adaptif dan melaksanakan tugas berbasis pada data yang diberikan saat pelatihan.
2. JST memiliki kekebalan atau toleran terhadap kesalahan. Artinya, JST tetap
berfungsi walaupun ada ketidak-lengkapan data yang dimasukkan. JST mempunyai kemampuan mengisi bagian masukan yangkurang lengkap
sedemikian rupa sehingga tetap diperoleh keluaran yang lengkap. 3.
JST dapat dilatih memberikan keputusan dengan memberikan set pelatihan sebelumnya untuk mencapai target tertentu, sehingga JST mampu
membangun dan memberikan jawaban sesuai dengan informasi yang diterima pada proses pelatihan.
4. JST mempunyai struktur paralel dan terdistribusi. Artinya, komputasi dapat
dilakukan oleh lebih dari satu elemen pemroses yang bekerja secara simultan. 5.
JST mampu mengklasiflkasi pola masukan dan pola keluaran. Melalui proses penyesuaian, pola keluaran dihubungkan dengan masukan yang diberikan
oleh JST. 6.
JST mengurangi derau, sehingga dihasilkan keluaran yang lebih bersih. 7.
JST dapat dimanfaatkan pada proses optimisasi penyelesaian suatu masalah. 8.
JST dapat digunakan pada proses pengendalian sistem agar masukan memperoleh tanggapan yang diinginkan.
2.4 Algoritma Umum Jaringan Syaraf Tiruan
Algoritma pembelajaranpelatihan jaringan syaraf tiruan adalah sebagai berikut: Dimasukkan n contoh pelatihan ke dalam jaringan saraf tiruan.
Lakukan : 1. Inisialisasi bobot-bobot jaringan. Set i = 1.
2. Masukkan contoh ke-i dari sekumpulan contoh pembelajaran yang terdapat dalam set pelatihan ke dalam jaringan pada lapisan input.
3. Cari tingkat aktivasi unit-unit output menggunakan algoritma aplikasi. If kinerja jaringan memenuhi standar yang ditentukan
sebelumnya memenuhi syarat berhenti
Universitas Sumatera Utara
then exit. 4. Update bobot-bobot dengan menggunakan aturan pembelajaran jaringan.
If i=n, then reset i = 1. Else i = i - 1.
Ke langkah 2. Algoritma aplikasiinferensi jaringan saraf tiruan :
Dimasukkan sebuah contoh pelatihan ke dalam jaringan saraf tiruan. Lakukan: 1. Masukkan kasus ke dalam jaringan pada lapisan input.
2. Hitung tingkat aktivasi node-node jaringan. 3. Untuk jaringan koneksi umpan maju, jika tingkat aktivasi dari semua unit
output-nya telah dikalkulasi, maka exit. Untuk jaringan koneksi balik, jika tingkat aktivasi dari semua unit output menjadi konstan atau mendekati
konstan, maka exit. J jika tidak, kembali ke langkah 2. Jika jaringannya tidak stabil, maka exit dan fail.
Fungsi aktivasi
Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan saraf tiruan, antara lain Puspitorini, 2008:
a. Fungsi Undak Biner Hard Limit Jaringan dengan lapisan tunggal sering menggunakan fungsi undak step function
untuk mengkonversikan input dari suatu variabel yang bernilai kontinu ke suatu output biner 0 atau 1.
Fungsi undak biner hard limit dirumuskan sebagai berikut:
y = �
���� � 0 1
���� � ≥ 0
Gambar 2.4 Fungsi aktivasi: Undak Biner Hard Limit [Puspitorini, 2008]
Universitas Sumatera Utara
b. Fungsi Undak Biner Threshold Fungsi undak biner dengan menggunakan nilai ambang sering juga disebut
dengan nama fungsi nilai ambang threshold atau fungsi Heaviside. Fungsi undak biner dengan nilai ambang
θ dirumuskan sebagai berikut:
y = �
���� � 0 1
���� � ≥ 0
Sumber: Puspitorini, 2008 Gambar 2.5 Fungsi aktivasi: Undak Biner Threshold [Puspitorini, 2008]
2.5 Sejarah Jaringan Syaraf Tiruan