Gambar 2.1 memperlihatkan bahwa Neural Network terdiri dari satuan-satuan pemroses berupa neuron. Y sebagai output menerima input dari x
1
, x
2
, x
3
,…….x
n
dengan bobot W
1
, W
2
, W
3
,……..W
n
. Hasil penjumlahan seluruh impuls neuron dibandingkan dengan nilai ambang tertentu melalui fungsi aktivasi f setiap neuron.
2.1.1 Fungsi Aktivasi
Fungsi aktivasi adalah salah satu parameter yang terpenting dalam jaringan syaraf tiruan. fungsi ini tidak hanya menentukan keputusan garis, disamping nilai fungsi
aktivasi juga menunjukkan total signal dari node. Oleh karena pemilihan fungsi aktivasi tidak dapat secara sembarangan dipilih sebab sangat besar berdampak pada
performan jaringan syaraf tiruan. Ada beberapa fungsi aktivasi yang sering digunakan dalam syaraf tiruan, antara lain :
a. Fungsi Linear Fungsi linear ditunjukkan oleh gambar 2.2 menyiapkan output tang
seimbang untuk total bobot output. y = fx = x
2.1
Gambar 2.2 Fungsi Linear b. Fungsi Threshold
Fungsi threshold memetakan bobot input dengan nilai biner [0,1] seperti yang ditunjukkan dengan gambar 2.3 dimana :
Y 1
X -
1 -
1 1
Universita Sumatera Utara
y=fx= 1
2.2
Gambar 2.3 Fungsi Theshold
c. Fungsi Piecewise Linear Fungsi piecewise linear dapat juga ruang lingkup biner atau bipolar untuk
batas saturasi output. fungsi output dapat ditulis sebagai berikut : = =
0.5 0.5
0.5 0.5
0.5 0.5
2.3
Gambar 2.4 Fungsi Piecewise Linear
d. Fungsi Sigmoid
Ini type fungsi aktivasi yang mempunyai Garis S-shaped dan bentuk distribusi perubahan sigmois input dimana mempunyai nilai interval [-∞, ∞]
= = 2.4
Y 1
X
Universita Sumatera Utara
Gambar 2.5 Fungsi sigmoid
2.1.2 Multi Layer Perceptron
MLP juga dikenal setara Multilayer Feedforward Neural Network MLFNN adalah salah satu yang paling terkenal dan banyak digunakan sebagai type model ANN oleh
karena arsitektur dan perbandingan algoritma yang sederhana Popescu et al., 2009. Dapat juga digunakan sebagai fungsi pembangkit secara menyeluruh, bahkan cocok
digunakan untuk jenis aplikasi yang besar.
Gambar 2.6 Multi layer Perceptron Popescu et al., 2009
Multi layer perceptron tersusun oleh seperangkat sensor moder yang dikelompokkan dalam tiga tingkatan lapisan yang terdiri dari lapisan modul
masukan, satu atau lebih perantara atau lapisan tersembunyi dari modul perhitungan dan lapisan keluaran modul yang mengkalkulasikan keluaran dari jaringan. semua
Universita Sumatera Utara
lapisan berurutan terhubung secara lengkap. hubungan antara modul berbatasan lapisan relay sinyal keluaran dari satu lapisan ke berikutnya. Sebagai contoh, gambar
diatas mempunyai 4 vektor dimensi, diikuti oleh 3 lapisan tersembunyi dan yang terakhir lapisan keluaran dimana terdiri dari 1 modul. jaringan ANN disebut dengan
sebagai jaringan 4-3-1. Jaringan saraf tiruan juga memiliki sejumlah besar kelebihan dibandingkan
dengan metoda perhitungan lainnya sistem pakar, statistik, dll, yaitu : 1.
kemampuan mengakuisisi pengetahuan walaupun dalam kondisi adanya gangguan dan ketidakpastian. Hal ini dikarenakan JST mampu melakukan
generalisasi, abstraksi, dan ekstrasi terhadap properti statistik dari data. 2.
Kemampuan merepresentasikan pengetahuan secara fleksibel. JST dapat menciptakan sendiri representasi melalui pengaturan diri sendiri atau
kemampuan belajar self organizing. 3.
Kemampuan mentolerir suatu distorsi errorfault . Dimana gangguan kecil pada data dapat dianggap hanya noise guncangan belaka.
4. Kemampuan memproses pengetahuan secara efisien karena memakai sistem
paralel, maka waktu yang diperlukan untuk mengoperasikannya menjadi lebih singkat.
5. Kemampuan untuk memperoleh pengetahuan melalui pembelajaran dari
pengalaman. Walaupun dengan segudang kelebihan yang dimiliki, jaringan saraf tiruan
tetap mempunyai sejumlah keterbatasan. Misal : Kekurangmampuannya dalam melakukan operasi-operasi numerik dengan presisi tinggi, operasi algoritma
aritmatik, operasi logika, dan operasi simbolis serta lamanya proses pelatihan yang kadang-kadang membutuhkan waktu berhari-hari untuk jumlah data yang besar. Hal
itu terjadi karena sulitnya mengukur performansi sebenarnya dari jaringan saraf tiruan itu sendiri.
Saat ini implementasi jaringan saraf tiruan sudah cukup luas digunakan mulai dari teknologi militer, satelit ruang angkasa, bisnis dan kesehatan.
Universita Sumatera Utara
2.2 Algoritma Backpropagation