2. Memori yang ada bersifat terdistribusi :
• Memory long-term berada pada synapses neuron atau weight
• Memory short-term berkorespondensi dengan sinyal yang dikirimkan dari neuron-
neuron lain 3.
Kekuatan synapse dapat berubah seiring pengalaman 4.
Neuron transmitter untuk synapses dapat berupa excitatory atau inhibitory.
2.4 Arsitektur dari Neural Network
Menurut Fausset, seringkali neuron di visualiasikan ke dalam bentuk layer, di mana neuron- neuron yang berada pada layer yang sama memiliki perilaku yang sama. Faktor penentu perilaku
dari neuron ini adalah fungsi aktivasi dan pola dari weight koneksinya sehingga neuron tersebut dapat mengirim dan menerima sinyal. Dalam setiap layer, neuron biasanya memiliki fungsi
aktivasi yang sama dan pola dari koneksi yang sama terhadap neuron-neuron lain. Untuk lebih spesifik, banyak neural network maupun neuron-neuron di dalam sebuah layer dapat saling
terhubung secara penuh maupun tidak. Jika ada neuron pada sebuah layer sebagai contoh, layer pada unit tersembunyi terhubung dengan neuron layer lain misal: layer output maka setiap
unit tersembunyi dapat terkoneksi di setiap neuron output.
Pengaturan neuron ke dalam layers dan pola koneksi di dalam dan antara layers dikenal
dengan “net archictecture”. Banyak neuron nets memiliki layers input yang aktivasi dari setiap unitnya sama dengan sinyal input external. Neural network seringkali di kategorikan dalam 2
jenis yaitu : single layer dan multilayer. Dalam menentukan jumlah layer setiap unit input tidak dapat di hitung sebagai layer, karena unit tersebut tidak dapat melakukan fungsi komputasi. Atau
bisa dikatakan bahwa jumlah layer pada neural network di tentukan berdasarkan layer yang berisikan weight antar koneksi dari kumpulan neuron-neuron. Hal inilah yang mendasari bahwa
bobot weight pada jaringan syaraf neural network berisikan informasi yang sangat penting.
Universitas Sumatera Utara
Gambar 2.5 Neural network model structure
2.4.1 Jaringan Syaraf Lapis Tunggal
Arsitektur lapis tunggal single layer memiliki 1 lapis koneksi bobot. Di mana setiap unit dibedakan antara unit input dan unit ouput. Unit input adalah unit yang menerima sinyal yang
berasal dari lingkungan luar, sedangkan unit output adalah respon dari neural network yang dapat dibaca. Pada umumnya, unit input secara penuh terkoneksi dengan unit output tetapi tidak
terkoneksi dengan unit input lain, begitu juga halnya unit output tidak terkoneksi dengan unit output yang lain.
Gambar 2.6 Neural network Single Layer
Universitas Sumatera Utara
2.4.2 Jaringan Syaraf Lapis Ganda
Pada jaringan syaraf lapis ganda, input tidak langsung terkoneksi dengan output.
Gambar 2.7 Neural network Multilayer
2.5 Fungsi Aktivasi pada Neural network