Aplikasi Jaringan Syaraf Tiruan Model Kohonen dalam Pengelompokan Data Pencemaran Udara Sektor Industri di Sumatera Utara
8
BAB 2
LANDASAN TEORI
2.1 Jaringan Syaraf Tiruan
Jaringan syaraf tiruan adalah sistem komputasi dimana arsitektur dan operasi
diilhami dari pengetahuan tentang sel syaraf biologis didalam otak, yang
merupakan representasi buatan dari otak manusia yang selalu mencoba
menstimulasi proses pembelajaran pada otak manusia tersebut. Jaringan syaraf
tiruan dapat digambarkan sebagai model matematis dan komputasi untuk fungsi
aproksimasi non-linear, klasifikasi data cluster dan regresi non parametrik atau
sebuah simulai dari koleksi model syaraf biologi (Hermawan, 2006).
Jaringan syaraf tiruan merupakan suatu model kecerdasan yang diilhami
dari struktur otak manusia dan kemudian diimplementasikan menggunakan
program komputer yang mampu menyelesaikan sejumlah proses perhitungan
selama proses pembelajaran berlangsung (Desiani dan Arhami, 2006).
Jaringan syaraf tiruan sederhana pertama kali diperkenalkan oleh
McCulloch dan Pitts di tahun 1943. Jaringan syaraf tiruan dibentuk sebagai
generalisasi model matematika dari jaringan syaraf biologi dengan asumsi bahwa
(Siang, 2005 ) :
1.
Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).
2.
Sinyal yang dikirimkan diantara neuron-neuron melalui penghubungpenghubung.
3.
Penghubung antar neuron memiliki bobot yang akan memperkuat atau
memperlemah sinyal.
4.
Untuk menentukan keluaran (output), setiap neuron menggunakan fungsi
aktivasi yang dikenakan pada penjumlahan masukan (input) yang diterima.
Besarnya keluaran (output) ini selanjutnya dibandingkan dengan suatu batas
ambang.
Universitas Sumatera Utara
9
Dengan meniru sistem jaringan biologis maka sistem jaringan syaraf tiruan
memiliki 3 karakteristik utama yaitu (Desiani dan Arhami, 2006):
1. Arsitektur Jaringan
Merupakan pola keterhubungan antar neuron. Keterhubungan neuron-neuron
inilah yang membentuk suatu jaringan.
2. Algoritma Jaringan
Merupakan metode untuk menentukan nilai bobot hubungan. Ada dua jenis
metode yaitu metode pelatihan atau pembelajaran dan metode pengenalan.
3. Fungsi aktivasi
Merupakan fungsi untuk menentukan nilai keluaran berdasarkan nilai total
masukan pada neuron. Fungsi aktivasi suatu algoritma jaringan dapat berbeda
dengan fungsi aktivasi algoritma jaringan lain.
2.1.1 Pemrosesan dalam Jaringan Syaraf Tiruan
Aliran informasi yang diproses disesuaikan dengan arsitektur jaringan.
Beberapa konsep utama yang berhubungan dengan proses adalah :
1.
Input (masukan)
Setiap input bersesuaian dengan suatu atribut tunggal. Serangkaian input pada
Jaringan Syaraf Tiruan diasumsikan sebagai vektor X yang bersesuaian
dengan sinyal-sinyal yang masuk kedalam sinapsis neuron biologis.
2.
Output (keluaran)
Output dari jaringan adalah penyelesaian masalah.
3.
Weight (bobot), mengekspresikan kekuatan relatif (atau nilai matematis) dari
input data awal atau bermacam-macam hubungan yang mentransfer data dari
lapisan ke lapisan. Dengan penyesuaian yang berulang-ulang terhadap nilai
bobot menyebabkan Jaringan Syaraf Tiruan “belajar”. Bobot-bobot ini
diasumsikan sebagai vektor W dimana setiap bobot bersesuaian dengan
tegangan (strength) penghubung sinapsis biologis tunggal.
4.
Maksimum epoch
Epoch merupakan perulangan dari proses yang dilakukan untuk mencapai
target yang telah ditentukan. Maksimum epoch adalah jumlah epoch
Universitas Sumatera Utara
10
maksimum yang boleh dilakukan selama proses pelatihan. Iterasi akan
dihentikan apabila nilai melebihi maksimum epoch.
5.
Laju pemahaman (learning rate)
Semakin besar nilai learning rate, semakin cepat pula proses pelatihan. Akan tetapi
jika nilai learning rate terlalu besar, maka algoritma menjadi tidak stabil dan
mencapai titik minimum lokal, sedangkan jika learning rate terlalu kecil maka
algoritma akan mencapai target dalam jangka waktu yang lama.
6.
Bias
Sebuah unit masukan yang ditambahkan kedalam yang nilainya selalu = 1. Berfungsi
untuk mengubah niali tresshold menjadi 0.
2.1.2 Arsitektur Jaringan
Jaringan syaraf tiruan dibagi kedalam 3 macam arsitektur yaitu (Hermawan,
2006):
1.
Jaringan dengan lapisan tunggal (single layer net)
Jaringan syaraf satu lapisan pertama kali dirancang oleh Widrow dan Holf
pada tahun 1960. Jaringan dengan lapisan tunggal hanya memiliki satu
lapisan dengan bobot terhubung. Jaringan ini hanya menerima input
kemudian secara langsung akan mengolahnya menjadi output tanpa harus
melalui lapisan tersembunyi.
Gambar 2.1 Jaringan dengan lapisan tunggal
Universitas Sumatera Utara
11
Dari gambar 2.1 diperlihatkan bahwa arsitektur jaringan dengan layar
tunggal dengan n buah masukan (
( ,
, ...,
,
,...,
) dan m buah keluaran
). 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 dengan banyak lapisan (multilayer net)
Jaringan dengan banyak lapisan memiliki satu atau lebih lapisan yang terletak
diantara lapisan input dan output. Umumnya terdapat lapisan bobot-bobot
yang terletak antara 2 lapisan yang bersebelahan. Jaringan ini dapat
menyelesaikan permasalahan yang lebih sulit daripada jaringan dengan
lapisan tunggal, dengan pembelajaran yang lebih rumit.
Gambar 2.2 Jaringan dengan banyak lapisan
Dari gambar 2.2 diperlihatkan jaringan dengan n buah unit masukan (
...,
) , sebuah layar tersembunyi yang terdiri dari p buah unit ( ,
,
,
,...,
) dan 1 buah unit keluaran.
3.
Jaringan dengan lapisan kompetitif (competitif layer net)
Hubungan antar neuron pada lapisan kompetitif ini tidak diperlihatkan pada
diagram arsitektur ini.
2.1.3 Algoritma Umum Jaringan Syaraf Tiruan
Algoritma pembelajaran/pelatihan jaringan syaraf tiruan (Puspitaningrum, 2006):
Dimasukkan n contoh pelatihan ke dalam jaringan syaraf tiruan. Lakukan:
Universitas Sumatera Utara
12
1.
Inisialisasi bobot-bobot jaringan. Set i=1.
2.
Masukkan contoh ke-i (dari sekumpulan contoh pembelajaran yang terdapat
dalam set pelatihan) kedalam jaringan pada lapisan input.
3.
Cari tingkat aktivasi unit-unit output menggunakan algoritma aplikasi.
If
kinerja jaringan memenuhi standar yang ditentukan sebelumnya
(memenuhi syarat berhenti)
then
exit.
4.
Update bobot-bobot dengan menggunakan aturan pembelajaran jaringan.
5.
If
i = n, then reset i = 1
Else
i = i-1.
Ke langkah 2.
Algoritma aplikasi jaringan syaraf tiruan:
Dimasukkan sebuah contoh pelatihan ke dalam jaringan syaraf tiruan. Lakukan:
1.
Masukkan kasus ke dalam jaringan pada lapisan input.
2.
Hitung tingkat aktivasi node-node jaringan.
3.
Untuk jaringan koneksi umpan maju, jika tingkat aktivasi dari semua unit
outputnya telah dihitung, maka exit. Untuk jaringan koneksi balik, jika tingkat
aktivasi dari semua unit output menjadi konstan atau mendekati konstan,
maka exit. Jika tidak, kembali ke langkah 2. Jika jaringannya tidak stabil,
maka exit dan fail.
2.1.4 Fungsi aktivasi
Sinyal aktivasi dalam jaringan syaraf tiruan ditentukan oleh suatu fungsi aktivasi.
Ada beberapa fungsi aktivasi yang digunakan dalam jaringan syaraf tiruan antara
lain (Desiani dan Arhami, 2006):
1.
Fungsi identitas
Fungsi ini biasanya digunakan pada jaringan lapisan tunggal dan akan
=
→∀
menghasilkan nilai yang sama dengan nilai masukannya.
Universitas Sumatera Utara
13
2.
Fungsi tangga biner
Fungsi ini merupakan fungsi identitas dengan pembulatan yang bergantung
3.
pada parameter pembulatan
. Untuk
menghasilkan nilai 1 atau 0.
=
Fungsi signoid-biner
= 1, fungsi ini hanya akan
1,
0
≥0
BAB 2
LANDASAN TEORI
2.1 Jaringan Syaraf Tiruan
Jaringan syaraf tiruan adalah sistem komputasi dimana arsitektur dan operasi
diilhami dari pengetahuan tentang sel syaraf biologis didalam otak, yang
merupakan representasi buatan dari otak manusia yang selalu mencoba
menstimulasi proses pembelajaran pada otak manusia tersebut. Jaringan syaraf
tiruan dapat digambarkan sebagai model matematis dan komputasi untuk fungsi
aproksimasi non-linear, klasifikasi data cluster dan regresi non parametrik atau
sebuah simulai dari koleksi model syaraf biologi (Hermawan, 2006).
Jaringan syaraf tiruan merupakan suatu model kecerdasan yang diilhami
dari struktur otak manusia dan kemudian diimplementasikan menggunakan
program komputer yang mampu menyelesaikan sejumlah proses perhitungan
selama proses pembelajaran berlangsung (Desiani dan Arhami, 2006).
Jaringan syaraf tiruan sederhana pertama kali diperkenalkan oleh
McCulloch dan Pitts di tahun 1943. Jaringan syaraf tiruan dibentuk sebagai
generalisasi model matematika dari jaringan syaraf biologi dengan asumsi bahwa
(Siang, 2005 ) :
1.
Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).
2.
Sinyal yang dikirimkan diantara neuron-neuron melalui penghubungpenghubung.
3.
Penghubung antar neuron memiliki bobot yang akan memperkuat atau
memperlemah sinyal.
4.
Untuk menentukan keluaran (output), setiap neuron menggunakan fungsi
aktivasi yang dikenakan pada penjumlahan masukan (input) yang diterima.
Besarnya keluaran (output) ini selanjutnya dibandingkan dengan suatu batas
ambang.
Universitas Sumatera Utara
9
Dengan meniru sistem jaringan biologis maka sistem jaringan syaraf tiruan
memiliki 3 karakteristik utama yaitu (Desiani dan Arhami, 2006):
1. Arsitektur Jaringan
Merupakan pola keterhubungan antar neuron. Keterhubungan neuron-neuron
inilah yang membentuk suatu jaringan.
2. Algoritma Jaringan
Merupakan metode untuk menentukan nilai bobot hubungan. Ada dua jenis
metode yaitu metode pelatihan atau pembelajaran dan metode pengenalan.
3. Fungsi aktivasi
Merupakan fungsi untuk menentukan nilai keluaran berdasarkan nilai total
masukan pada neuron. Fungsi aktivasi suatu algoritma jaringan dapat berbeda
dengan fungsi aktivasi algoritma jaringan lain.
2.1.1 Pemrosesan dalam Jaringan Syaraf Tiruan
Aliran informasi yang diproses disesuaikan dengan arsitektur jaringan.
Beberapa konsep utama yang berhubungan dengan proses adalah :
1.
Input (masukan)
Setiap input bersesuaian dengan suatu atribut tunggal. Serangkaian input pada
Jaringan Syaraf Tiruan diasumsikan sebagai vektor X yang bersesuaian
dengan sinyal-sinyal yang masuk kedalam sinapsis neuron biologis.
2.
Output (keluaran)
Output dari jaringan adalah penyelesaian masalah.
3.
Weight (bobot), mengekspresikan kekuatan relatif (atau nilai matematis) dari
input data awal atau bermacam-macam hubungan yang mentransfer data dari
lapisan ke lapisan. Dengan penyesuaian yang berulang-ulang terhadap nilai
bobot menyebabkan Jaringan Syaraf Tiruan “belajar”. Bobot-bobot ini
diasumsikan sebagai vektor W dimana setiap bobot bersesuaian dengan
tegangan (strength) penghubung sinapsis biologis tunggal.
4.
Maksimum epoch
Epoch merupakan perulangan dari proses yang dilakukan untuk mencapai
target yang telah ditentukan. Maksimum epoch adalah jumlah epoch
Universitas Sumatera Utara
10
maksimum yang boleh dilakukan selama proses pelatihan. Iterasi akan
dihentikan apabila nilai melebihi maksimum epoch.
5.
Laju pemahaman (learning rate)
Semakin besar nilai learning rate, semakin cepat pula proses pelatihan. Akan tetapi
jika nilai learning rate terlalu besar, maka algoritma menjadi tidak stabil dan
mencapai titik minimum lokal, sedangkan jika learning rate terlalu kecil maka
algoritma akan mencapai target dalam jangka waktu yang lama.
6.
Bias
Sebuah unit masukan yang ditambahkan kedalam yang nilainya selalu = 1. Berfungsi
untuk mengubah niali tresshold menjadi 0.
2.1.2 Arsitektur Jaringan
Jaringan syaraf tiruan dibagi kedalam 3 macam arsitektur yaitu (Hermawan,
2006):
1.
Jaringan dengan lapisan tunggal (single layer net)
Jaringan syaraf satu lapisan pertama kali dirancang oleh Widrow dan Holf
pada tahun 1960. Jaringan dengan lapisan tunggal hanya memiliki satu
lapisan dengan bobot terhubung. Jaringan ini hanya menerima input
kemudian secara langsung akan mengolahnya menjadi output tanpa harus
melalui lapisan tersembunyi.
Gambar 2.1 Jaringan dengan lapisan tunggal
Universitas Sumatera Utara
11
Dari gambar 2.1 diperlihatkan bahwa arsitektur jaringan dengan layar
tunggal dengan n buah masukan (
( ,
, ...,
,
,...,
) dan m buah keluaran
). 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 dengan banyak lapisan (multilayer net)
Jaringan dengan banyak lapisan memiliki satu atau lebih lapisan yang terletak
diantara lapisan input dan output. Umumnya terdapat lapisan bobot-bobot
yang terletak antara 2 lapisan yang bersebelahan. Jaringan ini dapat
menyelesaikan permasalahan yang lebih sulit daripada jaringan dengan
lapisan tunggal, dengan pembelajaran yang lebih rumit.
Gambar 2.2 Jaringan dengan banyak lapisan
Dari gambar 2.2 diperlihatkan jaringan dengan n buah unit masukan (
...,
) , sebuah layar tersembunyi yang terdiri dari p buah unit ( ,
,
,
,...,
) dan 1 buah unit keluaran.
3.
Jaringan dengan lapisan kompetitif (competitif layer net)
Hubungan antar neuron pada lapisan kompetitif ini tidak diperlihatkan pada
diagram arsitektur ini.
2.1.3 Algoritma Umum Jaringan Syaraf Tiruan
Algoritma pembelajaran/pelatihan jaringan syaraf tiruan (Puspitaningrum, 2006):
Dimasukkan n contoh pelatihan ke dalam jaringan syaraf tiruan. Lakukan:
Universitas Sumatera Utara
12
1.
Inisialisasi bobot-bobot jaringan. Set i=1.
2.
Masukkan contoh ke-i (dari sekumpulan contoh pembelajaran yang terdapat
dalam set pelatihan) kedalam jaringan pada lapisan input.
3.
Cari tingkat aktivasi unit-unit output menggunakan algoritma aplikasi.
If
kinerja jaringan memenuhi standar yang ditentukan sebelumnya
(memenuhi syarat berhenti)
then
exit.
4.
Update bobot-bobot dengan menggunakan aturan pembelajaran jaringan.
5.
If
i = n, then reset i = 1
Else
i = i-1.
Ke langkah 2.
Algoritma aplikasi jaringan syaraf tiruan:
Dimasukkan sebuah contoh pelatihan ke dalam jaringan syaraf tiruan. Lakukan:
1.
Masukkan kasus ke dalam jaringan pada lapisan input.
2.
Hitung tingkat aktivasi node-node jaringan.
3.
Untuk jaringan koneksi umpan maju, jika tingkat aktivasi dari semua unit
outputnya telah dihitung, maka exit. Untuk jaringan koneksi balik, jika tingkat
aktivasi dari semua unit output menjadi konstan atau mendekati konstan,
maka exit. Jika tidak, kembali ke langkah 2. Jika jaringannya tidak stabil,
maka exit dan fail.
2.1.4 Fungsi aktivasi
Sinyal aktivasi dalam jaringan syaraf tiruan ditentukan oleh suatu fungsi aktivasi.
Ada beberapa fungsi aktivasi yang digunakan dalam jaringan syaraf tiruan antara
lain (Desiani dan Arhami, 2006):
1.
Fungsi identitas
Fungsi ini biasanya digunakan pada jaringan lapisan tunggal dan akan
=
→∀
menghasilkan nilai yang sama dengan nilai masukannya.
Universitas Sumatera Utara
13
2.
Fungsi tangga biner
Fungsi ini merupakan fungsi identitas dengan pembulatan yang bergantung
3.
pada parameter pembulatan
. Untuk
menghasilkan nilai 1 atau 0.
=
Fungsi signoid-biner
= 1, fungsi ini hanya akan
1,
0
≥0