Arsitektur Fungsi Aktivasi Neural Network

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