Beberapa fungsi aktivasi yang sering dipakai adalah sebagai berikut: a. Fungsi Treshold batas ambang
2.43
Dalam beberapa kasus, fungsi threshold yang dibuat tidak berharga 0 atau 1, tapi berharga -1 atau 1 sering dibuat threshold bipolar.
2.44
b. Fungsi Sigmoid
2.45 Fungsi sigmoid sering dipakai karena nilai fungsinya yang terletak antara
0 dan 1 dan dapat digunakan dengan mudah.
2.46
c. Fungsi Identitas 2.47
Fungsi ini sering dipakai apabila diharapkan keluaran jaringan berupa sembarang bilangan riil bukan hanya pada range [0,1] atau [1,-1].
2.6.3 Algoritma Belajar dan Pelatihan
Dalam jaringan saraf tiruan terdapat konsep belajar atau pelatihan sehingga jaringan-jaringan yang dibentuk akan belajar melakukan generalisasi karakteristik
tingkah laku objek. Menurut Kusumasewi 2004, pelatihan dilakukan dalam
rangka melakukan pengaturan bobot, sehingga pada akhir pelatihan akan diperoleh bobot-bobot yang baik.
Dalam menyelesaikan suatu permasalahan, jaringan saraf tiruan memerlukan algoritma belajar atau pelatihan yaitu bagaimana sebuah konfigurasi
jaringan dapat dilatih untuk mempelajari data historis yang ada. Dengan pelatihan ini, pengetahuan yang terdapat pada data dapat diserap dan direpresentasikan oleh
nilai-nilai bobot koneksinya.
Berdasarkan cara modifikasi bobotnya, ada dua macam pelatihan yang dikenal, Siang 2005 yaitu sebagai berikut:
1. Pelatihan Dengan Supervisi Supervised Training Dalam pelatihan dengan supervisi, terdapat sejumlah pasangan data
masukan, target, dan keluaran yang dipakai untuk melatih jaringan hingga diperoleh bobot yang diinginkan. Pada setiap pelatihan, suatu
masukan diberikan ke jaringan. Jaringan akan memproses dan mengeluarkan keluaran. Selisih antara keluaran jaringan dengan target
keluaran yang diinginkan merupakan kesalahan yang terjadi. Jaringan akan memodifikasi bobot sesuai dengan kesalahan tersebut.
2. Pelatihan Tanpa Supervisi unsupervised Training Dalam pelatihannya, perubahan bobot jaringan dilakukan berdasarkan
parameter tertentu dan jaringan dimodifikasi menurut ukuran parameter tersebut. Model yang menggunakan pelatihan ini adalah model jaringan
kompetitif.
2.6.4 Backpropagation
Backpropagation adalah salah satu metode dari jaringan saraf tiruan yang dapat diaplikasikan dengan baik dalam bidang peramalan forecasting.
Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan mengenali pola yang digunakan selama training serta
kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa namun tidak sama dengan pola yang dipakai selama
pelatihan Siang, 2005.
Menurut Siang 2005 terdapat tiga fase dalam pelatihan Backpropagation yaitu :
1. Fase 1, yaitu propagasi maju Dalam propagasi maju, setiap sinyal masukan dipropagasi dihitung
maju ke layar tersembunyi hingga layar keluaran dengan menggunakan fungsi aktivasi yang ditentukan.
2. Fase 2, yaitu propagasi mundur Kesalahan selisih antara keluaran jaringan dengan target yang
diinginkan yang terjadi dipropagasi mundur mulai dari garis yang berhubungan langsung dengan unit-unit di layar keluaran.
3. Fase 3, yaitu perubahan bobot Pada fase ini dilakukan modifikasi bobot untuk menurunkan kesalahan
yang terjadi. Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi.
Algoritma pelatihan untuk jaringan dengan satu layar tersembunyi dengan fungsi aktivasi sigmoid biner adalah sebagai berikut :
Langkah 1 : Inisialisasi semua bobot dengan bilangan acak kecil.
Langkah 2 : Jika kondisi penghentian belum terpenuhi, lakukan langkah 2
sampai langkah 9.
Langkah 3 : Untuk setiap pasang data pelatihan lakukan langkah 3 sampai
langkah 8.
Fase I : Propagasi maju
Langkah 4 : Tiap unit masukan menerima sinyal dan meneruskannya ke
unit tersembunyi di atasnya.
Langkah 5 : Hitung semua keluaran di unit tersembunyi
. 2.48
2.49
Langkah 6 : Hitung semua keluaran jaringan di unit
2.50 2.51
Fase II : Propagasi mundur
Langkah 7 : Hitung faktor unit keluaran berdasarkan kesalahan disetiap
unit keluaran 2.52
merupakan unit kesalahan yang akan diperbaiki dalam perubahan bobot layar di bawahnya langkah 7.
Hitung suku perubahan bobot yang akan dipakai nanti
untuk merubah bobot dengan laju percepatan
Langkah 8 : Hitung faktor unit tersembunyi berdasarkan kesalahan di
setiap unit tersembunyi 2.53
Faktor unit tersembunyi : 2.54
Hitung suku perubahan bobot yang akan dipakai nanti
untuk merubah bobot
Fase III : Perubahan bobot
Langkah 9 : Hitung semua perubahan
Perubahan bobot garis yang menuju unit keluaran:
Perubahan bobot garis yang menuju unit tersembunyi :
Langkah 10 : Setelah diperoleh bobot yang baru dari hasil perubahan
bobot, fase pertama dilakukan kembali kemudian dibandingkan hasil keluaran dengan target apabila hasil
keluaran telah sama dengan target dan toleransi error maka proses dihentikan.
Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk pengenalan pola. Dalam hal ini, hanya propagasi maju langkah 4 dan 5 saja yang
dipakai untuk menentukan keluaran jaringan.
Dalam beberapa kasus pelatihan yang dilakukan memerlukan iterasi yang banyak sehingga membuat proses pelatihan menjadi lama. Untuk mempercepat
iterasi dapat dilakukan dengan p arameter α atau laju pemahaman. Nilai α terletak
antara 0 dan 1 0 ≤ α ≤ 1. Jika harga α semakin besar, maka iterasi yang dipakai semakin sedikit. Akan tetapi ji
ka harga α terlalu besar, maka akan merusak pola yang sudah benar sehingga pemahaman menjadi lambat.
Proses pelatihan yang baik dipengaruhi pada pemilihan bobot awal, karena bobot awal sangat mempengaruhi apakah jaringan mencapai titik minimum lokal
atau global, dan seberapa cepat konvergensinya. Oleh karena itu dalam standar Backpropagation, bobot dan bias diisi dengan bilangan acak kecil dan biasanya
bobot awal diinisialisasi secara random dengan nilai antara -0,5 sampai 0,5 atau -1 sampai 1 atau interval yang lainnya.
2.6.5 Momentum