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.

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.

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.

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.

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.

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).