2. Jaringan saraf tiruan memiliki beberapa kemampuan seperti yang dimiliki otak
manusia, yaitu:
1. Kemampuan untuk belajar dari pengalaman.
2. Kemampuan melakukan perumpamaan (generalization) terhadap input baru dari
pengalaman yang dimilikinya.
3. Kemampuan memisahkan (abstraction) karakteristik penting dari input yang
mengandung data yang tidak penting.
Model Neuron Biologis
Pada dasarnya jaringan saraf atau neural Network (NN) terdiri atas banyak elemen
pemroses sederhana yang disebut neuron, sel, unit, atau simpul. Sebagai bahan
perbandingan, otak seekor cacing diperkirakan memiliki sekitar 1.000 neuron dan otak
manusia memiliki sekitar 100 miliar. Setiap sel saraf berhubungan dengan sel saraf
lainnya memakai saluran komunikasi yang teratur dengan suatu bobot penghubung.
3. Pada dasarnya neuron memiliki 4 daerah utama, yaitu :
Dendrit
Dendrit merupakan suatu perluasan dari soma yang menyerupai rambut dan bertindak sebagai
saluran untuk menerima masukan dari sel saraf lainnya melalui sinapsis.
Sel Tubuh atau Soma
Sel tubuh atau soma merupakan jantungnya sel yang memiliki inti (nucleus). Soma bertugas
memproses nilai masukan dari semua dendrit yang terhubung dengannya menjadi suatu output. Soma
memiliki 2 cabang yaitu dendrit dan akson.
Akson
Neuron biasanya hanya memiliki satu akson yang tumbuh dari bagian soma dan disebut dengan
akson hillock. Akson menyalurkan sinyal elektrik yang dihasilkan pada bagian bawah dari akson
hillock. Sinyal elektrik digunakan oleh neuron untuk menyampaikan informasi (sinyal) ke otak
dengan semua sinyal sama.
Sinapsis (Synapse)
Sinapsis merupakan bagian kontak (tempat) terjadinya pertukaran sinyal antar dua neuron. Neuron
sebenarnya secara fisik tidak berhubungan. Mereka dipisahkan oleh synaptic cleft. Neuron yang
mengirim sinyal disebut dengan sel presynaptic dan neuron yang menerima sinyal disebut dengan sel
postsynaptic.
4. Model ANN
Pemodelan ANN merupakan dengan menggunakan pendekatan pemodelan black box. Prinsip
kerja ANN didasari pada mekanisme kerja penyaluran informasi sistem NN. Namun demikian,
karena keterbatasan yang dimiliki oleh struktur ANN maka hanya sebagian kecil saja dari
kemampuan sistem saraf manusia dapat ditiru.
Pembelajaran pada ANN
Proses pembelajaran (learning) atau pelatihan (training) pada ANN merupakan proses perubahan
atau penyesuaian tingkat kekuatan hubungan antara node-node yang saling terhubung. Tingkat
keuatan hubungan antara node dinyatakan dengan nilai bobot. Ini berarti proses pembelajaran
pada ANN tiada lain merupakan proses penyesuaian nilai-nilai bobot tersebut.
5. Perceptron
Perceptron merupakan jaringan neural buatan yang paling sederhana yang diperkenalkan oleh
Rosenblatt sekitar tahun 1957. Perceptron digunakan untuk melakukan klasifikasi terhadap pola-
pola yang terpisah secara linier.
Kohonen
Teknik self-organizing map (SOM) atau kohonen pertama kali diperkenalkan oleh Touvo
Kohonen, merupakan sistem jaringan neural berbasis kompetisi yang mampu melakukan
pembelajaran tanpa terbimbing karena memiliki kemampuan mengatur dirinya sendiri (self-
organizing). Jaringan ini akan mempelajari distribusi pola-pola himpunan tanpa informasi kelas
sebelumnya.
6. LVQ
Jaringan LVQ (Learning Vector Quantization) juga diperkenalkan oleh Tuevo Kohonen. LVQ
merupakan salah satu jaringan saraf tiruan yang melakukan pembelajaran secaara terawasi. LVQ
mengklasifikasi input secara berkelompok ke dalam kelas yang sudah didefinisikan melalui
jaringan yang telah dilatih. Dengan kata lain LVQ mendapatkan n input dan mengelompokkan ke
dalam m output. Arsitektur jaringan LVQ ini terdiri dari input, lapisan kohonen, dan lapisan
output.
Algoritma LVQ
Pada beberapa literature mungkin ditemui beberapa algoritmaa tentang LVQ yang berbeda.
Secara garis besar, algoritma LVQ adalah sebagai berikut.
7. 1. Langkah pertama adalah menentukan masing-masing kelas output, menentukan bobot, dan
menetapkan learning rate α.
2. Bandingkan masing-masing input dengan masing-masing bobot yang telah ditetapkan dengan
melakukan pengukuran jarak antara masing-masing bobot wo dan input xp.
||xp – wo||
3. Nilai minimum dari hasil perbandingan itu akan menentukan kelas dari vektor input dan
perubahan bobot dari kelas tersebut. Perubahan untuk bobt baru (wo’) dapat dihitung dengan
persamaan berikut.
- Untuk input dan bobot yang memiliki kelas yang sama :
Wo’ = wo + α (x – wo)
- Untuk input dan bobot yang memiliki kelas yang berbeda :
Wo’ = wo - α (x – wo)
Pada dasarnya perhitungan di atas akan dilakukan terus-menerus sampai nilai bobot tidak berubah
jika ada input baru. Hal ini tentu saja membutuhkan keperluan memori yang sangat besar untuk
melakukan perhitungan. Untuk itu, dalam melakukan perhitungan LVQ bisa ditentukan maksimal
perulangan (epoch).