15 Gambar 9. Fungsi aktivasi Logsig Mathworks Online 2010
algoritma dari fungsi ini adalah:
Selain memiliki komponen khusus dan fungsi aktivasi, Jaringan Syaraf Tiruan juga tersusun dengan pola keterkaitan antar layer yang spesifik, keterkaitan ini disebut net architecture. Arsitektur
jaringan syaraf tiruan diklasifikasikan sebagai single layer, multilayer dan competitive layer. Untuk menentukan banyak layer yang digunakan, input layer tidak diikutsertakan sebagai layer yang
digunakan. Banyaknya layer yang disertakan dalam jaringan syaraf tiruan menunjukkan banyaknya nilai bobot yang berhubungan antar layer tersebut, karena itu nilai bobot merupakan hal yang penting
dalam jaringan syaraf tiruan. Perbedaan antara single layer, multilayer dan competitive layer adalah sebagai berikut :
1. Single layer net
Single layer net mempunyai satu layer untuk menghubungkan nilai bobotnya.
Neuron input langsung berhubungan dengan neuron output. Jaringan ini hanya menerima
informasi dan langsung mengolahnya menjadi output tanpa melalui hidden layer. Ciri-ciri yang dimiliki single layer net ini hanya mempunyai satu layer input dan satu layer output.
2. Multilayer net
Multilayer net adalah jaringan yang mempunyai tambahan satu layer atau lebih
hidden neuron diantara layer input dan output. Jaringan dengan banyak layer ini dapat menyelesaikan permasalahan yang lebih rumit dibandingkan jaringan dengan satu layer.
3. Competitive layer net
Competitive layer net terdiri dari dua atau lebih jaringan syaraf tiruan. Arsitektur
jaringan ini bisa menghubungkan satu neuron dengan neuron lainnya Pusparianti 2008.
2.6 Algoritma Pembelajaran Propagasi Balik
Jaringan syaraf tiruan propagasi balik Backropagation pertama kali diperkenalkan oleh Rumelhart, Hinton dan William pada tahun 1986, kemudian Rumehart dan Mc Clelland
mengembangkan pada tahun 1988. Jaringan syaraf tiruan ini tersusun atas sekumpulan elemen pemroses neuron atau simpul atau sel yang terinterkoneksi dan terorganisasi dalam lapisan-lapisan.
Arsitektur JST propagasi balik merupakan jaringan perseptron lapis jamak multiplayer. JST ini
t s
m d
b l
y a
j terdiri atas lap
output layer Pada
secara dinamis mengindikasik
dasarnya terdap 1.
Super sepasa
didasa denga
Nilai contoh
2. Unsup
pelati serupa
pembe nilai i
Jaring supervised lea
banyak lapisan lapisan tersemb
yang rumit de aplikasi, tetapi
jaringan backp
Gambar 10. pisan masukan
Rich dan Kev saat pembelaja
s hingga menc kan bahwa tiap
pat dua metode rvised learning
Supervised ang kumpulan
arkan pada per an targetnya.
Disebut me bobot sudah d
h pembelajaran pervised learni
Unsupervis han tanpa vek
a dikelompokk Tujuan dar
elajaran ini tid input yang seru
gan Syaraf Pr arning
dalam n untuk mengu
bunyi. Multilay ngan akurasi y
i satu hidden propagation
de
Topologi arsit n input layer,
vin 1991. aran dilakukan
capai suatu nil p-tiap input te
e pembelajaran g
learning meru
n vektor, yait rbandingan an
etode pembelaj disesuaikan me
n ini adalah kla ing
sed learning m
ktor target. JST kan dan diklasi
ri pembelajara dak memerluka
upa akan dikate ropagasi balik
m jaringan syar ubah bobot-bob
yer net dengan
yang cukup. L layer
sudah m engan dua lapis
tektur backprop ,
lapisan tersem n pada input y
lai yang cukup elah berhubun
n yaitu : upakan suatu m
tu vektor pela ntara vektor pe
jaran terawasi enurut algoritm
asifikasi. merupakan self-
T memodifika ifikasikan ke da
an ini adalah m an target output
egorikan sebag merupakan s
raf tiruan dan bot yang terhu
n satu atau leb Lebih dari satu
mencukupi me san tersembuny
pagation denga
mbunyi hidde yang berbeda,
p seimbang. A ngan dengan o
metode penent atihan dan ve
elatihan dan tar jika output ya
ma pembelajara
organizing JST
asi bobot sehin alam suatu uni
mengelompoka t. Jaringan ini m
gai output yang salah satu alg
biasanya digu ubung dengan
ih hidden layer u hidden layer
etode pembelaj yi disajikan pad
an dua lapisan en layer
dan maka nilai bo
Apabila nilai in output yang d
tuan bobot yan ektor target. P
rget sampai ou ang diharapkan
an yang ditentu
T, artinya men ngga vektor-ve
it output yang s an input yang
mengubah nila g sama dan kon
oritma pembe unakan oleh pe
neuron-neuron r
dapat memp akan berguna
jaran. Topolog da Gambar 10.
tersembunyi F lapisan keluar
obot akan diub ni telah tercap
diharapkan. Pa
ng menggunak Penentuan bob
utput JST sesu n telah diketahu
ukan. Salah sa
ggunakan vekt ektor input yan
sama. serupa. Meto
ai bobot sehing nsisten.
elajaran terawa ercepton deng
n yang ada pa pelajari pemeta
a untuk bebera gi arsitektur da
Fausset 1994.
16 ran
bah pai
ada
kan bot
uai ui.
atu
tor ng
ode gga
asi gan
ada aan
apa ari
17 Pada gambar tersebut, terdapat lapisan masukan input layer X
i
, lapisan keluaran output layer
Y
k
dan dua lapisan tersembunyi hidden layer Z dan ZZ. Bias untuk suatu unit Y
k
, diberikan oleh w
ok
. Bias pada lapisan tersembunyi Z
k
dinyatakan dengan u
ok
dan bias pada lapisan tersembunyi ZZ
j
dinyatakan dengan v
oj
. Bias ini bertindak seolah sebagai bobot pada koneksi yang berasal dari suatu unit atau neuron yang keluarannya selalu 1. Aliran sinyal pada gambar dinyatakan dengan arah
panah. Sedangkan pada fase propagasi balik, sinyal dikirim pada arah berawanan. Algoritma Backpropagation
menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur backward. Untuk mendapatkan error ini, tahap forward propagation harus dikerjakan
terlebih dahulu. Pada saat forward propagation, neuron-neuron diaktifkan dengan menggunakan fungsi aktivasi yang dapat dideferensiasikan. Algoritma dasar backpropagation memiliki tiga fase :
1. Fase feedforward pola input pembelajaran atau pelatihan
2. Fase kalkulasi dan backpropagation error yang didapat
3. Fase penyesuaian bobot
Seperti halnya jaringan syaraf yang lain, pada jaringan feedforward pelatihan dilakukan dalam rangka melakukan pengaturan bobot, sehingga pada akhir pelatihan akan diperoleh bobot-bobot
yang baik. Selama proses pelatihan, bobot-bobot diatur secara iteratif untuk meminimumkan fungsi kinerja jaringan. Fungsi kinerja yang sering digunakan untuk backpropagation adalah Mean Square
Error MSE. Fungsi ini akan mengambil rata-rata kuadrat error yang terjadi antara output jaringan
dan target.
2.7 Persiapan Data dalam Analisis Data Jaringan Syaraf
