LANDASAN TEOR
2.1 Jaringan Saraf Tiruan (JST)
2.1.4 Arsitektur Jaringan
Menurut Fausett [3], sering kali sangat tepat memvisualisasikan neuron sebagai lapisan. Umumnya, neuron-neuron pada lapisan yang sama berkelakuan sama. Faktor kunci untuk menentukan perilaku dari sebuah neuron adalah dengan fungsi aktivasinya dan pola koneksi dengan neuron yang lain sehingga neuron dapat mengirim dan menerima sinyal. Lebih spesifik lagi, pada banyak jaringan saraf tiruan, neuron pada sebuah lapisan bisa saja terkoneksi sepenuhnya atau tidak terkoneksi sama sekali. Jika setiap neuron pada sebuah lapisan (misalkan lapisan tersembunyi/hidden layer) terkoneksi dengan neuron pada lapisan yang lain (misalkan lapisan output) maka setiap unit tersembunyi terkoneksi dengan setiap unit output.
Penyusunan neuron pada lapisan-lapisan dan pola koneksinya dalam dan antarlapisan disebut arsitektur jaringan. Banyak jaringan memiliki lapisan input yang aktivasi dari setiap unitnya sama dengan sinyal input external. Jaringan saraf diklasifikasikan sebagai lapisan tunggal dan lapisan banyak. Dalam menentukan jumlah dari lapisan, unit input tidak terhitung sebagai lapisan karena unit tersebut tidak melakukan proses komputasi. Atau bisa dikatakan bahwa jumlah lapisan pada jaringan ditentukan berdasarkan lapisan yang berisikan bobot antar koneksi dari kumpulan neuron-neuron. Hal inilah yang mendasari bahwa bobot pada jaringan saraf berisikan informasi yang sangat penting.
Sebuah lapisan adalah kumpulan dari neuron-neuron yang berbagi input yang sama. Setiap neuron pada sebuah lapisan mempunyai dendrit yang berhubungan dengan axon pada neuron pada lapisan sebelumnya. Lapisan pertama sebagai lapisan input dimana neuron tidak mempunyai dendrit. Neuron tersebut hanya sebagai
placeholder atau penopang sehingga lapisan berikutnya dapat menyadap nilai inputnya sama dengan cara kerja lapisan berikutnya. Lapisan terakhir merupakan lapisan output. Lapisan diantara lapisan input dan lapisan output disebut lapisan tersembunyi atau “hidden layer”. Lapisan pertama hanya memberikan nilai input pada jaringan. Pada lapisan berikutnya, neuron ditugasi untuk mengidentifikasi karakter dari input [8]. Adapun jenis arsitektur jaringan yang sering dipergunakan yaitu:
1. Jaringan berlapis tunggal
Jaringan berlapis tunggal mempunyai satu lapisan bobot terkoneksi. Pada lapisan ini, unit input dapat dibedakan dengan unit output. Dimana unit input merupakan unit yang menerima sinyal dari dunia luar sedangkan unit output adalah unit dimana respon dari jaringan dapat terlihat. Pada Gambar 2.2 jelas terlihat bahwa unit input sepenuhnya terkoneksi dengan unit output, sedangkan unit input dengan masing-masing unit input tidak terkoneksi demikian juga pada antara unit output dengan unit output yang lain tidak terkoneksi.
Gambar 2.2 Topologi jaringan lapis tunggal
2. Jaringan berlapis banyak
Jaringan berlapis banyak adalah jaringan dengan satu atau lebih lapisan diantara lapisan input dan lapisan output yang biasa disebut lapisan tersembunyi (hidden layer). Jaringan berlapis banyak dapat memecahkan masalah yang lebih kompleks daripada jaringan berlapis tunggal, namun pada pelatihannya akan lebih sulit. Pada beberapa kasus, pelatihan pada jaringan ini lebih baik karena memungkinkan bagi jaringan untuk memecahkan masalah yang tidak dapat
X Y X Yj Xi Y W1j Wi1 Wn1 W1j Wij Wnj W1 Wim Wnm
diselesaikan jaringan berlapis tunggal karena jaringan tidak dapat dilatih untuk menampilkan secara benar.
W11 X 1 Y 1 V11 Wj1 Vi1 Z1
Gambar 2.3 Topologi jaringan berlapis banyak
3. Jaringan dengan lapisan kompetitif
Bentuk lapisan kompetitif merupakan jaringan saraf tiruan yang sangat besar. Interkoneksi antarneuron pada lapisan ini tidak ditunjukkan pada arsitektur seperti jaringan yang lain. Prinsip dari prosesnya adalah winner-take-all atau yang menanglah yang mengambil bagiannya.
Y m Z Zj Xi Y k Wn1 Vn1 V1j W1k Vij Wjk Vnj Wnk V1p Vip W1m Wjm X Vnp Wpm
1 1
Gambar 2.4 Topologi Jaringan dengan Lapisan Kompetitif
2.2 Backpropagation
Jaringan saraf tiruan backpropagation pertama kali diperkenalkan oleh Rumelhart, Hinton dan William pada tahun 1986, kemudian Rumelhart dan Mc Clelland mengembangkannya pada tahun 1988[14]. Algoritma backpropagation untuk neural network umumnya diterapkan pada perceptron berlapis banyak (multilayer perceptrons). Perceptron paling tidak mempunyai bagian input, bagian output dan beberapa lapis yang berada di antara input dan output. Lapis di tengah ini, yang juga dikenal dengan lapis tersembunyi (hidden layers), bisa satu, dua, tiga dst. Dalam praktek, banyaknya hidden layer paling banyak adalah tiga lapis. Dengan tiga lapis ini hampir semua permasalahan dalam dunia industri telah bisa diselesaikan. Outputlapis terakhir dari hidden layer langsung dipakai sebagai outputdari neural network.
Training pada metode backpropagation melibatkan 3 tahapan: pola training
feedfoward, penghitungan error dan penyesuaian bobot. Setelah training aplikasi jaringan hanya menggunakan komputasi tahapan pertama yaitu feedfoward. Walaupun tahap training sangat lambat, namun jaringan dapat mengasilkan output dengan sangat cepat. Metode backpropagation telah divariasikan dan dikembangkan untuk meningkatkan kecepatan proses training. Walaupun satu lapisan jaringan sangat
A1 - Am Aj Ai - - - 1 1 - -
terbatas dalam pembelajarannya, jaringan dengan lapis banyak dapat memperlajari lebih banyak lagi. Lebih dari satu lapisan tersembunyi mungkin bermanfaat untuk beberapa aplikasi, namun satu lapisan tersembunyi adalah cukup.
Metode backpropagation dapat digunakan untuk melakukan pendeteksian suatu jenis penyakit, gangguan, maupun kasus yang memiliki data masa lalu dan dengan metode backpropagation target output yang diinginkan lebih mendekati ketepatan dalam melakukan pengujian karena terjadi penyesuaian nilai bobot dan bias yang semakin baik pada proses pelatihan (Kusumadewi, 2003). Bahkan, jaringan saraf tiruan telah digunakan untuk menganalisa perilaku panas pada kultur jaringan. Pada tahun 1997, prinsip plant speaking digunakan untuk memonitor perkembangan tanaman selada di phytotron dimana jaringan saraf tiruan digunakan sebagai otak untuk mengendalikan pemberian air dan unsur hara untuk pertumbuhannya[15]. Selain itu jaringan saraf tiruan dengan metode backpropagation, juga diterapkan dalam lokalisasi target through-the-wall dengan metode time reversal music dan terbukti sangat efisien secara komputasi [21]