didasarkan pada asumsi berikut [8] :
1. Pemrosesan informasi terjadi pada banyak elemen sederhana yang disebut neuron
2. Sinyal mengalir diantara neuronsel syaraf melalui penghubung. 3. Setiap penghubung memiliki bobot yang independen. Bobot ini akan
digunakan untuk menggandakan sinyal yang dikirim melaluinya. 4. Setiap neuronsel syaraf akan menerapkan fungsi aktivasi terhadap sinyal
hasil penjumlahan bobot yang masuk untuk menentukan sinyal keluarannya.
Universitas Sumatera Utara
Model syaraf pada jaringan syaraf tiruan akan mempengaruhi kemampuan dalam proses hingga hasilnya. Kemampuan yang dimiliki jaringan syaraf tiruan
dapat digunakan untuk belajar dan menghasilkan aturan atau parameter dari beberapa contoh input yang akan dimasukkan dan membuat prediksi tentang
kemungkinan output yang akan muncul atau menyimpan karakteristik dari input yang diperolehnya.
Jaringan syaraf tiruan memiliki suatu bentuk arsitektur terdistribusi paralel dengan sejumlah besar node dan hubungan antara node tersebut. Tiap titik
hubungan dari suatu node ke node lain memiliki nilai yang nantinya dihubungkan dengan bobot dimana hasilnya merupakan nilai yang juga akan dihubungkan
dengan nilai aktivasi node tersebut. Jaringan syaraf tiruan ditentukan oleh 3 hal :
1. Pola hubungan antara neuron disebut arsitektur jaringan. 2. Metode untuk menentukan bobot penghubung disebut metode
traininglearningalgoritma. 3. Fungsi aktivasi
Neuron merupakan hasil pemodelan dari sel syaraf manusia biologi yang sebenarnya. Gambar 2.4 merupakan bentuk dasar dari struktur unit jaringan syaraf
tiruan.
Universitas Sumatera Utara
Gambar 2.4 Bentuk Dasar Jaringan Syaraf Tiruan
Pada Gambar 2.4 sisi sebelah kiri merupakan masukan menuju ke unit pengolahan dimana masing-masing masukan datang dari unit berbeda Xn. Setiap
sambungan dari masukan ke unit pengolah memiliki kekuatan hubungan bervariasi yang sering disebut dengan “bobot” yang disimbolkan dengan Wn. Unit
pengolahan akan membentuk penjumlahan dari tiap masukan-masukan dengan bobot yang dimilikinya dan menggunakan fungsi ambang yang disebut sebagai
fungsi aktivasi untuk menghitung hasil keluaranya. Hasil perhitungan akan dikirim melalui sambungan unit pengolahan menuju keluaran seperti tampak pada sisi
sebelah kanan gambar. Pada masing-masing sambungan antar unit pengolah dan masukan berperan
sebagai penghubung. Nilai-nilai numerik dilewatkan sepanjang sambungan ini dari masukan ke unit pengolah dan ke unit pengolah lainnya. Ketika unit pengolah
melakukan perhitungan, nilai-nilai ini diberi bobot berdasarkan kekuatan hubungan. Kekuatan hubungan pada setiap sambungan akan disesuaikan selama
Universitas Sumatera Utara
tahap pelatihan sehingga pada akhir pelatihan dihasilkan jaringan dengan bobot yang mantap.
Sebagian besar jaringan syaraf tiruan mengalami penyesuaian bobot pada saat proses pelatihan. Pelatihan pada jaringan dapat berupa pelatihan terbimbing
supervised dan pelatihan tak terbimbing unsupervised. Pada pelatihan terbimbing dibutuhkan pasangan masukan dan sasaran untuk tiap pola yang dilatih,
sehingga jaringan akan menyesuaikan pola masukan yang dilatih terhadap sasarannya. Sedangkan pelatihan tak terbimbing, penyesuaian bobot sebagai
tanggapan terhadap masukan, tak perlu disertai sasaran. Dalam pelatihan tak terbimbing, jaringan mengklasifikasikan pola-pola yang ada berdasarkan kategori
kesamaan pola-pola masukan [8]. Jaringan syaraf tiruan dirancang dengan menggunakan suatu standar
peraturan dimana seluruh model jaringan memiliki konsep dasar yang sama. Banyak model yang dapat digunakan sebagai jaringan syaraf tiruan, dimana model
sebuah jaringan akan menentukan keberhasilan sasaran yang dicapai karena tidak semua permasalahan dapat diselesaikan dengan model arsitektur yang sama.
Seperti yang telah dijelaskan sebelumnya pada beberapa model jaringan fungsi aktivasi menjadi sangat penting karena menentukan nilai keluaran dari suatu
algoritma. Beberapa fungsi yang digunakan dalam jaringan syaraf tiruan diantaranya adalah :
Universitas Sumatera Utara
1. Fungsi threshold dengan batas ambang =
≥ ....................................................................2.1
Untuk beberapa kasus, fungsi threshold yang dibuat tidak berharga 0 atau 1, tapi berharga -1 atau 1 sering disebut threshold bipolar. Maka
persamaan fungsi menjadi : =
≥ −
...................................................................2.2 2. Fungsi Sigmoid
= ......................................................................................2.3
Fungsi Sigmoid sering dipakai karena nilai fungsinya yang terletak antara 0 dan 1 dan dapat diturunkan dengan persamaan berikut :
= − ...................................................................2.4
3. Fungsi Identitas = ...........................................................................................2.5
Fungsi Identitas sering dipakai apabila kita menginginkan keluaran jaringan berupa sembarang bilangan riil bukan hanya pada range [0,1]
atau [-1,1]. Pada penelitian ini metode jaringan syaraf tiruan yang digunakan adalah Multi
Layer Perceptron. Multi Layer Perceptron adalah jaringan syaraf tiruan feed- forward yang terdiri dari sejumlah neuron yang dihubungkan oleh bobot-bobot
penghubung. Neuron-neuron tersebut disusun dalam lapisan-lapisan yang terdiri dari satu lapisan input input layer, satu atau lebih lapisan tersembunyi hidden
layer, dan satu lapisan output output layer. Lapisan input menerima sinyal dari
Universitas Sumatera Utara
luar, kemudian melewatkannya ke lapisan tersembunyi pertama, yang akan diteruskan sehingga akhirnya mencapai lapisan output. Tidak ada batasan
banyaknya hidden layer dan jumlah neuron pada setiap layernya. Setiap neuron pada input layer terhubung dengan setiap neuron pada hidden layer. Demikian juga,
setiap neuron pada hidden layer terhubung ke setiap neuron pada output layer [9].
Universitas Sumatera Utara
BAB I PENDAHULUAN
1.1. Latar Belakang Masalah
