BAB 2 TINJAUAN PUSTAKA
Pada bab ini akan diuraikan materi yang mendukung dalam pembahasan evaluasi implementasi sistem informasi akademik berdasarkan pengembangan model fit HOT menggunakan regresi linier dan neural network. Uraian dimulai dengan sistem informasi yang meliputi teori sistem informasi akademik, evaluasi sistem informasi, model fit HOT, model TUTO. Selanjutnya diurai mengenai jaringan syaraf tiruan yang meliputi model neuron, konsep dasar jaringan syaraf tiruan, arsitektur jaringan syaraf tiruan, fungsi aktivasi jaringan syaraf tiruan. Uraian struktur jaringan syaraf tiruan meliputi strukutur feedforward, algoritma feedforward backpropagation, pelatihan feedforward backpropagation. Sistem informasi yang akan dikaji adalah sistem informasi akademik sebuah institusi perguruan tinggi menggunakan pengembangan dari model Fit HOT (HumanOrganization-Technology). Adapun model baru yang dikembangkan adalah model TUTO (Top Management-User-Technology-Organization). Menggunakan model TUTO, peneliti akan mengukur keberhasilan implementasi sistem informasi akademik dan dari hasil yang dicapai akan diperoleh nilai kelayakan implementasi sistem informasi akademik menggunakan neural network dengan metode feedforward backpropagation.
2.1
Sistem Informasi
Kata sistem informasi terdiri dari dua kata yaitu sistem dan informasi. Oleh karena itu akan dijelaskan mengenai sistem dan informasi untuk kemudian dapat didefenisikan sebuah sistem informasi. Sistem adalah suatu jaringan kerja dari prosedur-prosedur yang saling berhubungan, berkumpul bersama-sama untuk melakukan suatu kegiatan atau untuk menyelesaikan suatu sasaran tertentu. Dengan kata lain, sistem adalah kumpulan dari
elemen-elemen yang berinteraksi untuk mencapai suatu tujuan tertentu (Setiyawan, et al. 2013). Data adalah sekumpulan fakta yang menjadi bahan pengolahan lebih lanjut. Hasil pengolahan data yang sudah menjadi bentuk yang memiliki arti tertentu disebut dengan informasi. Menurut Setiyawan et al. (2013), sistem informasi adalah suatu sistem didalam suatu organisasi yang mempertemukan kebutuhan pengolahan transaksi harian, mendukung operasi, bersifat manajerial dan kegiatan strategi dari suatu organisasi dan menyediakan pihak luar tertentu dengan laporan-laporan yang diperlukan. Dengan kata lain sistem informasi adalah kumpulan dari manusia dan sumber daya di dalam suatu organisasi yang bertanggung jawab mengumpulkan dan mengolah data untuk menghasilkan informasi yang berguna untuk semua tingkatan manajemen di dalam kegiatan perencanaan dan pengendalian. Dari definisi tersebut terlihat bahwa sistem informasi merupakan sebuah rangkaian komponen sistem (sub sistem) yang disusun dan dirancang untuk mengumpulkan, menyebarkan, menyimpan dan memproses data agar informasi dapat diberikan untuk melakukan tindakan-tindakan yang diperlukan. Jadi jelas terlihat bahwa sistem informasi merupakan bentuk keterpaduan yang akan menghasilkan sebuah informasi yang digunakan untuk pengambilan tindakan selanjutnya.
2.1.1
Sistem Informasi Akademik
Membahas mengenai sistem informasi mungkin sudah banyak orang yang mengetahui tetapi sedikit yang memahaminya. Istilah sistem informasi hingga saat ini sudah banyak mencakup pada berbagai bidang misal Sistem Informasi Kesehatan, Sistem informasi Manajemen, Sistem Informasi Perusahaan dan bahkan Sistem Informasi Akademik. Dalam penelitian ini yang akan dibahas ialah mengenai Sistem Informasi Akademik. Menurut Setiyawan et al. (2013), akademik adalah kegiatan yang dilakukan didalam lingkungan dunia pendidikan yang berhubungan dengan proses belajar mengajar. Dalam proses belajar mengajar, dosen dan mahasiswa akan sangat terbantu
dengan adanya sistem informasi. Jadi dapat disebutkan bahwa sistem informasi akademik adalah sistem yang memberikan layanan informasi yang berupa data dan hal yang berhubungan dengan data akademik. Sistem informasi akademik adalah suatu sistem yang dirancang untuk keperluan pengeloaan data-data akademik dengan penerapan teknologi komputer baik hardware maupun software yang bertujuan memberikan informasi terhadap para mahasiswa, orangtua mahasiswa dan masyarakat tentang perguruan tinggi, fasilitas perguruan tinggi, data mahasiswa, data nilai mahasiswa, jadwal perkuliahan dan sebagainya. Sistem informasi akademik merupakan sebuah Sistem Informasi Manajemen yang memanajerisasi khusus di bidang pendidikan atau di bawah Sistem Informasi Pendidikan, sistem informasi akademik ini berisi kumpulan dari interaksi sistem-sistem informasi yang menyediakan informasi kebutuhan akademik institusi perguruan tinggi (Yunita, et al. 2013). Sistem informasi akademik merupakan suatu kebutuhan yang mutlak bagi pelayanan memberikan
pendidikan terutama kemudahan
dalam
pada
perguruan
administrasi
tinggi,
sehingga
bagi perguruan
tinggi
dapat yang
menerapkannya. Dengan adanya sistem informasi akademik, bukan hanya pelayanan terhadap mahasiswa yang menjadi lebih baik tetapi juga pelayanan untuk seluruh pihak terkait dengan proses akademik yang ada seperti staf pengajar, biro administrasi bahkan orangtua dan alumni. Peranan sistem informasi yang signifikan inilah yang tentu saja harus diimbangi dengan pengaturan dan pengelolaan yang tepat sehingga kerugian-kerugian yang mungkin terjadi dapat dihindari. Kerugian yang dimaksud bisa dalam bentuk informasi yang tidak akurat yang disebabkan oleh pemrosesan data yang salah sehingga dapat mempengaruhi pengambilan keputusan yang salah pula.
2.1.2
Evaluasi Sistem Informasi
Evaluasi adalah kegiatan untuk membandingkan antara hasil yang telah dicapai dengan rencana yang telah ditentukan. Menurut WHO pengertian evaluasi adalah suatu cara yang sistematis untuk mempelajari berdasarkan pengalaman dan
mempergunakan pelajaran yang dipelajari untuk memperbaiki kegiatan-kegiatan yang sedang berjalan serta meningkatkan perencanaan yang lebih baik dengan seleksi yang seksama untuk kegiatan masa datang. Terdapat tiga hal yang terkait dengan evaluasi penerapan informasi berbasis komputer yaitu perangkat keras (hardware), perangkat lunak (software) dan pengguna (brainware), ketiga elemen ini saling berinteraksi dan dihubungkan dengan suatu perangkat masukan-keluaran (input-output media) yang sesuai dengan fungsinya masing-masing. Perangkat keras (hardware) adalah media yang digunakan untuk memproses informasi, perangkat lunak (software) yaitu sistem dan aplikasi yang digunakan untuk memproses masukan-masukan (input) untuk menjadi informasi, sedangkan pengguna (brainware) merupakan hal yang terpenting karena fungsinya sebagai pengembang hardware dan software, sebagai pelaksana (operator) masukan (input) dan sekaligus penerima keluaran (output), sebagai pengguna sistem (user). Pengguna adalah manusia (man) yang secara psikologis memiliki suatu perilaku (behavior) tertentu yang melekat pada dirinya sehingga aspek keperilakuan dalam konteks manusia sebagai pengguna (brainware) teknologi informasi menjadi penting sebagai faktor penentu pada setiap orang yang menjalankan teknologi informasi (Bodnar, et al. 1993). Evaluasi sistem informasi yang berbasis komputer memerlukan tidak hanya pemahaman tentang teknologi komputer tetapi juga pemahaman tentang proses-proses sosial dan perilaku yang mempengaruhi dan dipengaruhi oleh dikenalnya sistem informasi berbasis komputer tersebut (Rochendah, 2001). Terdapat tiga model perubahan yang sering muncul dalam penelitian evaluasi penerapan sistem informasi yaitu: 1. Sistem komputer sebagai suatu external force Pendekatan yang paling sederhana adalah memandang sistem komputer sebagai tenaga eksternal (exogen) yang membawa perubahan dalam perilaku individu dan organisasi. Sistem informasi pada dasarnya dikembangkan dan diterapkan untuk mendukung tujuan manajemen, dengan dukungan teknologi canggih, dan dianggap
pasif, resisten, atau tidak berfungsi dengan baik apabila gagal dalam menggunakan sistem tersebut. 2. Desain sistem sesuai dengan kebutuhan pengguna Pendekatan ini memandang desain sistem informasi sebagai sesuatu yang harus ditentukan berdasarkan kebutuhan informasi bagi para manajer, dimana anggota organisasi memegang kontrol dan pengendalian terhadap aspek teknis sistem, baik dari segi penentuan penggunaan sistem maupun dari perubahan-perubahan oleh karena diterapkan sistem informasi tersebut. 3. Interaksi sosial yang komplek sebagai penentu pola penggunaan sistem. Perspektif pendekatan ini beranggapan bahwa interaksi sosial yang komplek didalam organisasi sangat menentukan pola penggunaan dan pengaruh dari sistem komputer, menurut pandangan ini bagaimana teknologi diterapkan dan diberdayakan dalam suatu setting organisasi akan sangat ditentukan pada tujuan, pilihan, dan tuntutan kerja yang mungkin saling bertentangan.
2.1.3
Model Fit Human Organization Technology (HOT)
Penerimaan terhadap sistem informasi dapat diukur dengan beberapa model evaluasi yang sudah dikembangkan saat ini. Banyak model evaluasi yang digunakan untuk mengukur penerimaan sebuah sistem informasi. Yusof et al. (2006) memberikan suatu kerangka baru yang dapat digunakan untuk melakukan evaluasi sistem informasi yang disebut model fit Human Organization Technology (HOT). Model fit HOT, pada awalnya dikembangkan untuk evaluasi sistem informasi kesehatan tetapi saat ini sudah berlaku untuk sistem informasi yang umum karena didasarkan pada model sistem informasi sebelumnya.
2.1.4
Model Top Management-User-Technology-Organization (TUTO)
Dalam penelitian ini, peneliti menggunakan pengembangan dari Model fit HOT (Human-Organization-Technology) yaitu Model TUTO (Top Management-UserTechnology-Organization).
Peranan manajemen puncak memiliki dua aspek utama, yaitu memberikan kepemimpinan dan memberikan sumber-sumber yang diperlukan, selain itu manajemen puncak juga harus dapat merancang tujuan yang nyata, memiliki komitmen terhadap proyek, dan mengkomunikasikan strategi perusahaan ke seluruh lapisan perusahaan (Fawas, et al. 2008).
MANUSIA Pengembangan Sistem
Penggunaan Sistem TEKNOLOGI Kualitas Sistem Kualitas Informasi Kualitas Pelayanan
Kepuasan Pengguna Manfaat Bersih ORGANISASI Struktur Organisasi Kesesuaian Lingkungan Organisasi
Pengaruh
Gambar 2.1 Model Fit HOT (Human-Organization-Technology) (Yusof, et al. 2013)
Pada gambar 2.1 tersebut terlihat kesesuaian antara ketiga faktor tersebut yaitu teknologi, manusia dan organisasi. Kerangka Model Fit HOT diatas dapat digunakan untuk memahami masalah, hubungan dan keselarasan antara manusia, organisasi, teknologi dan dukungan serta masalah dan kinerja sistem. Hal ini juga dapat digunakan untuk mengidentifikasi kebutuhan informasi proses dalam aplikasi yang
kompleks. Kerangka kerja ini dapat digunakan untuk melakukan evaluasi yang sistematis dan ketat dalam setiap siklus hidup pengembangan sistem (Yusof, M.M & Azizatul, Y.A 2013). MANAJEMEN PUNCAK (X1) PENGGUNA (X2) TEKNOLOGI (X3)
LAYANAN SISTEM INFORMASI AKADEMIK (Y)
ORGANISASI (X4)
Gambar 2.2 Model TUTO (Top Management-User-Technology-Organization)
Gambar 2.2 tersebut adalah model pengembangan dari model fit HOT yaitu model TUTO yang memiliki empat variabel yakni variabel Manajemen Puncak (Top Management) dengan indikator dukungan, partisipasi, komitmen; variabel Pengguna (User) dengan indikator pengembangan sistem, penggunaan sistem, kepuasan pengguna; variabel Teknologi (Technology) dengan indikator kualitas sistem, kualitas informasi, kualitas layanan dan variabel Organisasi (Organization) dengan indikator struktur organisasi, lingkungan organisasi.
2.2
Jaringan Syaraf Tiruan (Artificial Neural Network)
Jaringan Syaraf Tiruan (JST) adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistem sel syaraf biologi. JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi, dengan asumsi bahwa (Azmi, 2011) : 1. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron) 2. Sinyal dikirimkan diantara neuron-neuron melalui penghubung-penghubung
3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal 4. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan input yang diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang.
2.2.1 Model neuron Dalam sel syaraf terdapat tiga bagian, yaitu: fungsi penjumlah (summing function), fungsi aktivasi (activation function), dan keluaran (output)
Gambar 2.3 Model Neuron (Matondang, 2013)
Dalam gambar 2.3, neuron X1, X2, Xm adalah simpul input dari jaringan, W1, W2, Wm adalah bobot dari tiap simpul,∑ adalah hasil penjumlahan dari (X 1.W1)+( X2.W2)+ (Xm.Wm) dan kemudian menghasilkan keluaran. Jika dilihat, neuron buatan diatas mirip dengan sel neuron biologis. Informasi (input) akan dikirim ke neuron dengan bobot tertentu. Input ini akan diproses oleh suatu fungsi yang akan menjumlahkan nilai-nilai bobot yang ada. Hasil penjumlahan 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, jika
tidak, maka neuron tersebut akan mengirimkan output melalui bobot-bobot outputnya ke semua neuron yang berhubungan dengannya.
2.2.2 Konsep dasar jaringan syaraf tiruan Setiap pola-pola informasi input dan output yang diberikan kedalam jaringan syaraf tiruan diproses dalam neuron. Neuron-neuron tersebut terkumpul didalam lapisan-lapisan yang disebut neuron layers. Lapisan-lapisan penyusun jaringan syaraf tiruan tersebut dapat dibagi menjadi tiga, yaitu (Matondang, 2013) : 1. Lapisan input Unit-unit di dalam lapisan input disebut unit-unit input. Unit-unit input tersebut menerima
pola
inputan
data
dari
luar
yang
menggambarkan
suatu
permasalahan. 2. Lapisan tersembunyi Unit-unit di dalam lapisan tersembunyi disebut unit-unit tersembunyi. Dimana outputnya tidak dapat secara langsung diamati. 3. Lapisan output Unit-unit di dalam lapisan output disebut unit-unit output. Output dari lapisan ini merupakan solusi jaringan syaraf tiruan terhadap suatu permasalahan.
2.2.3 Arsitektur jaringan syaraf tiruan Jaringan syaraf tiruan memiliki beberapa arsitektur jaringan yang sering digunakan dalam berbagai aplikasi. Arsitektur jaringan syaraf tiruan tersebut, antara lain (Agustin, 2012): 1. Jaringan Layar Tunggal (single layer network) Jaringan dengan lapisan tunggal terdiri dari 1 layer input dan 1 layer output. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi. Contoh algoritma jaringan syaraf tiruan yang menggunakan metode ini yaitu : ADALINE, Hopfield, Perceptron.
Gambar 2.4 Arsitektur Layar Tunggal
Pada gambar 2.4, lapisan input memiliki 3 neuron, yaitu X1, X2 dan X3. Sedangkan pada lapisan output memiliki 2 neuron yaitu Y1 dan Y2. Neuron-neuron pada kedua lapisan saling berhubungan. Seberapa besar hubungan antara 2
neuron
ditentukan oleh bobot yang bersesuaian. Semua unit input akan dihubungkan dengan setiap unit output.
2. Jaringan Layar Jamak (multi layer network) Jaringan dengan lapisan jamak memiliki ciri khas tertentu yaitu memiliki 3 jenis layer yakni layer input, layer output, layer tersembunyi. Jaringan dengan banyak
lapisan
ini
dapat
menyelesaikan
permasalahan
yang
kompleks
dibandingkan jaringan dengan lapisan tunggal. Namun proses pelatihan sering membutuhkan waktu yang cenderung lama. Contoh algoritma jaringan syaraf tiruan yang
menggunakan
neocognitron.
metode
ini
yaitu
:
MADALINE,
backpropagation,
Gambar 2.5 Arsitektur Layar Jamak
3. Jaringan dengan Lapisan Kompetitif Pada jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif. Contoh algoritma yang menggunakan metode ini adalah : LVQ.
1
A1
-η
Am 1
-η
-η
-η -η
1
Ai
-η
Aj
1
Gambar 2.6 Arsitektur Layar Kompetitif
2.2.4 Fungsi aktivasi jaringan syaraf tiruan Dalam jaringan syaraf tiruan, fungsi aktivasi digunakan untuk menentukan keluaran suatu Neuron. Argument fungsi aktivasi adalah net masukan (kombinasi linier masukan dan bobotnya).
Beberapa fungsi aktivasi yang digunakan adalah (Siang, 2005) : a. Fungsi Threshold (batas ambang) Fungsi Threshold merupakan fungsi threshold biner. Untuk kasus bilangan bipolar, maka angka 0 diganti dengan angka -1. Adakalanya dalam jaringan syaraf tiruan ditambahkan suatu unit masukan yang nilainya selalu 1. Unit tersebut dikenal dengan bias. Bias dapat dipandang sebagai sebuah input yang nilainya selalu 1. Bias berfungsi untuk mengubah threshold menjadi = 0.
Gambar 2.7 Fungsi aktivasi Threshold
𝑓(𝑥) = �
1, 𝑗𝑖𝑘𝑎 𝑥 ≥ 0 0, 𝑗𝑖𝑘𝑎 𝑥 < 0
b. Fungsi Linier (Identitas) Digunakan jika keluaran yang dihasilkan oleh jaringan syaraf tiruan merupakan sembarang bilangan riil (bukan hanya pada range [0,1] atau [1,-1]). Y=X
Gambar 2.8 Fungsi aktivasi Identitas
c.Fungsi Sigmoid Biner Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan menggunakan metode Backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan syaraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun, fungsi ini bisa juga digunakan oleh jaringan syaraf yang nilai outputnya 0 atau 1. Fungsi sigmoid biner dirumuskan sebagai : 𝑦 = 𝑓(𝑥) =
1 1 + 𝑒 −𝑥
d. Fungsi Sigmoid Bipolar Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja output dari fungsi ini memiliki range antara 1 sampai -1. Fungsi sigmoid bipolar dirumuskan sebagai : 𝑦 = 𝑓(𝑥) =
1 − 𝑒 −𝑥 1 + 𝑒 −𝑥
Gambar 2.9 Fungsi aktivasi Sigmoid
Fungsi ini sangat dekat dengan fungsi hyperbolic tangent. Keduanya memiliki range antara -1 sampai 1. Untuk fungsi hyperbolic tangent, dirumuskan :
atau :
𝑦 = 𝑓(𝑥) =
1−𝑒 −2𝑥 1+𝑒 −2𝑥
𝑦 = 𝑓(𝑥) =
𝑒 𝑥 − 𝑒 −𝑥 𝑒 𝑥 + 𝑒 −𝑥
2.3
Struktur Jaringan Syaraf Tiruan
Jaringan syaraf tiruan dapat dapat dibedakan dalam beberapa kategori sesuai sudut pandang yang digunakan. Berdasarkan arsitektur atau pola koneksi yang digunakan dalam pada jaringan syaraf tiruan, maka jaringan syaraf tiruan tersebut dapat dibedakan dalam 2 (dua) kategori, yaitu struktur feedforward dan struktur recurrent (feedback). 2.3.1
Struktur feedforward
Sebuah jaringan yang sederhana mempunyai struktur feedforward, dimana signal bergerak dari input kemudian melewati lapisan tersembunyi dan akhirnya mencapai unit output (mempunyai struktur perilaku yang stabil). Tipe jaringan feedforward mempunyai sel syaraf yang tersusun dari beberapa lapisan. Lapisan input bukan merupakan sel syaraf. Lapisan ini hanya memberi pelayanan dengan mengenalkan suatu nilai dari suatu variabel. Lapisan tersembunyi dan lapisan output sel syaraf terhubung satu sama lain dengan lapisan sebelumnya. Kemungkinan yang timbul adalah adanya
hubungan dengan beberapa unit dari
lapisan sebelumnya atau terhubung semuanya dengan baik. Yang termasuk dalam struktur feedforward : a) Single-layer perceptron b) Multilayer perceptron c) Radial-basis function networks d) Higher-order networks e) Polynomial learning networks Dalam penelitian ini, peneliti menggunakan struktur feedforward backpropagation dengan multilayer perceptron.
2.3.2
Algoritma feedforward backpropagation
Algoritma feedforward backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Feedforward backpropagation menggunakan error output untuk
mengubah
nilai
bobot-bobotnya dalam arah mundur (backward). Untuk
mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu. Pada saat perambatan maju, neuron-neuron diaktifkan dengan menggunakan fungsi aktivasi yang dapat dideferensiasi. Feed forward backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layer tersembunyi.
Gambar 2.10 adalah arsitektur backpropagation
berbasis jaringan syaraf tiruan dengan n buah masukan (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit (ditambah sebuah bias), serta m buah unit keluaran. Vij merupakan bobot garis dari unit masukan xi ke unit layar tersembunyi zj (vjo merupakan bobot garis yang menghubungkan bias di unit masukan ke unit layer tersembunyi zj). Wkj merupakan bobot dari unit layar tersembunyi zj ke unit keluaran yk (wko merupakan bobot dari bias di layar tersembunyi ke unit keluaran zk) (Siang, 2005).
Gambar 2.10 Jaringan Syaraf Tiruan Feedforward Backpropagation
2.3.3
Pelatihan feedforward backpropagation Pelatihan backpropagation meliputi tiga fase. Fase pertama adalah fase maju.
Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur. Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang
berhubungan langsung dengan unit-unit di layar keluaran. Fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi (Siang, 2005). a. Fase I : Propagasi maju Selama propagasi maju, sinyal masukan (=xi) dipropagasikan ke layar tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari setiap unit layar tersembunyi (=zj) tersebut selanjutnya dipropagasikan maju lagi ke layar tersembunyi di atasnya menggunakan fungsi aktivasi yang ditentukan. Demikian seterusnya hingga menghasilkan keluaran jaringan (=yk). Berikutnya, keluaran jaringan (=yk) dibandingkan dengan target yang harus dicapai (=tk). Selisih tk - yk adalah kesalahan yang terjadi. Jika kesalahan ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan. Akan tetapi apabila kesalahan masih lebih besar dari batas toleransinya, maka bobot setiap garis dalam jaringan akan dimodifikasi untuk mengurangi kesalahan yang terjadi. b. Fase II : Propagasi mundur Berdasarkan kesalahan tk - yk, dihitung faktor δk (k = 1,2 , ... , m) yang dipakai untuk mendistribusikan kesalahan di unit yk ke semua unit tersembunyi yang terhubung langsung dengan yk. δk juga dipakai untuk mengubah bobot garis yang berhubungan langsung dengan unit keluaran. Dengan cara yang sama, dihitung faktor δj di setiap unit di layar tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di layar di bawahnya. Demikian seterusnya hingga semua faktor δ di unit tersembunyi yang berhubungan langsung dengan unit masukan dihitung. c. Fase III : Perubahan bobot Setelah semua faktor δ dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan bobot suatu garis didasarkan atas faktor δ neuron di layar atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke layar keluaran didasarkan atas δk yang ada di unit keluaran. Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah jumlah iterasi atau kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah
melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan. Neural network dengan metode feedforward backpropagation ini memiliki tahap pengenalan terhadap jaringan multi layer, yaitu : 1.
Nilai dikirim melalui input layer ke hidden layer (forward) sampai ke output layer (actual output)
2.
Actual output dibandingkan dengan output yang diharapkan jika ada perbedaan maka dinyatakan sebagai error. Untuk menentukan nilai pemberat dari input (the net weighted input)
defenisikan terlebih dulu nilai inputnya. Jika nilai input telah ditentukan, maka selanjutnya tentukan fungsi aktivasi. Neuron pada feedforward backpropagation menggunakan fungsi aktivasi sigmoid bipolar. Algoritma
pelatihan
untuk
jaringan
dengan
satu
layer
tersembunyi
(feedforward backpropagation) adalah sebagai berikut : 1. Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil). 2. Kerjakan langkah-langkah berikut selama kondisi berhenti bernilai salah. 3. Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran, kerjakan : Feedforward a. Tiap-tiap unit input (Xi, i=1,2,3,...,n) menerima sinyal xi dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi). b. Tiap-tiap unit pada suatu lapisan tersembunyi (Zj, j=1,2,3,...,p) menjumlahkan sinyal-sinyal input terbobot : n
z _ in j = b1 j + ∑ xi vij i =1
gunakan fungsi aktivasi untuk menghitung sinyal output : zj = f(z_inj) dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output).
c. Tiap-tiap unit output (Yk, k=1,2,3,...,m) menjumlahkan sinyal-sinyal input terbobot. n
y _ ink = b 2 k + ∑ z j w jk i =1
gunakan fungsi aktivasi untuk menghitung sinyal output : yk = f(y_ink) dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output).
Keterangan : z_inj
= output untuk unit zj
b1j
= bias pada unit tersembunyi j
xi
= unit ke i pada lapisan input
vij
= bobot yang menghubungkan xi dengan zj
y_ink = output untuk unit yk b2k
= bias pada unit keluaran k
zj
= neuron lapisan tersembunyi j
wjk
= bobot yang menghubungkan zj dengan yk
