Neural Network menyerupai otak manusia dalam dua hal, yaitu:

Transkripsi

1 2.4 Artificial Neural Networ Konsep dasar Neural Networ Neural Networ (Jaringan Saraf Tiruan) merupaan prosesor yang sangat besar dan memilii ecenderungan untu menyimpan pengetahuan yang bersifat pengalaman dan membuatnya siap untu digunaan [9]. Neural Networ menyerupai ota manusia dalam dua hal, yaitu: 1. Pengetahuan diperoleh jaringan melalui proses belajar. 2. Keuatan hubungan antar sel syaraf (neuron) yang dienal sebagai bobot-bobot sinapti digunaan untu menyimpan pengetahuan. Pada jaringan syaraf, neuron-neuron aan diumpulan dalam lapisan-lapisan (layer) yang disebut dengan lapisan neuron (neuron layers). Informasi yang diberian pada jaringan syaraf aan dirambatan e lapisan demi lapisan, mulai dari lapisan input sampai e lapisan output melewati lapisan tersembunyi atau hidden layer. Satu sel syaraf terdiri dari tiga bagian, yaitu: fungsi penjumlah (summing function), fungsi ativasi (activation function), dan eluaran (output). Secara matematis ita dapat mendisripsian sebuah neuron dengan menulisan pasangan persamaan sebagai beriut : P µ = w x.(2.8) j= 1 j j y ( µ θ ) = ϕ (2.9) dimana x 1, x 2,, x p adalah sinyal input; w 1, w 2,, wp adalah bobot-bobot sinapti dari neuron ; µ adalah linear combiner output; w adalah threshold; u(.) adalah fungsi ativasi; dan y adalah sinyal output dari neuron. Penggunaan threshold memberian pengaruh adanya affine transformation terhadap output u dari linear combiner pada model gambar 1 sebagai beriut: V = U - θ (2.10) 12

2 Gambar 2.4 Model Matematis Nonlinier Dari Suatu Neuron Arsitetur Neural Networ Hubungan antar neuron dalam jaringan saraf mengiuti pola tertentu, tergantung dari arsitetur jaringan sarafnya. Terdapat 3 jenis arsitetur jaringan saraf [8] yaitu : 1. Jaringan saraf lapisan tunggal (Single Layer) Arsitetur jaringan saraf ini hanya memilii satu lapisan dengan bobot yang terhubung. Jaringan ini hanya menerima input dan langsung mengolahnya menjadi output tanpa harus melewati lapisan tersembunyi. Jadi ciri ciri dari arsitetur jaringan ini hanya memilii 1 lapisan input dan 1 lapisan output tanpa ada hidden layer. 2. Jaringan saraf dengan banya lapisan (Multi layer) Arsitetur jaringan ini memilii 1 atau lebih lapisan tersembunyi diantara lapisan input dan lapisan output. Secara umum, terdapat lapisan bobot diantara 2 lapisan yang berseblahan. Jaringan dengan banya lapisan dapat menyelesaian masalah yang lebih rumit dibandingan dengan jaringan lapisan tunggal, tentu dengan pembelajaran yang lebih rumit. 3. Jaringan saraf dengan ompetitif (Competitive layer) Arsitetur jaringan ini memilii bentu yang berbeda deban arsitetur lainnya, dimana neuron neuron dapat saling dihubungan 13

3 Dari etiga jenis arsitetur tersebut yang aan digunaan adalah Jaringan Saraf dengan banya lapisan (Multi Layer Neural Networ) Metode Pelatihan / Pembelajaran Neural Networ Ciri utama dari Neural Networ adalah pada emampuannya dalam hal learning(belajar). Proses belajar pada Neural Networ dapat dilihat sebagai cara untu memperbaii arsitetur jaringan dan bobot onesi. Secara umum proses belajar pada Neural Networ digolongan menjadi dua bagian yaitu [8] : 1. Belajar dengan pengawasan Pada proses belajar dengan pengawasan, haringan diberian target yang harus dicapai sebagai dasar untu mengubah hubungan interonesi atau bobot pada jaringan. Contoh jaringan yang belajar dengan pengawasan adalah Bacpropagation, yang aan digunaan pada sistem. 2. Belajar tanpa pengawasan Pada proses pengawasan, jaringan dibeali dengan pengetahuan dasar berupa parameter dan emudian mengorganisasian sendiri hubunganhubungan interonesi dalam dirinya atas masuan yang diberian sehingga dengan demiian target tida dibutuhan. Contoh : Adapative Resonance Theory (ART), ohenen, dan adeline Fungsi Ativasi Neural Networ Ada beberapa pilihan fungsi ativasi yang digunaan dalam metode bacpropagation, seperti fungsi sigmoid biner, dan sigmoid bipolar. Fungsi ativasi diharapan dapat mendeati nilai-nilai masimum dan minimum secara bai. Beriut ini adalah fungsi ativasi yang sering digunaan yaitu: [10] 1. Sigmoid Biner (logsig) Fungsi ini digunaan untu jaringan syaraf yang dilatih dengan menggunaan metode bacpropagation. Fungsi sigmoid biner memilii 14

4 nilai pada range 0 sampai 1. Oleh arena itu, fungsi ini sering digunaan untu jaringan syaraf yang membutuhan nilai output yang terleta pada interval 0 sampai 1, namun fungsi ini juga dapat digunaan oleh jaringan syaraf yang nilai outputnya 0 atau 1 = fx = 2. Sigmoid Bipolar (tansig) (2.11) Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja output dari fungsi ini memilii range antara 1 sampai Bacpropagation Arsitetur Bacpropagation = fx =.(2.12) Bacpropagation memilii beberapa unit yang ada dalam satu lebih layer tersembunyi. Gambar 2.6 adalah arsitetur bacpropagation dengan n buah masuan, sebuah layer tersembunyi yang terdiri dari p unit, serta m buah unit eluaran. Vji merupaan bobot garis dari unit masuan xi e unit layer tersembunyi z (V j0 merupaan bobot garis yang menghubungan bias di unit masuan e unit layer tersembunyi Zj ).Wj merupaan bobot dari unit layer tersembunyi. Zj e unit eluaran y (W0 merupaan bobot dari bias di layer tersembunyi e unit eluaran Y.) Gambar 2.5 Arsitetur Bacpropagation 15

5 2.5.2 Pelatihan Bacpropagation Pelatihan Bacpropagation meliputi 3 fase [10] : Fase I : Propagasi Maju Selama propagasi maju, sinyal masuan (= x i) dipropagasian e layer tersembunyi menggunaan fungsi ativasi yang ditentuan. Keluaran dari setiap unit layer tersembunyi (= Zj ) tersebut selanjutnya dipropagasian maju lagi e layer tersembunyi dia atasnya menggunaan fungsi ativasi yang ditentuan. Demiian seterusnya hingga menghasilan eluaran jaringan (= Y ). Algoritma pelatihan untu jaringan dengan satu layer tersembunyi (dengan fungsi ativasi sigmoid biner) adalah sebagai beriut : Langah 0 : Inisialisasi semua bobot dengan bilangan aca ecil Langah 1 : Jia ondisi penghentian belum terpenuhi, lauan langah 2-9 Langah 2 : Untu setiap pasang data pelatihan, lauan langah 3-8 Fase I : Propagasi Maju Langah 3 unit tersembunyi di atasnya : Tiap unit masuan menerima sinyal dan menerusannya e Langah 4 : Hitung semua eluaran di unit tersembunyi Zj (j = 1,2,3,p) _ = + (2.13) =! = "_#$% & (2.14) Langah 5 : Hitung semua eluaran jaringan di unit y ( = 1,2,3.,m) _ ' = ( ' + ( ' (2.15) ' = ) ' * = +_#$%, (2.16) 16