Jaringan syaraf tiruan

3. TINJAUAN PUSTAKA

2.2 Jaringan syaraf tiruan

Pada sistem yang menggunakan kecerdasan buatan, akan dicoba untuk

memberikan output berupa solusi dari suatu masalah berdasarkan kumpulan pengetahuan yang ada. Input yang diberikan pada sistem yang menggunakan kecerdasan buatan berupa masalah. Pada sistem harus dilengkapi dengan sekumpulan pengetahuan yang ada pada basis pengetahuan. Sistem harus memiliki inference engine agar mampu mengambil kesimpulan berdasarkan fakta atau pengetahuan. Output yang diberikan berupa solusi masalah sebagai hasil dari inferensi.

JST merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia pada struktur komputasi, sehingga output yang dihasilkan bekerja seperti halnya sistem jaringan saraf biologi di dalam otak. Secara sederhana konsep kerja dari jaringan syaraf tiruan dapat dijelaskan oleh Gambar 3 (Demuth dan Beale, 1999 dalam Kusumadewi, 2003).

Sumber: ( Demuth dan Beale, 1999) in Kusumadewi (2003)

Gambar 3. Konsep kerja jaringan syaraf tiruan

Neuron-neuron jaringan syaraf tiruan yang memiliki

bobot tertentu ^Bandingkan

Target

Perbaiki nilai Bobot Input

Seperti terlihat pada Gambar 3, bobot hubungan antara elemen atau neuron pada JST disesuaikan berdasarkan galat hasil perbandingan antara output dengan target sampai jaringan mencapai pola target.

Jaringan syaraf tiruanadalah suatu grup pemrosesan elemen-elemen ( neuron-neuron), dimana suatu subgroup (layer) melakukan komputasi yang independent dan meneruskan hasilnya ke subgroup selanjutnya. Pemrosesan elemen-elemen dalam subgroup ele men mempunyai tingkat aktivasi dari input yang diterimanya, kemudian mengirimkannya sebagai sinyal ke beberapa elemen yang lain. Seperti yang ditunjukan pada Gambar 4, JST ini mempunyai beberapa input dan satu output.

Sumber: Kusumadewi (2003)

Gambar 4. Gambaran Jaringan syaraf tiruan (JST)

Gambar 4 diatas dapat dijelaskan dengan singkat yaitu sebelum sinyal input dimasukan kedalam unit output, suatu sinyal X_i digandakan dengan beban ω_iterhadap

i

X dinyatakan dengan X =

∑

ω_ix_i. Oleh unit output X_idimasukan kedalam suatu fungsi transfer f(x) tertentu (fungsi aktivasi) untuk menghasilkan output akhir. Fungsi transfer f(x) dapat berupa fungsi linier atau fungsi lainya yang dapat lebih kompleks.

Y = f(x) Output f(x) X x x x

ù

ù

ù

Input _X =

∑

ω_ixi

Layaknya jaringan syaraf biologi, jaringan syaraf tiruan memiliki karakteristik-karakteristik yang khas antara lain:

a) Arsitektur

Merupakan gambaran pola hubungan antara neuron. Pada arsitektur JST terdapat elemen – elemen pemrosesan informasi (neuron – neuron) yang saling berhubungan melalui connection link. Neuron – neuron disusun pada suatu lapisan (layer),

umumnya lapisan – lapisan tersebut terdiri dari lapisan input (input layer), lapisan terselubung (hidden layer) dan lapisan output (ouput layer). Neuron – neuron pada lapisan yang sama biasanya memiliki sifat atau kelakuan yang sama. Arsitektur JST yang digunakan pada penelitian ini adalah multi – layer neural net (JST lapis ganda) yang memiliki satu lapisan terselubung (hidden layer) diantara lapisan input dan lapisan ouput. Arsitektur JST lapisan ganda adalah seperti gambar berikut.

Sumber: (Rich dan Knight) in Sriyasa (2003)

Gambar 5. Model Network Multilayer (Rich dan Knight, 2001)

ù

AB Output Layer Hidden Layer Input Layer

v

BC 1 H0 H H1 H2 H3 HB O0 H O1 H Oc H 1 ^{X0 X1 XA}

dimana : A

X = Variabel input node A pada lapisan input, A=0, 1, 2, … B

H = Output node B pada lapisan Hidden, B=0, 1, 2, … C

O = Output node C pada lapisan terselubung (hidden layer) AB

ω = Bobot yang menghubungkan node A pada lapisan input dengan node B pada lapisan hidden

BC

V = Bobot yang menghubungkan node B pada lapisan terselubung (hidden layer) dengan node C pada lapisan output.

b) Pelatihan (Training)

Pembelajaran (learning) merupakan algoritma yang dipakai untuk penentuan bobot pada hubungan (connection link). Metode pelatihan jaringan syaraf tirua n dapat diklasifikasikan menjadi tiga yaitu: supervised, reinforcement dan unsupervised.

Metode pelatihan supervised yaitu metode pembelajaran dengan output yang

diharapkan telah diketahui sehingga pembelajaran ini dapat diasumsikan dengan guru yang hadir selama proses pelatihan dan setiap contoh yang diberikan terdiri dari nilai input dan nilai target. Selama proses pelatihan, nilai output yang dihasilkan

dibandingkan dengan antar target untuk menentukan besarnya galat. Galat tersebut digunakan untuk mena mbah pembobot pada jaringan syaraf tiruan sehingga dapat meningkatkan kinerja jaringan. Proses pelatihan ini tercapai jika galat pada setiap contoh yang diberikan telah diperkecil pada tingkat yang dapat diterima.

Contoh algoritma yang menggunakan metode supervised adalah Delta rule,

Backpropagation, Hebian dan Stokastik. Metode pelatihan reinforcement adalah dengan diasumsikan adanya guru yang hadir selama proses pelatihan, tetapi nilai target tidak diberikan, hanya diberikan indikasi bahwa nilai output adalah benar atau salah, indikasi ini digunakan oleh JST untuk memperbaiki kinerja jaringan. Contoh algoritma yang menggunakan metode reinforcement adalah Learning automata. Metode pelatihan Unsupervised adalah diasumsikan tanpa guru selama proses pelatihan, contoh yang diberikan selama pelatihan hanya berupa input tanpa nilai target. Sistem harus belajar menemukan dan beradaptasi terhadap perbedaan dan persamaan didalam nilai input yang diberikan . Contoh algoritma yang menggunakan metode unsupervised antara lain hopfield dan Kohonen feature Map.

c) Fungsi aktivasi

Fungsi aktivasi yang mentranformasikan total input JST pada suatu neuron untuk menghasilkan sinyal keluaran (outgoing activity). Fungsi aktivasi yang digunakan pada penelitian ini adalah fungsi sigmoid:

)

1

(

1

)

( ⁼ ₊

−

∑

ixi

e

x

f

ω ……… (1) dengan f'(x)= δf(x)(1− f(x)) dimana:

∑

= ωixi δ ... (2) ) ( ' x

f = turunan pertama fungsi aktivasi ω_i = bobot neuron ke – i; i = 0,1,2,… X_i = input ke – i pada layer

Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. oleh karena itu, fungsi ini sering digunakan untuk jaringan syaraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. walaupun pada penelitian ini hanya membutuhkan nilai keluaran 0 dan 1 tetapi dengan menggunakan fungsi aktivasi sigmoid biner pengambilan keputusan dapat lebih teliti karena perubahan nilai output lebih ”halus” (mengikuti kurva sigmoid) dibandingkan dengan menggunakan fungsi biner, dimana perubahanya sangat ”kasar” (hanya memiliki keluaran 0 dan 1).

Untuk mendapatkan nilai keluaran 0 dan 1 maka akan digunakan nilai 0.5 sebagai batas dimana nilai keluaran dibawah 0.5 dianggap sebagai keluaran 0 dan keluaran diatas 0.5 dianggap sebagai keluaran 1

Sumber: Kusumadewi (2002)

Gambar 6. Fungsi aktivasi sigmoid biner

Pada Gambar 6. dapat dilihat bahwa semakin kecil nilai δ =

∑

ω_ix_i maka keluaran atau output akan semakin landai, ini berarti perubahan nilai output yang dihasilkan akan semakin halus.

ä = 0.2

ä = 1

ä = 0.5