Karakteristik neural network
- 1. KARAKTERISTIK NEURAL NETWORK JARINGAN SYARAF TIRUAN Arafat, M.Kom
- 2. KARAKTERISTIK NEURAL NETWORK Karakteristik Neural Network ditunjukkan dalam 3 ciri, yaitu : Arsitektur Jaringan, Algoritma Jaringan (Alg. Pembelajaran dan Pengenalan) dan Fungsi Aktivasi.. 1. ARSITEKTUR JARINGAN Arsitektur jaringan menggambarkan bagaimana mengatur neuron-neuron dalam lapisan dan bagaimana menghubungkan neuron-neuron tersebut dengan bobot keterhubungannya ( weight(w) ). Pada setiap neuron yang berada dalam satu lapisan yang sama mempunyai fungsi aktivasi yang sama, dan setiap neuron dalam satu lapisan harus dihubungkan dengan setiap neuron pada lapisan berikutnya. Arsitektur jaringan saraf tiruan yang sering digunakan adalah : 1. Jaringan dengan lapisan tunggal (single layer net) 2. Jaringan dengan banyak lapisan (multiple layer net) Jaringan dengan lapisan tunggal hanya memiliki 1 lapisan dengan bobot-bobot keterhubungannya. Jaringan ini hanya menerima input pada lapisan input dan kemudian secara langsung mengolahnya menjadi ouput pada lapisan output. Arsitektur jaringan dengan lapisan tunggal dapat dilihat pada gambar 1. Lapisan X1 X2 X3 Xn ... input w1m w21 w2m w31 w3m wn1 w22 w32 w11 w12 wn2 wnm Lapisan Y2 Ym Y1 ... output Gambar 1 Jaringan syaraf dengan lapisan tunggal Jaringan dengan banyak lapisan memiliki 1 atau lebih lapisan yang terletak diantara lapisan input dan lapisan output yang disebut sebagai lapisan tersembunyi (hidden layer). Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit daripada jaringan dengan lapisan tunggal, tetapi tentu proses pembelajaran menjadi jauh lebih rumit dan memakan waktu yang lama. Tetapi pada sebagian besar
- 3. kasus, pembelajaran dengan banyak lapisan ini lebih sukses dalam hasil pengujian masalahnya. Arsitektur jaringan dengan banyak lapisan dapat dilihat pada gambar 2. X1 X2 X3 Xn Lapisan ... input V1p V21 V2p V31 V3p Vn1 V22 V32 V11 V12 Vn2 Vnp Lapisan Z2 Zp Z1 ... hidden w21 w2m wp1 w1m wpm w11 Y1 Lapisan Ym output Gambar 2 Jaringan syaraf dengan banyak lapisan 2. ALGORITMA JARINGAN 2.1 Algoritma Pembelajaran Algoritma pembelajaran digunakan untuk menemukan nilai-nilai bobot yang tepat dalam mengirimkan suatu informasi. Algoritma yang digunakan Neural Network dalam pembelajaran tergantung pada arsitektur jaringan yang digunakan. Secara umum, algoritma pembelajaran terbagi menjadi dua bagian, yaitu supervised learning (pembelajaran terawasi) dan unsupervised learning (pembelajaran tak terawasi). Supervised learning merupakan algoritma pembelajaran yang memerlukan target output yang diharapkan untuk diketahui sebelumnya dalam proses pembelajarannya. Setiap pola input beserta target output yang ditentukan disebut sebagai pasangan pembelajaran. Algoritma pembelajaran NN yang termasuk dalam kelompok ini antara lain : 1. Hebb 2. PERCEPTRON 3. Back Propagation
- 4. Unsupervised learning tidak memerlukan target output dan tidak dapat ditentukan hasil seperti apakah yang diharapkan selama proses pembelajaran. Tujuan pembelajaran ini adalah mengelompokkan unit-unit yang hampir sama dalam suatu area tertentu. Yang termasuk dalam Unsupervised learning antara lain : 1. Kohonen Self-Organizing Maps 2. Learning Vextor Quantization 3. Counterpropagation 2.2 Algoritma Pengenalan Setelah menemukan nilai bobot keterhubungan antar neuron yang bersesuaian dengan nilai output, maka nilai bobot tersebut digunakan untuk menguji NN jika suatu input dimasukkan sehingga suatu nilai ouput dihasilkan. Proses ini dinamakan proses pengenalan (pengujian). Algoritma pengenalan yang digunakan tergantung pada algoritma pembelajaran yang digunakan, biasanya merupakan bagian dari algoritma pembelajarannya. 2.3 Separabilitas Linier Salah satu cara yang biasa digunakan sebagai syarat henti proses pembelajaran atau digunakan juga untuk proses pengenalan adalah separabilitas linier.(garis pembatas). Dalam aplikasi pengenalan pola, garis pembatas ini merupakan batas keputusan apakah suatu anggota termasuk dalam kelompok (berespon positip) atau bukan kelompok. (berespon negatip)..Dalam koordinat Cartesian (x,y) garis pembatas ini digambarkan sebagai garis lurus yang mempunyai persamaan : y  mx  c dengan : m : gradien garis c : konstanta atau titik potong dengan sumbu-y (0,c) Sebagai contoh garis pembatas dengan persamaan y = 2x + 4 dapat dilihat pada gambar 3.Titik potong garis dengan sumbu-x adalah (-2,0) dan dengan sumbu-y (0,4). Daerah di atas garis pembatas adalah daerah y > 2x + 4 atau daerah berespon positip, sedangkan daerah di bawah garis pembatas adalah daerah y < 2x + 4 atau daerah berespon negatip.
- 5. y y = 2x + 4 c x -2 Gambar 3 Garis y = 2x + 4 3. FUNGSI AKTIVASI Ada beberapa bentuk fungsi aktivasi yang umum digunakan dalam Neural Network, antara lain: a. Fungsi tangga biner Jaringan dengan lapisan tunggal sering menggunakan fungsi tangga biner untuk mengkonversikan input dari suatu variabel yang bernilai kontinu ke suatu ouput biner (0 atau 1). Fungsi tangga biner dirumuskan sebagai, 0 jika x ï‚£ 0 yï€½ïƒ ïƒ®1 jika x  0 sedangkan grafiknya dapat dilihat pada gambar di bawah ini. Y 1 0 X Gambar 3 Fungsi Tangga Biner b. Fungsi linear (identitas) Fungsi linear memiliki nilai output yang sama denagn nilai inputnya. Fungsi linear dirumuskan sebagai yx
- 6. dan grafik fungsi linear dapat dilihat pada gambar 4. Y 1 -1 0 1 X -1 Gambar 4 Fungsi Linear c. Fungsi sigmoid biner Fungsi ini mempunyai nilai pada range 0 sampai 1. Fungsi ini dirumuskan sebagai, y  f x   1 1  exp ï€ x dan grafik fungsi ini dapat dilihat pada gambar 5. Gambar 5 Fungsi sigmoid biner d. Fungsi sigmoid bipolar Fungsi ini mempunyai nilai pada range antara –1 sampai 1. Fungsi ini dirumuskan sebagai, 1 ï€ exp ï€ x y  f x   1  exp ï€ x sedangkan grafik fungsinya ini dapat dilihat pada gambar 6. Gambar 6 Fungsi sigmoid bipolar