BAB II KAJIAN LITERATUR
2.2. Landasan Teori
2.2.3. Neural Network (Jaringan Syaraf Tiruan)
Secara biologis jaringan syaraf merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut (Kusumadewi dan Hartati, 2010).
Menurut Budiharto dan suhartono (2014) Dari gambar diatas, dapat dilihat ada beberapa bagian dari otak manusia, yaitu :
Dendrit (Dendrites)
Berfungsi untuk mengirimkan impuls yang diterima ke badan sel syaraf Akson (Axon)
Berfungsi untuk mengirimkan impuls dari badan sel ke jaringan lain. Sinapsis
Berfungsi sebagai unit Fungsional di antara dua sel Syaraf. Gambar 2.5 Sel Syaraf secara Biologis (Kusumadewi dan
2.2.3.2. Komponen-Komponen Jaringan Syaraf
Menurut Kusumadewi dan Hartati (2010) ada beberapa tipe jaringan syaraf, namun demikian, hamper semuanya memiliki komponen-komponen yang sama. Seperti halnya otak manusia, jaringan syaraf juga terdiri dari beberapa
neuron, da nada hubungan antara neuron-neuron tersebut. Neuron-neuron akan
mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain. Pada jaringan syaraf, hubungan ini dikenal dengan nama bobot. Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut. Gambar 2.6 menunjukkan struktur neuron pada jaringan syaraf.
Jika kita lihat, neuron-neuron buatan ini sebenarnya mirip dengan sel neuron biologis. Neuron-neuron buatan tersebut bekerja dengan cara yang sama pula dengan neuron-neuron biologis. Informasi (disebut dengan : input) akan dikirim ke neuron dengan bobot kedatangan tertentu. Input ini akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot yang datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan nilai ambang tertentu, maka neuron tersebut akan diaktifkan, tapi kalau tidak, maka neuron tersebut tidak akan diaktifkan. Apabila neuron tersebut diaktifkan, maka neuron tersebut
Gambar 2.6 Struktur Neuron Jaringan Syaraf (Kusumadewi dan Hartati, 2010).
akan mengirimkan output melalui bobot-bobot output-nya ke semua neuron yang berhubungan dengannya. Demikian seterusnya (Kusumadewi dan Hartati, 2010).
Pada jaringan syaraf, neuron-neuron akan dikumpulkan dalam lapisan-lapisan (layer) yang disebut dengan lapisan-lapisan neuron (neuron layer). Biasanya
neuron-neuron pada satu lapisan akan dihubungkan dengan lapisan-lapisan
sebelum dan sesudahnya (kecuali lapisan input dan lapisan output). Informasi yang diberikan pada jaringan syaraf akan dirambatkan lapisan ke lapisan, mulai dari lapisan input sampai ke lapisan output melalui lapisan yang lainnya, yang sering dikenal dengan nama lapisan tersembunyi (hidden layer) Kusumadewi dan Hartati, (2010).
a. Fungsi Aktifasi
Dalam jaringan syaraf tiruan, fungsi aktifasi ini digunakan untuk menentukan keluaran suatu neuron berdasarkan proses yang dilakukan terhadap input yang dimasukkan ( Budiharto dan Suhartono, 2014 : 177).
Salah satu fungsi aktifasi pada neural network adalah fungsi sigmoid biner. Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan menggunakan metode bacpropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan syaraf tiruan yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun, fungsi ini bisa juga digunakan oleh jaringan syaraf yang nilai outputnya 0 atau 1 (Kusumadewi dan Hartati, 2010 :81).
( ) ………... (2.3)
b. Backpropagation Neural Network
Backpropagation merupakan algoritma pembelajaran yang terawasi dan
biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyi. Algoritma backpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambat maju (forward propagation) harus dikerjakan terlebih dahulu. Pada saat perambat maju, neuron-neuron diaktifkan dengan menggunakan fungsi aktifasi (Kusumadewi dan Hartati, 2010).
Gambar 2.7 Fungsi Aktifasi Sigmoid Biner (Budiharto dan Suhartono, 2014)
Arsitektur Jaringan Backpropagation seperti diatas terdiri dari tiga unit (neurons) pada lapisan masukan, yaitu X1, X2, X3; lapisan tersembunyi dengan 2 neurons, yaitu Z1, Z2; serta 1 unit pada lapisan keluaran yaitu Y. Bobot yang menghubungkan X1, X2, X3 dengan neuron pertama dan lapisan tersembunyi adalah V11, V21, dan V31 (Vij : bobot yang menghubungkan neuron input ke-i ke neuron ke-j pada lapisan tersembunyi). Untuk b11 dan b12 adalah bobot bias yang menuju ke neurons pertama dan kedua pada lapisan tersembunyi. Bobot yang menghubungkan Z1, dan Z2 dengan neuron pada lapisan keluaran adalah W1 dan W2. Bobot bias menghubungkan lapisan tersembunyi dengan lapisan keluaran. Fungsi aktivasi yang digunakan antara lapisan tersembunyi dengan lapisan keluaran adalah fungsi aktivasi yang akan ditentukan pada tahap kalibrasi. ( Yusuf dkk 2015).
Gambar 2.8 Arsitektur Jaringan Backpropagation Neural Network (Kusumadewi dan Hartati, 2010).
c. Algoritma Pembelajaran Backpropagation
Menurut Kusumadewi dan Hartati (2010 algoritma backpropagation adalah sebagai berikut :
Inisialisasi bobot
Tetapkan : Maksimum epoch, target error, dan learning rate (α), neuron
hidden;
Inisialisasi : Epoch = 0.
Kerjakan langkah-langkah berikut selama (Epoch < maksimum Epoch) dan (MSE (error) < target error) :
1. Epoch = epoch +1
2. Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran, kerjakan;
Feedforward :
a. Tiap-tiap unit masukan ( ) menerima sinyal dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada diatasnya (lapisan tersembunyi).
b. Tiap-tiap unit pada suatu lapisan tersembunyi ( ) menjumlahkan sinyal-sinyal input terbobot ;
∑ ………...…... (2.4)
( ) ……….. (2.5)
Dan kirimkan sinyal tersebut ke semua unit dilapisan atasnya (unit-unit
output).
c. Tiap-tiap unit output ( ) menjumlahkan sinyal-sinyal input terbobot.
∑ ………..…... (2.6)
gunakan fungsi aktifasi untuk menghitung sinyal keluaran yaitu :
( ) ………... (2.7)
Dan kirimkan sinyal tersebut ke semua unit dilapisan atasnya (unit-unit
output).
Catatan :
langkah (b) dilakukan sebanyak jumlah lapisan tersembunyi.
Backpropagation :
a. Tiap-tiap unit output ( ) menerima target pola yang berhubungan dengan pola masukan pembelajaran, dan menghitung informasi error-nya :
( ) ( ) ………....…. (2.8) ………... (2.9)
Kemudian dihitung koreksi bobot (yang nantiya akan digunakan untuk memperbaiki nilai ) :
………... (2.11)
hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai ) :
………...…... (2.12)
Langkah (d) ini dilakukan sebanyak jumlah lapisan tersembunyi, yaitu menghitung informasi error dari suatu lapisan tersembunyi ke lapisan tersembunyi sebelumnya.
b. Tiap-tiap unit tersembunyi ( ) menjumlahkan delta masukannya (dari-unit-unit yang berbeda yang berada pada lapisan diatasnya ) yaitu :
∑ ………..….... (2.13)
Kalikan nilai ini dengan turunan dari fungsi aktifasinya untuk menghitung informasi error :
( ) ………... (2.14) ………... (2.15) ………..……... (2.16)
Kemudian hitung koreksi bobot (yang nantinya digunakan untuk memperbaiki nilai yaitu :
………... (2.17)
hitung juga koreksi bias (yang nantinya digunakan untuk memperbaiki ) :
………... (2.18)
c. Tiap-tiap unit output ( ) memperbaiki bias dan bobotnya ( ) :
( ) ( ) ………... (2.19)
( ) ( ) ………..…... (2.20)
Tiap-tiap unit tersembunyi ( ) memperbaiki bias dan bobotnya ( ) yaitu :
( ) ( ) ………..…... (2.21)
( ) ( ) ………..…... (2.22)
d. Inisialisasi Bobot Awal dengan Metode Nguyen-Widrow
Menurut Kusumadewi dan Hartati (2010), metode Nguyen-widrow akan menginisialisasi bobot-bobot lapisan dengan nilai antara -0,5 sampi 0,5. Sedangkan bobot-bobot dari lapisan input ke lapisan tersembunyi dirancang sedemikian rupa sehingga dapat meningkatkan kemampuan lapisan tersembunyi dalam melakukan proses pembelajaran. Metode Nguyen-widrow secara sederhana dapat diimplementasikan dengan prosedur sebagai berikut.
Tetapkan : n = jumlah neuron (unit) pada lapisan input
P = jumlah neuron (unit) pada lapisan tersembunyi. β = faktor penskalaan (= 0,7 (p) 1/n
kerjakan untuk setiap unit pada lapisan tersembunyi (j=1,2,…p) :
a. Inisialisasi bobot-bobot dari lapisan input ke lapisan tersembunyi : Vij bilangan random antara -0,5 sampai 0,5 (atau antara –γ sampai γ). b. Hitung ||Vj ||
Dimana || || √( ) ( ) ( ) ………... (2.23)
c. Inisialisasi ulang bobot-bobot :
| | ………..…... (2.24) d. Set bias :
b1j = bilangan random antara . Analisa Nguyen-Widrow didasarkan atas fungsi aktifasi tangen hiperbolik.
e. Transformasi Normal (Normalisasi)
Menurut Hidayat dkk (2012) Data-data yang ada dilakukan normalisasi dengan membagi nilai data tersebut dengan nilai range data (Nilai data maksimum – nilai data minimum). Tujuan dari normalisasi yaitu :
1. Untuk menghilangkan kerangkapan data. 2. Untuk mengurangi kompleksitas
3. Untuk mempermudah pemodifikasian data.
Jika fungsi aktifasi dengan menggunakan sigmoid biner (range 0 sampai range 1), maka data harus ditransformasi [0, 1] (Indra, 2014).
Menurut Hidayat dkk (2012) Adapun rumus untuk Normalisasi dalam range [0, 1] adalah :
………..…... (2.25)
Dengan : = Nilai data normal = Nilai data aktual
= Nilai minimum data aktual keseluruhan
= Nilai maksimum data aktual keseluruhan.
Kemudian untuk mendapatkan nilai sebenarnya dari output perlu dilakukan proses denormalisasi.
f. Denormalisasi
Menurut Hidayat dkk (2012) denormalisasai dapat memberikan atau mengembalikan data, sehingga didapatkan predicted sales dari data training.
Menurut Indra (2014) adapun rumus denormalisasi dalam range [0,1] adalah :