27
Σ
fungsi aktivasi output
bobot output ke
neuron-neuron yang lain
bobot Input dari
neuron-neuron tertentu
Pembobotan antara vektor input dan bobot
4. Setiap neuron menerapkan fungsi aktivasi terhadap jumlah sinyal masukan terbobot untuk menentukan sinyal keluarannya.
Berdasarkan pada asumsi-asumsi di atas, maka karakteristik jaringan syaraf ditentukan oleh tiga hal berikut.
a. Arsitektur, merupakan bentuk pola hubungan antar neuron-neuron yang akan membentuk lapisan-lapisan layer.
b. Learning algorithm, algoritma proses pembelajaran yang merupakan metode yang digunakan untuk menentukan bobot hubungan antar neuron atau jaringan
tersembunyinya. c. Fungsi aktivasi, merupakan fungsi untuk menghasilkan output berdasarkan
nilai ambang threshold tertentu. Ada beberapa JST, namun demikian, hampir semua memiliki komponen-
komponen yang sama, seperti neuron, informasi input, bobot, fungsi aktivasi threshold dan output. Gambar 2.7 menunjukkan struktur neuron pada JST.
Gambar 2.7 Struktur Neuron Jaringan Syaraf Tiruan
2.6.2 Stuktur Jaringan
Pada JST neuron-neuron dikumpulkan dalam lapisan-lapisan layer, neuron pada satu lapisan memiliki keadaan yang sama terutama fungsi aktivasi dan pola
bobot. Ada beberapa arsitektur jaringan syaraf, antara lain: a. Jaringan dengan lapisan tunggal single layer net, jaringan hanya memiliki
lapisan input yang langsung mengolahnya menjadi output. b. Jaringan dengan banyak lapisan multilayer net, selain memiliki lapisan input
dan lapisan output di antara kedua lapisan tersebut juga terdapat lapisan
tersembunyi.
28
c. Jaringan dengan lapisan kompetitif, pada jaringan ini hubungan antara neuron pada lapisan kompetitif tidak diperlihatkan dalam diagram arsitektur.
2.6.3 Proses Pembelajaran
Tujuan proses pembelajaran jaringan syaraf adalah untuk mencari bobot- bobot yang terdapat antara tiap lapisan. Ada dua jenis pembelajaran dalam sistem
jaringan syaraf berikut. a. Pembelajaran terawasi supervised learning
Metode pembelajaran ini memerlukan data pembelajaran vector training yang terdiri atas pasangan data input dan data output yang diinginkan. Lapisan
output membangkitkan pola output yang nantinya dicocokkan dengan pola
output targetnya. Bila terjadi perbedaan pola output dengan targetnya, muncul error sehingga perlu lebih banyak pembelajaran.
b. Pembelajaran tak terawasi unsupervised learning Pada metode ini hanya diberikan data input dan tidak memerlukan target
output. Jaringan akan memodifikasi nilai bobot sehingga untuk input yang hampir sama, output yang dihasilkan sama.
2.6.4 Fungsi Aktivasi
Data input pada suatu neuron akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan semua nilai bobot yang datang. Hasil penjumlahan akan
dibandingkan dengan suatu nilai ambang threshold melalui fungsi aktivasi setiap neuron. Apabila nilai bobot melewati nilai ambang tertentu yang ditentukan, maka
neuron tersebut akan diaktifkan lalu mengirimkan nilai bobot ke semua neuron yang terhubung dan sebaliknya.
Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan, antara lain: fungsi undak biner, bipolar, linear, saturating linear,
symmetric saturating linear, sigmoid biner, dan sigmoid bipolar.
2.6.5 Backpropagation