2010100260IFBab2

BAB 2

LANDASAN TEORI

2.1. Pengenalan Pola

Pengenalan Pola dapat dikatakan sebagai kemampuan manusia mengenali obyek-

obyek berdasarkan ciri-ciri dan pengetahuan yang pernah diamatinya dari obyek-obyek

tersebut. Tujuan

dari

Pengenalan Pola

ini

adalah mengklasifikasi dan

mendeskripsikan

pola

atau

obyek

kompleks melalui

pengetahuan sifat-sifat atau

ciri-ciri obyek

tersebut.

Pola

adalah

entitas

yang

terdefinisi

dan

dapat

diberikan

suatu

identifikasi atau

nama

misalkan mobil.

Pendekatan pengenalan pola ada tiga, yaitu secara sintaks, statistik, serta melalui

jaringan saraf tiruan. Pendekatan secara sintaks adalah pendekatan dengan menggunakan

aturan-aturan tertentu, misalnya baju

mamat

mempunyai rule sebagai berikut, selalu

berwarna biru, bahannya kaos, bermerek adidas, lengannya lengan panjang dan memiliki

kerah.

Jika

ada

sebuah

baju

dengan

ciri-ciri 90%

lebih

dari

ciri-ciri tersebut dapat

dikatakan bajunya mamat dengan toleransi sekitar 10%.

Pendekatan

metoda statistik adalah pendekatan dengan menggunakan data-data

yang berasal dari statisik

misalnya dalam sebuah pasar saham terlihat kurva penjualan

tertinggi adalah saham

kemudian disusul

saham

dan saham C, apabila seseorang

datang ke pasar saham tersebut maka orang tersebut dapat dikatakan sekitar 95% orang

membeli saham A, karena berdasarkan kurva saham A memiliki harga tertinggi.

Pendekatan dengan

pola

jaringan

saraf

tiruan

adalah

pendekatan dengan

menggabungkan

pendekatan sintaks dan statistik. Pendekatan melalui pola-pola ini

meniru cara kerja otak manusia, pada pola ini sistem membuat rule-rule tertentu disertai

dengan menggunakan data statistik sebagai dasar untuk pengambilan keputusan.

Suatu

sistem

pengenalan pola

pada

dasarnya

terdiri

atas

tiga

tahap,

yaitu

penerimaan data, pengenalan data

dan

pengenalan obyek

atau

pembuatan

keputusan.

Adapun

pengenalan utama

dalam

pengenalan pola adalah pendekatan geometrik

dan

pendekatan struktural.

Pendekatan

struktural

dilakukan

dengan penentuan

dasar

yang

mendeskripsikan obyek yang akan dikenali.

Untuk

pengenalan

pola

dengan

pendekatan

Jaringan

Saraf

Tiruan

kita

seolah-

olah

membuat

sebuah

sistem

yang

kinerjanya sama

dengan

otak

kita.

Agar

sistem

tersebut bisa

menjadi cerdas, kita

harus

memberikan pelatihan terhadap sistem tersebut

selama rentang waktu yang kita tentukan. Karena dengan

melatih

sistem tersebut

maka

akan

menambah rule-rule

serta

data

statistik

yang

gunakan

oleh

sistem

untuk

mengambil keputusan.

2.2. Pengenalan Suara

Pengenalan suara

adalah

proses

yang

dilakukan

oleh

komputer

untuk

mengidentifikasi kata-kata yang diucapkan kepadanya. Penelitian pengenalan suara oleh

mesin

telah dilakukan hampir selama

lima dekade, dimana percobaan awal oleh mesin

dibuat tahun 1950-an, yaitu pada saat berbagai penelitian mencoba untuk mengekploitasi

ide fundamental dari acoustic-phonetic.

Sejarah penelitian dibidang pengenalan suara antara lain:

a. Tahun 1952 di

laboratorium, Bell, Davis, Bidullph, Balashek membuat suatu sistem

pengenalan digit

terisolali

untuk

seorang

pembicara.

Sistem

tersebut

sangat

tergantung kepada pengukuran resonasi spectral di daerah vokal dari setiap digit.

b. Tahun 1956,

sebuah usaha

independen

pada

laboratorium RCA,

Olson dan

Belar

berusaha

untuk

mengenali

sepuluh

suku

kata

yang

berbeda dari

setiap pembicara

yang juga bergantung pada pengukuran spectral pada area vokal.

c. Tahun 1959, Universitas Collage di Inggris, Fry dan Denes mencoba untuk membuat

suatu

pengenalan fenom

untuk

mengenali

empat

vokal

dan

sembilan

konsonan.

Mereka mengunakan keputusan dari pengenalan.

Usaha

lain

pada

periode

ini

adalah

mengenalkan vokal

oleh

Forgie

dan

Forgi,

dikonstruksikan di laboratorium Lincon MIT pada tahun 1959, dimana sepuluh vokal

disisipkan dalam format a/b/-vokal-/t dapat dikenali.

Penelitian

speech

pada

tahun

1980an

bercirikan

pada

pergeseran teknologi

dari

pendekatan berbasis template menjadi statistik modeling, terutama pendekatan model

Hidden Markov Model. Ide

lain di perkenalkan pada akhir 1980-an adalah

penerapan

Neural

network

pada

Speech

Recognition.

Neural

network

pertama

kali

dikenalkan

pada

tahun

1950,

tetapi

tidak

terbukti

berguna

pada

awalnya

karena

terlalu banyak masalah praktikal.

2.3. Sinyal Percakapan

Sinyal dapat didefinisikan sebagai kuantitas

fisik yang bervariasi seiring waktu

atau

variabel

bebas

lainnya

yang

menyimpan

suatu

informasi.

Contoh

sinyal

adalah:

suara manusia, kode morse, tegangan listrik di kabel telepon,

variasi

intensitas cahaya

pada sebuah serat optik yang digunakan pada telepon atau jaringan komputer, dan lain-

lainnya.

Sinyal dapat diklasifikasikan menjadi beberapa jenis yaitu: sinyal waktu kontinu,

sinyal waktu diskrit, sinyal nilai kontinu, sinyal nilai diskrit, sinyal random, dan sinyal

nonrandom.

Sinyal waktu

kontinu

dengan

nama

lain

sinyal

analog adalah sinyal

yang

belum

melalui proses

apapun. Sedangkan sinyal

nilai diskrit atau

sinyal

digital

adalah

sinyal analog yang telah melalui proses sampling, quantization, dan encoding.

•

Sampling adalah proses mengambil nilai-nilai sinyal pada titik-titik diskrit sepanjang

variabel waktu dari sinyal waktu kontinu, sehingga didapatkan sinyal waktu diskrit.

Jumlah titik-titik yang diambil setiap detik dinamakan sebagai sampling rate. Dalam

melakukan

sampling,

perlu diperhatikan kriteria

Nyquist

yang

menyatakan bahwa

sebuah

sinyal

harus

memiliki sampling

rate

yang

lebih

besar

dari

dengan

adalah frekuensi paling tinggi yang muncul di sebuah sinyal.

Proses sampeling perhatikan sinyal sinus berikut ini:

..........................................................................(1)

Sinyal

tersebut merupakan contoh

sinyal

waktu

kontinyu. Kita juga

seringkali

menggunakan

terminologi

sinyal

analog

untuk

menyebutnya.

Untuk

proses

komputasi,

sinyal

waktu

kontinyu

harus

dirubah

menjadi

bentuk

waktu

diskrit

dan

dilanjutkan dengan

proses

digitalisasi.

Untuk

memperoleh bentuk

sinyal waktu diskrit, sinyal waktu kontinyu harus di-sampel.

Gambar 2.1 Blok Diagram Konversi Sinyal Kontinyu Menjadi Sinyal

Diskrit.

Sekuen x[n] di dapatkan setelah proses perubahan dari continues to discrete (C-

to-D). Kondisi realnya secara hardware adalah menggunakan rangkaian sampling

seperti Gambar 2.2 berikut ini.

Gambar 2.2 Rangkaian Sampling.

Rangkaian sampling diatas merupakan sebuah ujung tombak dari sebuah analog

to digital conversion (ADC).

Gambar 2.3 Block Diagram Rangakaian ADC.

Persyaratan frekuensi sampling menurut teorema Shannon

harus

sama

dengan

atau melebihi 2 kali frekuensi sinyal yang di sample.

.......................................................................................................(2)

Jika

sinyal

informasi

yang

kita

sample

memiliki

komponen frekuensi

beragam,

misalnya

untuk sinyal wiacara

memungkinkan

untuk memiliki

frekuensi dari 20 sampai 4000 Hz, maka sinyal informasi tersebut bisa dituliskan

sebagai:

.................................................................................(3)

Dan persyaratan untuk frekuensi smpling menjadi:

..................................................................................................(4)

Frekuensi sampling seringkali dikatakan dengan terminology sampling rate,

yaitu jumlah sample yang diambil setiap detik, fs=1/Ts yang juga dikenal sebagai

Nyquist rate.

•

Quantization adalah proses

memetakan nilai-nilai dari sinyal nilai kontinu menjadi

nilai-nilai yang diskrit, sehingga didapatkan sinyal nilai diskrit.

•

Encoding adalah proses mengubah nilai-nilai sinyal ke menjadi bilangan biner. Pada

gambar 2.4 dapat dilihat perbedaan antara sinyal analog dengan sinyal digital.

Gambar 2.4 Diagram Sinyal Analog dan Sinyal Digital.

Sinyal

yang

berbentuk

digital

dapat

disimpan

dalam

media

penyimpanan di

komputer.

WAV

file

(berasal

dari

kata

wave)

merupakan format

umum

yang

paling

sederhana

untuk

menyimpan data

sinyal

audio.

WAV

file

terdiri

dari

potongan

informasi

yaitu: RIFF chunk, FORMAT chunk, dan

DATA chunk.

RIFF chunk berisi

informasi

yang

menandakan bahwa

file

berbentuk

WAV.

FORMAT

chunk

berisi

parameter-parameter seperti

jumlah

channel, sample rate,

resolusi.

DATA chunk

yang

berisi data aktual sinyal digital.

Sinyal yang dihasilkan dari suara manusia sewaktu melakukan percakapan

disebut sebagai

sinyal percakapan. Sinyal percakapan

merupakan kombinasi kompleks

dari variasi tekanan udara yang melewati pita suara dan vocal tract, yaitu mulut, lidah,

gigi,

bibir,

dan

langit-langit.

Sistem

produksi

sinyal

percakapan dapat

dilihat

pada

gambar 2.5.

Gambar 2.5 Diagram Model Sistem Produksi Suara.

Sinyal

percakapan terdiri

dari

serangkaian

suara

yang

masing-masing

menyimpan

sepotong

informasi.

Berdasarkan

cara

menghasilkannya, suara

tersebut

terbagi

menjadi

voiced

dan

unvoiced.

Suara voiced dihasilkan dari

getaran

pita

suara,

sedangkan suara unvoiced dihasilkan dari gesekan antara udara dengan vocal tract.

Sinyal percakapan memiliki beberapa karakteristik, misalnya: formant, pitch, dan

intensitas.

Formant

adalah

variasi

resonansi

yang

dihasilkan oleh

vocal

tract.

Pitch

adalah

frekuensi dari

sinyal

atau

yang

sering

disebut

sebagai

intonasi.

Sedangkan

intensitas

adalah

kekuatan

suara.

Karakteristik-karakteristik tersebut

berguna

dalam

melakukan analisis sinyal.

2.4. Transformasi Fourier

Transformasi fourier

(dinamakan

atas

Joseph

Fourier)

adalah

sebuah

transformasi

integral

yang

menyatakan-kembali sebuah

fungsi

dalam

fungsi

basis

sinusioidal(fungsi trigonometri),

yaitu sebuah

fungsi

sinusoidal penjumlahan atau

integral dikalikan oleh beberapa koefisien ("amplitudo").

Cara kerja transformasi fourier adalah dengan mendekomposisi sinyal ke bentuk

fungsi

eksponensial

dari

frekuensi

yang

berbeda-beda. Caranya

adalah

dengan

didefinisikan ke dalam dua persamaan berikut:

........................................................................................(5)

........................................................................................(6)

Dalam persamaan tersebut, t adalah waktu dan f adalah frekuensi. x merupakan

notasi sinyal dalam ruang waktu dan X adalah notasi untuk sinyal dalam domain

frekuensi. Persamaan (1) disebut Transformasi Fourier dari

x(t)

sedangkan persamaan

(2) disebut Invers Transformasi Fourier dari X(f), yakni x(t). Persamaan (1) dapat juga

ditulis sebagai :

Cos(2

ft)+jSin(2

ft)

..................................................................................................(7)

2.4.1. Transformasi Fourier Diskrit

Transformasi fourier diskrit adalah metoda untuk mengubah gelombang seismik

dalam

domain

waktu

menjadi

domain

frekuensi. Proses

perubahan dari

domain

waktu

menjadi domain frekuensi dapat dilihat pada gambar 2.6

Gambar 2.6 Cara Kerja Transformasi Fourier.

Salah

satu

cara

mentransformasi sinyal

dari

domain

waktu

dalam

domain

frekuensi adalah dengan menggunakan discrete fourier transform (DFT).

........................................................................................(8)

Persamaan (1) diatas menyatakan bahwa sinyal akan periodic pada setiap nilai N.

Implementasi DFT dapat diwujudkan dengan sebuah

Bank Filter seperti Gambar 2.8

berikut ini.

Gambar 2.7 Bank Filter.

Untuk

mengoptimalkan proses

komputasi,

DFT

bisa

dimodifikasi

dengan satu

algorithma yang seringkali kita kenal sebagai fast fourier transform (FFT). Dengan FFT

proses komputasi

bias direduksi

dari N²

menjadi

N log2N. Misalnya

dengan

menggunakan DFT kita akan melakukan transformasi sebanyak N=1024 titik, maka kita

memerlukan perkalian sebanyak N²

1.048.567. Sedangkan dengan menggunakan FFT

perkalian

yang

diperlukan sebanyak

log2N

5120

perkalian. Sebuah

contoh

hasil

menggunakan algorithma FFT untuk system yang lebih komplek adalah untuk mengolah

sinyal wicara. Pada gambar 2.8 ditunjukkan sebuah hasil proses FFT untuk kalimat “a-

i-u-e-o”.

Gambar 2.8 Grafik Hasil Proses FFT.

2.5. Jaringan Saraf Tiruan (Neural Network)

2.5.1. Inspirasi Biologi

Jaringan Saraf

Tiruan

(JST)

terinspirasi

dari

penelitian

kecerdasan buatan,

terutama percobaan untuk menirukan fault-tolerence dan kemampuan untuk belajar dari

sistem saraf biologi dengan model struktur low-level otak.

Otak

manusia memiliki sekitar

10.000.000.000

sel

saraf

yang

saling

berhubungan. Sel saraf

mempunyai cabang struktur

input

(dendrites),

yaitu sebuah

inti

sel dan percabangan struktur output (axon). Axon dari sebuah sel

terhubung dengan

dendrites yang

lain

melalui sebuah

synapse.

Ketika

sebuah

sel

saraf

aktif,

kemudian

menimbulkan suatu

signal

electrochemical

pada

axon.

Signal

ini

melewati

synapses

menuju ke sel saraf yang lain. Sebuah sel saraf yang

lain akan

mendapatkan signal jika

memenuhi biasan tertentu yang sering disebut dengan nilai ambang (threshold).

Bila dibandingkan dengan

komputer

modern,

kecepatan

dari

neuron pada

otak

manusia jauh lebih lambat, namun karena jumlah neuron yang sangat banyak pada otak

manusia membuat otak manusia dapat melakukan banyak pekerjaan

yang sangat cepat

serta

menggunakan energi atau tenaga yang sangat sedikit dan efisien. Menurut Faggin

(1991) sebagai contoh, pengenalan obyek seperti wajah seseorang dapat dilakukan hanya

dalam

waktu

sepersepuluh detik,

sementara

dengan

database

yang

sama

dengan

komputer

modern saat ini dibutuhkan waktu yang jauh lebih lama setidaknya beberapa

menit lebih lama dari otak manusia.

2.5.2. Pengertian Jaringan Saraf Tiruan (Neural Network)

Neural network merupakan suatu metode Artificial Intelligence yang konsepnya

meniru sistem jaringan saraf yang ada pada tubuh manusia, dimana dibangun node-node

yang

saling

berhubungan satu

dengan

yang

lainnya.

Node-node

tersebut

terhubung

melalui

suatu

link

yang

biasa

disebut

dengan

istilah

weight.

Ide

dasarnya adalah

mengadopsi cara

kerja

otak

manusia

yang

memiliki

ciri-ciri

paralel

processing,

processing element dalam jumlah besar dan fault tolerance.

Suatu jaringan saraf

tiruan

memproses sejumlah

besar

informasi secara

paralel

dan

terdistribusi,

hal

ini

terinspirasi

oleh

model

kerja

otak

biologis. Beberapa

definisi

tentang jaringan saraf tiruan adalah sebagai berikut di bawah ini.

•

Hecht-Nielsend (1988) mendefinisikan sistem saraf buatan sebagai berikut:

"Suatu neural network (NN), adalah suatu struktur pemroses informasi yang

terdistribusi

dan bekerja

secara

paralel, yang terdiri atas elemen pemroses (yang

memiliki memori lokal dan beroperasi dengan

informasi lokal) yang diinterkoneksi

bersama dengan alur sinyal searah yang disebut koneksi. Setiap elemen pemroses

memiliki

koneksi keluaran

tunggal

yang bercabang

(fan

out) ke

sejumlah koneksi

kolateral yang diinginkan (setiap koneksi membawa sinyal yang sama dari keluaran

elemen pemroses tersebut). Keluaran dari elemen pemroses tersebut dapat

merupakan sebarang jenis persamaan matematis yang diinginkan. Seluruh proses

yang berlangsung pada setiap elemen pemroses harus benar-benar dilakukan secara

lokal, yaitu keluaran hanya bergantung pada nilai masukan pada saat itu yang

diperoleh melalui koneksi dan nilai yang tersimpan dalam memori lokal".

•

Menurut Haykin, S. (1994), Neural Networks:

Comprehensive Foundation, NY,

Macmillan, mendefinisikan jaringan saraf sebagai berikut:

“Sebuah jaringan saraf adalah sebuah prosesor yang terdistribusi paralel dan

mempunyai kecenderungan untuk menyimpan pengetahuan yang didapatkannya dari

pengalaman dan membuatnya tetap tersedia untuk digunakan. Hal ini menyerupai

kerja otak dalam dua hal yaitu: 1. Pengetahuan diperoleh oleh jaringan melalui

suatu proses belajar. 2. Kekuatan hubungan antar sel saraf yang dikenal dengan

bobot sinapsis digunakan untuk menyimpan pengetahuan”.

•

Dan menurut Zurada, J.M. (1992), Introduction To Artificial Neural Systems,

Boston: PWS Publishing Company, mendefinisikan sebagai berikut:

“Sistem

saraf

tiruan atau

jaringan saraf tiruan

adalah sistem

selular fisik

yang

dapat

memperoleh,

menyimpan

dan

menggunakan

pengetahuan

yang

didapatkan

dari pengalaman”.

• DARPA Neural

Network Study

(1988, AFCEA International

Press, p. 60)

mendefinisikan jaringan syaraf buatan sebagai berikut :

Sebuah

jaringan

syaraf

adalah sebuah

sistem

yang dibentuk

dari

sejumlah elemen

pemroses sederhana yang bekerja secara paralel dimana

fungsinya ditentukan oleh

stuktur

jaringan,

kekuatan

hubungan,

dan

pengolahan dilakukan

pada

komputasi

elemen atau nodes.

Jaringan saraf tiruan menyerupai otak manusia dengan dua cara :

Pengetahuan

yang

diperoleh

jaringan

dari

lingkungannya

melalui

proses

pembelajaran.

Kekuatan hubungan antar neuron, dikenal dengan istilah synaptic weight, dan

digunakan untuk menyimpan pengetahuan yang diperoleh.

Neural

network

sendiri pun

dibagi-bagi kembali

menjadi beberapa

bagian

yang

lebih

kecil,

dimana

masing-masing metode

mempunyai

karakteristik

sendiri-sendiri,

serta

memiliki

keunggulan dan

kelemahan

dalam

mengenali

suatu

pola.

Metode-metode

tersebut

diantaranya adalah

Bidirectional

associate

memory

atau

lebih

dikenal dengan

istilah

BAM,

Hopfield

Network, Counter Propagation

Network, Backpropagation

dan

masih

banyak

metode-metode

lainnya

yang

sudah

atau

sedang

dikembangkan dengan

para ahli.

Pada umumnya neural network dibagi berdasarkan layer-layer yaitu input layer,

hidden layer, output layer. Setiap node pada masing-masing layer memiliki suatu error

rate, yang akan digunakan untuk proses training.

Pada

kenyataannya

(kebiasaannya), kebanyakan

neural

system

harus

diajari

(training)

terlebih dahulu. Mereka akan mempelajari asosiasi, pattern, dan fungsi

yang

baru. Pemakai-pemakai neural network tidak menspesifikasikan sebuah algoritma untuk

dieksekusi

dalam setiap

perhitungan. Mereka

akan

memilih

arsitektur

tertentu dengan

pandangan

mereka,

dengan

karakteristik neuron,

weight,

dan

memilih

model

training

sendiri. Sehingga dari hasil tersebut, informasi network dapat diubah oleh para pemakai.

Arfiticial

neural

system

juga

dapat

mengkalkulasi teknik

matematik,

seperti

meminimalisasi kesalahan suatu perhitungan.

Neural

network

sangat

berperan

dalam

teknologi

dan

beberapa

disiplin

ilmu,

yang membantu dalam menentukan model-model neural network dan system non linear

dynamic. Salah satunya adalah matematika.

Matematika

adalah model neural yang

paling

berpotensi

karena

kekompleksannya. Elektronika

dan

ilmu

komputer

juga

menggunakan metode ini, karena berperan dalam pengiriman sinyal data.

2.5.3. Sejarah Perkembangan Jaringan Saraf Tiruan

Sejarah Perkembangan Jaringan Saraf

Tiruan

dimulai pada

tahun

1949, Donald

Hebb

melakukan algoritma

Learning

atau

training

yang

mengatakan bahwa

jika

dua

neuron

aktif

secara

simultan,

maka kekuatan

hubungan

antar

neuron

akan

meningkat.

Kemudian pada tahun 1950an dan 1960an, sebuah perkumpulan yang bernama Group of

Researchers berhasil menemukan konsep perceptrons. Pada tahun berikutnya yaitu

tahun 1969,

Marvin

Minsky

secara

matematis

menunjukkan kelemahan

perceptrons.

Penelitian Jaringan Saraf Tiruan pada tahun 1970an. Tahun 1987, Group of Researchers

menggelar International Conference on Neural network, San Diego, AS.

2.5.4. Sistem Neural

a. Node

Neuron

adalah unit

pemprosesan

informasi

yang

merupakan dasar

dari operasi

jaringan saraf tiruan. Sel-sel saraf tiruan ini dirancang berdasarkan sifat-sifat dari neuron

biologis. Sel saraf tiruan ini biasa disebut sebagai processing elements, unit atau node.

Node adalah sebuah sel neuron

yang disetiap node-nya

memiliki output, error,

dan weight.

Jadi

setiap

node,

dimanapun itu

pasti

memiliki ketiga

unsur

tersebut.

Hubungan antar node diasosiasikan dengan suatu nilai

yang disebut dengan bobot atau

weight. Setiap node pasti memiliki output, error dan bobotnya masing-masing.

Output merupakan keluaran dari suatu node. Error

merupakan tingkat kesalahan

yang

terdapat

dalam suatu node dari proses

yang

dilakukan. Weight

merupakan bobot

dari node

tersebut

ke node

yang

lain

pada

layer

yang

berbeda. Nilai

weight

berkisar

antara -1 dan 1.

Bobot-bobot atau weight yang tersimpan di dalam jaringan saraf tiruan ini

disebut

sebagai

bobot

interkoneksi. Nilai bobot

yang baik

akan

memberikan keluaran

yang sesuai, dalam arti mendekati keluaran yang diharapkan (target output) untuk suatu

input yang diberikan.

Menurut Mitchell (1997) bobot awal dalam suatu jaringan saraf

tiruan biasanya

diperoleh

secara

random dan sebaiknya

diinisialisasi

dengan

nilai

yang

relative kecil,

yaitu berkisar antara -0,1 sampai 0,1.

Memasuki tahap pelatihan, bobot tersebut akan

mengalami penyesuaian melalui suatu proses perhitungan matematik agar tercapai nilai

bobot yang sesuai.

Input, Hidden, dan Output Layer

Input layer merupakan layer tempat sebuah input dimasukkan (inisialisasi input),

dan layer ini dilakukan proses-proses selanjutnya. Menurut Michell

(1997) hidden layer

berfungsi untuk membantu proses. Semakin banyak hidden layer yang digunakan, maka

semakin

bagus

dan

semakin

cepat

pula

output

yang

diinginkan

didapat.

Akan

tetapi

waktu training akan berlangsung semakin lama.

Output

layer

adalah

layer

yang

menampung hasil

proses

dari

suatu

neural

network.

Forward

propagation

bertujuan

untuk

menentukan output

dari

suatu

node.

output

yang

dimaksud

disini

adalah

output

dari

output

layer.

Karena

masing-masing

node tersebut memiliki output.

c. Training

Proses belajar suatu neural network terdiri dari proses Forward, Backward, dan

Update

Weight, sekali

melewati 3

tahap

itu disebut

dengan

kali

training

cycle).

Semakin banyak training

yang dilakukan

maka akan semakin kecil pula tingkat error

yang

dihasilkan di

output

layer-nya.

Dengan

demikian semakin kecil

juga

error

suatu

sistem.

Menurut Rao (1995), ada dua metode Learning dalam neural network, yaitu :

1. Supervised Learning adalah suatu metode dimana neural network belajar dari

pasangan data input dan target, pasangan ini disebut training pair. Biasanya jaringan

dilatih

dengan

sejumlah training

pair,

dimana

suatu

input

vektor

aplikasikan,

menghasilkan

nilai

output,

lalu

hasil

pada

output

tersebut

akan

dibandingkan

dengan target output. Selisihnya akan dikembalikan ke jaringan, kemudian dihitung

error-nya,

melalui error ini akan didapatkan selisih yang terdapat di dalam weight.

Oleh

karena

itu

terdapat

weight

baru

yang

cenderung

memiliki

error

yang

lebih

kecil,

sehingga akan

didapat error

yang

lebih

minimum

dari

error

yang pertama.

Vektor-vektor

dalam

training set diaplikasikan

seluruhnya

secara

berurutan.

Pertama-tama error dihitung, kemudian weight disesuaikan sampai seluruh training

set menghasilkan error yang sekecil-kecilnya. Pada dasarnya konsep ini berawal dari

konsep human brain.

Model Neural network yang menggunakan metode Supervised Learning diantaranya

adalah sebagai berikut :

a. Model Backpropagation

b. Model Biderectional Associative Memory

c. Hopfield Network

2. Non-Supervised (Unsupervised) Learning

Unsupervised Learning dianggap sebagai model dalam konsep sistem biologis. Teori

ini

dikembangkan oleh

Kohonen

(1984)

dan

beberapa

ilmuan

lainnya.

Dalam

Unsupervised

Learning

tidak

diperlukan target

output.

Training

hanya

terdiri dari

vektor-vektor input, tanpa

memiliki pasangan

target. Algoritma training

mengubah

weight

jaringan

untuk

menghasilkan output

yang

konsisten.

Aplikasi

dari

vektor-

vektor yang

cukup serupa

menghasilkan pola

output yang

sama. Dengan demikian

proses training akan

menghasilkan sifat-sifat statistik dalam bentuk pengelompokan

vektor-vektor

dalam

beberapa

kelas. Dengan mengaplikasikan

suatu vektor dari

suatu kelas sebagai input, maka akan menghasilkan vektor output yang spesifik.

Model Neural

network

yang

menggunakan metode Non-Supervised

(Unsupervised)

Learning diantaranya adalah sebagai berikut :

a. Adaptive Resonance Theory (ART)

b. Compotitive Learning

c. Kohonen’s self organizing maps.

2.5.5. Arsitektur Jaringan Saraf Tiruan

Arsitektur

jaringan

adalah

lapisan

yang

menggambarkan pola

keterhubungan

antara

neuron,

baik

didalam

lapisan

yang

sama

maupun

antara

lapisan

yang berbeda.

Menurut Kusumadewi (2003) ada beberapa arsitektur jaringan saraf, antara lain :

1. Single Layer Neural Network

Single

Layer

Neural

Network

adalah

Neural

network

yang

hanya

memiliki satu

lapisan dengan bobot terhubung. Jaringan ini hanya menerima input kemudian secara

langsung

mengolahnya menjadi

output

tanpa

harus

melalui

lapisan

tersembunyi.

Neuron-neuron

pada

lapisan

ini

saling

berhubungan. Semua

unit

input

akan

dihubungkan dengan setiap unit output.

2. Multi Layer Neural Network

Multi Layer

Neural Network

adalah

neural network yang

memiliki karakteristik

multi layer dimana setiap node pada suatu layer terhubung dengan setiap node pada

layer didepannya. Berasitektur umpan maju atau lebih dikenal dengan feed forward

network yang menggunakan metode supervised Learning.

Model

ini

merupakan

model

yang

paling

sering

dipakai

dalam pengembangan

sistem

neural dan

memiliki kinerja

yang sangat baik dalam sisi keakuratan. Model

ini

mempunyai dua fase dalam pelatihannya yaitu fase forward dan backward. Cara kerja

jaringan

ini

adalah

setelah

input masuk

input layer maka

data

akan

diolah

dan

diteruskan ke masing-masing bagian di depannya sampai pada output layer. Nilai di

Output layer akan dibandingkan dengan nilai target, lalu akan dihasilkan sinyal

error

bagi

masing

node

output

layer.

Kemudian

sinyal

ini

ditransmisikan

kembali

atau lebih dikenal dengan Backpropagation yang berasal dari lapisan keluaran ke

masing-masing sel pada lapisan sebelumnya.

Gambar 2.9 Konsep Backpropagation.

Umumnya operasi model jaringan ini terdapat dua mekanisme kerja yaitu :

1. Mekanisme latihan atau belajar ( Training mode / Learning mode ). Pada mekanisme

ini, jaringan akan

dilatih

untuk

dapat

menghasilkan data

seusai dengan

target

yang

diharapkan

melalui

satu

atau

lebih

pasangan-pasangan data

(data

input

dan

data

target).

Semakin lama

waktu

latihan

maka

kinerja

jaringan

akan

semakin baik.

Demikian

juga

dengan

semakin

banyak

pasangan

data

yang

digunakan dalam

pelatihan maka kinerja akan semakin baik.

Mekanisme produksi

(Production

Mode)

atau

biasa

disebut

dengan

mekanisme

pengujian

(Try Out Mode), pada mekanisme ini, jaringan diuji apakah dapat

mengenali

sesuai

dengan

apa yang

diharapkan,

setelah

melalui

proses pelatihan

terlebih dahulu.

2.6. Metode Backpropagation

Backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya

digunakan

oleh

perceptron

dengan

banyak

lapisan

untuk

mengubah bobot-bobot

yang

terhubung

dengan

neuron-neuron

yang

ada

pada

lapisan

tersembunyinya. Algoritma

backpropagation

menggunakan error

output

untuk

mengubah

nilai

bobot-bobotnya

dalam arah mundur (backward). Untuk

mendapatkan error

ini, tahap perambatan maju

(feedfoward) harus dikerjakan terlebih dahulu.

Inti

dari

Backpropagation

adalah

untuk

mencari error

suatu

node.

Dari

hasil

forward phase

akan dihasilkan suatu output,

dari output

tersebut, pastilah tidak

sesuai

dengan

target

yang

diinginkan.

Perbandingan kesalahan

dari

target

yang

diinginkan

dengan output yang dihasilkan disebut dengan error.

Menurut

Haykin

(1999)

Backpropagation

merupakan suatu

teknik

untuk

meminimalisasi gradient pada dimensi weight dalam jaringan saraf tiruan

lapis banyak

(multi

layer

neural

network),

proses

pelatihan

akan

dilakukan

berulang-ulang

sampai

nilai error lebih kecil dari yang ditentukan.

Dalam

proses

pelatihan

jaringan

Backpropagation

ini,

digunakan fungsi

nilai

ambang

batas

binary

sigmoid.

Menurut

Fausett

(1994)

sebelum

melakukan proses

pelatihan, terdapat beberapa parameter jaringan yang harus ditentukan dahulu, yaitu :

Tingkat

pelatihan

(Learning

rate)

yang

dilambangkan dengan

parameter,

harus

diberikan dan

mempunyai nilai positif

kurang dari

satu. Semakin

tinggi

nilainya,

maka semakin cepat kemampuan jaringan untuk belajar. Akan tetapi hal ini kurang

baik.

Karena error

yang

dihasilkan tidak

merata, tidak

merata

disini

maksutnyua

adalah error untuk pembelajarannya tidak tentu, bisa lebih banyak di sisi tertentu.

2. Toleransi kesalahan (error tolerance), semakin kecil kesalahan, maka jaringan akan

memiliki nilai bobot yang lebih akurat, tetapi akan memperpanjang waktu pelatihan.

3. Jumlah maksimal proses pelatihan yang dilakukan (maximum epoch), biasanya

bernilai besar dan diberikan untuk mencegah terjadi perulangan tanpa akhir.

4. Nilai ambang batas atau bias (threshold value), dilambangkan ?. Parameter ini tidak

harus diberikan (optional). Apabila tidak diberikan, maka nilainya sama dengan nol.

2.6.1. Penjelasan Backpropagation

Inti

dari

Backpropagation

adalah

untuk

mencari error

suatu

node.

Dari

hasil

forward phase

akan dihasilkan suatu output,

dari output

tersebut, pastilah tidak

sesuai

target

yang

diinginkan.

Perbandingan kesalahan

dari

target

yang

diinginkan

dengan

output yang dihasilkan disebut dengan error.

Dalam

Backpropagation

juga

dikenal

istilah

yang

disebut

inisialisasi output.

Inisialisasi output pada dasarnya adalah menentukan error di suatu node dengan sebuah

target yang diinginkan. Karakteristik Backpropagation dapat diuraikan sebagai berikut:

1. Node / processing element dan fungsi aktivasi

Kontinu.

Dapat dideferensiasikan /

diteruskan.

Turunan fungsi mudah dihitung.

Fungsi aktivasi yang biasa digunakan adalah fungsi sigmoid.

2. Topology

Terdiri dari satu

lapisan

masukan (input layer), satu atau

lebih

lapisan tersembunyi

(hidden layer), dan satu lapisan keluaran (output layer). Setiap neuron / processing

element

pada

suatu

lapisan

mendapat sinyal

masukkan

dari

semua

neuron

pada

lapisan sebelumnya (beserta sinyal bias).

3. Learning Rule

Menggunakan delta rule atau error connection Learning rule.