x
1
x
2
x
3
Y
W
1
W
2
W
3
Gambar 2.1. Sebuah Sel Saraf Tiruan
Y menerima input dari neuron x
1
, x
2
, dan x
3
dengan bobot hubungan masing-masing adalah w
1
, w
2
dan w
3
. Ketiga impuls neuron yang ada dijumlahkan net = x
1
w
1
+ x
2
w
2
+x
3
w
3
. Besarnya impuls yang diterima oleh Y mengikuti fungsi aktivasi y = fnet. Apabila nilai fungsi akivasi cukup kuat, maka
sinyal akan diteruskan. Nilai fungsi aktivasi keluaran model jaringan juga dapat
dipakai sebagai dasar untuk merubah bobot.
2.6.1 Arsitektur Jaringan
Arsitektur jaringan saraf tiruan digolongkan menjadi 3 model:
1. Jaringan Layar Tunggal
Dalam jaringan ini, sekumpulan input neuron dihubungkan langsung
dengan sekumpulan outputnya, seperti gambar berikut ini :
Gambar 2.2. Jaringan layar tunggal
Pada Gambar 2.2. diperlihatkan bahwa arsitektur jaringan layar tunggal dengan n buah masukan x
1
, x
i
,..., x
n
dan m buah keluaran Y
1
, Y
i
,..., Y
m
. Dalam jaringan ini semua unit input dihubungkan dengan semua unit output. Tidak ada unit input yang dihubungkan dengan unit input
lainnya dan unit output pun demikian.
2. Jaringan Layar Jamak
Jaringan ini merupakan perluasan dari layar tunggal. Dalam jaringan ini, selain unit input dan output, ada unit-unit lain yang sering disebut layar
tersembunyi. Layar tersembunyi ini tersebut bisa saja lebih dari satu, sebagai contoh perhatikan Gambar 2.3 dibawah ini:
x
1
X
i
X
n
Y
1
Y
j
Y
m
W
11
W
12
W
1m
W
21
W
22
W
2m
W
n1
W
n2
W
nm UNIVERSITAS SUMATERA UTARA
Gambar 2.3. Jaringan layar jamak
Pada Gambar 2.3. diperlihatkan jaringan dengan n buah unit masukan x
1
, x
2
,..., x
n
, sebuah layar tersembunyi yang terdiri dari p buah unit z
1
, z
2
...,z
p
dan 1 buah unit keluaran. Jaringan layar jamak dapat menyelesaikan masalah yang lebih kompleks dibandingkan dengan layar
tunggal, meskipun kadangkala proses pelatihan lebih kompleks dan lama.
3. Jaringan Reccurent Model jaringan recurrent mirip dengan jaringan layar tunggal ataupun
ganda. Hanya saja, ada neuron output yang memberikan sinyal pada unit input sering disebut feedback loop. Dengan kata lain sinyal mengalir dua
arah, yaitu maju dan mundur.
2.6.2 Fungsi Aktivasi
Siang 2004 menyebutkan bahwa fungsi aktivasi digunakan untuk menentukan keluaran suatu neuron. Dalam jaringan saraf tiruan, argumen fungsi aktivasi
adalah net masukan kombinasi linier masukan dan bobotnya. Jika net maka fungsi aktivasinya adalah
. V
2
1
X
1
X
2
X
n
V
11
V
1
2
V
1p
V
22
V
2p
V
n2
V
np
V
n1
Z
2
Z
p
Z
1
Y
W
11
W
11
W
11 UNIVERSITAS SUMATERA UTARA
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
