8 dengan dendrit dari sel saraf lainnya dengan cara mengirimkan impuls melalui
sinapsis, yaitu penghubung antara dua buah sel saraf. Sinapsis memiliki kekuatan yang dapat meningkat dan menurun tergantung seberapa besar tingkat propagasi yang
diterimanya.
2.2. Jaringan Saraf Tiruan
Jaringan saraf tiruan JST merupakan sistem pemrosesan informasi yang mengadopsi cara kerja otak manusia Fausset, 1994. JST memiliki kecenderungan untuk
menyimpan pengetahuan yang bersifat pengalaman dan membuatnya siap untuk digunakan. Ada tiga elemen penting dalam JST Rojas, 1996, yaitu:
1. Arsitektur jaringan beserta pola hubungan antar neuron. 2. Algoritma pembelajaran yang digunakan untuk menemukan bobot-bobot
jaringan. 3. Fungsi aktivasi yang digunakan.
JST terdiri dari sejumlah besar elemen pemrosesan sederhana yang sering disebut neurons, cells atau node. Proses pengolahan informasi pada JST terjadi pada
neuron – neuron. Sinyal antara neuron – neuron diteruskan melalui link – link yang
saling terhubung dan memiliki bobot terisolasi. Kemudian setiap neuron menerapkan fungsi aktivasi terhadap input jaringan.
2.2.1 Arsitektur Jaringan Saraf Tiruan
Arsitektur jaringan yang sering dipakai dalam JST antara lain : 1. Jaringan layar tunggal single layer network
Jaringan ini hanya memiliki satu buah lapisan bobot koneksi. Jaringan lapisan tunggal terdiri dari neuron-neuron input yang menerima sinyal dari dunia luar,
dan neuron-neuron output dimana kita bisa membaca respons dari jaringan saraf tiruan tersebut.
Universitas Sumatera Utara
9 Gambar dibawah menunjukkan arsitektur jaringan dengan n neuron
input X
1,
X
2,
X
3, ...,
X
n
dan m buah neuron output Y
1,
Y
2,
Y
3, ...,
Y
m
. Semua neuron input dihubungkan dengan semua neuron output, meskipun memiliki
bobot yang berbeda-beda. Tidak ada neuron input yang dihubungkan dengan neuron input lainnya. Begitu juga dengan neuron output.
X1
X3 X2
Y1
Y2
Y3 W11
Wj1 Wm1
W1j Wji
Wmi W1n
Wjn Wmn
Gambar 2.2 Single Layer Network
Besaran Wji menyatakan bobot hubungan antara ubit ke-i dalam input dengan neuron ke-j dalam output. Bobot-bobot ini saling independen. Selama
proses pelatihan,
bobot – bobot saling dimodifikasi untuk
menigkatkankeakuratan hasil. Metode ini tepat digunakan untuk pengenalan pola karena kesederhanaannya.
2. Jaringan Layar Jamak multi layer network
Jaringan ini memiliki satu atau lebih lapisan tersembunyi. Jaringan layar jamak memiliki kemampuan lebih dalam memecahkan masalah dibandingkan dengan
jaringan layar tunggal, namun pelatihannya lebih kompleks dan relatif lebih lama.
Universitas Sumatera Utara
10
Gambar 2.3 Multilayer Network
Pada gambar diatas jaringan dengan n buah neuron input
X
1,
X
2, ...,
X
n
, sebuah layer tersembunyi yang terdiri dari p buah neuron Z
1,
Z
2,
.. Z
p
dan m buah neuron output Y
1
,Y
2
, ... Y
m
. 3. Competitive layer network
Jaringan ini mirip dengan jaringan layar tunggal ataupun ganda. Hanya saja, ada neuron output yang memberikan sinyal pada neuron input sering disebut
feedback loop. Sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif.
Al Am
Ai Aj
1 1
1 1
Gambar 2.4 Competitive layer network
Universitas Sumatera Utara
11
2.2.2. Fungsi Aktivasi