Penerapan Jaringan Saraf Tiruan Algoritma Backpropagation Untuk Penyusunan Jadwal Mata Kuliah di Jurusan Matematika FMIPA USU

6

BAB 2

LANDASAN TEORI

2.1 Penjadwalan

2.1.1 Jadwal Secara Umum

Menurut Kamus Besar Bahasa Indonesia (KBBI), jadwal adalah pembagian waktu
berdasarkan rencana pengaturan urutan kerja, daftar atau tabel kegiatan atau rencana
kegiatan dengan pembagian waktu pelaksanaan yang terperinci. Beberapa contoh
penjadwalan antara lain, penjadwalan produksi, penjadwalan kerja karyawan,
penjadwalan pertandingan, penjadwalan kuliah, serta masih banyak lagi. Pada setiap
penjadwalan, diharapkan akan mendapatkan jadwal yang optimal dan efektif serta
dapat mengurangi permasalahan dan kesalahan yang ada.

2.1.2 Penjadwalan Kuliah

Penjadwalan kuliah (Lecture Timetabling) adalah masalah menempatkan waktu dan

ruangan kepada sejumlah mata kuliah, tutorial, dan kegiatan akademik sejenis dengan
memperhatikan sejumlah aturan yang berhubungan dengan kapasitas dan lokasi dari
ruangan yang tersedia, waktu yang diperlukan dan sejumlah aturan lain yang berkaitan
dengan toleransi untuk dosen, dan hubungan antara mata kuliah pilihan (Ross P., Dave
C., Hasiao L.F, 1994).

Secara umum, penjadwalan kuliah adalah proses penyusunan beberapa komponen,
antara lain: mata kuliah, dosen,jam kuliah, dan ruangan untuk mendapatkan jadwal
perkuliahan yang optimal.
1. Mata Kuliah, adalah satuan perkuliahan yang disediakan untuk mahasiswa.
Mahasiswa berhak memilih mata kuliah yang ingin diambilnya di setiap awal
semester. Setiap mata kuliah memiliki jumlah Sistem Kredit Semester (SKS)-nya

Universitas Sumatera Utara

7

masing-masing. SKS untuk setiap mata kuliah berjumlah antara dua sampai empat
SKS.
2. Dosen, adalah staf pengajar untuk setiap mata kuliah yang tersedia. Dosen dapat

mengajar untuk beberapa mata kuliah yang berbeda di waktu yang berbeda pula.
3. Jam kuliah, adalahwaktu yang dibutuhkan untuk melaksanakan proses
perkuliahan. Waktu yang disediakan untuk berlangsungnya perkuliahan yaitu pada
hari Senin sampai Sabtu di setiap minggunya, dan dimulai dari pukul 08.00 sampai
pukul 18.00 di setiap harinya. Durasi setiap perkuliahan tergantung dari jumlah
SKS yang dimilikinya, satu SKS sama dengan 50 menit perkuliahan berlangsung.
4. Ruangan, adalah tempat melaksanakan proses perkuliahan.

2.2 Jaringan Saraf Tiruan

2.2.1 Jaringan Saraf Biologis

Konsep Jaringan Saraf Tiruan diambil dari konsep Jaringan Saraf Biologis, yaitu
jaringan otak manusia. Komputer kini dapat berpikir seperti manusia, ia dibuat untuk
melakukan peniruan terhadap aktivitas-aktivitas yang terjadi di dalam jaringan otak
manusia. Aktivitas-aktivitas yang terjadi seperti aktivitas mengingat, memahami,
menyimpan, dan memanggil kembali apa yang pernah dipelajari oleh otak.

Gambar2.1 Struktur sederhana sebuah neuron

Jaringan saraf biologis merupakan kumpulan dari sel-sel saraf (neuron ).Neuron
mempunyai tugas mengolah informasi. Komponen-komponen utama dari sebuah
neuron dapat dikelompokkan menjadi tiga bagian, yaitu:

Universitas Sumatera Utara

8

1. Dendrit, yang bertugas untuk menerima informasi.
2. Badan sel (soma ), yang bertugas sebagai tempat pengolahan informasi.
3. Akson (neurit), yang bertugas untuk mengirimkan impuls-impuls ke sel saraf
lainnya.
Di dalam Gambar, sebuah neuron menerima impuls-impuls sinyal dari neuron
yang lain melalui dendrit dan mengirimkan sinyal yang dibangkitkan oleh badan sel
melalui akson. Akson dari sel saraf biologis ini bercabang-cabang dan berhubungan
dengan dendrit dari sel saraf lainnya, dengan cara mengirimkan impuls melalui
sinapsis. Sinapsis adalah unit fungsional antara dua buah sel saraf, misalnya A dan B,

dimana yang satu adalah serabut akson dari neuron A dan satunya lagi dendrit dari
neuron B. Kekuatan sinapsis ini bisa menurun atau meningkat tergantung kepada

seberapa besar tingkat propagasi (penyiaran) sinyal yang diterimanya.

2.2.2 Komparasi antara Jaringan Saraf Biologis dengan Jaringan Saraf Tiruan

Jaringan Saraf Tiruan disusun dengan asumsi yang sama seperti Jaringan Saraf
Biologis:
1. Pengolahan informasi terjadi pada elemen-elemen pemrosesan (neuron).
2. Sinyal antara dua buah neuron diteruskan melalui link-link koneksi.
3. Setiap link koneksi memiliki bobot terasosiasi.
4. Setiap neuron menerapkan sebuah fungsi aktivasi terhadap input jaringan
(jumlah sinyal input berbobot). Tujuannya adalah untuk menentukan sinyal
output. Fungsi aktivasi yang digunakan biasanya fungsi yang nonlinear .

Adapun cara belajar jaringan saraf tiruan sebagai berikut: Ke dalam Jaringan
Saraf Tiruan dimasukkan informasi yang sebelumnya telah diketahui hasil
keluarannya. Pemasukan informasi ini dilakukan lewat node-node atau unit-unit input.
Bobot-bobot antar koneksi dalam suatu arsitektur diberi nilai awal dan kemudian
jaringan saraf tiruan dijalankan.Bobot-bobot ini bagi jaringan digunakan untuk belajar
dan mengingat suatu informasi.Pengaturan bobot dilakukan secara terus-menerus dan

dengan menggunakan kriteria tertentu sampai diperoleh keluaran yang diharapkan.

Universitas Sumatera Utara

9

Tabel 1.1 Analogi antara Jaringan Saraf Tiruan dengan Jaringan Saraf
Biologis
Jaringan Saraf Biologis

Jaringan Saraf Tiruan

Badan sel (soma)

Node atau unit

Dendrit

Input

Akson

Output

Sinapsis

Bobot

Hal yang ingin dicapai dengan melatih/mengajari Jaringan Saraf Tiruan adalah
untuk mencapai keseimbangan antara kemampuan memorisasi dan generalisasi.Yang
dimaksud dengan kemampuan memorisasi adalah kemampuan Jaringan Saraf Tiruan
untuk memanggil kembali secara sempurna sebuah pola yang telah dipelajari.
Kemampuan

generalisasi

adalah kemampuan

Jaringan

Saraf

Tiruan untuk

menghasilkan respon yang bisa diterima terhadap pola-pola input yang serupa (namun
tidak identik) dengan pola-pola yang sebelumnya telah dipelajari. Hal ini sangat
bermanfaat bila pada suatu saat diinputkan informasi baru yang belum pernah
dipelajari, maka Jaringan Saraf Tiruan itu masih akan tetap dapat memberikan
tanggapan yang baik, memberikan keluaran yang paling mendekati.

2.2.3 Pengertian Jaringan Saraf Tiruan

Beberapa definisi tentang Jaringan Saraf Tiruan sebagai berikut:
Hecht-Nielsend (1988) menyatakan “Suatu Neural Network (NN), adalah suatu
struktur pemroses informasi yang terdistribusi dan bekerja secara paralel, yang terdiri
atas elemen pemroses (yang memiliki memori lokal dan beroperasi dengan informasi
lokal) yang diinterkoneksikan bersama dengan alur sinyal searah yang disebut
koneksi. Setiap elemen pemroses memiliki koneksi keluaran tunggal yang bercabang
(fan out) ke sejumlah koneksi kolateral yang diinginkan (setiap koneksi membawa
sinyal yang sama dari keluaran elemen pemroses tersebut). Keluaran dari elemen

pemroses tersebut dapat merupakan sebarang jenis persamaan matematis yang
diinginkan. Seluruh proses yang berlangsung pada setiap elemen pemroses harus
benar-benar dilakukan secara lokal, yaitu keluaran hanya bergantung pada nilai

Universitas Sumatera Utara

10

masukan pada saat itu yang diperoleh melalui koneksi dan nilai yang tersimpan dalam
memori lokal”.
Haykin, S. (1994), Neural Network: A Comprehensive Foundation , NY,
Macmillan, mendefinisikan Jaringan Saraf sebagai berikut. “Sebuah Jaringan Saraf
adalah sebuah prosesor yang terdistribusi paralel dan mempunyai kecendrungan untuk
menyimpan pengetahuan yang didapatkannya dari pengalaman dan membuatnya tetap
tersedia untuk digunakan. Hal ini menyerupai kerja otak dalam dua hal yaitu:
1. Pengetahuan diperoleh oleh jaringan melalui suatu proses belajar.
2. Kekuatan hubungan antar sel saraf yang dikenal dengan bobot sinapsis
digunakan untuk menyimpan pengetahuan.”
Zurada, J.M (1992), Introduction To Artificial Neural Systems, Boston: PWS
Publishing Company, mendefinisikan sebagai berikut: “Sistem Saraf Tiruan atau

Jaringan SarafTiruan adalah sistem selular fisik yang dapat memperoleh, menyimpan,
dan menggunakan pengetahuan yang didapatkan dari pengalaman”
(Puspitaningrum)Jaringan Saraf Tiruan adalah merupakan salah satu representasi
buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses jaringan
saraf ini yang diimplementasikan dengan menggunakan program komputer yang
mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran.

2.2.4

Konsep Dasar Jaringan Saraf Tiruan

Gambar 2.2 Model Tiruan Sebuah Neuron

Universitas Sumatera Utara

11

Gambar merupakan sebuah tiruan neuron dalam Jaringan Saraf Tiruan yang
berfungsi seperti halnya sebuah neuron.Sejumlah sinyal masukan a dikalikan dengan
masing-masing penimbang w yang bersesuaian. Kemudian dilakukan penjumlahan

dari seluruh hasil perkalian tersebut dan keluaran yang dihasilkan diteruskan kedalam
fungsi pengaktif untuk mendapatkan tingkatan derajat sinyal keluarannya F (a ,w).

Jaringan Saraf Tiruan memiliki sejumlah besar kelebihan dibandingkan dengan
metode perhitungan lainnya, yaitu:
1. Kemampuan mengakuisisi pengetahuan walaupun dalam kondisi ada
gangguan dan ketidakpastian. Hal ini karena Jaringan Saraf Tiruan mampu
melakukan generalisasi, abstraksi, dan ekstraksi terhadap properti statistik dari
data.
2. Kemampuan merepresentasikan pengetahuan secara fleksibel. Jaringan saraf
tiruan dapat menciptakan sendiri representasi melalui pengaturan diri sendiri
atau kemampuan belajar (self organizing).
3. Kemampuan untuk memberikan toleransi atas suatu distorsi (error/fault),
dimana gangguan kecil pada data dapat hanya dianggap sebagai guncangan
(noise) belaka.
4. Kemampuan memproses pengetahuan secara efisien karena memakai sistem
paralel, sehingga waktu yang diperlukan untuk mengoperasikannya menjadi
lebih singkat.

Algoritma pembelajaran/pelatihan umum dalam Jaringan Saraf Tiruan adalah

sebagai berikut:
1. Inisialisasi bobot-bobot jaringan.
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 memenuhistandar yang ditentukan sebelumnya
(memenuhi syarat berhenti)

then

exit

else

4. Update bobot-bobot dengan menggunakan aturan pembelajaran jaringan.

Universitas Sumatera Utara

12

2.2.5

Arsitektur Jaringan

Baik tidaknya suatu model JST salah satunya ditentukan oleh hubungan antarneuron
atau yang biasa disebut sebagai arsitektur jaringan.Neuron-neuron tersebut terkumpul
dalam lapisan-lapisan yang disebut neuron layer . Lapisan-lapisan penyusun JST
dibagi menjadi tiga, yaitu:
1. Lapisan Input (Input Layer )
Unit-unit dalam lapisan input disebut unit-unit input yang bertugas menerima pola
inputan dari luar yang menggambarkan suatu permasalahan.
2. Lapisan Tersembunyi (Hidden Layer )
Unit-unit dalam lapisan tersembunyi disebut unit-unit tersembunyi, yang mana
nilai output-nya tidak dapat diamati secara langsung.
3. Lapisan Output (Output Layer )
Unit-unit dalam lapisan output disebut unit-unit output, yang merupakan solusi
JST terhadap suatu permasalahan.
Beberapa arsitektur jaringan yang sering digunakan dalam Jaringan Saraf
Tiruan antara lain:
1. Jaringan Lapisan Tunggal
Jaringan lapisan tunggal terdiri dari 1 lapisan input dan 1 lapisan output. Setiap
unit dalam lapisan input selalu terhubung dengan setiap unit yang terdapat pada
lapisan output. Jaringan ini menerima input kemudian mengolahnya menjadi
output tanpa melewati lapisan tersembunyi. Contoh JST yang menggunakan

jaringan lapisan tunggal adalah ADALINE, Hopfield, dan Perceptron.

Gambar 2.3 Jaringan Saraf dengan Lapisan Tunggal

Universitas Sumatera Utara

13

2. Jaringan Lapisan Banyak
Jaringan lapisan banyak mempunyai 3 jenis lapisan, yaitu lapisan input, lapisan
tersembunyi, dan lapisan output. Jaringan ini dapat menyelesaikan permasalahan
yang lebih kompleks dibandingkan dengan jaringan lapisan tunggal.Contoh JST
yang

menggunakan

jaringan

lapisan

banyak

adalah

MADALINE,

Backpropagation, dan Neocogniton.

Gambar 2.4 Jaringan Saraf dengaan Lapisan Banyak
Lapisan input memiliki 3 unit neuron, yaitu x1 , x2 , dan x3 yang terhubung
langsung dengan lapisan tersembunyi yang memiliki 2 unit neuron tersembunyi,
yaitu z1 dan z2 . Hubungan neuron-neuron pada lapisan input dan lapisan output
tersebut ditentukan oleh bobot v11 , v12 , v21 , v22 , v31 , dan v32 . Kemudian, 2 unit
neuron tersembunyi z1 dan z2 terhubung langsung dengan lapisan output yang

memiliki 1 unit neuron Y yang besarnya ditentukan oleh bobot w1 dan w2 . w2

2.2.6

Fungsi Aktivasiatau Fungsi Transfer

Dalam Jaringan Saraf Tiruan terdapat fungsi aktivasi.Fungsi ini adalah fungsi umum
yang akan digunakan untuk membawa input menuju output yang diinginkan. Fungsi
inilah yang akan menentukan besarnya bobot. Beberapa fungsi aktivasi yang sering
digunakan dalam JST adalah.

Universitas Sumatera Utara

14

4. Fungsi Sigmoid Biner
Biasanya fungsi ini digunakan untuk JST yang dilatih menggunakan metode
Backpropagation.JST yang membutuhkan nilai output yang terletak pada interval

0 sampai 1 sering kali menggunakan fungsi sigmoid biner karena fungsi ini
memiliki nilai pada range 0 sampai 1.Secara matematis, fungsi sigmoid biner
dituliskan sebagai berikut.
f  x 

1
, dengan turunan f '  x  f  x 1  f  x  .
1  e- x

Gambar 2.5Fungsi Sigmoid Biner

5. Fungsi Sigmoid Bipolar
Output dari fungsi sigmoid bipolar memiliki range antara 1 sampai -1. Secara
matematis, fungsi sigmoid bipolar dirumuskan sebagai berikut
y  f  x 

1  e x

, dengan turunan f '  x   1  f  x   1  f  x 
x
1 e
2

Universitas Sumatera Utara

15

Gambar 2.6Fungsi Sigmoid Bipolar

6. Fungsi Hyperbolic Tangent
Fungsi ini hamper sama dengan fungsi Sigmoid Bipolar . Keduanya memiliki
range antara -1 sampai 1. Secara matematis, fungsi hyperbolic tangent dituliskan

sebagai berikut.
y  f  x 

e x  e x
1  e 2 x
y
f
x


atau
,


1  e 2 x
e x  e x

dengan turunan f '  x  1  f  x 1  f  x

2.3 Algoritma Pembelajaran Backpropagation

Algoritma pembelajaran Backpropagation atau ada yang menterjemahkannya menjadi
propagasibalik, pertama kali dirumuskan oleh Werbos dan dipopulerkan oleh
Rumelhart dan McClelland untuk dipakai pada JST. Algoritma ini termasuk metode
pembelajaran supervised dan didesain untuk operasi pada jaringan feed forward multi
lapis.
Metode Backpropagation ini banyak diaplikasikan secara luas. Sekitar 90%
bahkan lebih Backpropagation telah berhasil diaplikasikan di berbagai bidang,
diantaranya diterapkan di bidang financial, pengenalan pola tulisan tangan,

Universitas Sumatera Utara

16

pengenalan pola suara, sistem kendali, pengolahan citra medika, dan masih banyak
lagi keberhasilan Backpropagation sebagai salah satu metode komputasi yang handal.
Algoritma ini juga banyak dipakai pada aplikasi pengaturan karena proses
pelatihannya didasarkan pada hubungan yang sederhana, yaitu: Jika keluaran
memberikan hasil yang salah, maka penimbang (Weight) dikoreksi supaya galatnya
dapat diperkecil dan respon jaringan selanjutnya diharapkan akan lebih mendekati
harga yang benar. Backpropagation juga berkemampuan untuk memperbaiki
penimbang pada lapisan tersembunyi (hidden layer ).
Secara garis besar, mengapa algoritma ini disebut sebagai propagasi balik,
dapat dideskripsikan sebagai berikut: Ketika Jaringan diberikan pola masukan sebagai
pola pelatihan maka pola tersebut menuju ke unit-unit pada lapisan tersembunyi untuk
diteruskan ke unit-unit lapisan keluaran. Kemudian unit-unit lapisan keluaran
memberikan tanggapan yang disebut sebagai keluaran jaringan. Saat keluaran jaringan
tidak sama dengan keluaran yang diharapkan maka keluaran akan menyebar mundur
(backward) pada lapisan tersembunyi diteruskan ke unit pada lapisan masukan. Oleh
karenanya maka pelatihan tersebut dinamakan Backpropagation atau propagasi balik.

Gambar 2.7Alur kerja pelatihan Backpropagation

Tahap pelatihan ini merupakan langkah bagaimana suatu jaringan saraf itu
berlatih, yaitu dengan cara melakukan perubahan penimbang (sambungan antar
lapisan yang membentuk jaringan yang melalui masing-masing unitnya). Sedangkan
pemecahan masalah baru akan dilakukan jika proses pelatihan tersebut selesai, fase
tersebut adalah fase mapping atau proses pengujian/testing.
Algoritma pelatihanBackpropagation terdiri atas tiga tahap.Tahap pertama
adalah tahap Feedforward.Pola masukan dihitung maju mulai dari layar masukan
hingga layar keluaran menggunakan fungsi aktivasi yang ditentukan.Tahap kedua

Universitas Sumatera Utara

17

adalah tahapBackpropagation.Selisih antara keluaran jaringan dengan target yang
diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan
mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di layar
keluaran. Tahap ketiga adalah tahap pembaharuan nilai bobot dan bias untuk
menurunkan kesalahan yang terjadi.

Gambar 2.8Backpropagation dengan satu lapisan tersembunyi

Untuk jelasnya dapat dijelaskan rinciannya sebagai berikut:

Langkah 1:
Pemberian inisialisasi penimbang (diberi nilai kecil secara acak).Tentukan juga
maksimal epoch (bila digunakan sebagai kondisi berhenti) dan/atau target error (bila
digunakan sebagai kondisi berhenti).

Langkah 2:
Ulangi langkah 3 hingga 10 sampai kondisi berhenti terpenuhi.

Langkah 3:
Untuk setiap pasangan pelatihan (training data) lakukan langkah 4 hingga 9.

Universitas Sumatera Utara

18

Tahap Feedforward

Langkah 4:
Masing-masing unit masukan

 j  0,1, 2,..., n  menerima

sinyal masukan Xi dan

sinyal tersebut disebarkan ke unit-unit bagian berikutnya (unit-unit lapisan
tersembunyi).

Langkah 5:
Masing-masing unit di lapisan tersembunyi dikalikan dengan faktor penimbang dan
dijumlahkan serta ditambah dengan biasnya:

Z _ in j  V0 j   XiVij
n

i 1





Kemudian menghitung sesuai dengan fungsi aktifasi yang digunakan:
Z j  f Z _ in j

Bila yang digunakan adalah fungsi sigmoid maka bentuk fungsi tersebut adalah:
Zj 

1
  Z _ in j 
1  exp

Kemudian mengirim sinyal tersebut ke semua unit keluaran.
Masing-masing unit keluaran  yk , k  1, 2,3,..., m dikalikan dengan faktor penimbang
Langkah6:

dan dijumlahkan:

Y _ ink  W0 k   Z jWjk
p

j 1

yk  f  y _ ink 

Menghitung kembali sesuai dengan fungsi aktifasi:

Tahap Backpropagation
Masing-masing unit keluaran Yk , k  1, 2,3,..., m menerima pola target sesuai dengan
Langkah 7:

pola masukan saat pelatihan/training dan dihitung galatnya:

Universitas Sumatera Utara

19

 k   tk  yk  f '  y _ ink 

karena f '  y _ ink   yk menggunakan fungsi sigmoid, maka:

f  y _ ink   f  y _ ink  1  f  y _ ink  

 yk 1  yk 

Menghitung perbaikan faktor penimbang (kemudian untuk memperbaiki w jk ).
Wkj   k Z j

Menghitung perbaikan koreksi:

W0k   k

dan menggunakan nilai  k pada semua unit lapisan sebelumnya.

Langkah 8:

 Z , j  1, 2,3,..., p 

Masing-masing penimbang yang menghubungkan unit-unit lapisan keluaran dengan
unit-unit pada lapisan tersembunyi

j

dikalikan delta dan

dijumlahkan sebagai masukan ke unit-unit lapisan berikutnya.

 _ in j    kWjk
m

k 1

 j   _ in j f '  y _ in j 

Selanjutnya dikalikan dengan turunan dari fungsi aktifasinya untuk menghitung galat.

Kemudian menghitung perbaikan penimbang (digunakan untuk memperbaiki Vij ).
Vij   j Xi

Kemudian menghitung perbaikan bias (untuk memperbaiki v0 j ).
V0 j   j

Memperbaiki penimbang dan bias
Masing-masing keluaran unit  yk , k  1, 2,3,..., m diperbaiki bias dan penimbangnya
Langkah 9:

 j  0,1, 2,..., p  ,

Wjk  baru   Wjk  lama   Wjk

Universitas Sumatera Utara

20

masing-masing

unit

tersembunyi

penimbangnya  j  0,1, 2,..., n  .

 Z , j  1, 2,3,..., p 
j

diperbaiki

bias

dan

Vjk  baru   Vjk  lama   Vjk

Langkah 10:
Uji kondisi pemberhentian (akhir iterasi).

Daftar Notasi:

Xp

= pola masukan pelatihan ke - p , p  1, 2,..., p  1 .

Xp

= ( X1 , X2 , X3 ,..., Xn )

tp

= pola keluaran target dari pelatihan

tp

= (t1 , t2 , t3 ,..., t n )

Xi

= unit ke- i pada lapisan masukan

xi

= nilai aktifasi dari unit Xi

Zj

= unit ke- j pada lapisan tersembunyi

Z _ in j = net keluaran untuk unit Z j
Zj

= nilai aktifasi dari unit Z j

Yk

= unit ke- k pada lapisan keluaran

Y _ ink = net masukan untuk unit Yk
Yk

= nilai aktifasi dari unit Yk

Wk 0

= nilai penimbang sambungan pada bias untuk unit Yk

Wkj

Wkj

= nilai penimbang sambungan dari Zij ke unit Yk

= selisih antara Wkj  t  dengan Wkj  t  1

Vi 0

= nilai penimbang sambungan pada bias untuk unit Zi

Vij

= nilai penimbang sambungan dari unit Xi ke unit Zi

k

= faktor pengaturan nilai penimbang sambungan pada lapisan keluaran

Wij

j

= selisih antara Vij  t  dengan Vij  t  1

= faktor pengaturan nilai penimbang sambungan pada lapisan tersembunyi

Universitas Sumatera Utara

21



= konstanta laju pelatihan (learning rate) 0    1

E

= total galat

2.4 Java
Java

merupakan

pemrograman

yang

menanjak

popularitasnya

pada

masa

sekarang.Selain gratis, java mudah didapatkan dan juga tangguh. Java sendiri lahir
pada tahun 1991 yang diprakarsai oleh tim Sun melalui proyek bernama green yang
dipimpin oleh James Gosling.
Java merupakan fitur-fitur dari bahasa pemrograman yang lain, dimana fitur
itu dianggap merupakan suatu kelebihan oleh tim sun. Misalnya JVM/JRE yang
merupakan mesin maya pada bahasa pascal, sintaks, dan Exception Handling diambil
dari C/C++ dan lain sebagainya. Java Virtual Machine (JVM) atau Java Runtime
Environment (JRE) merupakan fitur Java yang membuatnya dapat berjalan pada
semua platform sistem operasi.Apabila anda membuat Java pada Windows, anda
dapat menjalankannya pada sistem operasi Linux, Mc OS, dll.
Kelebihan utama lainnya dapat dijalankan di beberapa platform atau sistem
komputer yang mempunyai prinsip ‘write once, run everywhere’ , mempunyai
perpustakaan kelas yang lengkap dan berorientasi objek yang artinya semua aspek di
Java merupakan objek.

Gambar 2.9 Tampilan JCreator 4.50 Pro

Universitas Sumatera Utara