8
2.2 Jaringan Saraf Tiruan
Jaringan syaraf tiruan didefinisikan sebagai suatu sistem pemrosesan informasi yang mempunyai karateristik menyerupai jaringan syaraf manusia. Jaringan syaraf tiruan
tercipta sebagai generalisasi model matematis human cognition yang didasarkan atas asumsi sebagai berikut :
1. Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron. 2. Isyarat mengalir diantara sel sarafneuron melalui suatu sambungan
penghubung. 3. Setiap sambungan penghubung memiliki bobot yang bersesuaian. Bobot ini akan
digunakan untuk menggandakanmengenali isyarat yang dikirim melaluinya. 4. Setiap sel syaraf akan menerapkan fungsi aktivasi terhadap isyarat hasil
penjumlahan berbobot yang akan masuk kepadanya untuk menentukan isyarat keluarnya [5].
JST mempunyai kemampuan untuk mendapatkan informasi dari data yang rumit atau tidak tepat, mampu menyelesaikan permasalahan yang tidak terstruktur dan sulit
didefinisikan, dapat belajar dari pengalaman, mampu mengakuisisi pengetahuan walaupun tidak ada kepastian, mampu melakukan generalisasi dan ekstraksi dari suatu
pola data tertentu, dapat menciptakan suatu pola pengetahuan melalui pengaturan diri atau kemampuan belajar self organizing, mampu memilih suatu input data kedalam
kategori tertentu yang sudah ditetapkan klasifikasi, mampu menggambarkan suatu objek secara keseluruhan walaupun hanya diberikan sebagian data dari objek,
mempunyai kemampuan mengolah data-data input tanpa harus mempunyai target Self organizing, dan mampu menemukan jawaban terbaik sehingga mampu
meminimalisasi fungsi biaya optimasi [9].
JST juga merupakan suatu teknik pemrosesan informasi yang menggunakan model kuantitatif. JST terdiri dari sejumlah neuron melalui pendekatan melalui sifat-sifat
komputasi biologis biological computation.
Universitas Sumatera Utara
9
Gambar 2.2 Model Neuron [3]
Keterangan : X
i
= sinyal masukan ke-i. Dalam skripsi penulis dimana X
1
adalah Penilaian Kerja Pegawai yang baik, X
2
adalah Masa Kerja minimal empat tahun, X
3
adalah ujian psikotes.
W
i
= nilai bobot hubungan ke-i. Dalam skripsi penulis nilai bobot adalah 1.00 [5].
= nilai bias atau toleransi error. Dalam skripsi penulis misalnya adalah 0.5 [5]
f. = fungsi aktifasi atau elemen pemroses. Dalam skripsi penulis fungsi aktivasi yang digunakan adalah sigmoid biner
y = sinyal keluaran. Dalam skripsi penulis sinyal keluarannya berupa layak atau tidak layak mendapatkan kenaikan golongan.
Dari Gambar 2.2 dapat dilihat bahwa neuron tersusun dari komponen sebagai berikut:
1. Sekumpulan penghubung atau synapses dengan nilai bobot yang telah disesuaikan, yang berfungsi menghubungkan masukan dan fungsi penjumlahan.
. .
.
x
2
x
i
Input net
k
x
1
f . output
Fungsi Aktivasi
w
1
w
2
bias
Fungsi Penjumlahan
w
i
Universitas Sumatera Utara
10
2. Sebuah fungsi penjumlah Summing yang berfungsi untuk menjumlahkan semua sinyal masukan.
3. Fungsi aktivasi yaitu fungsi yang mentransformasikan nilai keluarannya melalui pemetaan sinyal masukan ke dalam sebuah nilai yang sesuai dengan neuron
lainnya. Fungsi aktivasi diharapkan menghasilkan nilai yang dapat mendekati nilai-nilai maksimum dan minimum target[3].
Dari model sebuah neuron dapat dituliskan persamaan: y = f
w
i
x
i
– ………………………………………………………. 2-1 Keterangan :
f = Fungsi aktivasi
W
i
= nilai bobot hubungan ke-i = nilai bias atau toleransi error [3].
Dalam proses pembelajarannya keluaran dari JST ditentukan oleh pola hubungan antar neuron atau arsitektur JST, metode untuk menentukan bobot
penghubung berupa metode pembelajaran serta algoritma dan fungsi aktivasi dari JST itu sendiri. Suatu algoritma belajar dari JST tergantung dari arsitektur atau struktur
dari jaringan saraf tersebut [3].
2.2.1 Arsitektur Jaringan
Baik tidaknya suatu model JST salah satunya ditentukan oleh hubungan antar neuron atau disebut dengan arsitektur jaringan. Neuron-neuron tersebut terkumpul dalam
lapisan-lapisan yang disebut neuron layer. Lapisan-lapisan penyusun JST dibagi tiga yaitu :
1. Lapisan input Node-node didalam lapisan input disebut unit-unit input. Unit-unit input
menerima input dari dunia luar. Input yang dimasukkan merupakan penggambaran dari suatu masalah.
2. Lapisan tersembunyi Node-node di dalam lapisan tersembunyi disebut unit-unit tersembunyi. Output
dari lapisan ini tidak secara langsung diamati.
Universitas Sumatera Utara
11
3. Lapisan output Node-node pada lapisan output disebut unit-unit output. Keluaran atau output
dari lapisan ini merupakan output jaringan saraf tiruan terhadap permasalahan [16].
Beberapa arsitektur jaringan yang sering digunakan dalam jaringan saraf tiruan antara lain :
1. Jaringan Lapisan Tunggal Single Layer Neural Network
Jaringan dengan lapisan tunggal terdiri dari 1 lapisan input dan 1 lapisaan output. Setiap unit dalam lapisan input selalu terhubung dengan setiap unit
yang terdapat pada lapisan output. Jaringan ini menerima input kemudian mengilahnya menjadi output tanpa melewati lapisan tersembunyi. Contoh JST
yang menggunakan jaringan lapisan tunggal adalah Adaline, Hopfield, Perceptron.
Nilai input
Lapisan input W
21
W
22
W
11
W
12
W
31
W
32
Lapisan output
Nilai output
Gambar 2.3 Jaringan Saraf Tiruan dengan Lapisan Tunggal Single Layer [16]
Pada Gambar 2.3 lapisan input memiliki 3 unit neuron yaitu
X
1
, X
2
, dan X
3
yang terhubung dengan lapisan output yang memiliki dua unit neuron, yaitu Y
1
dan Y
2
.
X
1
X
2
X
3
Y
1
Y
2
Universitas Sumatera Utara
12
Hubungan neuron-neuron pada lapisan tersebut ditentukan oleh bobot yang bersesuaian misalnya W
11
, W
12
, W
21
, W
22
, W
31
, dan W
32
.
2. Jaringan Lapisan Banyak Multilayer Neural Network
Jaringan lapisan banyak mempunyai 3 jenis lapisan yaitu lapisan input, lapisan tersembunyi, dan lapisan output. Jaringan ini dapat menyelesaikan permasalahan
yang lebih kompleks dibandingkan dengan jaringan lapisan tunggal. Contoh JST yang menggunakan jaringan lapisan banyak adalah Madaline, Backpropagation,
dan Neocognitron.
Nilai Input
Lapisan Input V
12
V
22
V
21
V
32
Lapisan bobot pertama V
31
Lapisan tersembunyi W
1
W
2
Lapisan bobot tersembunyi Lapisan output
Nilai Output
Gambar 2.4 Jaringan Saraf dengan Lapis Banyak Multilayer[16]
Pada Gambar 2.4 Lapisan input memiliki 3 unit neuron yaitu
X
1
, X
2
, dan X
3
yang terhubung langsung dengan lapisan tersembunyi yang memiliki 2 unit neuron
tersembunyi , yaitu Z
1
dan Z
2
. Hubungan neuron-neuron pada lapisan input dan lapisan output tertentu ditentukan oleh bobot V
11
, V
12
, V
21
, V
22
, V
31
, dan V
32
.
X
1
X
2
X
3
Z
1
Z
2
Z
1
Universitas Sumatera Utara
13
Kemudian dua unit neuron tersembunyi Z
1
dan Z
2
terhubung langsung dengan lapisan output yang memiliki satu unit neuron Y yang besarnya ditentukan oleh bobot W
1
dan W
2
.
3. Jaringan dengan Lapisan KompetitifCompetitive layer Neural Network
Jaringan ini memiliki bobot yang telah ditentukan dan tidak memiliki proses pelatihan Gambar 2.5. Jaringan ini digunakan untuk mengetahui neuron
pemenang dari sejumlah neuron yang ada. Akibatnya pada jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak manjadi aktif. Nilai bobot
setiap neuron untuk dirinya sendiri adalah 1, sedangkan untuk neuron lainnya bernilai random negative. Contoh JST yang menggunakan jaringan dengan
lapisan kompetitif adalah Learning Vector Quantization dan Kohonen [15].
Gambar 2.5 Jaringan Saraf dengan Competitive layer yang memiliki bobot –n [16]
Pada Gambar 2.5 Lapisan input memiliki empat unit neuron ,yaitu A
1
, A
m
, A
i
, A
j
dimana nilai bobotnya telah ditentukan misalnya n atau –e sedangkan nilai bobot untuk dirinya sendiri bernilai 1.
2.3 Learning Vector Quantization LVQ