31 Gambar 2.4 adalah jaringan dengan neuron input
, , … ,
�
, layar tersembunyi yang terdiri dari r neuron
� , � , … , � dan m neuron output , , … ,
. Jaringan ini dapat menyelesaikan masalah yang lebih kompleks dibandingkan dengan layar tunggal, meskipun kadangkala proses pelatihan lebih
kompleks dan lama. c.
Jaringan Layar Kompetitif competitive layer network Arsitektur
ini memiliki
bentuk yang
berbeda, dimana
antar neuron dapat saling dihubungkan. Jaringan layar kompetitif memiliki bobot
– �. Gambar 2.5 merupakan salah satu contoh arsitektur ini.
Gambar 2. 5 Jaringan Layar Kompetitif
2. Fungsi Aktivasi
Fungsi aktivasi akan menentukan output suatu neuron yang akan dikirim ke neuron lain Fausett, 1994: 17. Fungsi aktivasi digunakan untuk menentukan
output suatu neuron. Gambar 2.10 menunjukkan neural network dengan fungsi aktivasi F.
32
Gambar 2. 6 Fungsi Aktivasi pada Neural Network Sederhana
, , … ,
�
adalah neuron
yang masing-masing
memiliki bobot
, , … ,
�
dan bobot bias pada lapisan input. Berikut merupakan beberapa fungsi aktivasi Neural Network menurut
Fausett 1994: 17-19: a.
Fungsi Linear Fungsi Linear dirumuskan sebagai:
= + ,
�. Jika = dan = , maka
= , �
2.9 Persamaan 2.9 disebut fungsi identitas. Pada fungsi identitas, nilai output
yang dihasilkan sama dengan nilai inputnya. Berikut merupakan gambar untuk fungsi aktivasi identitas.
Gambar 2. 7 Fungsi Aktivasi Identitas
b y
⋮
�
Σ
F
33 b.
Fungsi Undak Biner Binary Step Jaringan dengan lapisan tunggal sering menggunakan fungsi undak biner
step function untuk mengkonversikan input dari suatu variabel yang bernilai kontinu ke suatu output biner 0 atau 1. Fungsi undak biner dirumuskan sebagai
berikut. = { ,
, 2.10
Fungsi aktivasi undak biner ditunjukkan pada Gambar 2.8 berikut.
Gambar 2. 8 Fungsi Aktivasi Undak Biner
c. Fungsi Sigmoid Biner
Fungsi ini digunakan untuk neural network yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid biner memiliki nilai pada
range 0 sampai 1, sehingga sering digunakan untuk neural network yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun, fungsi
ini bisa juga digunakan oleh neural network yang nilai outputnya 0 atau 1. Fungsi sigmoid biner dirumuskan sebagai berikut:
= =
+
−��
2.11 dengan
′
= � [ −
]
34 Fungsi aktivasi sigmoid biner ditunjukkan pada Gambar 2.9 berikut.
Gambar 2. 9 Fungsi Aktivasi Sigmoid Biner
d. Fungsi Sigmoid Bipolar
Fungsi sigmoid bipolar berkaitan dengan fungsi tangen hiperbolik yang sering digunakan sebagai fungsi aktivasi ketika nilai output yang dibutuhkan
terletak pada interval -1 sampai 1. Fungsi sigmoid bipolar dirumuskan sebagai berikut.
= =
−
−��
+
−��
2.12 dengan
′
=
�
[ + ][ −
]
Fungsi aktivasi sigmoid bipolar dengan � = ditunjukkan pada Gambar 2.10
berikut.
Gambar 2. 10 Fungsi Aktivasi Sigmoid Bipolar
35
3. Algoritma Pembelajaran