LANDASAN TEORI
2.1 Jaringan Syaraf Tiruan
Jaringan syaraf tiruan adalah sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel syaraf biologis didalam otak, yang merupakan representasi buatan dari otak manusia yang selalu mencoba menstimulasi proses pembelajaran pada otak manusia tersebut. Jaringan syaraf tiruan dapat digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi non-linear, klasifikasi data cluster dan regresi non parametrik atau sebuah simulai dari koleksi model syaraf biologi (Hermawan, 2006).
Jaringan syaraf tiruan merupakan suatu model kecerdasan yang diilhami dari struktur otak manusia dan kemudian diimplementasikan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran berlangsung (Desiani dan Arhami, 2006).
Jaringan syaraf tiruan sederhana pertama kali diperkenalkan oleh McCulloch dan Pitts di tahun 1943. Jaringan syaraf tiruan dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi dengan asumsi bahwa (Siang, 2005 ) :
1. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron). 2. Sinyal yang dikirimkan diantara neuron-neuron melalui
penghubung-penghubung.
3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal.
4. Untuk menentukan keluaran (output), setiap neuron menggunakan fungsi aktivasi yang dikenakan pada penjumlahan masukan (input) yang diterima. Besarnya keluaran (output) ini selanjutnya dibandingkan dengan suatu batas ambang.
Dengan meniru sistem jaringan biologis maka sistem jaringan syaraf tiruan memiliki 3 karakteristik utama yaitu (Desiani dan Arhami, 2006):
1. Arsitektur Jaringan
Merupakan pola keterhubungan antar neuron. Keterhubungan neuron-neuron inilah yang membentuk suatu jaringan.
2. Algoritma Jaringan
Merupakan metode untuk menentukan nilai bobot hubungan. Ada dua jenis metode yaitu metode pelatihan atau pembelajaran dan metode pengenalan. 3. Fungsi aktivasi
Merupakan fungsi untuk menentukan nilai keluaran berdasarkan nilai total masukan pada neuron. Fungsi aktivasi suatu algoritma jaringan dapat berbeda dengan fungsi aktivasi algoritma jaringan lain.
2.1.1 Pemrosesan dalam Jaringan Syaraf Tiruan
Aliran informasi yang diproses disesuaikan dengan arsitektur jaringan. Beberapa konsep utama yang berhubungan dengan proses adalah :
1. Input (masukan)
Setiap input bersesuaian dengan suatu atribut tunggal. Serangkaian input pada Jaringan Syaraf Tiruan diasumsikan sebagai vektor X yang bersesuaian dengan sinyal-sinyal yang masuk kedalam sinapsis neuron biologis.
2. Output (keluaran)
Output dari jaringan adalah penyelesaian masalah.
3. Weight (bobot), mengekspresikan kekuatan relatif (atau nilai matematis) dari input data awal atau bermacam-macam hubungan yang mentransfer data dari lapisan ke lapisan. Dengan penyesuaian yang berulang-ulang terhadap nilai bobot menyebabkan Jaringan Syaraf Tiruan “belajar”. Bobot-bobot ini diasumsikan sebagai vektor W dimana setiap bobot bersesuaian dengan tegangan (strength) penghubung sinapsis biologis tunggal.
4. Maksimum epoch
Epoch merupakan perulangan dari proses yang dilakukan untuk mencapai target yang telah ditentukan. Maksimum epoch adalah jumlah epoch
10
maksimum yang boleh dilakukan selama proses pelatihan. Iterasi akan dihentikan apabila nilai melebihi maksimum epoch.
5. Laju pemahaman (learning rate)
Semakin besar nilai learning rate, semakin cepat pula proses pelatihan. Akan tetapi jika nilai learning rate terlalu besar, maka algoritma menjadi tidak stabil dan mencapai titik minimum lokal, sedangkan jika learning rate terlalu kecil maka algoritma akan mencapai target dalam jangka waktu yang lama.
6. Bias
Sebuah unit masukan yang ditambahkan kedalam yang nilainya selalu = 1. Berfungsi untuk mengubah niali tresshold menjadi 0.
2.1.2 Arsitektur Jaringan
Jaringan syaraf tiruan dibagi kedalam 3 macam arsitektur yaitu (Hermawan, 2006):
1. Jaringan dengan lapisan tunggal (single layer net)
Jaringan syaraf satu lapisan pertama kali dirancang oleh Widrow dan Holf pada tahun 1960. Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot terhubung. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi.
Dari gambar 2.1 diperlihatkan bahwa arsitektur jaringan dengan layar tunggal dengan n buah masukan ( , ,..., ) dan m buah keluaran ( , , ..., ). Dalam jaringan ini semua unit input dihubungkan dengan semua unit output. Tidak ada unit input yang dihubungkan dengan unit input lainnya dan unit output pun demikian.
2. Jaringan dengan banyak lapisan (multilayer net)
Jaringan dengan banyak lapisan memiliki satu atau lebih lapisan yang terletak diantara lapisan input dan output. Umumnya terdapat lapisan bobot-bobot yang terletak antara 2 lapisan yang bersebelahan. Jaringan ini dapat menyelesaikan permasalahan yang lebih sulit daripada jaringan dengan lapisan tunggal, dengan pembelajaran yang lebih rumit.
Gambar 2.2 Jaringan dengan banyak lapisan
Dari gambar 2.2 diperlihatkan jaringan dengan n buah unit masukan ( , , ..., ) , sebuah layar tersembunyi yang terdiri dari p buah unit ( , ,...,
) dan 1 buah unit keluaran.
3. Jaringan dengan lapisan kompetitif (competitif layer net)
Hubungan antar neuron pada lapisan kompetitif ini tidak diperlihatkan pada diagram arsitektur ini.
2.1.3 Algoritma Umum Jaringan Syaraf Tiruan
Algoritma pembelajaran/pelatihan jaringan syaraf tiruan (Puspitaningrum, 2006): Dimasukkan n contoh pelatihan ke dalam jaringan syaraf tiruan. Lakukan:
12
1. Inisialisasi bobot-bobot jaringan. Set i=1.
2. Masukkan contoh ke-i (dari sekumpulan contoh pembelajaran yang terdapat dalam set pelatihan) kedalam jaringan pada lapisan input.
3. Cari tingkat aktivasi unit-unit output menggunakan algoritma aplikasi.
If kinerja jaringan memenuhi standar yang ditentukan sebelumnya (memenuhi syarat berhenti)
then exit.
4. Update bobot-bobot dengan menggunakan aturan pembelajaran jaringan. 5. If i = n, then reset i = 1
Else i = i-1. Ke langkah 2.
Algoritma aplikasi jaringan syaraf tiruan:
Dimasukkan sebuah contoh pelatihan ke dalam jaringan syaraf tiruan. Lakukan: 1. Masukkan kasus ke dalam jaringan pada lapisan input.
2. Hitung tingkat aktivasi node-node jaringan.
3. Untuk jaringan koneksi umpan maju, jika tingkat aktivasi dari semua unit outputnya telah dihitung, maka exit. Untuk jaringan koneksi balik, jika tingkat aktivasi dari semua unit output menjadi konstan atau mendekati konstan, maka exit. Jika tidak, kembali ke langkah 2. Jika jaringannya tidak stabil, maka exit dan fail.
2.1.4 Fungsi aktivasi
Sinyal aktivasi dalam jaringan syaraf tiruan ditentukan oleh suatu fungsi aktivasi. Ada beberapa fungsi aktivasi yang digunakan dalam jaringan syaraf tiruan antara lain (Desiani dan Arhami, 2006):
1. Fungsi identitas
Fungsi ini biasanya digunakan pada jaringan lapisan tunggal dan akan menghasilkan nilai yang sama dengan nilai masukannya.
2. Fungsi tangga biner
Fungsi ini merupakan fungsi identitas dengan pembulatan yang bergantung pada parameter pembulatan . Untuk = 1, fungsi ini hanya akan menghasilkan nilai 1 atau 0.
= 1, 0 < 0 ≥ 0 3. Fungsi signoid-biner
Fungsi ini tergantung pada steepnes parameter . Agar fungsi ini menghasilkan nilai yang dibatasi oleh bilangan biner (0 sampai 1) maka
= 1 .
= 1 + !1"#$ 4. Fungsi signoid-bipolar
Fungsi ini tergantung pada steepnes parameter . Fungsi ini merupakan fungsi signoid-biner yang diperluas hingga mencapai nilai negatif melalui sumbu x sehingga untuk = 1, fungsi ini akan menghasilkan nilai keluaran antara -1 sampai +1.
% = 2 − 1 =1 + !2"#$− 1 =1 − !1 + !"#$"#$
Untuk memilih fungsi aktivasi mana yang akan digunakan dalam sistem jaringan syaraf tiruan maka bergantung pada algoritma/model jaringan yang digunakan.
2.1.5 Proses Pembelajaran
Proses pembelajaran dalam jaringan syaraf tiruan diklasifikasikan menjadi dua (Desiani dan Arhami, 2006):
1. Pembelajaran terawasi (supervised learning)
Menggunakan sejumlah pasangan data masukan dan keluaran yang diharapkan. Pada setiap pelatihan, suatu masukan diberikan ke jaringan. Selanjutnya jaringan akan memproses dan mengeluarkan keluaran. Selisih antara keluaran jaringan dengan target (keluaran yang diinginkan)
14
merupakan kesalahan yang terjadi. Jaringan akan memodifikasi bobot sesuai dengan kesalahan tersebut. Contoh yang sesuai dengan tipe ini adalah metode backpropagation, jaringan hopfield dan perceptron.
2. Pembelajaran tidak terawasi (unsupervised learning)
Hanya menggunakan sejumlah pasangan data masukan tanpa ada contoh keluaran yang dikeluarkan. Model yang menggunakan pelatihan ini adalah model jaringan kompetitif. Contoh dari tipe ini adalah model kohonen.
Jaringan syaraf tiruan memiliki sejumlah besar kelebihan dibandingkan dengan metode perhitungan lainnya, yaitu (Hermawan, 2006):
1. Kemampuan mengakuisisi pengetahuan walaupun dalam kondisi ada gangguan dan ketidakpastian. Hal ini karena jaringan syaraf tiruan mampu melakukan generalisasi, abstraksi, dan ekstraksi terhadap properti statistik dari data.
2. Kemampuan mempresentasikan pengetahuan secara fleksibel. Jaringan syaraf tiruan dapat menciptakan sendiri representasi melalui pengaturan sendiri atau kemampuan belajar (self organizing).
3. Kemampuan untuk memberikan toleransi atas suatu distorsi (error), dimana gangguan kecil pada data dianggap hanya sebagai noise (guncangan) belaka. 4. Kemampuan memproses pengetahuan secara efisien karena memakai sistem
paralel, sehingga waktu yang diperlukan untuk mengoperasikannya menjadi lebih singkat.