BAB 2
LANDASAN TEORI
2.1 Analisis Jaringan
Jaringan komputer adalah sekumpulan komputer, printer dan peralatan lainnya yang terhubung dalam satu kesatuan. Informasi dan data yang bergerak melalui kabel-kabel atau tanpa kabel sehingga memungkinkan pengguna jaringan komputer dapat saling bertukar dokumen dan data, sampai mencetak data dengan bantuan printer yang sama dan bersama-sama menggunakan hardware/software yang terhubung dengan jaringan. Setiap komputer, printer atau periferal yang terhubung dengan jaringan disebut node. Sebuah jaringan komputer dapat memiliki dua, puluhan, ribuan atau bahkan jutaan node. Network analyzer atau packet sniffer di desain untuk mengontrol jalur lintasan pada jaringan. Fungsi lain dapat juga digunakan untuk memonitor jaringan, melakukan tes diagnosa, ataupun pemecahan masalah.
Jumlah lalu lintas sangat tergantung pada posisi komputer dalam jaringan. Klien dari sistem terdalam pada sebuah cabang dalam suatu jaringan hanya dapat melihat sebagian kecil segmen lalu lintas jaringan, sedangkan yang domain server utama dapat melihat hampir semua hal.
2.2 TCP/IP
2.2.1 Arsitektur TCP/IP
Transmission Control Protocol/Internet Protocol (TCP/IP) adalah pasangan protokol yang diwajibkan untuk berkomunikasi antar host yang terhubung pada internet. Model TCP/IP tersusun oleh empat layer yang mengacu pada model Open System Interconnection (OSI), yaitu Network Interface and Hardware Layer, Internetwork Layer, Transport Layer, dan Application Layer. Seperti pada gambar 2.1 yang menunjukkan proses yang terlibat pada komunikasi host-to- host.
Gambar 2.1 Model Internet TCP/IP
2.2.2 Paket
Gambar 2.2 menunjukkan contoh rincian paket HTTP. Kolom header dapat mempunyai panjang yang berbeda dari yang digambarkan, berdasarkan pilihan protokol dan header. Bagian yang pertama enkapsulasi header pada link layer, jika Ethernet maka akan dipresentasikan oleh 14 byte dari frame Ethernet header dengan kolom sumber dan tujuan alamat MAC. Selanjutnya, terdapat header datagram IP, yang memuat minimal 20 bytes jika tidak ada pilihan IP yang mengikutinya, seperti header protocol yang terenkapsulasi (TCP, UDP, ICMP, dan lain sebagainya) yang ukurannya bekisar dari 8 byte hingga lebih dari 20 byte untuk header TCP dengan pilihan. Tidak semua data dapat di kumpulkan besarnya sesuai dengan snaplen yang diterapkan.
Ethernet frame IP datagram
Embedded protocol (TCP, UDP, ICPM)
14 – 17 bytes 20 – 60 bytes 20 – 60 bytes 43 – 1500 bytes 4 bytes
Gambar 2.2 Contoh paket HTTP
2.2.3 Koneksi TCP/IP
Sebuah koneksi TCP selalu dimulai dengan three-way handshake. Setiap sesi diawali dengan paket SYN akhirnya menjadi sebuah paket ACK yang menyatakan seluruh sesi telah dibangun.
Sambungan saat ini telah dibuat dan mampu untuk mulai mengirim data dalam keadaan OPEN.
Komunikasi yang berlangsung antara sumber dan tujuan yang telah diijinkan sampai salah satunya memberikan paket FIN, atau paket RST, atau sambungan yang telah time out. Semua protokol internet yang perlu pembentukan sambungan di bangun diatas protokol TCP.
Gambar 2.3 Three-way handshake
2.2.4 Pendeteksi Intrusi Jaringan (Intrusion Detection System/IDS)
Intrusion didefinisikan sebagai kegiatan yang bersifat anomaly, incorrect, inappropriate yang terjadi pada jaringan atau di host. Sedangkan perangkat yang digunakan untuk mendeteksi segala bentuk penyusupan adalah Intrusion Detection System (IDS) yang memeriksa secara automatic audit logs dan event system secara real time. Intrusion Detection System dapat mengamati segala macam pelanggaran dari kerahasiaan (confidentiality), integritas (integrity), dan ketersediaan (availability) suatu sistem.
Kerahasiaan (confidentiality), di mana object tidak dibocorkan kepada subjek yang tidak seharusnya berhak terhadap objek tersebut, atau sering disebut tidak authorize.
1. Integritas (Integrity), bahwa objek tetap orisinil atau tetap terjaga keasliannya, dengan tidak dimodifikasi dalam perjalanannya dari sumber menuju penerimanya.
2. Ketersediaan (Availability), dimana user yang mempunyai hak akses atau authorized users diberi akses tepat waktu dan tidak mengalami kendala apapun.
Serangan yang dikenali oleh Intrusion Detection System dapat berasal dari koneksi external seperti ancaman dari internet atau jaringan partner, virus, code berbahaya, subject internal yang mencoba untuk melakukan kegiatan yang tidak di authorisasi. Pada penulisan skripsi ini Intrusion Detection System digunakan untuk mendeteksi segala macam kegiatan yang tidak di authorisasi ataupun kegiatan yang berbahaya lainnya, untuk mempersingkat waktu pengerjaan data yang digunakan merupakan data yang telah dikelompokkan yang berasal dari kdd cup.
Intrusion Detection System memeriksa semua kegiatan traffic jaringan, inbound dan outbound dan mengidentifikasi pola yang mencurigakan yang mencoba memasuki sistem atau yang menyerang sistem. Intrusion Detection System bisa membantu anda dalam hal berikut ini:
1. Secara aktif mengamati segala macam kegiatan yang mencurigakan 2. Memeriksa audit logs dengan sangat cermat dan seksama
3. Mengirim alert kepada administrator saat kejadian khusus di deteksi
4. Mengunci file-file penting atau mengunci kemampuannya agar tidak dapat dikuasai oleh musuh
5. Melacak segala bentuk penyusupan yang bersifat cepat maupun lambat 6. Memberi tanda (informasi) pada saat serangan ditemukan
7. Mengindentifikasi asal mulanya terjadi penyusup 8. Melacak lokasi dari logical maupun physical penyusup
9. Terminasi atau interupsi segala macam percobaan penyusupan dan serangan
10. Melakukan konfigurasi ulang router dan firewall untuk mencegah pengulangan dari serangan yang berhasil diketemukan / dideteksi.
Kemampuan Intrusion Detection System untuk menghentikan serangan yang sedang berlangsung atau pencegahan serangan dimasa mendatang. Karenanya suatu Intrusion Detection System seharusnya dianggap bagian dari komponen yang membentuk suatu sistem keamanan yang sangat solid untuk melindungi suatu jaringan. Keamanan secara fisik dan logical access control merupakan komponen yang penting. Pencegahan terhadap penyusupan memerlukan pemeliharaan yang mencukupi dari suatu system keamanan secara keseluruhan.
2.3 Model Neuron
2.3.1 Neuron Biologis
Menurut Fausett, sebuah neuron pada neural network dianalogikan sebagai neuron biologis di mana sebuah neuron biologis memiliki 3 tipe komponen yang menjadi bagian dalam memahami artificial neuron yaitu: dendrit, soma dan axon. Dendrit biasanya mendapatkan sinyal-sinyal dari neuron lain, sinyal itu berupa impuls elektrik yang ditransmisikan melalui sebuah synaptic gap dengan bantuan proses kimia. Proses kimia inilah yang memodifikasi sinyal masuk sehingga proses kimia erat kaitanya dengan fungsi aktivasi pada neural network. Komponen kedua, soma atau cell body, adalah jumlah dari sinyal masuk. Di mana soma ini diperoleh dari proses aktivasi dendrit yang ada melalui jalur yang dikenal dengan axon. Jalur ini pada neural network disimbolkan dengan weight, di mana weight inilah yang membedakan nilai koneksi dari setiap jalur yang ada.
Gambar 2.4 Permodelan Neuron Biologis
Menurut (Fausett), beberapa fitur utama pada element pemrosesan pada artificial neural network di dasari properti yang dimiliki oleh neuron biologis diantaranya :
1. Element pemrosesan menerima banyak sinyal.
2. Sinyal dapat dimodifikasi berdasarkan weight yang dimiliki pada synapse penerima 3. Elemen pemrosesan menjumlahkan semua input yang telah diberi bobot
4. Dalam keadaan tepat (input suficient), neuron mentransmisikan sebuah output tunggal.
5. Output dari neuron tertentu dapat menuju banyak neuron-neuron yang lain.
Fitur-fitur lain seperti :
1. Informasi pemrosesan bersifat lokal (walaupun ada komponen lain seperti pengaruh hormon yang dapat mempengaruhi keseluruhan kontrol proses )
2. Memori yang ada bersifat terdistribusi :
• Memory long-term berada pada synapses neuron atau weight
• Memory short-term berkorespondensi dengan sinyal yang dikirimkan dari neuron- neuron lain
3. Kekuatan synapse dapat berubah seiring pengalaman
4. Neuron transmitter untuk synapses dapat berupa excitatory atau inhibitory.
2.4 Arsitektur dari Neural Network
Menurut (Fausset), seringkali neuron di visualiasikan ke dalam bentuk layer, di mana neuron- neuron yang berada pada layer yang sama memiliki perilaku yang sama. Faktor penentu perilaku dari neuron ini adalah fungsi aktivasi dan pola dari weight koneksinya sehingga neuron tersebut dapat mengirim dan menerima sinyal. Dalam setiap layer, neuron biasanya memiliki fungsi aktivasi yang sama dan pola dari koneksi yang sama terhadap neuron-neuron lain. Untuk lebih spesifik, banyak neural network maupun neuron-neuron di dalam sebuah layer dapat saling terhubung secara penuh maupun tidak. Jika ada neuron pada sebuah layer (sebagai contoh, layer pada unit tersembunyi) terhubung dengan neuron layer lain (misal: layer output) maka setiap unit tersembunyi dapat terkoneksi di setiap neuron output.
Pengaturan neuron ke dalam layers dan pola koneksi di dalam dan antara layers dikenal dengan “net archictecture”. Banyak neuron nets memiliki layers input yang aktivasi dari setiap unitnya sama dengan sinyal input external. Neural network seringkali di kategorikan dalam 2 jenis yaitu : single layer dan multilayer. Dalam menentukan jumlah layer setiap unit input tidak dapat di hitung sebagai layer, karena unit tersebut tidak dapat melakukan fungsi komputasi. Atau bisa dikatakan bahwa jumlah layer pada neural network di tentukan berdasarkan layer yang berisikan weight antar koneksi dari kumpulan neuron-neuron. Hal inilah yang mendasari bahwa bobot (weight) pada jaringan syaraf (neural network) berisikan informasi yang sangat penting.
Gambar 2.5 Neural network model structure
2.4.1 Jaringan Syaraf Lapis Tunggal
Arsitektur lapis tunggal (single layer) memiliki 1 lapis koneksi bobot. Di mana setiap unit dibedakan antara unit input dan unit ouput. Unit input adalah unit yang menerima sinyal yang berasal dari lingkungan luar, sedangkan unit output adalah respon dari neural network yang dapat dibaca. Pada umumnya, unit input secara penuh terkoneksi dengan unit output tetapi tidak terkoneksi dengan unit input lain, begitu juga halnya unit output tidak terkoneksi dengan unit output yang lain.
Gambar 2.6 Neural network Single Layer
2.4.2 Jaringan Syaraf Lapis Ganda
Pada jaringan syaraf lapis ganda, input tidak langsung terkoneksi dengan output.
Gambar 2.7 Neural network Multilayer
2.5 Fungsi Aktivasi pada Neural network
Fungsi aktivasi adalah operasi dasar pada artificial neuron yang meliputi penjumlahan bobot (weight) sinyal input dan mangaplikasikannya pada output. Untuk unit input, fungsi ini adalah fungsi identitas. Pada umumnya fungsi aktivasi yang sama di gunakan untuk semua neuron pada layer tertentu dari neural network, walaupun hal ini tidak diperlukan. Pada kebanyakan kasus, fungsi aktivasi non linear yang sering digunakan, karena hal ini terjadi sejak hasil dari memasukkan sinyal melalui dua atau lebih layer dari element pemrosesan linear contohnya element dengan fungsi aktivasi linear yang tidak jauh berbeda dengan apa yang didapatkan dengan menggunakan (single layer). Fungsi-fungsi aktivasi yang umum di gunakan menurut [Fausett] adalah sebagai berikut:
2.5.1 Fungsi Identitas
Fungsi identitas disebut juga sebagai fungsi linear. Fungsi linear memiliki nilai output yang sama dengan nilai inputnya. y = x
Gambar 2.8 Fungsi Identitas (Linear)
( )
f x =x
untuk semua harga x
Fungsi ini biasanya digunakan pada unit input untuk memberi nilai awal harga setiap unitnya.
2.5.2 Fungsi Tangga Binary
Fungsi tangga binary atau Fungsi Hard Limit
Gambar 2.9 Fungsi HardLlimit.
Neural network single layer sering menggunakan fungsi tangga untuk mengkonversi unit input, di mana nilai variabelnya bersifat kontinu yang menghasilkan nilai output bernilai biner (yaitu 1
atau 0) atau bipolar (1 atau -1). Fungsi tangga binary ini juga dikenal sebagai fungsi threshold atau fungsi Heaviside.
1 0
jika x
y jika x
θ θ
⎧ ≤
= ⎨⎩ < (0.1)
2.5.3 Fungsi Symetric Hard Limit
Berfungsi mengkonversikan input dari suatu variabel yang bernilai kontinyu ke suatu output berupa nilai 1,0 atau -1.
1 0
1 0
jika x
y jika x
− ≤
= ⎨⎧⎩ ≥ (0.2)
Gambar 2.10 Fungsi Symetric Hard Limit. 16
2.5.4 Fungsi Sigmoid Binary
Fungsi sigmoid (kurva dengan bentuk S) adalah fungsi aktivasi yang berguna. Fungsi sigmoid yang umum adalah fungsi logistik dan fungsi tangent hyperbolic. Kedua fungsi ini bermanfaat khususnya untuk penggunaan neural network karena hubungan yang sederhana antara nilai fungsi pada sebuah point dan nilai dari derivatif pada point itu mengurangi hambatan komputasi selama training.
Gambar 2.11 Fungsi Sigmoid Binary.
Untuk fungsi logistik yang memiliki range 0 sampai 1, sering di gunakan untuk menghasilkan output yang diinginkan bernilai binary atau berada pada interval 0 dan 1. Fungsi dengan range ini juga dikenal dengan binary sigmoid.
( )
1 exp1( )
f x = + −σx (0.3)
( ) ( ) ( )
' 1
f x =σ f x ⎡⎣ − f x ⎤⎦ (0.4)
2.5.5 Fungsi Sigmoid Bipolar
Fungsi sigmoid bipolar adalah fungsi logistik yang memiliki range output dari -1 sampai 1.
Gambar 2.12 Fungsi Sigmoid Bipolar.
( ) ( ) ( )
( )
( )
2 1 1 1
1 exp 1 exp
1 exp
g x f x
x x
x
σ σ
σ
= − = −
+ −
− −
= + −
(0.5)
( ) ( ) ( )
' 1 1
g x =σ2 ⎡ +g x ⎤ ⎡ −g x ⎤
⎣ ⎦ ⎣ ⎦ (0.6)
Fungsi bipolar sigmoid erat kaitannya dengan fungsi tangent hyperbolic, yang sering juga di gunakan sebagai fungsi aktivasi ketika range output yang di inginkan bernilai -1 sampai dengan 1.
2.5.6 Fungsi Saturating Linear
Fungsi dirumuskan sebagai berikut:
1 0.5
0.5 0.5 0.5
0 0.5
jika x
y x jika x
jika x
⎧ ≥
=⎪⎨ + − ≤ ≤
⎪ ≤ −
⎩
(0.7)
Gambar 2.13 Fungsi saturating linear.
2.5.7 Fungsi Symetric Saturating Linear
Fungsi dirumuskan sebagai berikut:
1 1
1 1
1 1
jika x
y x jika x
jika x
⎧ ≥
=⎪⎨ − ≤ ≤
⎪− ≤ −
⎩
(0.8)
Gambar 2.14 Symetric Saturating Linear.19
2.5.8 Fungsi Invers Sigmoid Bipolar
Fungsi merupakan invers Sigmoid Bipolar umum dipakai untuk recurrent network misal model jaringan Hopfield (Haykin,1999).
Gambar 2.15 Fungsi Invers Sigmoid Bipolar.22
2.5.9 Fungsi Tangent Hyperbolic
( ) ( ) ( )
( ) ( )
( )
( )
exp exp
exp exp
1 exp 2 1 exp 2
x x
h x x x
x x
− −
= + −
− −
= + −
(0.9)
( ) ( ) ( )
' 1 1
h x = +⎡⎣ h x ⎤ ⎡⎦ ⎣ −h x ⎤⎦ (0.10)
2.6 Training Pada Artificial Neural network
Pelatihan adalah metode untuk mengatur nilai dari bobot, di mana pelatihan ini adalah karakteristik yang membedakan neural network yang berbeda. Menurut [Fausett], ada 2 tipe dari pelatihan, yaitu: supervised dan unsupervised. Sebagai tambahan ada neural network yang bobotnya bernilai tetap tanpa proses pelatihan yang berulang.
2.6.1 Supervised Training
Kebanyakan aturan jaringan syaraf tiruan (artificial neural network), pelatihan di lakukan dengan menunjukkan sekuens vektor pelatihan atau pola, di mana setiap pola yang ada di asosiasikan dengan vektor output target. Bobot kemudian diatur berdasarkan algoritma learning.
Proses inilah yang di kenal sebagai pelatihan terpandu (supervised training). Termasuk pada pelatihan terpandu ini adalah:
• Perceptron
• Adaline
• Feedforward Backpropagation network
• Statistical trained networks (Boltzmann/Cauchy machines)
• Radial basis function networks
2.6.2 Unsupervised Training
Pelatihan jenis ini dilakukan dengan menyediakan sekuens vektor input, akan tetapi tidak ada target vektor tertentu yang di spesifikasikan. Neural network tersebut akan memodifikasi bobot
• Hopfield Memory
• Bidirectional associative memory
• Fuzzy associative memory
• Learning vector quantizer
2.7 Perceptron
Pada bab ini akan membahas jaringan syaraf lapis tunggal, termasuk di dalamnya pendekatan klasik pada Neural Computing dan masalah pembelajaran. Pada bagian pertama kita akan diskusikan keunggulan dan keuntungan dari jaringan lapis tunggal dan algoritma pembelajarannya. Pada bagian kedua kita akan diskusikan kelemahan dan keterbatasan dari jaringan syaraf lapis tunggal ini. Kemudian akan dibahas perceptron lapis tunggal dan perceptron lapis ganda. Pada bagian akhir dari bab ini akan dibahas contoh perceptron dengan perhitungan manual, ANN toolbox dan program sendiri dengan bantuan Matlab.
Dua pendekatan model klasik dari jaringan syarat lapis tunggal ini adalah: Perceptron, yang diusulkan oleh Rosenblatt (Rosenblatt, 1959) dan di akhir tahun 50'an dan Adaline, diperkenalkan pada awal tahun 60-an oleh Widrow and Ho_ (Widrow & Ho_, 1960).
2.7.1 Jaringan dengan threshold dan fungsi aktivasi
Jaringan lapis tunggal alur-maju(kamus bahasa Indonesia), (single layer feed-forward network) umumnya terdiri dari satu atau banyak output neurons o, yang masing-masingnya dihubungkan dengan bobot faktor wio ke semua inputs i. contoh yang paling sederhana adalah jaringan yang hanya memiliki dua input dan keluaran tunggal seperti terlihat pada gambar 2.13, Input neuron adalah jumlah input yang tertimbang (atau bisa dikatakan bobot x input) ditambah dengan faktor bias.
Gambar 2.16 Jaringan Syaraf Lapis tunggal dengan satu output dan dua input
Jaringan dibentuk oleh output neuron fungsi aktivasi di mana fungsi dari input
2 1
i i i
y F w x θ
=
⎛ ⎞
= ⎜ + ⎟
⎝
∑
⎠(0.11)
Fungsi aktivasi F bisa linear sedemikian sehingga kita memiliki suatu jaringan linear, atau jaringan yang tidak linear. Pada kasus ini digunakan fungsi thereshold (atau Heaviside atau sgn) :
1 0
( ) 1
F s if s
otherwise
⎧ >
= ⎨⎩−
(0.12)
Dengan demikian output jaringan di batasi bernilai +1 atau -1, tergantung pada input.
Jaringan ini bisa digunakan dan diaplikasikan untuk tugas pengelompokan (classifier) atau pengelompokan pola(Fauset) (pattern classification). Jaringan ini bisa memutuskan apakah pola input masuk pada kelompok mana dari dua kelas tadi (kelas +1 atau kelas -1. Jika total input bernilai positif, maka pola dikenali sebagai kelas +1, dan jika total input bernilai negatif maka pola input dikenali sebagai kelas -1. pemisahan dua kelas pada kasus ini adalah berupa sebuah garis lurus., yang diberikan oleh sebuah persamaan garis:
1 1 2 2 0
w x +w x + =θ (0.13)
Secara geometris fungsi diskriminan ini mempresentasikan jaringan linear threashold seperti terlihat pada gambar . Persamaan 0.13 bisa ditulis sebagai berikut:
1
2 1
2 2
x w x
w w
= − − θ
Dari persamaan diatas kita bisa melihat bahwa bobot yang akan menentukan gradient atau kemiringan garis, sementara bias menentukan keluaran 'o_set' untuk melihat seberapa jauh garis determinan ini dari titik pusat 0. Jika vektor bobotnya juga ikut ditampilkan pada input space ini akan selalu tegak lurus pada garis diterminan itu.
Gambar 2.17 Jaringan lapis tunggal merepresentasikan suatu fungsi garis pemisah.
Gambar 2.18 Jaringan topologi umum feedforward dengan multilayers
2.7.2 Algoritma Feedforward
Untuk membangun jaringan feedforward multilayers dengan pembelajaran algoritma pembelajaran apapun nantinya maka lakukan algoritma(fauset) di bawah ini:
Langkah 0 : Inisialisasi bobot dan bias
(untuk mudahnya, pengaturan nilai bobot dapat menggunakan nilai nol atau bisa juga dengan menggunakan bilangan random). Set Laju Pembelajaran (0< ≤α 1), untuk mudahnya, α bisa diset ke 1.
Langkah 1 : Selama kondisi berhenti false, lakukan langkah 2 hingga langkah 6
Langkah 2 : Untuk setiap pasangan data pelatihan, lakukan langkah 3 sampai langkah ke 5 Alur Maju (Feedforward):
Langkah 4 : Setiap unit tersembunyi
(
Zj, j=1,...,p)
menjumlahkan sinyal – sinyal inputberbobot, 0
1
_
n
j j i i
i
z in v x v j
=
= +
∑
gunakan fungsi aktivasi untuk menghitung sinyal outputnya.zj = f z in
(
_ j)
dankirimkan sinyal ini ke semua unit di lapisan atasnya (unit –unit output).
Langkah 5 : Setiap unit output / keluaran pada masing-masing neuron
(
Y kk, =1,...,m)
menjumlahkan sinyal – sinyal input terbobot,
0 1
_
p
k k j jk
j
y in w z w
=
= +
∑
Dan gunakan fungsi aktivasi untuk menghitung sinyal outputnya, keluaran setiap neuronyk = f y in
(
_ k)
2.7.3 Perceptron Lapis Ganda
Berikut ini akan dibahas perceptron dengan banyak lapis lebih dari satu. Pembelajaran yang dipakai pada umumnya adalah optimalisasi bobot dengan menggunakan Evolutionary Programming, dan sangat populer dipergunakan. Fase Pelatihan (pembelajaran). Fase Prediksi (pengujian) merupakan subset dari fungsi pembelajaran di mana proses pengujian alur proses pencarian (feedforward) tidak ada arah perambatan mundur untuk penyesuaian bobot. Pada proses prediksi atau pengujian, bobot memiliki nilai tetap (fixed weights).
Gambar 2.19 Proses pengujian pada perceptron lapis ganda (Multi Layers)
2.8 Ilustrasi Proses Feedforward
Pada bagian ini akan dijelaskan model jarigan syaraf feedforward proses alur maju untuk lapis ganda seperti pada gambar dibawah ini. Untuk mempermudah pemahaman, maka kita ambil struktur yang sangat sederhana dari multi layers feedfordward, yaitu struktur terdiri dari dua input (x1 dan x2) dengan dua lapis hidden layer dan satu buah output y.
Gambar 2.20 Model sederhan jaringan dengan dua input dan satu output, dengan total 6 neuron.
Setiap neuron terdiri dari dua unit. Unit pertama adalah proses penjumlahan dari koefisien bobot dan input sinyal. Sedangkan unit kedua adalah proses meneruskan sinyal ke fungsi nonlinear yang disebut sebagai fungsi aktivasi. Sinyal e adalah faktor penjumlahan output sinyal dan, dan y = f(e) adalah output signal dari nonlinear element.
Gambar 2.21 Proses perjumlahan dan threshold pada satu buah neuron
Pada ilustrasi gambar diatas terlihat, dua unit proses yang terjadi pada sebuah neuron.
Jika dilihat untuk sistem lebih besar. Output dari satu neuron pada lapis sebelumnya adalah menjadi input pada neuron lapis sesudahnya.
Untuk mengajari neural network kita butuh training data set. The training data set terdiri dari input signals (x1 dan x2 ) yang memiliki target tertentu yang disebut (desired output) z.
proses pembelajaran adalah proses iteratif. Setiap iterasi koefisien bobot diubah dan dimodifikasi dengan menggunakan data input yang baru dari data training set. Modifikasi dihitung dengan menggunakan algoritma seperti dijelaskan dibawah ini. Setiap iterasi pembelajaran mulai dengan menggunakan data input dari data pembelajaran. Dengan bobot awal yang dinitialisasi dengan nilai 0 agar lebih mudah atau dengan nilai bilangan random, maka dengan demikian kita bisa menghitung output keluar dari masing-masing neuron sampai keluaran output dari jaringan itu sendiri dalam alur maju. Symbols w(xm)n mewakili bobot yang terkoneksi antara network input xm dan neuron n dalam input layer. Symbols yn mewakili output signal dari neuron n.
2.8.1 Ilustrasi proses alur maju
Untuk y1 output dari neuron node pertama, yang terkoneksi dengan dua input x1 dan x2 dapat di hitung seperti dibawah ini. Symbol w(x1)n mewakili bobot koneksi antara input sinyal 1 dan input neuron n pada lapisan berikutnya. Misalnya w(x1)1 artinya bobot pada koneksi dari input node 1 terhubung dengan koneksi dari neuron node 1. maka untuky1 dihitung dengan komponen bobot w(x1)1 dari neuron node 1, w(x2)1 dari input sinyal ke 2
Gambar 2.22 Perhitungan keluaran neuron node.1
1 2
1 1( ( )1 1x (x)1 2) y = f w x +w x
1 2
2 2( ( )2 1x (x)2 2) y = f w x +w x
1 2
3 3( ( )3 1x (x)3 2) y = f w x +w x
warna biru menunjukkan alir proses yang terkait dan untuk output neuron pada node 2 y2
dihitung seperti dibawah ini
Gambar 2.23 Perhitungan keluaran neuron node.2 Untuk y3 output node 3 dihitung seperti dibawah ini
Gambar 2.24 Perhitungan keluaran neuron node.3
Symbol wmn mewakili bobot koneksi antara output neuron m dan input neuron n pada lapisan berikutnya. Misalnya w14 artinya bobot pada koneksi dari neuron node 1 terhubung dengan koneksi dari neuron node 4. maka untuky4 dihitung dengan komponen bobot w14 dari neuron node 1, w24 dari neuron node 2 dan w34 dari neuron node 3 seperti dibawah ini:
Gambar 2.25 Perhitungan keluaran neuron node.4
maka untuky5 dihitung dengan komponen bobot w15 dari neuron node 1, w25 dari neuron node 2 dan w35 dari neuron node 3 seperti dibawah ini:
Gambar 2.26 Perhitungan keluaran neuron node.5
dan terakhir perambatan sinyal melalui lapisan tersembunyi. Menghitung output keluaran jaringan y:
Gambar 2.27 Perhitungan keluaran neuron node.6
2.9 Algoritma Backpropagation dalam Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan Back-Propagation merupakan salah satu algoritma jaringan yang populer pada jaringan syaraf tiruan. Model jaringan ini banyak digunakan untuk menyelesaikan suatu masalah berkaitan dengan identifikasi, prediksi, pengenalan pola dan sebagainya. Dengan latihan yang berulang-ulang, algoritma ini akan menghasilkan hasil yang lebih baik. Hal ini berarti bahwa “bobot interkoneksi” jaringan syaraf tiruan semakin mendekati bobot yang seharusnya.
(Penelitian jaringan syaraf tiruan, 1993). Kelebihan lain yang di miliki jaringan syaraf tiruan ini adalah kemampuannya untuk belajar (bersifat adaptif) dan kebal terhadap adanya kesalahan (Fault Tolerance) dengan kelebihan tersebut jaringan syaraf tiruan dapat mewujudkan sistem yang tahan akan kerusakan (robust) dan konsisten bekerja dengan baik.
Metode Backpropagation ini pertama kali di perkenalkan oleh Paul Werbos pada tahun 1974, kemudian di kemukakan kembali oleh David Parker di tahun 1982 dan di
populerkan oleh Rumelhart dan McCelland pada tahun 1986. Pada algoritma backpropagation ini merupakan arsitektur jaringan menggunakan jaringan
banyak lapis. Secara garis besar proses pelatihan pada jaringan saraf tiruan di kenal beberapa tipe pelatihan, yaitu Supervised Training, Unsupervised Training, Fixed-Weight Nets. Metode
pelatihan Backpropagation di kenal dengan Generalize Delta Rule (GDR) yang merupakan supervised training untuk tiap pola input yang terdapat pasangan target output untuk masing-masing pola input. Prinsip kerjanya adalah jika hasil yang diberikan tidak sesuai dengan target yang diinginkan, maka bobot akan dikoreksi kembali agar error semakin berkurang. Pada umumnya tujuan jaringan syaraf tiruan melakukan proses pelatihan adalah untuk mendapatkan balancing antara kemampuan jaringan untuk menanggapi secara benar pola-pola input pada saat pelatihan dan kemampuan untuk memberikan hasil yang layak ataupun hasil dengan error rate yang terendah. Sehingga dalam tahap pelatihan akan di bentuk pembobot yang digunakan sebagai faktor pengali keterkaitan input dengan hasil yang di harapkan.
Pada tahap pelatihan ini yang merupakan langkah bagaimana suatu jaringan syaraf itu berlatih, yaitu dengan cara melakukan perubahan bobot, baik bobot sambungan antar input layer dan hidden layer maupun antara hidden layer dan output layer, bila terdapat lebih dari satu hidden layer maka juga terdapat pembobot antar hidden layer itu sendiri. Setelah pelatihan yang cukup, barulah suatu model dengan pembobot tersebut digunakan untuk memecahkan atau meramalkan suatu output.
