TINJAUAN PUSTAKA
2.1. Jaringan Syaraf Tiruan (JST)
Jaringan syaraf tiruan adalah paradigma pengolahan informasi yang terinspirasi oleh sistem saraf secara biologis, seperti proses informasi pada otak manusia. Elemen kunci dari paradigma ini adalah struktur dari sitem pengolahan informasi yang terdiri dari sejumlah besar elemen pemrosesan yang saling berhubungan (neuron), bekerja serentak untuk menyeleaikan masalah tertentu (Andrian dan Putra, 2014).
JST merupakan pemodelan data yang kuat yang mampu menangkap dan mewakili hubungan input-ouput yang komplek, karena kemampuannya untuk memecahkan beberapa masalah relatif mudah digunakan, ketahanan untuk menginput data kecepatan untuk eksekusi, dan menginisialiasikan item yang rumit (Hamid et al. 2011).
2.1.1 Arsitektur Jaringan Syaraf Tiruan
Arsitektur jaringan merupakan salah satu hal terpenting dalam JST selain dari neuron dan algoritma pembelajaran. Arsitektur jaringan terbagi menjadi tiga jenis, yaitu:
1. Jaringan lapis tunggal (single layer network)
Jaringan lapis tunggal ini hanya memiliki satu buah output dan dapat juga memiliki lebih dari satu inputan. Pada jaringan ini tidak memiliki lapisan tersembunyi. Jaringan lapis tunggal dapat dilihat pada Gambar 2.2 dibawah ini.
Gambar 2.1 Jaringan Lapis Tunggal 2. Jaringan multilapis (multilayer network)
Jaringan multilapis memiliki ciri khas tertentu yaitu memiliki 3 jenis layer yakni layer input, layer output, dan layer tersembunyi. Jaringan dengan banyak
5
dibandingkan jaringan dengan lapisan tunggal. Namun, proses pelatihan sering membutuhkan waktu yang cenderung. Jaringan multilapis dapat dilihat pada Gambar 2.3 berikut ini.
Gambar 2.2 Jaringan Multilapis 3. Jaringan kompetitif (competitive layer network)
Jaringan kompetitif sering disebut feedback loop karena unit output ada yang memberikan informasi terhadap unit masukan.
Gambar 2.3 Jaringan Kompetitif 2.1.2 Model Pelatihan JST
Seperti halnya otak manusia yang membutuhkan belajar dalam mengenali sesuatu, pada JST juga demikian. Setiap neuron dibangun untuk dilatih dalam mempelajari pola yang akan dijalankan. Pada saat pelatihan dilakukan, nilai dari masing-masing hubungan antar neuron ditetapkan untuk menentukan output. Semakin banyak pelatihan yang dilakukan maka akan semakin kecil tingkat dari suatu error di lapisan keluarannya, sehingga pengenalan suatu pola akan segera tercapai. Metode pembelajaran JST terdiri dari dua cara:
1. Supervised Learning
Supervised learning merupakan metode pembelajaran dalam JST dimana output target yang diinginkan telah diketahui sebelumnya dan diharapkan setelah proses pelatihan output target tercapai. Pada metode pembelajaran ini pasangan data (masukan-keluaran) dipakai untuk melatih jaringan.Pada proses pembelajarannya pola masukan diberikan pada lapisan input untuk terus dirambatkan sampai pada lapisan output. Nilai
6
yang diperoleh dari proses perhitungan pola pembelajaran pada lapisan output akan dicocokkan dengan pola output target awal. Jika diperoleh perbedaan antara kedua nilainy amaka akan muncul error. Apabila nilai error belum sesuai dengan yang diinginkan. maka pelatihan akan terus dilakukan dengan terus memodifikasi bobot sampai dihasilkan error yang sesuai. Model JST yang menggunakan metode supervised learning adalah perceptron, ADALINE dan backpropagation.
2. Unsupervised Learning
Unsupervised learning merupakan metode pembelajaran dalam JST yang tidak memerlukan output target dalam proses pembelajarannya. Pelatihan dilakukan hanya pada data input saja. Model JST yang menggunakan metode unsupervised learning adalah kohonen, hebbian, dll.
Pada umumnya operasi model jaringan dalam JST terbagi atas dua mekanis mekerja, yaitu:
a. Mekanisme pelatihan atau belajar
Pada mekanisme ini jaringan dilatih untuk menghasilkan data yang sesuai dengan output target yang diinginkan melalui satu atau lebih pasangan data (masukan dan keluaran). Semakin banyak pelatihan pada tiap siklusnya (epoch) dilakukan maka target yang diinginkan akan segera tercapai.
b. Mekanisme pengujian
Pada mekanisme ini jaringan diuji apakah dapat mengenali pola yang baru dengan data input yang berbeda dari data pelatihan setelah proses pelatihan dilakukan.
2.1.3 Backpropagation
Pendekatan jaringan saraf tiruan dapat meniru perilaku yang kompleks dan non-linear melalui neuron, dan telah banyak digunakan dalam prediksi. Model yang paling banyak digunakan pada kecerdasan buatan adalah model backpropagation. Ciri khas backpropagation melibatkan tiga lapisan : lapisan input, dimana data diperkenalkan ke jaringan; hidden layer, dimana data diproses; dan lapisan output, di mana hasil dari
7
2.1.4 Arsitektur Backpropagation
Gambar 2.4 Arsitektur Jaringan Backpropagation
Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih lapis tersembunyi. Gambar 2.5 adalah arsitektur backpropagation dengan n buah masukan (X1, X2, X3, ..., Xn) ditambah sebuah bias, sebuah lapis tersembunyi yang terdiri dari (Z1, Z2, Z3, ..., Zn) unit ditambah sebuah bias, serta k buah unit keluaran (Y1, Y2, Y3, ..., Yn) .
2.1.5 Evaluasi Jaringan Pelatihan
Langkah utama yang digunakan untuk mengevaluasi kinerja teknik machine learning untuk memprediksi usaha perangkat lunak adalah sebagai berikut :
a) Akurasi
Menghitung jumlah hasil klasifikasi benar dibandingkan dengan jumlah data di setiap dataset (Brian. 2016).
% = ℎ
ℎ x 100% (2.1)
b) Mean Squared Error (MSE)
Kesalahan kuadrat kuadrat didefinisikan sebagai.
(2.2) dimana :
Pi = Perkiraan nilai untuk titik data i;
Ai = Nilai aktual untuk titik data i;
n = Jumlah total titik data (Sumijan, et al, 2016)
8
2.1.6. Fungsi Aktivasi Bacckpropagation a. Fungsi Undak Biner ( Hard Limit)
Fungsi undak biner ini biasanya digunakan oleh jaringan lapisan tunggal untuk menkonversi nilai input dari suatu variabel yang bernilai kontinu ke suatu nilai output biner (0 atau 1) (Gambar 2.5). Secara matematis, fungsi undak biner (hard limit) dituliskan sebagai berikut :
Gambar 2.5. Fungsi aktivasi : Undak Biner (Hard Limit) b. Fungsi Undak Biner (Threshold)
Fungsi undak biner threshold menggunakan nilai ambang θ sebagai batasnya (Gambar 2.6).
Secara matematis, fungsi undak biner threshold dituliskan sebagai berikut :
Gambar 2.6. Fungsi aktivasi : Undak Biner (Threshold) c. Fungsi Bipolar (Symetric Hard Limit)
Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner, hanya saja output yang dihasilkan berupa 1, 0 atau –1 (Gambar 2.7). Fungsi Symetric Hard Limit dirumuskan sebagai :
Gambar 2.7. Fungsi aktivasi : Fungsi Bipolar (Symetric Hard Limit) d. Fungsi Bipolar (dengan threshold)
Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner
9
Fungsi bipolar (dengan nilai ambang θ) dirumuskan sebagai :
Gambar 2.8. Fungsi aktivasi : Fungsi Bipolar (Threshold) e. Fungsi Linear (identitas)
Fungsi linear memiliki nilai output yang sama dengan nilai inputnya (Gambar 2.9). Fungsi linear dirumuskan sebagai : y = x
Gambar 2.9. Fungsi aktivasi : Fungsi Linear (Identitas) f. Fungsi Saturating Linear
Fungsi ini akan bernilai 0 jika inputnya kurang dari –½, dan akan bernilai 1 jika inputnya lebih dari ½. Sedangkan jika nilai input t erletak antara -½ dan ½, maka output nya akan bernilai sama dengan nilai input ditambah ½ (Gambar 2.10).
Fungsi saturating linear dirumuskan sebagai :
Gambar 2.10. Fungsi aktivasi : Fungsi Saturating Linear g. Fungsi Symetric Saturating Linear
Fungsi ini akan bernilai -1 jika inputnya kurang dari -1, dan akan bernilai 1 jika inputnya lebih dari 1. Sedangkan jika nilai input terletak antara -1 dan 1, maka outpunya akan bernilai sama dengan nilai inputnya (Gambar 2.11). Fungsi symetric saturating linear dirumuskan sebagai berikut :
10
Gambar 2.11. Fungsi aktivasi : Fungsi Symetric Saturating Linear h. Fungsi Sigmoid Biner
Fungsi ini digunakan untuk jaringan saraf yang dilatih dengan menggunakan metode back propagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan saraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun, fungsi ini bisa juga digunakan oleh jaringan saraf yang nilai outputnya 0 atau 1 (Gambar 2.12).
Fungsi sigmoid biner dirumuskan sebagai berikut : Dengan
Gambar 2.12. Fungsi aktivasi : Fungsi Sigmoid Biner i. Fungsi Sigmoid Bipolar
Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja output dari fungsi ini memiliki range antara 1 sampai -1 (Gambar 2.13). Fungsi sigmoid bipolar dirumuskan sebagai berikut :
Dengan
Fungsi ini sangat dekat dengan fungsi hyperbolic tangent. Keduanya memiliki range antara -1 sampai 1. Untuk fungsi hyperbolic tangent, dirumuskan
sebagai : atau dengan
11
Gambar 2.13. Fungsi aktivasi : Fungsi Sigmoid Bipolar
2.1.7 Learning vector quantization (LVQ)
Learning Vector Quantization (LVQ) merupakan suatu metode yang digunakan untuk melakukan pelatihan pada data yang jumlah yang besar (Wang dan Zhang. 2011).
Dalam metode ini, LVQ akan melakukan klasifikasi terhadap yang diberikan. Sebagai algoritma pembelajaran, metode LVQ mencoba untuk mengeliminasi data yang memiliki banyak noise yang dapat mempercepat laju konvergensi dalam sistem peramalan atau prediksi (Wang dan Zhang. 2011). seperti terlihat pada Gambar 2.6.
Gambar 2.14 Learning Vector Quantization
Gambar 2.6 memperlihatkan bahwa yang bertindak sebagai dendrit atau data masukan adalah X1-X6, yang bertindak sebagai sinapsis atau bobot adalah W, sedangkan soma atau badan sel dari jaringan ini adalah perhitungan − . Dan yang bertindak sebagai akson atau data keluaran adalah Y.
Tingkat pembelajaran pada jaringan Syarat tiruan adalah tingkat adaptasi
12
sistem terhadap perubahan yang terjadi jika target yang ditentukan tidak tercapai.
Penggunaan learning rate mempengaruhin perubahan nilai weight dan bias yang ada dalam jaringan pelatihan, pada LVQ learning rate dihitung dengan (2.3) (Brownlee,2016).
= ∗ 1 − ℎ
ℎ (2.3)
Dimana :
: Learning Rate Baru
: Nilai Learning Rate Awal
epoch : Nilai iterasi yang dihasilkan pada pelatihan awal maxepoch : Maksimum epoch pada pelatihan awal
13