dan dapat diajarkan kembali re-train untuk melakukan penyesuaian terhadap lingkungannya.
4 Evidential Response: Dalam konsteks klasifikasi pola, jaringan saraf tiruan dapat dirancang untuk memberikan informasi tidak hanya tentang pola
yang khusus, tetapi juga kepercayaan confidence tentang keputusan yang dibuat.
5 Contextual Information: Pengetahuan dipresentasikan oleh struktur dan aktivasi dari jaringan saraf. Setiap dalam jaringan berpotensi dipengaruhi
oleh aktivasi global semua neuron lain dalam jaringan. Akibatnya, informasi konstektual ditangani secara alami oleh saraf.
6 VLSI Implementability: Jaringan saraf tiruan memiliki sifat dasar yaitu parallel yang membuatnya berpotensi untuk menyelesaikan masalah-
masalah tertentu dengan cepat. 7 Neurobiological Analogy: Rancangan jaringan saraf tiruan yang
mengadopsi otak manusia merupakan bukti nyata bahwa toleransi terhadap kesalahan pada pemrosesan paralel tidak hanya mungkin, tetapi juga cepat
dan kuat.
2.3.1. Model Sel Syaraf
Dalam operasi ANN, didasari oleh pemrosesan informasi yang sering disebut dengan sel syaraf atau neuron. Terdapat tiga model elemen dasar pada
model neuron, seperti yang terlihat pada Gambar Gambar 2.1.
Gambar 2.1. Model Neuron Haykin, 1999
1 Sinapsis, koneksi antar neuron dimana direpresentasikan dengan suatu bobot untuk menunjukkan kekuatan dari koneksi tersebut.
2 Penjumlahan, yang berfungsi untuk menjumlahkan sinyal masukan. 3 Setiap neuron menerapkan fungsi aktivasi terhadap jumlah dari perkalian
antara sinyal input dengan bobot neuron sebelumnya, untuk menentukan nilai output. Fungsi aktivasi ini pada umumnya membatasi nilai output dari
neuron.
2.3.2. Fungsi Aktivasi
Fungsi aktivasi dipakai untuk menentukan keluaran suatu neuron,
yaitu merupakan fungsi yang mengGambarkan hubungan antara tingkat aktivasi internal summation function yang mungkin berbentuk linier atau nonlinier. Ada
beberapa macam fungsi aktivasi yang biasanya digunakan dalam ANN, diantaranya adalah Suyanto, 2014:
1. Threshold function 1
2. Piecewise-linear function
2
3. Sigmoid function 3
2.3.3. Arsitektur Jaringan
Arsitektur jaringan merupakan pola yang mengGambarkan hubungan antara neuron-neuron pada ANN yang digunakan untuk melakukan pelatihan.
Secara umum ada beberapa arsitektur pada ANN Suyanto, 2014 : 1 Single Layer Feedforward Networks
Single Layer Feefforward Networks merupakan arsitektur jaringan yang paling sederhana. Pada jaringan ini hanya terdapat input layer kemudian
langsung menuju output tanpa melewati lapisan tersembunyi. Gambar 2.2 menunjukkan contoh jaringan dengan empat input layer dan output.
Gambar 2.2. Feedfordward Network dengan satu lapisan neuron tunggal Suyanto, 2014.
2 Multi Layer Feedforward Networks Multi layer feedforward networks adalah jaringan dengan satu atau lebih
lapisan tersembunyi hidden layer. Hidden layer ini terletak diantara input layer dan output. Multi layer feedforward networks dapat memecahkan
masalah yang lebih kompleks dari pada berlapis tunggal, namun pada pelatihannya akan lebih sulit Haykin, 1999.
Gambar 2.3. Multi layer feedforward networks Suyanto, 2014.
Gambar 2.3 menunjukkan contoh jaringan Multi layer feedforward networks.
3 Recurrent Networks Recurrent Networks merupakan jaringan yang memiliki minimal satu
feedback loop. Jaringan ini mirip dengan single layer maupun multi layer. Hanya saja, pada jaringan ini terdapat simpul keluaran yang memberikan
sinyal pada input. Contoh recurrent network ditunjukkan pada Gambar Gambar 2.4.
Gambar 2.4. Recurent NetworkSani, 2014.
2.3.4. Proses Belajar
