24
2. Arsitektur
Neural Network
Pengaturan
neuron
dalam suatu setiap lapisan dan pola hubungan antar lapisan disebut arsitektur jaringan saraf. Arsitektur
neural network
diklasifikasikan menjadi tiga, yaitu Fausett, 1994:12-14 : a.
Jaringan Lapisan Tunggal
Single Layer Net
Jaringan dengan lapisan tunggal memiliki satu lapisan dengan bobot- bobot terhubung. Jaringan ini hanya menerima
input
kemudian secara langsung akan mengolahnya menjadi
output
tanpa harus melalui lapisan yang lain lapisan tersembunyi. Dengan kata lain, ciri-ciri dari
arsitektur jaringan saraf lapisan tunggal adalah hanya terdiri dari satu lapisan
input
dan satu lapisan
output
. Contoh arsitektur jaringan dengan lapisan tunggal dapat dilihat pada Gambar 2.8 berikut.
Gambar 2.8 Arsitektur Jaringan Lapisan Tunggal b.
Jaringan Banyak Lapisan
Multilayer Net
Jaringan dengan banyak lapisan memiliki satu atau lebih lapisan yang berada diantara lapisan
input
dan lapisan
output
terdapat satu atau
input output
bobot
25 lebih lapisan tersembunyi. Jaringan dengan banyak lapisan ini dapat
menyelesaikan permasalahan yang lebih sulit dibandingkan dengan jaringan lapisan tunggal. Contoh arsitektur jaringan dengan banyak
lapisan dapat dilihat pada Gambar 2.9 berikut.
Gambar 2.9 Arsitektur Jaringan Banyak Lapisan c.
Jaringan Lapisan Kompetitif
Competitive Layer Net
Pada jaringan ini, antar
neuron
dapat saling dihubungkan. Contoh arsitektur jaringan dengan lapisan kompetitif dapat dilihat pada
Gambar 2.10 berikut.
Gambar 2.10 Arsitektur Jaringan Lapisan Kompetitif
input output
lapisan tersembunyi
26
3. Fungsi Aktivasi
Fungsi aktivasi adalah fungsi yang digunakan untuk menentukan keluaran sutau
neuron
. Fungsi aktivasi berguna untuk mengaktifkan atau tidak mengaktifkan
neuron
yang dipakai pada jaringan tersebut. Misalkan terdapat sebuah
neuron
dengan
input
yang masing- masing memiliki
bobot dengan bobot bias kemudian
fungsi aktivasi akan mengaktivasi menjadi output jaringan .
Ada beberapa fungsi aktivasi yang sering digunakan pada JST. Fungsi aktivasi tersebut antara lain Fausett, 1994:17-19:
a. Fungsi linear
purelin
Salah satu fungsi aktivasi yang sering digunakan adalah fungsi linear identitas. Fungsi linear memiliki nilai
output
yang sama dengan nilai
input
nya. Pada Matlab fungsi linear dikenal dengan nama
purelin
. Fungsi linear dirumuskan sebagai:
untuk semua 2.16
dan fungsi linear diilustrasikan sebagai berikut
Gambar 2.11 Fungsi Linear
y y = x
27 b.
Fungsi
sigmoid biner logsig
Fungsi ini sering digunakan pada metode
backpropagation
. Fungsi ini memiliki nilai antara 0 sampai 1, dirumuskan sebagai berikut:
dengan 2.17
Pada
Matlab
fungsi ini dikenal dengan nama
logsig
. Fungsi dengan rentang nilai antara -1 sampai 1 untuk
dan dapat dilihat pada Gambar 2.12 berikut.
Gambar 2.12 Fungsi
sigmoid biner
c. Fungsi
sigmoid bipolar tansig
Fungsi ini dirumuskan sebagai berikut: dengan
[1+ ][1- ] 2.18
Pada Matlab fungsi
sigmoid bipolar
dikenal dengan nama
tansig
. Fungsi ini sangat berkaitan dengan fungsi
hyperbolic tangent,
sering digunakan sebagai fungsi aktivasi ketika nilai
output
yang diinginkan berkisar antara -1 sampai 1.
y
28 Gambar 2.13 Fungsi
sigmoid bipolar
4. Pembelajaran