7
BAB 2
TINJAUAN PUSTAKA
2.1 Anatomi Ayam
Pengetahuan tentang anatomi ayam sangat diperlukan dan penting dalam pencegahan dan penanganan penyakit. Hal ini karena pengetahuan tersebut dipakai sebagai dasar pengamatan (diagnosis) terhadap kondisi ayam. Secara umum, organ tubuh ayam yang telah terserang suatu penyakit, akan mengalami perubahan baik bentuk, warna, ukuran, maupun tekstur jika dibandingkan dengan organ yang normal.
Beberapa serangan penyakit pada ayam broiler atau unggas lainnya masih merupakan momok yang menakutkan bagi para peternak. Mengapa demikian? Pasalnya, serangan penyakit yang sangat parah sangat merugikan peternak. Tidak jarang, peternak gulung tikar akibat peternakannya diserang penyakit. Karena itu, sangat penting mengetahui berbagai jenis penyakit yang sering menyerang ayam.
2.2 Jaringan Syaraf Biologis
Para ahli bedah otak sering membicarakan mengenai adanya pengaktifan neuron, pembuatan koneksi baru, atau pelatihan kembali pola-pola tingkah laku pada otak manusia. Sayangnya hingga saat ini bagaimana sesungguhnya aktivitas-aktivitas tersebut berlangsung belum ada yang mengetahui dengan pasti. Itulah sebabnya mengapa jaringan syaraf tiruan dikatakan hanya mengambil ide dari cara kerja jaringan syaraf biologis.
Salah satu contoh pengambilan ide dari jaringan syaraf biologis adalah adanya elemen-elemen pemprosesan pada jaringan syaraf tiruan yang saling terhubung dan
Universitas Sumatera Utara
8 beroperasi secara paralel. Ini meniru jaringan syaraf biologis yang tersusun dari sel-sel (neuron). Cara kerja dari elemen-elemen pemrosesan jaringan syaraf tiruan juga sama seperti cara neuron meng-code informasi yang diterimanya[10].
Pembuatan struktur jaringan syaraf tiruan diilhami oleh struktur jaringan syaraf biologi, khususnya jaringan otak manusia. Jaringan syaraf tersusun atas unit pemroses yang disebut neuron. Menurut Fausett, sebuah neuron pada jaringan syaraf dianalogikan sebagai neuron biologis di mana sebuah neuron biologis memiliki 3 tipe komponen yaitu dendrit, soma dan axon.
Dendrit biasanya mendapatkan sinyal-sinyal dari neuron lain, sinyal itu berupa impuls elektrik yang ditransmisikan melalui sebuah penghubung yang disebut synapses dengan bantuan proses kimia. Proses kimia inilah yang memodifikasi sinyal masuk atau berupa fungsi aktivasi pada jaringan syaraf. 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 jaringan syaraf disimbolkan dengan bobot, di mana bobot inilah yang membedakan nilai koneksi dari setiap jalur yang ada.
Universitas Sumatera Utara
9 Gambar 2.1 Struktur Dasar Jaringan Syaraf Tiruan dan Struktur Sederhana Sebuah Neuron
Struktur pada Gambar 2.1 adalah bentuk standar dasar satuan unit jaringan syaraf manusia yang telah disederhanakan. Jaringan syaraf manusia tersusun tidak kurang dari 1013 buah neuron yang masing-masing terhubung oleh sekitar 1015 buah dendrit.
2.3 Jaringan Syaraf Tiruan
Jaringan syaraf tiruan merupakan sistem pemproses informasi yang memiliki karekteristik mirip dengan jaringan syaraf biologis[6]. Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan disini digunakan karena jaringan syaraf ini di implementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran.
Jaringan syaraf tiruan merupakan suatu sistem pemrosesan informasi yang memiliki karakteristik-karakteristik menyerupai jaringan syaraf biologi yang dirancang untuk memodelkan otak manusia mengerjakan fungsi atau tugas-tugas tertentu. Jaringan syaraf tiruan ini memiliki kemampuan menyimpan pengetahuan berdasarkan pengalaman dan menjadikan simpanan pengetahuan menjadi bermanfaat untuk melakukan pengenalan pola-pola tertentu. Jaringan syaraf tiruan dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran.
Sejumlah literatur menganggap bahwa konsep jaringan syaraf tiruan (JST) bermula pada makalah Waffen McCulloch dan Walter Pitts pada tahun 1943. Dalam makalah tersebut mereka mencoba untuk memformulasikan model matematis selsel otak.
Metode
yang
dikembangkan
berdasarkan
sistem syaraf biologi ini,
merupakan suatu langkah maju dalam industri komputer.
Universitas Sumatera Utara
10 JST adalah suatu teknologi komputasi yang berbasis pada model syaraf biologis, JST merupakan suatu teknik pemrosesan informasi yang menggunakan model kuantitatif[9]. JST terdiri dari sejumlah neuron melalui pendekatan dari sifatsifat komputasi biologis (biological computation). Neuron dapat diartikan sebagai bagian terkecil dari bagian JST yang berfungsi sebagai elemen pemroses[12]. Model dari sebuah neuron ditunjukkan pada Gambar 2.2.
bias w1
x1
w2
x2
netk Input
output f (.)
. . .
Fungsi Aktivasi
xi wi
Fungsi Penjumlahan
Gambar 2.2 Model Neuron
Dari Gambar 2.2 dapat dilihat bahwa neuron tersusun dari komponen sebagai berikut:
1. Sekumpulan penghubung atau synapses dengan nilai bobot yang telah disesuaikan, yang berfungsi menghubungkan masukan dan fungsi penjumlahan.
2. Sebuah
fungsi penjumlah (Summing) yang berfungsi untuk menjumlahkan
semua sinyal masukan.
3. Fungsi aktivasi yaitu fungsi yang mentransformasikan nilai keluarannya melalui pemetaan sinyal masukan ke dalam sebuah nilai yang sesuai dengan neuron
Universitas Sumatera Utara
11 lainnya. Fungsi aktivasi diharapkan menghasilkan nilai yang dapat mendekati nilai-nilai maksimum dan minimum target.
Dari model sebuah neuron dapat dituliskan persamaan:
y=f(
w * xi – )
keterangan: xi
= sinyal masukan ke-i
wi
= bobot hubungan ke-i = bias
f(.)
= fungsi aktivasi atau elemen pemroses
y
= sinyal keluaran
Dalam proses pembelajarannya keluaran dari JST ditentukan oleh pola hubungan antar neuron atau arsitektur JST, metode untuk menentukan bobot penghubung berupa metode pembelajaran serta algoritma dan fungsi aktivasi dari JST itu sendiri. Suatu algoritma belajar dari JST tergantung dari arsitektur atau struktur dari jaringan syaraf tersebut.
2.3.1 Komponen Jaringan Syaraf
Ada beberapa tipe jaringan syaraf, namun demikian, hampir semuanya memiliki komponen-komponen yang sama. Seperti halnya otak manusia, jaringan syaraf juga terdiri-dari beberapa neuron, dan ada hubungan antara neuron-neuron tersebut. Neuron-neuron tersebut 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 2.3 menunjukkan struktur neuron pada jaringan syaraf.
Universitas Sumatera Utara
12
Input dari bobot neuron neuron yang lain
∑
Fungsi aktivasi
Output
Output ke bobot neuron neuron yang lain
Gambar 2.3 Struktur neuron jaringan syaraf tiruan
Jika kita lihat, neuron buatan ini sebenarnya mirip dengan sel neuron biologis. Neuron-neuron buatan tersebut bekerja dengan cara yang sama pula dengan neuronneuron 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 suatu nilai ambang (threshold) tertentu melalui fungsi aktivasi setiap neuron. Apabila input tersebut melewati suatu nilai ambang tertentu, maka neuron tersebut akan diaktifkan, tapi kalau tidak, maka neuron tersebut tidak akan diaktifkan. Apabila neuron tersebut diaktifkan, maka neuron tersebut akan mengirimkan output melalui bobot-bobot outputnya ke semua neuron yang berhubungan dengannya [8].
2.3.2 Manfaat Jaringan Syaraf Tiruan
Jaringan syaraf tiruan mulai dilirik banyak kalangan karena mempunyai banyak kelebihan dibandingkan sistem konvensional. Jaringan syaraf tiruan mewakili pikiran manusia untuk mendekatkan diri dengan komputer, maksudnya jaringan syaraf tiruan dirancang agar komputer dapat bekerja seperti/layaknya otak manusia. Berikut ini beberapa keunggulan dari jaringan syaraf tiruan adalah : 1. Adaptive learning: Suatu kemampuan untuk melakukan suatu kegiatan yang didasarkan atas
data yang diberikan pada saat pembelajaran atau dari
pengalaman sebelumnya.
Universitas Sumatera Utara
13 2. Self Organisation: Dapat membuat organisasi sendiri atau me-representasikan informasi yang didapat pada saat pembelajaran. 3. Real Time Operation: Dapat menghasilkan perhitungan pararel dan dengan device hardware yang khusus yang dibuat akan memberikan keuntungan dengan adanya kemampuan tersebut. 4. Fault Tolerance melalui Redundant Information Coding: Kerusakan pada bagian tertentu dari jaringan akan mengakibatkan penurunan kemampuan. Beberapa jaringan mempunyai kemampuan untuk menahan kerusakan besar pada jaringan. 5. Kelebihan jaringan syaraf tiruan terletak pada kemampuan belajar yang dimilikinya. Dengan kemampuan tersebut pengguna tidak perlu merumuskan kaidah atau fungsinya. Jaringan syaraf tiruan akan belajar mencari sendiri kaidah atau fungsi tersebut. Dengan demikian jaringan syaraf tiruan mampu digunakan untuk menyelesaikan masalah yang rumit atau masalah yang terdapat kaidah atau fungsi yang tidak diketahui. 6. Kemampuan jaringan syaraf tiruan dalam menyelesaikan masalah yang rumit telah dibuktikan dalam berbagai macam penelitian.
2.4 Keunggulan Jaringan Syaraf Tiruan
Sebagai alat pemecah masalah, JST memiliki keunggulan. Beberapa keunggulan yang dimiliki oleh JST yaitu : 1. Mampu memecahkan masalah yang sukar disimulasikan dengan menggunakan teknik analikal logika seperti pada sistem pakar dan teknologi software standar. 2. Mampu memahami data yang dimasukkan meskipun data tersebut tidak lengkap (incomplete data) atau data yang terkena gangguan (noisy data). 3. Jaringan syaraf tiruan memiliki kelebihan yang sulit diciptakan dengan pendekatan simbolik (logical) dari teknik tradisional artificial intelligence, yaitu bahwa JST mampu belajar dari pengalaman. 4. Pada JST, yang perlu dilakukan adalah tinggal melatih jaringan untuk ‘belajar’ dengan cara memasukkan set data berisi sekumpulan kasus ke dalam jaringan.
Universitas Sumatera Utara
14 5. Jaringan syaraf tiruan terbuka untuk digabungkan dengan teknologi lain untuk menghasilkan sistem hibrida yang memiliki kemampuan memecahkan masalah dengan lebih baik lagi[10].
2.5 Arsitektur Jaringan Syaraf Tiruan
Arsitektur pada jaringan syaraf tiruan menggambarkan jumlah neuron dan hubungan bobot yang dipakai dan fungsi aktivasi. Secara umum arsitektur jaringan syaraf dapat dibedakan menjadi tiga kelas yang berbeda, yaitu jaringan umpan-maju lapisan tunggal (single layer feedforward network atau Perceptron), jaringan umpan-maju lapisan banyak (multilayer perceptron) dan jaringan syaraf tiruan recurrent[7].
2.5.1 Jaringan Umpan-Maju Lapisan Tunggal
Arsitektur umpan-maju lapis tunggal memiliki satu lapis koneksi bobot. Di mana setiap unit dibedakan antara unit masukan dan unit keluaran. Unit masukan adalah unit yang menerima sinyal yang berasal dari lingkungan luar, sedangkan unit keluaran adalah respon dari jaringan syaraf yang dapat dibaca. Unit masukan secara penuh terhubung dengan unit keluaran tetapi tidak terhubung dengan unit masukan lain, begitu juga halnya unit keluaran tidak terhubung dengan unit keluaran yang lain.
Universitas Sumatera Utara
15 W11 X1
. . . Xi
. . .
Y1
Wi1 Wn1 W1j
Yj
Wij
Xn
. . .
Wnj
Wim W1m
. . . Ym
Wnm Unit Masukan
Unit Masukan
Gambar 2.4 Jaringan Umpan-Maju Lapisan Tunggal(Fausett, 1994)
2.5.2 Jaringan Umpan-Maju Lapisan Banyak
Pada jaringan syaraf umpan-maju lapisan banyak, lapisan masukan tidak langsung terhubung dengan lapisan keluaran. Di antara lapisan masukan jaringan terdapat satu atau lebih lapisan tersembunyi. Dengan adanya lapisan tersembunyi maka jaringan syaraf dapat menyelesaikan permasalahan yang sulit daripada jaringan syaraf dengan arsitektur lapisan tunggal.
Universitas Sumatera Utara
16
. . .
Xi
. . .
Xn
W11
V11
X1
Y1
Z1
. . .
Vi1 V1j Vn1 Vij
Zj Vnj
Vip
V1p
Wp1 Wj1
Wjk
W1k
Yk
. . .
Wpk
Zp Wpm
Vnp
. . .
Wjm
W1m
. . .
Ym
Unit Tersembunyi Unit Masukan
Unit Keluaran
Gambar 2.5 Jaringan Umpan-Maju Lapisan Banyak (Fausett, 1994)
2.5.3 Jaringan Syaraf Tiruan Recurrent
Neuron pada jaringan syaraf recurrent dapat terhubung dengan neuron itu sendiri dan neuron lainnya. Jaringan jaringan syaraf recurrent tidak memiliki proses pelatihan, sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif.
Gambar 2.6 Jaringan Syaraf Tiruan Recurrent (Fausett, 1994)
Universitas Sumatera Utara
17
2.6 Metode Pembelajaran
Metode pembelajaran dalam JST dapat dibedakan menjadi pembelajaran terpandu, pembelajaran tak terpandu dan pembelajaran hibrida (reinforcement).
2.6.1 Metode Pembelajaran Terpandu
Metode pembelajaran pada jaringan syaraf disebut terpandu jika keluaran yang diharapkan atau target telah diketahui sebelumnya. Sebelum jaringan mengubah sendiri bobotnya untuk mencapai target, bobot interkoneksi diinisialisasi. Proses belajar JST dengan pengawasan adalah proses belajar dengan memberikan latihan untuk mencapai suatu target keluaran yang ditentukan. JST mendapatkan latihan untuk mengenali pola-pola tertentu. Selisih antara keluaran yang dihasilkan pada proses pembelajaran dan target (error) digunakan untuk mengoreksi bobot JST sehingga JST mampu menghasilkan keluaran sedekat mungkin dengan target yang telah diketahui JST[9].
2.6.2 Metode Pembelajaran Tidak Terpandu
Pada metode pembelajaran tidak terpandu ini target tidak diperlukan. Pada metode ini, tidak hanya ditentukan hasil seperti apakah yang diharapkan selama proses pembelajaran. Selama proses pembelajaran, nilai bobot disusun dalam suatu range tertentu, tergantung pada nilai masukan yang diberikan. Tujuan pembelajaran ini adalah mengelompokkan unit-unit yang hampir sama dalam area tertentu.
2.6.3 Metode Pembelajaran Hibrida (Reinforcement)
Universitas Sumatera Utara
18
Merupakan kombinasi dari metode pembelajaran terpandu dan metode pembelajaran tidak terpandu. Sebagian dari bobot-bobotnya ditentukan melalui pembelajaran terpandu dan sebagian lainnya melalui pembelajaran tak terpandu.
2.7 Jaringan Syaraf Tiruan Self-Organizing Feature Maps ( SOFM )
Kohonen Self Organizing Feature Maps, disingkat dengan SOFM atau lebih terkenal dengan istilah SOM ditemukan dan dikembangkan oleh Teuvo Kohonen, seorang profesor di Academy of Finland. Metode ini memungkinkan untuk menggambarkan data multidimensi kedalam dimensi yang lebih kecil, biasanya satu atau dua dimensi. Proses penyederhanaan ini dilakukan dengan mengurangi vektor yang menghubungkan masing-masing node. Cara ini disebut juga dengan Vector Quantization. Teknik yang dipakai dalam metode SOM dilakukan dengan membuat jaringan yang menyimpan informasi dalam bentuk hubungan node dengan training set yang ditentukan.
Salah
satu
hal
yang
menarik
dalam
metode
SOM
adalah
kemampuannya untuk belajar secara mandiri (unsupervised leaming). Pada metode belajar secara mandiri, sebuah network akan belajar tanpa adanya target terlebih dahulu. Hal ini berbeda dengan beberapa metode neural network yang lain seperti backpropagation, perceptron, dan sebagainya yang memerlukan adanya target saat proses learning dilaksanakan[3].
Self-Organizing Feature Maps adalah jaringan syaraf kompetitif dimana neuron disusun dalam kotak dua dimensi yang mewakili ruang fitur. Menurut aturan belajar, vektor yang mirip satu sama lain dalam ruang multidimensi akan serupa dalam ruang dua dimensi. SOFM sering digunakan hanya untuk memvisualisasikan ruang n-dimensi, tetapi aplikasi utamanya adalah klasifikasi data[4].
Universitas Sumatera Utara
19 SOFM (Self Organizing Feature Maps) terdiri dari dua lapisan, yaitu lapisan input dan lapisan output. Setiap neuron output mempunyai bobot untuk masing-masing neuron input. Proses pembelajaran dilakukan dengan melakukan penyesuaian terhadap setiap bobot pada neuron output. Setiap input yang diberikan dihitung jarak Euclidean dengan setiap neuron output, kemudian dicari neuron output yang mempunyai jarak minimum. Neuron yang mempunyai jarak yang paling kecil disebut neuron pemenang atau neuron yang paling sesuai denga input yang diberikan[5].
Terdapat m unit kelompok yang tersusun dalam arsitektur satu atau dua dimensi dan sinyal-sinyal masukan sejumlah n. vektor bobot untuk suatu unit kelompok disediakan satu eksemplar dari pola-pola masukan yang tergabung dengan kelompok tersebut. Selama proses pengorganisasian sendiri, unit kelompok yang memiliki vektor bobot paling cocok dengan pola masukan (ditandai dengan jarak Euclidean paling minimum) dipilih sebagai pemenang. Unit pemenang dan unit tetangganya diperbaharui bobotnya[2].
2.7.1 Arsitektur jaringan Self-Organizing Feature Maps (SOFM) Y1
W11
Wi1
X1
...
Wn1
W1j
...
Wij
Xi
Y
...
Yj
Wnj
...
W1m
Wim
Wnm
Xn
Gambar 2.7 Arsitektur Jaringan Self-Oraganizing Feature Maps (Fausett, 1994)
Universitas Sumatera Utara
20 2.7.2 Algoritma pelatihan jaringan kohonen SOM
Algoritma pelatihan jaringan kohonen SOM adalah sebagai berikut : Langkah-0. Inisialisasi bobot Wij Tetapkan parameter cluster (m) dan parameter laju pelatihan (α). Langkah-1. Selama syarat berhenti salah, lakukan langkah-langkah dibawah ini : Langkah (i). Untuk setiap vector masukan X, lakukan beberapa langkah dibawah ini : Langkah (a). Untuk setiap j hitunglah : (wij - xi)2
D(j) = I
Langkah (b). Cari indeks j sedemikian sehingga D (j) minimum Langkah (c). Untuk semua unit j didalam ketetanggaan j, dan untuk semua i, hitunglah :
wij(baru) = wij(lama) + α [ xi - wij(lama)] Langkah (ii). Perbarui laju belajar. Langkah (iii). Kurangi jari-jari ketetanggaan topologis dengan pencecahan tertentu. Langkah (iv). Uji syarat berhenti. Bila benar, maka berhenti.
2.7.3 Contoh algoritma pelatihan jaringan kohonen SOM :
1.
Vector-vector yang akan dikelompokkan adalah sebagai berikut: [1 1 0 0], [0 0 0 1], [1 0 0 0], [0 0 1 1].
Jumlah cluster yang diinginkan adalah m=2, dengan bobot awal tiap cluster: w1 = [0.2 0.6 0.5 0.9]; w2 = [0.8 0.4 0.7 0.3]; Ditetapkan laju pelatihan awal α(0) = 0.6 dan α(t+1) = 0.5α (t). Radius ketetanggaan R = 0. Carilah matriks bobot setelah 100 iterasi dan tentukan termasuk kelompok cluster yang mana keempat vector masukan diatas. Penyelesaian: Step-0 Inisialisasi matriks bobot:
Universitas Sumatera Utara
21
Inisialisasi radius R=0 Inisialisasi learning rate α(0) = 0.6 Step-1 Mulai pelatihan: Step-2 Untuk vector pertama [1 1 0 0] lakukan langkah 3-5; Step-3 D(1) = (0.2-1)2 + (0.6-1)2 + (0.5-0)2 + (0.9-0)2 = 1.86; D(2) = (0.8-1)2 + (0.4-1)2 + (0.7-0)2 + (0.3-0)2 = 0.98; Step-4 Vektor input tertutup untuk output node 2, maka: J=2 Step-5 Bobot unit pemenang di perbahurui dengan:
wi2 = wi2(old)+0.6[xi-wi2(old)] Bobot matriks yag diberikan saat ini:
Step-2 Untuk vector kedua [0 0 0 1] lakukan langkah 3-5; Step-3 D(1) = (0.2-1)2 + (0.6-1)2 + (0.5-0)2 + (0.9-0)2 = 0.66; D(2) = (0.92-1)2 + (0.76-1)2 + (0.28-0)2 + (0.12-0)2 = 2.2768; Step-4 Vektor input tertutup untuk output node 2, maka: J=1 Step-5 Kolom kedua di perbaharui dengan:
Step-2 Untuk vector ketiga [1 0 0 0] lakukan langkah 3-5; Step-3 D(1) = (0.8-1)2 + (0.24-1)2 + (0.20-0)2 + (0.96-0)2 = 1.865; D(2) = (0.92-1)2 + (0.76-1)2 + (0.28-0)2 + (0.12-0)2 = 0.676;
Universitas Sumatera Utara
22 Step-4 Vektor input tertutup untuk output node 2, maka: J=2 Step-5 Kolom kedua di perbaharui dengan:
Step-2 Untuk vector keempat [0 0 1 1] lakukan langkah 3-5; Step-3 D(1) = (0.08-0)2 + (0.24-0)2 + (0.20-1)2 + (0.96-1)2 = 0.705; D(2) = (0.968-0)2 + (0.304-0)2 + (0.112-1)2 + (0.048-1)2 = 2.72; Step-4 Vektor input tertutup untuk output node 2, maka: J=1 Step-5 Kolom kedua di perbaharui dengan:
Step-6 Kurangi dengan learning rate: a = 0.5(0.6) = 0.3 persamaan bobot yang di perbaharui sekarang:
wij(new) = wij(old)+0.3[xi-wij(old)] Matriks bobot setelah 2 kali pelatihan adalah:
Universitas Sumatera Utara