Metode Pembelajaran JST Jaringan Syaraf Tiruan 1. Perkembangan Jaringan Syaraf

29

4. Metode Pembelajaran JST

JST dapat memodifikasikan dirinya sendiri dari hasil pengalaman yang diperolehnya untuk menghasilkan pola tingkah laku yang lebih tepat. Kemampuan belajar ini direpresentasikan dalam mekanisme pembelajaran JST yang merupakan suatu metode perubahan bobot pada saluran penghubung sehingga dihasilkan output JST yang sesuai Kusumadewi, 2004. Dalam perkembangannya ada berbagai macam mekanisme pembelajaran JST, tetapi dalam penelitian ini hanya akan dibahas metode Backpropagation dan Learning Vector Quantization LVQ. a Backpropagation BP Backpropagation merupakan metode pendekatan nilai hasil output JST terhadap nilai pembanding teacher pattern yang diberikan dari luar sistem. Arsitektur JST backpropagation terdiri dari satu layer input, satu atau lebih hidden layer dan satu layer output dan metode penentuan bobot menggunakan supervised training. JST backpropagation tidak memiliki hubungan umpan balik feed back, artinya suatu layer tidak memiliki hubungan dengan layer sebelumnya dan hanya bersifat umpan maju feed forward. Namun error yang dihasilkan diumpankan kembali ke layer sebelumnya selama pelatihan kemudian dilakukan penyesuaian bobot. Menurut Kusumadewi 2004 fungsi kinerja yang sering digunakan untuk backpropagation adalah means square error MSE. Fungsi ini akan menghasilkan MSE. Fungsi sigmoid biner direpresentasikan secara matematik sebagai berikut : fx = 11 + exp-x Yang memiliki turunan : f’x = fx[1 – fx] Sedangkan fungsi sigmoid bipolar direpresentasikan secara matematik : Fx = 21 + exp-x – 1 Yang memiliki turunan : [ ][ ] 2 1 1 x f x f x f − + = 30 b Learning Vector Quantization LVQ Menurut Jang, et al. 1997 LVQ merupakan metode klasifikasi data adaptif berdasarkan pada data pelatihan dengan informasi kelas yang diinginkan. Walaupun merupakan suatu metoda pelatihan supervised tetapi LVQ menggunakan teknik data clustering unsupervised untuk pra proses set data dan penentuan cluster centernya. Arsitektur jaringan LVQ hampir menyerupai suatu jaringan pelatihan kompetitif kecuali pada masing-masing unit outputnya yang dihubungkan dengan suatu kelas tertentu. Kusumadewi dan Hartai 2006 menyatakan LVQ merupakan metoda untuk melakukan pelatihan terhadap lapisan-lapisan kompetitif supervised. Lapisan kompetitif akan belajar secara otomatis untuk melakukan klasifikasi terhadap vektor input yang diberikan. Apabila beberapa vektor input memiliki jarak yang sangat berdekatan, maka vektor-vektor input tersebut akan dikelompokkan dalam kelas yang sama.

E. Pengendalian Proses Statistika