 6
BAB II
LANDASAN TEORI
2.1 Jaringan Syaraf Biologi
Jaringan Syaraf Tiruan merupakan suatu representasi buatan dari otak manusia
yang dibuat agar dapat mensimulasikan apa yang dipejalari melalui proses pembelajaran
pada Jaringan Syaraf Tiruan tersebut.Disebut jaringan syaraf tiruan karena jaringan
syaraf tiruan ini di implementasikan dengan menggunakan program pada komputer yang
mampu untuk menyelesaikan proses pembelajaran.
Didalam otak manusia terdiri dari banyak sekali neuron yang terhubung satu
sama lain. neuron bekerja berdasarkan sinyal yang diberikan oleh neuron lain dan
kemudian meneruskannya kepada neuron lainnya dan penghubung antar neuron disebut
dengan sinapsis. Neuron memiliki 3 bagian utama yaitu dendrit, badan sel dan akson.
Dendrit berfungsi untuk menerima sinyal infornasi dari satu atau banyak neuron yang
terhubung. Sinyal yang diterima oleh dendrit akan diteruskan ke badan sel, jika badan
sel cukup kuat untuk mengaktifkan sebuah neuron, maka neuron akan mengirimkan
sinyal kesemua neuron yang terhubung melalui akson.
Gambar 2.1 Sel saraf biologi
|
 7
2.2 Jaringan Syaraf Tiruan (Artificial Neural Network)
Jaringan Syaraf Tiruan (Artificial Neural Network) merupakan bentuk
perhitungan yang merepresentasikan jaringan syaraf pada manusia. Sama seperti
jaringan syaraf manusia, jaringan syaraf tiruan ini memiliki neuron yang berfungsi untuk
memproses input dan output. Pembuatan jaringan syaraf tiruan ini bertujuan agar
komputer dapat mengenali pola, bentuk dan struktur tertentu.
Menurut Haykin, S. (1994), Neural Networks: A Comprehensive Foundation,
NY, Macmillan, mendefinisikan “Sebuah jaringan syaraf adalah prosesor yang
terdistribusi paralel dan mempunyai kecenderungan untuk menyimpan pengetahuan
yang didapatkannya dari pengalaman dan membuatnya untuk tetap tersedia untuk
digunakan. Hal ini menyerupai kerja otak dalam dua hal yaitu pengetahuan diperoleh
oleh jaringan melalui suatu proses belajar dan kekuatan hubungan antar sel syaraf yang
dikenal dengan bobot, sinapsis digunakan untuk menyimpan pengetahuan”.
Pada buku DARPA Neural Network Study (1988, AFCEA International Press,
halaman 60) didefenisikan “jaringan syaraf tiruan adalah sebuah sistem yang terdiri dari
banyak elemen pengolahan yang beroperasi secara paralel yang fungsinya ditentukan
oleh struktur jaringan, kekuatan hubungan, dan pengolahan dilakukan pada komputasi
elemen atau nodes”.
Neuron model pada jaringan syaraf tiruan dapat dibedakan menjadi 2 macam:
2.2.1 Jaringan Syaraf Tiruan Masukan Tunggal (Single-input Neuron)
Gambar 2.2 Jaringan syaraf tiruan masukan tunggal
|
 8
Dimana pada jaringan syaraf tiruan ini hanya memiliki 1 masukan saja, jika kita
kaitkan dengan jaringan syaraf biologi bobot(w) disebutkan sebagai sinapsis,
badan sel disebutkan sebagai penjumlahan(
?) dan fungsi tra
nsfer dan neuron
ouput(a) disebutkan sebagai akson.
neuron output dapat dihitung menggunakan :
a = ƒ(Wp+b)
dimana
ƒ
adalah fungsi transfer.
2.2.2 Jaringan Syaraf Tiruan Masukan Lebih dari 1 (Multiple-Input Neuron)
Gambar 2.3 Jaringan syaraf tiruan masukan lebih dari 1
Pada jaringan ini terdapat banyak input. Untuk perhitungan output dari jaringan
syaraf tiruan ini dapat dihitung menggunakan :
a = ƒ(Wp+b)
dimana ƒ adalah fungsi transfer dari jaringan.
2.2.3 Fungsi Transfer
Fungsi di pilih untuk memenuhi secara spesifik masalah yang terjadi pada
jaringan syaraf tiruan agar dapat diselesaikan. Fungsi transfer yang sering dipergunakan
yaitu hard limit, linier, dan log sigmoid.
Hard Limit
Transfer fungsi ini dipakai ketika output sama dengan 0 jika input argument dari
fungsinya adalah kurang dari 0 atau output
1 jika input
argument besar atau sama
dengan 0.
|
 9
Gambar 2.4 Hard limit fungsi transfer
Linier
Transfer fungsi linier digunakan ketika output (a) sama dengan input argument
(n).
Gambar 2.5 Transfer Fungsi Linier
Log Sigmoid
Transfer fungsi log sigmoid mengambil nilai input berdasarkan range dari minus
hingga plus tanpa ada batasan dan nilai output adalah range dari 0 hingga 1.
Gambar 2.6 Transfer fungsi Logsig
|
 10
Table transfer Fungsi
Table 2.1 Transfer fungsi
Nama
Input / Output
Icon
Fungsi pada Matlab
Hard Limit
a = 0 n < 0
a = 1 n = 0
hardlim
Symmetrical Hard
Limit
a = -1 n < 0
a = +1 n = 0
Hardlims
Linier
a = n
Purelin
Saturating Linier
a = 0 n < 0
a = n 0
= n =1
a = 1 n > 1
Satlin
Symmetric
Saturating Linier
a = -1 n <- 1
a = n -1
= n =1
a = 1 n > 1
Satlins
Log Sigmoid
Logsig
Hyperbolic
Tangent Sigmoid
Tansig
Positive Linier
a = 0 n < 0
a = n 0
= n
Poslin
Competitive
a = 1 neuron dengan nilai max n
a = 0 semua neuron
Compet
|
 11
Arsitektur dari jaringan syaraf tiruan dapat dibedakan menjadi :
Jaringan syaraf tiruan lapisan tunggal (single layer network)
Jaringan syaraf tiruan lapisan tunggal hanya memiliki 1 lapisan dengan bobot
yang terhubung. Jaringan ini akan memproses input
yang dimasukan langsung
mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi(hidden layer).
Jaringan ini biasa dikenal dengan 1 lapisan input dan 1 lapisan output.
Input Layer Output Layer
Gambar 2.7 Jaringan lapisan tunggal
Jaringan syaraf tiruan lapisan lebih dari 1 (multi layer network)
Jaringan syaraf tiruan dengan memiliki lebih dari 1 lapisan yang terletak diantara
lapisan input dan lapisan output (memiliki lebih dari 1 hidden layer). Jaringan dengan
banyak lapisan ini biasa digunakan untuk menyelesaikan permasalahan yang sulit atau
pembelajaran yang rumit.
Input Layer
Hidden Layer
Output Layer
Gambar 2.8 jaringan lapisan lebih dari 1(multi layer)
|
 12
Input Layer
Merupakan data yang kita masukan untuk diproses dalam pembelajaran
jaringan syaraf tiruan. Banyak jumlah node pada input layer tergantung
banyak data input yang kita masukan kedalam jaringan.
Hidden Layer
Banyaknya node pada lapisan ini bervariasi sesuai berapa banyak hidden
layer yang digunakan. Semakin banyak hidden layer
yang digunakan
maka akan semakin bagus juga hasil output yang dihasilkan, tetapi
dengan banyaknya hidden layer yang digunakan maka waktu yang
dibutuhkan untuk pembelajaran(training) akan menjadi lama (Mitchell,
1997, P115).
Output Layer
Banyaknya node pada lapisan output ini tergantung dari jaringan syaraf
tiruan itu sendiri. Dimana sebelumnya kita telah memasukan input dan
output pada saat melakukan pembelajaran(training).
2.2.4 Training
Proses pembelajaran suatu neural network terdiri dari proses Forward,
Backward, dan Update Bobot. 1 kali training bila melawati 3 proses tersebut.
Semakin lama Training yang dilakukan pada sebuah jaringan syaraf tiruan semakin kecil
pula error yang dihasilkan.
Menurut Rao (1995, p5), ada 2 metode pembelajaran (learning) dalam jaringan
syaraf tiruan :
1.
Supervised Learning
Supervised Learning adalah suatu metode dimana jaringan syaraf tiruan belajar
dari pasangan data input dan output yang sudah diketahui. Biasanya jaringan
dilatih dengan input dan target dimana suatu input vektor diaplikasikan
menghasilkan nilai output, lalu hasil dari output akan dibandingkan dengan target
output, dan selisihnya akan dimasukan kedalam jaringan syaraf tiruan untuk
diperkecil error yang ada.
|
|
13
2.
Unsupervised Learning
Unsupervised Learning dianggap sebagai model dalam konsep sistem biologis.
Teori ini dikembangkan oleh Kohonen (1984)
dan berapa ilmuwan lainnya.
dalam jaringan syaraf tiruan jenis unsupervised learning ini tidak diperlukan
pasangan input dan target. Sistem pelatihannya hanya dengan menggunakan
input saja yang lama kelamaan akan mengetahui karakteristik dari input dan akan
membuat kelas secara sendirinya.
2.3 Backpropagation
Backpropagation merupakan metode algoritma pembelajaran jenis supervised
(terawasi) dimana input dan target pada Jaringan Syaraf Tiruan ini diketahui atau
ditentukan. Algoritma Backpropagation menggunakan nilai error output
untuk
mengubah (update) bobot-bobot pada jaringan dalam arah mundur. Untuk mendapatkan
nilai error
jaringan ini melakukan perambatan maju (forward backpropagation).
Perambatan maju diartikan jaringan berjalan secara maju dari input hingga output maka
akan didapatkan nilai error. Dan nilai error tersebut akan di ubah(update) secara
mundur.
Algoritma backpropagation (Fausett, 1994)
1. Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil)
2. Tentukan : maksimum Epoch, target error, dan Learning Rate(a)
3. Inisialisasi Epoch = 0
4. Selama (Epoch < Maksimum) dan (error > target error), maka akan dilakukan :
a. Epoch = Epoch+1
b. dilakukan pembelajaran :
Feedforward
1. Tiap input (P,i i = 1, 2, 3, 4. . . . .n) akan diteruskan ke semua unit lapisan tersembunyi
(Hidden Layer).
|
|
14
2.
Tiap unit lapisan tersembunyi menjumlahkan input bobot, lalu digukanan fungsi
aktivasi untuk menghitung sinyal output dan sinyal ini akan dikirimkan kesemua unit
lapisan keluaran (output layer).
Backpropagation
1. Tiap output layer menerima target dengan pola pembelajaran, lalu hitunng error
2. update nilai bobot untuk memperoleh nilai error yang sesuai ditentukan.
Training Backpropagation
Pada pelatihan backpropagation yang kita latih adalah matriks yang berisi bobot dan
bias untuk dapat menyesuaikan hasil sesuai dengan target yang ditentukan, berikut blok
diagram cara kerja pelatihan backpropagation.
|
 15
Gambar 2.9 Blok Diagram Pelatihan Backpropagation
Pada pelatihan ini pelatihan akan berulang jika mse atau error yang terdapat lebih besar
dibanding nilai yang telah ditetapkan dan nilai total training yang tidak melebihi training
yang ditentukan jika memenuhi criteria seperti pada gambar maka training akan terus
berulang hingga nilai mse lebih kecil dari nilai yang ditentukan dan training yang
dilakukan belum mencapai nilai yang ditentukan.
|