21
Jaringan syaraf dengan jumlah
neuron
pada lapisan keluaran sebanyak
m
buah, maka proses pengolahan data pada
neuron
ke-
j
adalah : _
= x
i
w
ij =1
+ b
j
; j=1, …, m 2.4
W
ij
adalah bobot yang menghubungkan masukkan ke-
i
menuju ke
neuron
ke-
j
, dan b
j
adalah bobot bias yang menuju ke
neuron
ke-
j.
X1
Xn X2
Σ
F
W1 W2
Wn
b 1
y_in
y
Gambar 2. 4 Model
Neuron
Sederhana Dengan Bias Kusumadewi, 2010
2.2.2.3 Arsitektur Jaringan Syaraf Tiruan
Hubungan antar
neuron
pada jaringan syaraf tiruan mengikuti pola tertentu, tergantung pada arsitektur jaringan syarafnya. Pada dasarnya terdapat
tiga macam arsitektur yaitu Kusumadewi, 2010 : 1.
Jaringan Syaraf dengan Lapisan Tunggal Jaringan tipe ini hanya memiliki satu lapisan dengan bobot-bobot
terhubung, menerima masukkan kemudian secara langsung mengolah menjadi keluaran tanpa harus melalui lapisan tersembunyi. Ciri-ciri arsitektur ini hanya
terdiri atas satu lapisan masukkan dan satu lapisan keluaran tanpa adanya lapisan tersembunyi. Gambar 2.3 dan Gambar 2.4 merupakan salah satu contoh model
neuron
dengan satu lapisan masukkan.
22
2. Jaringan Syaraf dengan Banyak Lapisan
Arsitektur tipe ini memiliki satu atau lebih lapisan yang terletak di antara lapisan masukkan dan lapisan keluaran, memiliki juga satu atau lebih lapisan
tersembunyi. Umumnya, ada lapisan bobot-bobot yang terletak antara dua lapisan yang bersebelahan. Jaringan dengan banyak lapisan ini dapat menyelesaikan
permasalahan yang lebih sulit daripada lapisan dengan lapisan tunggal, tentu saja dengan pembelajaran yang lebih rumit juga. Gambar 2.5 merupakan salah satu
contoh model
neuron
dengan banyak lapisan dan hanya memiliki satu lapisan tersembunyi
. V
ij
adalah bobot-bobot yang menghubungkan antara
neuron-neuron
pada lapisan masukkan dengan lapisan tersembunyi. Sedangkan
W
jk
adalah bobot- bobot yang menghubungkan antara
neuron-neuron
pada lapisan tersembunyi dengan lapisan keluaran.
z_in
j
adalah hasil pengolahan data pada lapisan tersembunyi dengan fungsi aktivasi F1 untuk menghasilkan z
j
j=1, …,k; _
= x
i
w
ij =1
2.5 = 1 _
2.6 Sedangkan
y_in
k
adalah hasil pengolahan data pada lapisan keluaran dengan fungsi aktivasi F2 untuk menghasilkan keluaran jaringan.
; = 1, … ,
2.7 _
= z
i
w
jk =1
2.8 = F2 _
2.9
23
Gambar 2. 5 Model
Neuron
dengan Banyak Lapisan Kusumadewi, 2010
3. Jaringan Syaraf dengan Lapisan Kompetitif
Arsitektur tipe ini tampak pada Gambar 2.6 dimana memiliki pengaturan bobot yang telah ditetapkan dan tidak memiliki proses pelatihan. Digunakan untuk
mengetahui
neuron
pemenang dari sejumlah
neuron
yang ada. Nilai bobot untuk diri sendiri dari setiap
neuron
adalah 1, dan
neuron
lain adalah bobot acak negatif dengan bobot -
η.
A1
-
η
Aj Al
Am
-
η
-
η
-
η
-
η
-
η
1
1 1
1
Gambar 2. 6 Model
Neuron
dengan Lapisan Kompetitif Kusumadewi, 2010
X1
Xn X2
V11
N1
Nk
Vnk
F1
F1
Z_in1
Z_ink
N1
NL
F2
F2
WkL W11
Y_in1
Y_inL
Z1
Z2
24
o x
1 y
2.2.2.4 Fungsi Aktivasi