27
biner
karena
output
dari ANN adalah derajat keanggotaan dengan interval [0,1]. Fungsi
sigmoid biner
memiliki nilai pada interval 0 sampai 1. Pada
toolbox
MATLAB fungsi ini dikenal dengan
logsig
dan syntaxnya: =
� �. Fungsi
sigmoid biner
dirumuskan sebagai berikut
= � =
1 1+
−��
2.23 Grafik fungsi
sigmoid biner
ditunjukkan pada Gambar 2.3.
Gambar 2.3 Fungsi
Sigmoid Biner
2. Arsitektur
Artificial Neural Network
Beberapa arsitektur
neural network
yang sering dipakai dalam ANN antara lain Fausett, 1994: 12-15
a. Jaringan dengan Lapisan Tunggal
Single Layer Network Single layer network
hanya terdiri dari lapisan
input
yang langsung terhubung ke lapisan
output
dan tidak ada lapisan yang tersembunyi. Jaringan ini hanya menerima
input
kemudian secara langsung akan mengolahnya menjadi
output
tanpa harus melalui lapisan tersembunyi.
Single layer network
adalah jaringan umpan maju
feedforwa rd
. Gambar 2.4 merupakan arsitektur s
ingle layer network
.
28 lapisan
input
bobot lapisan
output
Gambar 2.4 Arsitektur
Single Layer Network
Pada gambar 2.4 diperlihatkan arsitektur s
ingle layer network
dengan n neuron
input
�
1
, �
2
, … , � , dan m neuron
output
1
,
2
, … ,
. adalah bobot yang menghubungkan neuron
input
ke-n dengan neuron
output
ke-m. Selama proses pelatihan bobot-bobot tersebut akan dimodifikasi untuk meningkatkan keakuratan hasil.
b. Jaringan dengan Lapisan Jamak
Multi Layer Network Multi layer network
dikembangkan dari
single la yer network
dengan menambah satu atau lebih lapisan tersembunyi.
Multi layer network
dapat menyelesaikan permasalahan yang lebih kompleks daripada
single layer network
tetapi proses pelatihannya lebih rumit. Gambar 2.5 merupakan arsitektur
multi layer network
dengan satu lapisan tersembunyi.
2 22
1 2
21 1
12 11
2
�
2
�
1 1
�
29 -
η -
η
- η
- η
- η
- η
A
1
A
i
A
j
A
m
Lapisan
input
lapisan tersembunyi lapisan
output
Gambar 2.5 Arsitektur
Multi Layer Network
Gambar 2.5 memperlihatkan arsitektur
multi layer network
dengan n neuron
input
�
1
, �
2
, … , � , sebuah lapisan tersembunyi yang terdiri dari p
neuron pada lapisan tersembunyi
1
,
2
, … ,
�
, dan m neuron
output
1
,
2
, … ,
. c.
Jaringan dengan Lapisan Kompetitif
Competitive Layer Network Competitive layer network
memiliki arsitektur yang berbeda dari s
ingle layer network
dan
multi layer network
, yaitu antar neuron dapat saling dihubungkan.
Competitive layer network
memiliki bobot –η. Gambar 2.6
merupakan arsitektur
competitive layer network
.
Gambar 2.6 Arsitektur
Competitive Layer Network
11 1
�
� �2
�1 1
12 11
2 �
� 1
21
2 1
1
�
�
2
�
1
�
