BAB 2 LANDASAN TEORI

Transkripsi

1 BAB 2 LANDASAN TEORI 2.1 Kecerdasan Buatan (Artificial Intelligence) Kecerdasan buatan (Artificial Intelligence) adalah bagian dari ilmu komputer yang mempelaari bagaimana membuat mesin (komputer) dapat melakukan pekeraan seperti dan sebaik yang dilakukan oleh manusia bahkan bisa lebih baik daripada yang dilakukan manusia. 1. Menurut T. Suteo, Edi Mulyanto, dan Vincent Suhartono, 2010, Kecerdasan buatan meruuk pada mesin yang mampu berpikir, menimbang tindakan yang akan diambil dan mampu mengambil keputusan seperti yang dilakukan oleh manusia. 2. Menurut Anita Desiani dan Muhammad Arhami, 2005, Kecerdasan buatan merupakan cabang dari ilmu komputer yang konsern dengan pengautomatisasi tingkah laku cerdas. 3. Menurut Suyanto, 2014, Kecerdasan buatan adalah acting rationally dengan pendekatan rational agent. Hal ini berdasarkan pemikiran bahwa komputer bisa melakukan penalaran secara logis dan uga bias melakukan aksi secara rasional berdasarkan hasil penalaran tersebut. Cerdas adalah memiliki pengetahuan dan pengalaman, penalaran yaitu bagaimana membuat keputusan dan mengambil tindakan, serta moral yang baik. Agar mesin bisa cerdas atau bertindak seperti dan sebaik manusia, maka harus diberi bekal pengetahuan dan mempunyai kemampuan untuk menalar. Penerapan kecerdasan buatan digambarkan pada Gambar 2.1. Dua bagian utama yg dibutuhkan untuk aplikasi kecerdasan buatan adalah : a. Basis pengetahuan (knowledgebase): berisi fakta-fakta, teori, pemikiran dan hubungan antara satu dengan lainnya. b. Motor inferensi (inferenceengine): kemampuan menarik kesimpulan berdasarkan pengetahuan.

2 6 Gambar 2.1 Penerapan Kecerdasan Buatan (Puspitaningrum, 2006). 2.2 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut sinapsis. Neuron bekera berdasarkan impuls/sinyal yang diberikan pada neuron. Neuron meneruskannya pada neuron lain. Diperkirakan manusia memiliki neuron dan 6x10 18 sinapsis. Dengan umlah yang begitu banyak, otak mampu mengenali pola, melakukan perhitungan, dan mengontrol organ-organ tubuh dengan kecepatan yang lebih tinggi dibandingkan komputer digital (Puspitaningrum, 2006). Jumlah dan kemampuan neuron berkembang seiring dengan pertumbuhan fisik manusia, terutama pada umur 0-2 tahun. Pada 2 tahun pertama umur manusia, terbentuk 1 uta sinapsis per detiknya. Gambar 2.2 Susunan Neuron Biologis (Puspitaningrum, 2006)

3 7 Berikut ini adalah perbedaan terminologis antara aringan syaraf biologis dan tiruan seperti terlihat pada Tabel 2.1. Tabel 2.1 Perbedaan Jaringan Syaraf Biologis dengan Jaringan Syaraf Tiruan (Puspitaningrum, 2006) Neuron memiliki 3 komponen penting yaitu dendrit, soma dan axon. Dendrit menerima sinyal dari neuron lain. Sinyal/tersebut berupa impuls elektrik yang dikirim melalui celah sinaptik melalui proses kimiawi. Sinyal tersebut dimodifikasi (diperkuat/diperlemah) di celah sinaptik. Berikutnya, soma menumlahkan semua sinyalsinyal yang masuk. Kalau umlahan tersebut cukup kuat dan melebihi batas ambang (threshold), maka sinyal tersebut akan diteruskan ke sel lain melalui axon. Frekuensi penerusan sinyal berbeda-bedaantara satu sel dengan yang lain. Neuron biologi merupakan sistem yang "fault tolerant" dalam 2 hal. Pertama, manusia dapat mengenali sinyal input yang agak berbeda dari yang pernah kita terima sebelumnya. Sebagai contoh, manusia sering dapat mengenali seseorang yang waahnya pernah dilihat dari foto, atau dapat mengenali seseorang yang waahnya agak berbeda karena sudah lama tidak diumpainya. Kedua, otak manusia tetap mampu bekera meskipun beberapa neuronnya tidak mampu bekera dengan baik.jika sebuah neuron rusak, neuron lain kadang-kadang dapat dilatih untuk menggantikan fungsi sel yang rusak tersebut.

4 8 2.3 Jaringan Syaraf Tiruan (JST) Jaringan Syaraf Tiruan (JST) adalah suatu metode pembelaaran yang diinspirasi dari aringan sistem pembelaaran biologis yang teradi dari aringan sel syaraf (neuron) yang terhubung satu dengan yang lainnya (Siang, 2005). Berikut adalah beberapa definisi JST : 1. JST adalah suatu teknik pemrosesan informasi berbasis komputer yang mensimulasikan dan memodelkan sistem syaraf biologis. 2. Suatu model matematika yang mengandung seumlah besar elemen pemroses yang diorganisasikan dalam lapisan-lapisan. 3. Suatu sistem komputasi yang dibuat dari seumlah elemen pemroses yang sederhana dan saling diinterkoneksikan untuk memproses informasi melalui masukan dari luar dan mampu inresponsi keadaan yang dinamis. 4. JST adalah suatu teknologi komputasi yang berbasis hanya pada model syaraf biologis dan mencoba mensimulasikan tingkah laku dan kera model syaraf. 5. JST adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan aringan syaraf biologi. JST dibentuk sebagai generalisasi model matematika dari aringan syaraf biologi, dengan asumsi bahwa : a. Pemrosesan informasi teradi pada banyak elemen sederhana (neuron). b. Sinyal dikirirnkan diantara neuron-neuron melalui penghubung-penghubung. c. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal. d. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanyabukan fungsi linier) yang dikenakan pada umlahan input yang diterima. Besarnya output ini selanutnya dibandingkan dengan suatu batas ambang. Model struktur neuron aringan syaraf tiruan dapat dilihat pada Gambar 2.3 dan Gambar 2.4 dibawah ini.

5 9 Gambar 2.3 Model Struktur Neuron Jaringan Syaraf Tiruan (Siang, 2005) Gambar 2.4 Model Struktur Jaringan Syaraf Tiruan (Siang, 2005) Fungsi aktivasi Fungsi aktivasi adalah salah satu parameter yang terpenting dalam aringan syaraf tiruan. fungsi ini tidak hanya menentukan keputusan garis, disamping nilai fungsi aktivasi uga menunukkan total signal dari node. Oleh karena pemilihan fungsi aktivasi tidak dapat secara sembarangan dipilih sebab sangat besar berdampak pada performan aringan syaraf tiruan (Kusumadewi, 2004). Ada beberapa fungsi aktivasi yang sering digunakan dalam syaraf tiruan, antara lain : a) Fungsi Linear Fungsi linear (ditunukkan oleh gambar 2.5) menyiapkan output tang seimbang untuk total bobot output.

6 10 y = f(x) = x (2.1) 1 Y X - Gambar 2.5 Fungsi Linear (Kusumadewi, 2004) b) Fungsi Threshold Fungsi threshold memetakan bobot input dengan nilai biner [0,1] seperti yang ditunukkan dengan gambar 2.6 dimana : y f x { x x (2.2) Y 1 0 X Gambar 2.6 Fungsi Theshold (Kusumadewi, 2004) c) Fungsi Piecewise Linear Fungsi piecewise linear dapat uga ruang lingkup biner atau bipolar untuk batas saturasi output. fungsi output dapat ditulis sebagai berikut :

7 11 y (x) { x x x x (2.3) 0,5 0,5 Gambar 2.7 Fungsi Piecewise Linear (Kusumadewi, 2004) d) Fungsi Sigmoid Ini type fungsi aktivasi yang mempunyai Garis S-shaped dan bentuk distribusi perubahan sigmois input dimana mempunyai nilai interval [-, ] y (x) (2.4) 0,5 0,5 Gambar 2.8 Fungsi Sigmoid (Kusumadewi, 2004) Single layer perceptron Single layer perceptron hanya memiliki 1 lapisan dengan bobot-bobot terhubung dimana aringan ini hanya menerima masukan kemudian secara langsung akan mengolahnya

8 12 menadi keluaran tanpa harus melalui lapisan tersembunyi (Siang, 2005). Pada gambar berikut neuron-neuron pada kedua lapisan saling berhubungan. Seberapa besar hubungan antara 2 neuron ditentukan oleh bobot yang bersesuaian. Semua unit masukan akan dihubungkan dengan setiap unit keluaran seperti terlihat pada Gambar 2.9. Gambar 2.9 Single Layer Perceptron (Siang, 2005) Multilayer perceptron MLP uga dikenal setara Multilayer Feedforward Neural Network (MLFNN) adalah salah satu yang paling terkenal dan banyak digunakan sebagai type model ANN oleh karena arsitektur dan perbandingan algoritma yang sederhana (Popescu et al., 2009). Dapat uga digunakan sebagai fungsi pembangkit secara menyeluruh, bahkan cocok digunakan untuk enis aplikasi yang besar.

9 13 Gambar 2.10 Multilayer Perceptron (Popescu et al., 2009) Multilayer perceptron tersusun oleh seperangkat sensor moder yang dikelompokkan dalam tiga tingkatan lapisan yang terdiri dari lapisan modul masukan, satu atau lebih perantara atau lapisan tersembunyi dari modul perhitungan dan lapisan keluaran modul yang mengkalkulasikan keluaran dari aringan. semua lapisan berurutan terhubung secara lengkap. hubungan antara modul berbatasan lapisan relay sinyal keluaran dari satu lapisan ke berikutnya. Sebagai contoh, gambar diatas mempunyai 4 vektor dimensi, diikuti oleh 3 lapisan tersembunyi dan yang terakhir lapisan keluaran dimana terdiri dari 1 modul. aringan ANN disebut dengan sebagai aringan Jaringan saraf tiruan uga memiliki seumlah besar kelebihan dibandingkan dengan metode perhitungan lainnya (sistem pakar, statistik, dll), yaitu : 1. Kemampuan mengakuisisi pengetahuan walaupun dalam kondisi adanya gangguan dan ketidakpastian. Hal ini dikarenakan JST mampu melakukan generalisasi, abstraksi, dan ekstrasi terhadap properti statistik dari data.

10 14 2. Kemampuan merepresentasikan pengetahuan secara fleksibel. JST dapat menciptakan sendiri representasi melalui pengaturan diri sendiri atau kemampuan belaar (self organizing). 3. Kemampuan mentolerir suatu distorsi (error/fault ). Dimana gangguan kecil pada data dapat dianggap hanya noise (guncangan) belaka. 4. Kemampuan memproses pengetahuan secara efisien karena memakai sistem paralel, maka waktu yang diperlukan untuk mengoperasikannya menadi lebih singkat. 5. Kemampuan untuk memperoleh pengetahuan melalui pembelaaran dari pengalaman. Walaupun dengan segudang kelebihan yang dimiliki, aringan saraf tiruan tetap mempunyai seumlah keterbatasan. Misal : Kekurangmampuannya dalam melakukan operasi-operasi numerik dengan presisi tinggi, operasi algoritma aritmatik, operasi logika, dan operasi simbolis serta lamanya proses pelatihan yang kadang-kadang membutuhkan waktu berhari-hari untuk umlah data yang besar. Hal itu teradi karena sulitnya mengukur performansi sebenarnya dari aringan saraf tiruan itu sendiri. Saat ini implementasi aringan saraf tiruan sudah cukup luas digunakan mulai dari teknologi militer, satelit ruang angkasa, bisnis dan kesehatan. 2.4 Backpropagation Algoritma pelatihan Backpropagation Neural Network (BPNN) pertama kali dirumuskan oleh Werbos dan dipopulerkan oleh Rumelhart & Mc.Clelland (Kusumadewi, 2004). Pada supervised learning terdapat pasangan data input dan output yang dipakai untuk melatih JST hingga diperoleh bobot penimbang (weight) yang diinginkan. Pelatihan Backpropagation meliputi 3 fase:

11 15 i) fase propagasi mau (feedforward) pola pelatihan masukan. Pola masukan dihitung mau mulai dari layer masukan hingga layer keluaran dengan fungsi aktivasi yang ditentukan; ii) fase propagasi mundur (backpropagation) dari error yang terkait. Selisih antara keluaran dan target merupakan kesalahan yang teradi. Kesalahan tersebut dipropagasi mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit dilayar keluaran; iii) fase modifikasi bobot. Ketiga tahapan tersebut diulangi terus-menerus sampai mendapatkan nilai error yang diinginkan. Setelah training selesai dilakukan, hanya tahap pertama yang diperlukan untuk memanfaatkan aringan syaraf tiruan tersebut. Kemudian, dilakukan penguian terhadap aringan yang telah dilatih. Pembelaaran algoritma aringan syaraf membutuhkan perambatan mau dan diikuti dengan perambatan mundur Fase propagasi mau Selama propagasi mau, sinyal masukan (x 1 ) dipropagasikan ke layer tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari unit tersembuyi (Z 1 ) tersebut selanutnya dipropagasi mau lagi ke layer tersembunyi berikutnya dengan fungsi aktivasi yang telah ditentukan. Dan seterusnya hingga menghasilkan keluaran aringan (y k ). Berikutnya, keluaran aringan (y k ) dibandingkan dengan target yang harus dicapai (t k ). Selisih (t k -y k ) adalah kesalahan yang teradi. Jika kesalahan ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan. Jika kesalahan masih lebih besar dari batas toleransi, maka bobot setiap garis dari aringan akan dimodifikasi untuk mengurangi kesalahan.

12 Fase propagasi mundur Berdasarkan kesalahan t y dihitung faktor δ (k= 1,..., m) yang dipakai untuk k k k mendistribusikan kesalahan di unit Y ke semua unit tersembunyi yang terhubung k langsung dengan Y. δ uga dipakai untuk mengubah bobot garis yang berhubungan k k langsung dengan unit keluaran. Dengan cara yang sama, dihitung faktor δ di setiap layer tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di layer di bawahnya. Dan seterusnya hingga semua faktor δ di unit tersembunyi yang terhubung langsung dengan unit masukan dihitung Fase modifikasi bobot Setelah semua faktor δ dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan bobot suatu garis didasarkan atas faktor δ neuron di layer atasnya. Sebagai contoh, perubahan bobot garis yang menuu ke layer keluaran didasarkan atas yang ada di unit keluaran. Ketiga fase tersebut diulang-ulang hingga kondisi penghentian dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah umlah interasi atau kesalahan. Iterasi akan dihentikan ika umlah iterasi yang dilakukan sudah melebihi umlah maksimum iterasi yang ditetapkan, atau ika kesalahan yang teradi sudah lebih kecil dari batas toleransi yang ditetapkan Prosedur pelatihan Seperti halnya aringan syaraf yang lain, pada aringan feedfoward (umpan mau) pelatihan dilakukan dalam rangka perhitungan bobot sehingga pada akhir pelatihan akan diperoleh bobot-bobot yang baik. Selama proses pelatihan, bobot-bobot diatur secara iteratif untuk meminimumkan error (kesalahan) yang teradi. Error (kesalahan) dihitung berdasarkan rata-rata kuadrat kesalahan (MSE). Rata-rata kuadrat kesalahan uga diadikan dasar perhitungan unuk kera fungsi aktivasi. Sebagian besar pelatihan untuk aringan

13 17 feedfoward (umpan mau) menggunakan gradien dari fungsi aktivasi untuk menentukan bagaimana mengatur bobot-bobot dalam rangka meminimumkan kinera. Gradien ini ditentukan dengan menggunakan suatu teknik yang disebut backpropagation. Pada dasarnya, algoritma pelatihan standar backpropagation akan menggerakkan bobot dengan arah gradien negatif. Prinsip dasar dari algoritma backpropagation adalah memperbaiki bobot-bobot aringan dengan arah yang membuat fungsi aktivasi menadi turun dengan cepat. Langkah-langkah yang dilakukan pada prosedur pelatihan adalah: Langkah 0 : Inisialisasi bobot keterhubungan antara neuron dengan menggunakan bilangan acak kecil misalnya (-0.4 sampai +0.4, -0.5 sampai +0.5 dan - 1sampai +1). (Puspitaningrum D. 2006). Langkah 1 : Kerakan langkah 2 sampai langkah 9 selama kondisi berhenti yang ditentukan tidak dipenuhi. Langkah 2 : Kerakan langkah 3 sampai langkah 8 untuk setiap pasangan pelatihan. Propagasi Mau Langkah 3 : Setiap unit masukan (x i, i 1,., n) menerima sinyal masukan x i, dan menyebarkannya ke seluruh unit pada lapisan tersembunyi Langkah 4 : Setiap unit tersembunyi xi, I 1,.,p umlahkan bobot sinyal masukannya : z _ in vo n i 1 x v i i (2.5) v o = bias pada unit tersembunyi aplikasikan fungsi aktivasinya untuk menghilangkan sinyal keluarannya, z = f (z_in ), dan kirimkan sinyal ini keseluruh unit pada lapisan diatasnya (unit keluaran) Langkah 5 : tiap unit keluaran yk, k 1,.m umlahkan bobot sinyal masukannya :

14 18 y _ in k wo k p 1 z w k (2.6) w ok = bias pada unit keluaran k dan aplikasikan fungsi aktivasinya untuk menghitung sinyal keluarannya, y k = f(y_in k ) Propagasi Balik Langkah 6 : tiap unit keluaran yk, k 1,..,m menerima pola target yang saling berhubungan pada masukan pola pelatihan, hitung kesalahan informasinya, k ( tk yk ) f '( y _ ink ) (2.7) hitung koreksi bobotnya (digunakan untuk mempengaruhi w k nantinya), w k z k (2.8) hitung koreksi biasnya (digunakan untuk mempengaruhi w ok nantinya) wo k k (2.9) dan kirimkan δ k ke unit-unit pada lapisan dibawahnya, Langkah 7 : Setiap unit lapisan tersembunyi z, 1,..p umlah hasil perubahan masukannya (dari unit-unit lapisan diatasnya), m _ in w k 1 k k (2.10) kalikan dengan turunan fungsi aktivasinya untuk menghitung informasi kesalahannya, _ in f '( z _ in ) (2.11) v i x i (2.12) hitung koreksi bias vo (2.13)

15 19 Langkah 8 : Update bobot dan bias pada hubungan antar lapisan w k ( baru) w ( lama) w v ( baru) v ( lama) v i i k i k (2.14) (2.15) Langkah 9 : Tes kondisi terhenti Backpropagation secara garis besar terdiri dari dua fase, fase mau dan fase mundur. Selama fase mau algoritma ini memetakan nilai masukan untuk mendapatkan keluaran yang diharapkan. untuk menghasilkan keluaran pola maka didapatkan dari rekapitulasi bobot masukan dan dipetakan untuk fungsi aktivasi aringan. keluaran dapat dihitung sebagai berikut : o (2.16) di mana, an t ( w ) (2.17) dimana, o w i a net, θ : input dari unit : bobot yang dihubungkan dari unit i ke unit : aringan keluaran untuk unit : bias untuk unit Di dalam fase mundur, pola keluaran (aktual output) kemudian dibandingkan dengan keluaran yang dikehendaki dan sinyal error dihitung untuk masing masing output. Sinyal-sinyal kemudian merambat mundur dari lapisan output ke masing-masing unit dalam lapisan lapisan transisi memberikan kontribusi langsung ke output, dan bobot disesuaikan iterasi selama proses pembelaaran, kemudian error diperkecil selama descent direction. fungsi error pada output neuron digambarkan sebagai berikut : ( t o ) (2.18)

16 20 dimana, n : angka pada modul keluaran didalam lapisan output t k o k : keluaran yang dikendaki dari keluaran unit k : keluaran aringan dari keluaran unit k Parameter α merupakan lau pemahaman yang menentukan kecepatan iterasi. Nilai α terletak antara 0 dan 1 0 a 1. Semakin besar harga α, semakin sedikit iterasi yang dipakai. Akan tetapi ika harga α terlalu besar, maka akan merusak pola yang sudah benar sehingga pemahaman menadi lambat. Satu siklus pelatihan yang melibatkan semua pola disebut epoch. Pemilihan bobot awal sangat mempengaruhi aringan syaraf tiruan dalam mencapai minimum global (atau mungkin lokal saa) terhadap nilai error (kesalahan) dan cepat tidaknya proses pelatihan menuu kekonvergenan. Apabila bobot awal terlalu besar maka input (masukan) ke setiap lapisan tersembunyi atau lapisan output (keluaran) akan atuh pada daerah dimana turunan fungsi sigmoidnya akan sangat kecil. Apabila bobot awal terlalu kecil, maka input (masukan) ke setiap lapisan tersembunyi atau lapisan output (keluaran) akan sangat kecil. Hal ini akan menyebabkan proses pelatihan beralan sangat lambat. Biasanya bobot awal diinisialisasi secara random dengan nilai antara -0.5 sampai 0.5. Setelah pelatihan selesai dilakukan, aringan dapat dipakai untuk pengenalan pola. Keuntungan dari metode backpropagation yaitu : 1. Backpropagation sangat luas digunakan dalam paradigma aringan saraf, dan berhasil diaplikasikan dalam berbagai bidang. Misalnya : pengenalan pola militer, diagnosa kedokteran, klasifikasi gambar, meneremahkan kode, dan dalam deteksi enis penyakit paru. 2. Backpropagation dapat digunakan untuk dua atau lebih lapisan dengan bobot dan menggunakan aturan pengalaman belaar. 3. Pembelaaran dan penyesuaian prosedur didasari konsep yang relatif sederhana. 4. Dapat memisahkan pola yang terpisah secara linear maupun pola yang terpisah tidak linear. Terpisah linear adalah dipisahkan 1 garis linear 2 pola tersebut.

17 21 Adapun kelemahannya yaitu : Waktunya Konvergen, karena pelatihan memerlukan ratusan atau ribuan contoh dalam kumpulan pelatihan, dan mungkin membutuhkan waktu komputasi sepanang hari (atau lebih) untuk menyelesaikan pelatihan. 2.5 Learning Vector Quantization (LVQ) LVQ adalah aringan single layer yang terdiri dari dua lapisan yaitu lapisan input dan output (Nurkhozin, dkk, 2011). Menurut Kusumadewi (2003:258), Learning Vector Quantization (LVQ) adalah suatu metode untuk melakukan pembelaaran pada lapisan kompetitif yang terawasi. Suatu lapisan kompetitif akan secara otomatis belaar untuk mengklasifikasikan vektor-vektor input. Dengan kata lain, LVQ merupakan aringan syaraf dengan tipe arsitektur aringan lapis-tunggal umpan mau (Single Layer Feedforward) yang terdiri atas unit masukan dan unit keluaran. Suatu lapisan kompetitif akan secara otomatis belaar untuk mengklasifikasikan vektor-vektor masukan. Kelas-kelas yang didapatkan sebagai hasil dari lapisan kompetitif ini hanya tergantung pada arak antara vektor-vektor masukan. Jika 2 vektor masukan mendekati sama maka lapisan kompetitif akan meletakkan kedua vektor masukan tersebut ke dalam kelas yang sama. Arsitektur LVQ sama halnya dengan SOM (Self Organizing Map), LVQ uga terdiri dari 2 lapisan, input (X ) dan output (Y ), dimana antara lapisannya dihubungkan oleh bobot tertentu yang sering disebut sebagai vektor pewakil (W). Informasi yang diberikan ke aringan pada saat pembelaaran bukan hanya vektor data saa melainkan informasi kelas dari data uga ikut dimasukkan. Arsitektur aringan Learning Vector Quantization (LVQ) seperti terlihat pada Gambar 2.11.

18 22 Gambar 2.11 Learning Vector Quantization (Kusumadewi, 2003) Keterangan : X = vektor masukan (X1, Xn, Xn) W = vektor bobot atau vektor pewakil X-W = selisih nilai arak Euclidian antara vektor input dengan vektor bobot F = lapisan kompetitif Y = keluaran (output) Ketika hasil pemrosesan aringan memberikan hasil klasifikasi yang sama dengan informasi kelas yang diberikan di awal, maka vektor pewakil akan disesuaikan agar lebih dekat dengan vektor masukan. Sebaliknya ketika hasil klasifikasi tidak sama dengan informasi kelas yang diberikan di awal, maka vektor pewakil akan disesuaikan agar menauhi vektor masukan. Algoritma LVQ adalah sebagai berikut: Langkah 1 : Tetapkan: bobot (W), maksimum epoch (max. poch),error minimum yang diharapkan ( ps), learning rate(α). Langkah 2 : Masukkan : a. input : X(m, n); b. target : T(1, n).

19 23 Langkah 3 :Tetapkan kondisi awal : a. poch = 0; b. rror = 1. Langkah 4 :Kerakan ika ( poc < max. poc ) atau (α > ps): a. poch = poch + 1; b. kerakan untuk = 1 sampai n. Langkah 5 : Tentukan J sedimikian hingga X W minimum (sebut sebagai C). Langkah 6 : Perbaiki W dengan ketentuan: a. ika T = C maka: W (baru) = W (lama) + α(x - W (lama)); b. ika T C maka: W (baru) = W (lama) - α(x - W (lama)). 2.6 Perbandingan Algoritma Backpropagation Dengan LVQ Perbandingan pembelaaran dan pengenalan pada algoritma Backpropagation dan Learning Vector Quantization (LVQ) dapat dilihat seperti pada Tabel 2.2. (Kusumadewi S, & Hartati S. 2010)

20 24 Tabel 2.2 Perbandingan Algoritma Backpropagation Dengan LVQ Parameter Backpropagation LVQ Alur Pembelaaran Parameter Pembelaaran Bobot Pembelaaran Menggunakan 2 alur, yaitu alur mau (forward propagation) dan alur mundur (backpropagation) Menggunakan maksimal perulangan, rasio pembelaaran dan minimal error. Memiliki 2 nilai bobot yaitu bobot pada hidden layer (z) dan bobot pada output layer (w). Nilai awal setiap bobot diambil dari nilai random yang cukup kecil. Perubahan bobot dihitung dengan alur mundur (backpropagation), yaitu dengan mengubah nilai bobot pada layer output (w), kemudian mengubah nilai bobot pada hidden layer (z). Menggunakan 1 alur yaitu alur mau Menggunakan maksimal perulangan, rasio pembelaaran, pengurang rasio dan minimal error. Memiliki 1 nilai bobot yaitu bobot pada keluaran (w). Nilai awal bobot diambil dari salah satu data masukan untuk setiap kelas. Perubahan bobot dihitung berdasarkan nilai kelas hasil perhitungan. Jika kelas hasil perhitungan sama dengan kelas target maka menggunakan rumus tambah, dan sebaliknya menggunakan rumus kurang. Perulangan Pembelaaran Kompleksitas Algoritma Hasil Pembelaaran Hasil Pengenalan Dilakukan selama perulangan belum mencapai maksimal perulangan dan nilai Mean Square Error (MSE) masih lebih kecil dari minimal eror. Perhitungan lebih rumit karena menggunakan 11 rumus dalam perhitungan pembelaaran, dan 4 rumus dalam perhitungan pengenalan. Berupa nilai bobot pada hidden layer (z) dan bobot pada output layer (w). Berupa angka biner dari nilai kelas yang dikenali. Dilakukan selama perulangan belum mencapai maksimal perulangan atau nilai perubahan rasio pembelaaran masih lebih kecil dari minimal error. Perhitungan sederhana karena hanya menggunakan 3 rumus dalam perhitungan pembelaaran dan 1 rumus dalam perhitungan pengenalan. Berupa nilai bobot (w). Berupa nilai kelas yang dikenali.