2.1.3 Arsitektur Jaringan
Arsitektur jaringan syaraf tiruan digolongkan menjadi 3 model: 1. Jaringan Layar Tunggal
Dalam jaringan ini, sekumpulan input neuron dihubungkan langsung dengan sekumpulan outputnya, seperti gambar berikut ini :
Gambar 2.2 Jaringan layar tunggal
Pada gambar 2 diperlihatkan bahwa arsitektur jaringan layar tunggal dengan n buah masukan x
1
, x
2
,..., x
n
dan m buah keluaran Y
1
, Y
2
,..., Y
m
. Dalam jaringan ini semua unit input dihubungkan dengan semua unit output. Tidak ada unit input yang
dihubungkan dengan unit input lainnya dan unit outputpun demikian. 2. Jaringan Layar Jamak
Jaringan ini merupakan perluasan dari layar tunggal. Dalam jaringan ini, selain unit input dan output, ada unit-unit lain yang sering disebut layar tersembunyi.
Layar tersembunyi ini tersebut bisa saja lebih dari satu, sebagai contoh perhatikan gambar 3 dibawah ini :
X
1
X
2
X
n
Y
1
Y
2
Y
W
1 1
W
1 2
W
1m
W
2 1
W
2 2
W
2 m
W
n1
W
n2
W
nm
Universitas Sumatera Utara
Gambar 2.3 Jaringan layar jamak
Pada gambar 3 diperlihatkan jaringan dengan n buah unit masukan x
1
, x
2
,..., x
n
, sebuah layar tersembunyi yang terdiri dari m buah unit z
1
, z
2
,..., z
m
dan 1 buah unit keluaran. Jaringan layar jamak dapat menyelesaikan masalah yang lebih kompleks dibandingkan dengan layar tunggal, meskipun
kadangkala proses pelatihan lebih kompleks dan lama. 3. Jaringan Reccurent
Model jaringan recurrent mirip dengan jaringan layar tunggal ataupun ganda. Hanya saja, ada neuron output yang memberikan sinyal pada unit input sering
disebut feedback loop. Dengan kata lain sinyal mengalir dua arah, yaitu maju dan mundur.
2.1.4 Fungsi Aktivasi
Siang 2005 menyebutkan bahwa fungsi aktivasi digunakan untuk menentukan keluaran suatu neuron. Dalam jaringan syaraf tiruan, argumen fungsi aktivasi adalah
net masukan kombinasi linier masukan dan bobotnya. Jika net maka fungsi
aktivasinya adalah f net = f .
X
1
X
2
X
n
Z
1
Z
2
Z
W
1 1
W
1 2
W
1m
W
2 1
W
2 2
W
2 m
W
n1
W
n2
W
nm
Y
W
1 1
W
1 1
W
1 1
Universitas Sumatera Utara
Beberapa fungsi aktivasi yang sering dipakai adalah sebagai berikut: a. Fungsi treshold batas ambang
fx =
Dalam beberapa kasus, fungsi threshold yang dibuat tidak berharga 0 atau 1, tapi berharga -1 atau 1 sering dibuat threshold bipolar.
Jadi fx =
b. Fungsi sigmoid fx
=
fungsi sigmoid sering dipakai karena karena nilai fungsinya yang terletak antara 0 dan 1 dan dapat digunakan dengan mudah.
f x = fx 1 - fx
c. Fungsi identitas fx = x
fungsi ini sering dipakai apabila apabila kita menginginkan keluaran jaringan berupa sembarang bilangan riil bukan hanya pada range [0,1]
atau [-1, 1].
2.1.5 Algoritma Belajar dan Pelatihan