7
BAB II LANDASAN TEORI
2.1.
System Development Life Cycle (SDLC) Dalam membuat sebuah software (program aplikasi) terdapat beberapa
paradigma atau model proses, lima diantaranya adalah The Classic Life Cycle atau yang biasa dikenal dengan Waterfall Model, Prototyping Model, Fourth Generation Techniques (4GT), Spiral Model, dan Combine Model. Dalam pengembangan program aplikasi Speech Recognizer ini model proses yang digunakan adalah Waterfall Model. Menurut Royce (1929–1995), secara umum ada enam tahapan dalam Waterfall Model, seperti gambar dibawah ini:
Gambar 2.1 System Development Life Cycle dengan Waterfall Model. Sumber: http://en.wikipedia.org/wiki/Waterfall_model Tahap-tahap tersebut disusun seperti model aliran air terjun sehingga disebut dengan Waterfall Model. Model ini menjadi panduan langkah-demi langkah pembuatan
8 program aplikasi supaya project pengembangan program aplikasi tersebut dapat selesai dan dibuat sesuai kebutuhan yang diharapkan oleh pengguna.
2.2
Flowchart Flowchart atau sering juga ditulis sebagai flow-chart dan flow chart adalah
representasi skema dari suatu algoritma atau suatu proses (Wikipedia 2008). Flowchart pertama kali diperkenalkan oleh Frank Gilbreth kepada anggota ASME (American Society of Mechanical Engineers) pada tahun 1921 sebagai representasi “Process Charts—First Steps in Finding the One Best Way” dan saat ini menjadi alat yang sering digunakan untuk menunjukkan aliran proses dalam suatu algoritma. Pada website Wikipedia dikatakan bahwa sebuah flowchart standar dari bukubuku computer science akan memiliki simbol-simbol seperti berikut ini: •
Simbol Mulai dan Selesai yang berbentuk oval atau persegipanjang dengan ujung-ujungnya yang tumpul. Biasanya terdapat kata “Mulai” atau “Selesai” atau frase lainnya yang menunjukkan awal dan akhir dari sebuah proses.
•
Anak Panah, menunjukkan apa yang disebut dengan “alur kontrol” dalam computer science. Anak panah keluar dari satu simbol dan berakhir pada simbol lainnya menunjukkan bahwa kontrol beralih pada simbol yang ditunjukkan oleh ujung panah.
•
Langkah Proses, direpresentasikan sebagai sebuah persegi panjang. Contoh: “Tambahkan 1 pada X”.
•
Masukan atau Keluaran, direpresentasikan sebagai persegi panjang, Contoh: “Ambil nilai X dari pengguna”, “Tampilkan nilai X”.
9 •
Kondisi atau Keputusan, direpresentasikan sebagai belah ketupat. Biasa berisi pertanyaan yang mempunyai jawaban “ya” atau “tidak” ataupun pengetesan “benar” atau “salah”. Simbol ini unik karena ada dua anak panah yang keluar dari simbol ini. Biasanya terdapat pada sudut bawah dan sudut kanan dari simbol ini salah satunya berkorespondensi pada jawaban “ya” atau “benar” dan lainnya “tidak” atau “salah”. Tiap anak panah harus diberi label didalamnya. Lebih dari dua anak panah dapat digunakan, tetapi secara normal berarti bagian tersebut dapat dipecah lagi di kemudian hari.
Gambar 2.2 Flowchart untuk menghitung faktorial N (N!). Sumber: http://en.wikipedia.org/wiki/Flowchart
10 2.3
Sequence Diagram (Diagram Sekuen) Sequence Diagram digunakan untuk memodelkan skenario penggunaan (Hariyanto 2004, p309). Skenario penggunaan adalah barisan kejadian yang terjadi selama satu eksekusi sistem. Cakupan skenario dapat beragam, mulai dari semua kejadian di sistem atau hanya kejadian pada objek-objek tertentu. Skenario menjadi rekaman historis eksekusi sistem atau gagasan eksperimen eksekusi sistem yang diusulkan. Sequence Diagram menunjukkan objek sebagai garis vertikal dan tiap kejadian sebagai panah horisontal dari objek pengirim ke objek penerima. Waktu berlalu dari atas ke bawah dengan lama waktu tidak relevan. Diagram ini hanya menunjukkan barisan kejadian, bukan pewaktuan nyata. Kecuali untuk sistem waktu nyata (Real Time System) yang mengharuskan konstrain barisan kejadian. Sequence Diagram digunakan untuk: 1. Overview perilaku sistem, 2. menunjukkan objek-objek yang diperlukan, 3. mendokumentasikan skenario dari suatu diagram use case, 4. memeriksa jalur-jalur pengaksesan
2.4
Sinyal Percakapan (Speech Signal) Sinyal dapat didefinisikan sebagai kuantitas fisik yang bervariasi seiring waktu
atau variabel bebas lainnya yang menyimpan suatu informasi. (Roberts 2004, p1). Contoh sinyal adalah suara manusia, kode morse, tegangan listrik di kabel telepon, variasi intensitas cahaya pada sebuah serat optik yang digunakan pada telepon atau jaringan komputer, dan lain-lainnya.
11 Sinyal dapat diklasifikasikan menjadi beberapa jenis yaitu sinyal waktu kontinyu, sinyal waktu diskrit, sinyal nilai kontinyu, sinyal nilai diskrit, sinyal random dan sinyal nonrandom (Roberts 2004, p2). Sinyal analog adalah sinyal yang belum melalui proses apapun. Sedangkan sinyal nilai diskrit atau sinyal digital adalah sinyal analog yang telah melalui proses sampling, quantization, dan encoding. Sampling adalah proses mengambil nilai-nilai sinyal pada titik-titik diskrit sepanjang variabel waktu dari sinyal waktu kontinyu, sehingga didapatkan sinyal waktu diskrit. Jumlah titik-titik yang diambil setiap detik dinamakan sebagai sampling rate. Pengambilan sampel dilakukan pada kecepatan 8000 Hz dengan resolusi 8 bit (1 byte) sehingga didapat data sebanyak 8000 byte tiap detik. Kecepatan pencuplikan tersebut dilakukan dengan didasarkan asumsi bahwa sinyal per-cakapan (speech) berada pada daerah frekuensi 300-3400 Hz sehingga memenuhi kriteria Nyquist yang menyatakan bahwa sebuah sinyal harus mempunyai sampling rate yang lebih besar dari 2fh, dengan fh adalah frekuensi paling tinggi yang muncul di sebuah sinyal (Roberts 2004, p503). f s ≥ 2 xf h
f h = f in tertinggi
Quantization adalah proses memetakan nilai-nilai dari sinyal nilai kontinyu menjadi nilai-nilai yang diskrit, sehingga didapatkan sinyal nilai diskrit. Encoding adalah proses mengubah nilai-nilai sinyal menjadi bilangan biner. Pada Gambar 2.3 dapat dilihat perbedaan antara sinyal analog dengan sinyal digital.
12
Gambar 2.3 Diagram sinyal analog dan sinyal digital.
Sinyal yang berbentuk digital dapat disimpan dalam media penyimpanan di komputer. File wav (berasal dari kata wave) merupakan format umum yang paling sederhana untuk menyimpan data sinyal audio. File wav terdiri dari 3 potongan informasi yaitu: RIFF chunk, Format chunk, dan Data chunk (Csele 2007). RIFF chunk berisi informasi yang menandakan bahwa file berbentuk wav. FORMAT chunk berisi parameter-parameter seperti jumlah channel, sample rate, resolusi. DATA chunk yang berisi data aktual sinyal digital. Sinyal yang dihasilkan dari suara manusia sewaktu melakukan percakapan disebut sebagai sinyal percakapan. Sinyal percakapan merupakan kombinasi kompleks dari variasi tekanan udara yang melewati pita suara dan vocal tract, yaitu mulut, lidah, gigi, bibir, dan langit-langit.
Gambar 2.4 Diagram model sistem produksi suara manusia (Johnson 2007). Sumber: http://cnx.org/content/m0087/latest/
13 Sinyal percakapan terdiri dari serangkaian suara yang masing-masing menyimpan sepotong informasi. Berdasarkan cara menghasilkannya, suara tersebut terbagi menjadi voiced dan unvoiced. Suara voiced dihasilkan dari getaran pita suara, sedangkan suara unvoiced dihasilkan dari gesekan antara udara dengan vocal tract. Sinyal percakapan memiliki beberapa karakteristik, misalnya: formant, pitch, dan intensitas. Formant adalah variasi resonansi yang dihasilkan oleh vocal tract. Pitch adalah frekuensi dari sinyal atau yang sering disebut sebagai intonasi. Sedangkan intensitas adalah kekuatan suara. Karakteristik-karakteristik tersebut berguna dalam melakukan analisis sinyal.
2.5
Speech Recognition, Speaker Identity Verification dan Speech Recognizer Speech Recognition (dalam beberapa konteks juga dikenal sebagai ‘Automatic
Speech Recognition, pengenalan suara pada komputer, atau seringkali disalah artikan sebagai Voice Recognition') adalah proses dalam mengkonversikan sebuah sinyal percakapan
menjadi
urutan
kata-kata,
dengan
menggunakan
algoritma
yang
diimplementasikan sebagai program komputer (Wikipedia 2007). Berbeda dengan Speaker Identity Verification (SIV) yang justru dikembangkan untuk membedakan suara seseorang dengan yang lainnya dengan menggunakan ciri khas suaranya sekalipun mengucapkan kata yang sama dengan orang lain. Biasanya digunakan untuk memproteksi dokumen ataupun absensi sehingga dapat melindungi kerahasiaan maupun membatasi akses dari pihak yang tidak diinginkan. Speech recognizer atau pengenal suara yang dimaksud disini adalah suatu program aplikasi komputer yang dapat menerima rangkaian kata atau kalimat yang diucapkan oleh pembicara dengan menggunakan sebuah media input suara seperti
14 microphone untuk dapat dikenali dan direpresentasikan kembali ke dalam bentuk teks. Dengan demikian Speech Recognizer bisa juga didefinisikan sebagai satu mesin atau perangkat lunak yang mampu mengenali percakapan dan menerjemahkan percakapan tersebut ke dalam bentuk tertulis.
2.6.
Spectrogram dan Transformasi Fourier Spectrogram merupakan representasi visual dari bunyi dalam bentuk dua
dimensi, yang menggambarkan hubungan dari frekuensi dengan waktu; amplitudo ditandai hanya secara perkiraan oleh kecerahan dari warna. (Indiana 2008). Diagram spektrum Spectrogram adalah sebuah gambaran pola pengucapan suatu kata atau kalimat yang berguna untuk melihat kondisi dari sebuah gelombang yang kompleks dalam rentang waktu yang singkat. Namun dalam ucapan, suara berubah-ubah secara konstan. Spectrogram adalah sebuah cara yang sangat cocok untuk menggambarkan diagram perubahan spektrum suara sepanjang sumbu waktu t. Dalam sebuah spectrogram, dimensi horisontal merepresentasikan waktu sedangkan dimensi vertikal merepresentasikan frekuensi. Setiap potongan tipis vertikal dari sebuah spectrogram menunjukkan spektrum selama rentang waktu yang singkat, menggunakan kepekatan untuk mewakili amplitudo. Area yang lebih pekat (gelap) menunjukkan frekuensi dimana komponen gelombang sederhana tersebut mempunyai amplitodo yang besar.
15
Gambar 2.5 Spectrogram (Russell 1997). Sumber: http://www.umanitoba.ca/faculties/arts/linguistics/russell/138/sec4/specgram.htm
Gambar 2.6 Spektrum selama rentang waktu yang singkat (Russell 1997). Sumber: http://www.umanitoba.ca/faculties/arts/linguistics/russell/138/sec4/specgram.htm Untuk situasi dimana kurva respon frekuensi suara lebih diutamakan daripada spektrum mentahnya maka dapat digunakan “wide band” spectrogram. Disini, area yang lebih pekat melebar ke area yang lebih lebar. Hal ini membuat kabur nada-nada tinggi namun itu membuat formant-formant menjadi lebih mudah untuk dilihat dan kelihatan sebagai pita yang pekat. Formants adalah frekuensi pembeda arti, komponen dari suara manusia untuk diucapkan.
16
Gambar 2.7 Wide Band Spectrogram. Sumber: http://www.umanitoba.ca/faculties/arts/linguistics/russell/138/sec4/specgram.htm Spectrogram dapat membuat pola atau bentuk suara menjadi mudah untuk diamati dan dibedakan, contohnya formant-formant yang berubah pada sebuah pengucapan suara. Berikut ini adalah spectrogram dari contoh pengucapan kalimat dalam bahasa Inggris “We were away a year ago”:
Gambar 2.8 Spectrogram dari sebuah pengucapan kalimat “We were away a year ago”. Sumber: http://www.umanitoba.ca/faculties/arts/linguistics/russell/138/sec4/specgram.htm Transformasi secara umum adalah perubahan suatu bentuk dan ukuran ke bentuk dan ukuran lain, baik secara fisik maupun secara non-fisik (Agus Soedomo, 2004). Transformasi Fourier merupakan metode untuk mentransformasikan sinyal domain
17 waktu menjadi sinyal domain frekuensi (Max, 1981). Transformasi ini penting dalam analisis sinyal karena karakteristik sinyal domain frekuensi dapat diamati dengan lebih jelas dan dimanipulasi dengan lebih mudah daripada sinyal domain waktu. Di domain frekuensi, sinyal direpresentasikan sebagai serangkaian nilai yang menunjukkan banyaknya satuan sinyal yang berada di frekuensi tertentu. Transformasi Fourier banyak digunakan untuk aplikasi sains, misalnya fisika, teori numerik, pemrosesan sinyal, statistik, akustik, optik, geometri, dan lain-lainnya. Salah satu kekurangan dari Transformasi Fourier adalah tidak dapat meberikan informasi kapan komponen frekuensi tertentu terjadi. STFT adalah Transformasi Fourier yang punya satu daya pisah tetap. Lebar dari windowing function menunjukkan bagaimana sinyal direpresentasikan, menunjukkan dimana frequency resolution yang baik (komponen frekuensi yang berdekatan dapat dipisahkan) atau time resolution yang baik (waktu dimana frekuensi berubah). Sebuah window yang lebih lebar (wideband) memberikan frequency resolution yang lebih baik tetapi memiliki kekurangan dalam time resolution. Sebuah window yang lebih sempit (narrowband) memberikan time resolution yang bagus tetapi frequency resolution yang kurang bagus.
Gambar 2.9 Transformasi narrowband dan wideband Sumber: http://en.wikipedia.org/wiki/Short-time_Fourier_transform
18
Gambar 2.10 Wideband, narrowband spectrogram dan amplitudo percakapan untuk pengucapan kata “Every salt breeze comes from the sea.” (Rabiner dan Juang 1993, p19). Sebagai contoh: Menggunakan sampel sinyal x(t) yang dibentuk dari 4 set gelombang-gelombang sinusoidal yang digabung bersama-sama dalam sebuah sekuen. Setiap bentuk dibawah dihasilkan dari salah satu dari 4 frekuensi (10, 25, 50, 100 Hz). Dengan x(t) didefinisikan sebagai berikut:
19
Lalu masing-masing disampel pada frekuensi 400 Hz akan menghasilkan spectrogramspectogram sebagai berikut:
window 25 ms
window 125 ms
window 375 ms
window 1000 ms
Gambar 2.11 Spectrogram dalam berbagai ukuran window. Sumber: http://en.wikipedia.org/wiki/Short-time_Fourier_transform
20
Window dengan ukuran 25 ms memungkinkan untuk mengidentifikasi waktu dimana sinyal berubah dengan lebih teliti namun sulit untuk mengidentifikasi frekuensi secara presisi. Di lain pihak pada ukuran window yang sangat bertolak belakang, window dengan ukuran 1000 ms memungkinkan frekuensi dapat dilihat secara lebih presisi tetapi waktu diantara frekuensi menjadi kabur.
2.7
Discrete-Time Short-Time Fourier Transform (STFT) Short-Time Fourier Transform (STFT) atau yang bisa juga disebut dengan Short-
Term Fourier Transform adalah suatu metode transformasi sinyal analog ke dalam bentuk sinyal digital yang berjenis Transformasi Fourier Cepat yang dalam bahasa Inggrisnya disebut dengan Fast Fourier Transform (FFT). Seperti halnya FFT, STFT berguna untuk mengubah sinyal analog yang berupa gelombang suara manusia ke dalam bentuk sinyal digital. Short-Time Fourier Transform (STFT) dibagi menjadi dua jenis, diantaranya yaitu: 1.
Discrete-Time Short-Time Fourier Transform Rumus dari Discrete-Time Short-Time Fourier Transform:
2.
Continuous-Time Short-Time Fourier Transform. Rumus dari Continuous-Time Short-Time Fourier Transform:
21
STFT sama seperti transformasi Fourier standar dan sering digunakan untuk menganalisa suara. Gambar 2.12 menampilkan frekuensi pada sumbu horisontal, dimana frekuensi terendah pada sebelah kiri dan frekuensi tertinggi pada sebelah kanan. Ketinggian dari setiap bar (ditunjukkan dengan warna) merepresentasikan amplitudo dari frekuensi pada pita tersebut. Dimensi kedalaman mewakili waktu, dimana masingmasing batang baru adalah satu transformasi yang terpisah.
Gambar 2.12 Spectrogram dalam berbagai ukuran window. Sumber: http://en.wikipedia.org/wiki/Short-time_Fourier_transform
2.8
Biological Neural Network (Jaringan Saraf Biologi) Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan
yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut dengan sinapsis. Neuron bekerja berdasarkan impuls/sinyal yang diberikan pada neuron. Neuron meneruskannya pada neuron lain. Saat ini diklaim bahwa sistem pusat otak kita terdiri dari sekitar 1,3.1010 neuron dan sekitar 1.1010 diantaranya terletak bagian otak (Halici,
22 2008, p2). Otak manusia merupakan koleksi dari sekitar 10 milyar neuron yang saling berhubungan satu sama lain (Fraser 1998) Dengan jumlah yang begitu banyak, otak mampu mengenali pola, melakukan perhitungan, dan mengontrol organ-organ tubuh dengan kecepatan yang lebih tinggi dibandingkan komputer digital. Sebagai perbandingan, pengenalan wajah seseorang yang sedikit berubah (misal memakai topi, memiliki jenggot tambahan, dan lain-lain) akan lebih cepat dilakukan manusia dibandingkan komputer.
Gambar 2.13 Sel saraf pada otak manusia (Halici 2008, p3).
Gambar 2.14 Scwann Cell dalam sel saraf pada otak manusia (Halici 2008, p3).
23
Gambar 2.15 Sinapsis yg terbentuk antara neuron (Halici, 2008, p4).
Pada waktu lahir, otak mempunyai struktur yang menakjubkan karena kemampuannya membentuk sendiri aturan-aturan / pola berdasarkan pengalaman yang diterima. Jumlah dan kemampuan neuron berkembang seiring dengan pertumbuhan fisik manusia, terutama umur 0-2 tahun. Pada 2 tahun pertama umur manusia, terbentuk 1 juta sinapsis per detiknya (Siang, 2007, p2). Neuron memiliki 3 komponen penting yaitu dendrit, soma dan axon. Dendrit
menerima sinyal dari neuron lain. Sinyal tersebut berupa impuls elektrik yang dikirim melalui celah sinaptik melalui proses kimiawi. Sinyal tersebut dimodifikasi (diperkuat / diperlemah) di celah sinaptik. Berikutnya, soma menjumlahkan semua sinyal-sinyal yang masuk. Kalau jumlahan tersebut cukup kuat dan melebihi batas ambang (threshold), maka sinyal tersebut akan diteruskan ke sel lain melalui axon. Frekuensi penelusuran sinyal berbeda-beda antara satu sel dengan yang lain. Neuron biologi merupakan sistem yang “fault tolerant” dalam 2 hal. Pertama,
manusia dapat mengenali sinyal input yang agak berbeda dari yang pernah diterima sebelumnya. Sebagai contoh manusia sering dapat mengenali seseorang yang wajahnya
24 pernah dilihat dari foto, atau dapat mengenali seseorang yang wajahnya agak berbeda karena sudah lama tidak dijumpainya. Kedua, otak manusia tetap mampu bekerja meskipun beberapa neuron-nya tidak mampu bekerja dengan baik. Jika sebuah neuron rusak, neuron lain kadang-kadang dapat dilatih untuk menggantikan fungsi neuron yang rusak tersebut.
2.9
Artificial Neural Network (Jaringan Saraf Tiruan) Artificial Neural Network (ANN) adalah sistem pemroses informasi yang
memiliki karakteristik mirip dengan Biological Neural Network (BNN) (Siang 2007, p2). ANN dibentuk sebagai generalisasi model matematika dari jaringan saraf biologi, dengan asumsi bahwa: -
Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron)
-
Sinyal dikirimkan diantara neuron-neuron melalui penghubung-penghubung
-
Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal
-
Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada penjumlahan input yang diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang.
25 Adapun kualitas atau karakteristik sebuah Artificial Neural Network ditentukan oleh tiga hal, yaitu: 1. Pola hubungan antar neuron (disebut arsitektur jaringan) 2. Metode untuk menentukan bobot penghubung (disebut metode training atau learning atau algoritma)
3. Fungsi aktivasi Berikut ini adalah gambar model ANN yang menunjukkan hubungan antar neuron (Synaptic Weights), fungsi aktifasi (Summing Function) dan bias (Threshold)
yang menghasilkan suatu nilai output (y).
Gambar 2.16 Model jaringan Artificial Neural Network. Σ menerima input dari neuron x1, x2, dan x3 dengan bobot hubungan masingmasing adalah w1, w2, w3. Ketiga impuls neuron yang ada dijumlahkan dengan summing function net = x1 w1 + x 2 w2 + x 3 w3
26 Besarnya impuls yang diterima oleh Σ mengikuti fungsi aktivasi Σ = f(net). Apabila nilai fungsi aktivasi cukup kuat, maka sinyal akan diteruskan. Nilai fungsi aktivasi (keluaran model jaringan) juga dapat dipakai sebagai dasar untuk merubah bobot.
2.10
Fungsi Aktifasi
Dalam ANN, fungsi aktivasi dipakai untuk menentukan keluaran suatu neuron. Argumen fungsi aktivasi adalah net masukan (kombinasi linier masukan dan bobotnya). Jika net = ∑xiwi, maka fungsi aktivasinya adalah f(net) = f (∑xiwi). Beberapa fungsi aktivasi yang sering dipakai adalah sebagai berikut:
2.10.1 Fungsi Threshold (batas ambang) 1
jika x >= a
0
jika x < a
f(x) =
Untuk beberapa kasus, fungsi threshold yang dibuat tidak berharga 0 atau 1 tapi berharga -1 atau 1 (sering disebut threshold bipolar). Jadi 1
jika x >= a
-1
jika x < a
f(x) =
27 2.10.2 Fungsi Sigmoid
Rumus fungsi Sigmoid: f ( x ) =
1 1 + e −x
Fungsi sigmoid sering dipakai karena nilai fungsinya yang terletak antara 0 dan 1 dan dapat diturunkan dengan mudah: f ′( x ) = f ( x ) (1 − f ( x ))
2.10.3 Fungsi Identitas
Rumus fungsi Identitas: f ( x ) = x Fungsi identitas ini merupakan fungsi aktivasi yang sangat sederhana, sering dipakai apabila kita menginkan keluaran jaringan berupa sembarang bilangan riil (bukan hanya pada range [0,1] atau [-1,1]).
2.11
Bias dan Threshold
Kadang-kadang dalam jaringan ditambahkan sebuah unit masukan yang nilainya selalu =1. Unit yang sedemikian itu disebut Bias (lihat gambar 3.3). Bias dapat dipandang sebagai sebuah input yang nilainya =1. Bias berfungsi untuk mengubah nilai threshold menjadi = 0 (bukan = a). Jika melibatkan bias, maka keluaran unit penjumlah
adalah net = b + ∑ x i wi i
Fungsi aktivasi threshold menjadi: 1 jika net >= 0 f(net) = -1 jika net < 0
28 2.12
Model Artificial Neural Network
Berdasarkan strategi pelatihannnya Artificial Neural Network dapat dibagi menjadi dua jenis, yaitu: 1. Pelatihan dengan supervisi (supervised training) 2. Pelatihan tanpa supervisi (unsupervised training) Sedangkan berdasarkan arsitektur dari neuron-nya, Artificial Neural Network dibagi menjadi tiga jenis yaitu: 1. Jaringan lapis tunggal (single layer network) 2. Jaringan lapis jamak (multi layer network) 3. Jaringan recurrent (recurrent network)
2.12.1 Pelatihan dengan supervisi (Supervised Training)
Pelatihan dengan supervisi ini yaitu suatu strategi dimana neuron dilatih dengan menentukan terlebih dahulu data yang ingin dihasilkan ketika diberi input-an data lainnya. Contoh model yang masuk dalam kategori ini antara lain
model Hebbian, Perceptron, ADALINE, Boltzman, Hopfield, Backpropagation, dan lain-lain.
2.12.2 Pelatihan tanpa supervisi (Unsupervised Training)
Model pelatihan tanpa supervisi ini lebih kompleks karena campur tangan manusia yang dibutuhkan dalam proses pelatihan tidak sebanyak pada pelatihan dengan supervisi. Contoh model yang masuk dalam kategori ini antara lain model Competitive, Hebbian, Kohonen, LVQ (Learning Vector Quantization), Neocognition, dan lain-lain.
29 2.12.3 Jaringan Lapis Tunggal (Single Layer Network) Model yang masuk kategori ini antara lain: ADALINE, Hopfield, Perceptron, LVQ, dan lain-lainnya. Arsitektur jaringan lapis tunggal ini dapat dilihat pada gambar 2.17.
Gambar 2.17 Arsitektur jaringan lapis tunggal (Fauset 1994, p13).
2.12.4 Jaringan Lapis Jamak (Single Layer Network) Model yang masuk kategori ini antara lain: MADALINE, Hopfield, Backpropagation, Neocognition, dan lain-lainnya. Arsitektur jaringan lapis jamak ini dapat dilihat pada gambar 2.18.
30
Gambar 2.18 Arsietektur jaringan lapis jamak (Fauset 1994, p13).
2.12.5 Jaringan Recurrent (Recurrent Network) Model yang masuk kategori ini antara lain BAM (Bidirectional Associative Memory), Boltzman Machine, Hopfield, dan lain-lainnya. Gambar model jaringan ini sama dengan model arsitektur jaringan lapis tunggal hanya saja tanda pandah dari satu node ke node lain bersifat dua arah (bidirectional).
2.13
Backpropagation Kelemahan Artificial Neural Network (ANN) yang terdiri dari lapis tunggal
membuat perkembangannya menjadi terhenti pada sekitar tahun 1970-an. Penemuan Backpropagation yang terdiri dari beberapa lapis membuka kembali cakrawala Artificial Intelligence. Terlebih setelah berhasil ditemukannya berbagai permasalahan yang dapat diselesaikan dengan Backpropagation, membuat ANN semakin dibutuhkan dalam kemajuan teknologi komputer. ANN
dengan
lapis
tunggal
yang
dahulu
dipakai
sebelum
adanya
backpropagation memiliki keterbatasan dalam pengenalan pola. Kelemahan ini diatasi
31 dengan menambahkan satu atau beberapa lapis tersembunyi diantara lapis masukan dan keluaran pada Backpropagation. Meskipun penggunaan lebih dari satu lapis tersembunyi memiliki kelebihan manfaat untuk beberapa kasus, tapi pelatihannya memerlukan waktu yang lama. Maka umumnya orang mulai mencoba dengan sebuah lapis tersembunyi lebih dahulu.
Gambar 2.19 Arsitektur Backpropagation dengan satu hidden layer (Fauset 1994, p291).
Seperti halnya model ANN lain, backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa (tidak harus persis sama) dengan pola yang dipakai selama pelatihan. Dalam algoritma Backpropagation terdapat proses training yang meliputi feedforward, backward serta perbaikan bobot dan bias. Sedangkan proses selanjutnya untuk mengenali pola yang telah dilatih disebut dengan proses recall yang dilakukan hanya dengan mengulangi proses feedforward. Berikut ini merupakan langkah-langkah
32 yang
digunakan
dalam
proses
training
dan
recall
menggunakan
algoritma
Backpropagation:
1. Inisialisasi bobot 2. Selama kondisi berhenti false, lakukan langkah 3 – 10 3. Untuk setiap pasangan data pelatihan, lakukan langkah 4 – 9
Feed Forward (langkah maju)
4. Setiap unit input (Xi, i = 1, …, n) menerima sinyal input xi dan meneruskan sinyal tersebut ke semua unit pada lapis di atasnya (hidden layer). 5. Setiap unit tersembunyi (Zj, j = 1, …, p) menjumlahkan sinyal-sinyal input
berbobot, n
z _ in = v 0 j + ∑ x i v ij i −1
Gunakan fungsi aktifasi untuk menghitung sinyal output-nya,
z j = f (z _ in ) Lalu kirimkan sinyal tersebut ke semua unit di lapis atasnya (unit-unit output). 6. Setiap unit output (Yk , k = 1, …, m) menjumlahkan sinyal-sinyal input berbobot, p
y _ in k = w0 k + ∑ z j w jk j =1
Gunakan fungsi aktifasi untuk menghitung sinyal output-nya, y k = f ( y _ in k )
33 Backward (langkah mundur)
7. Tiap-tiap unit output (Yk , k = 1, …, m) menerima pola target yang berhubungan dengan pola input pembelajaran, hitung informasi error-nya,
δ k = (t k − y k ) f ′( y _ in k ) Hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai wjk), Δw jk = αδ k z j
Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai w0k), Δw0 k αδ k
Dan kirimkan nilai δ k ke unit-unit yang ada di lapis bawahnya. 8. Tiap-tiap hidden unit (zj , j = 1, …, p) menjumlahkan delta input-nya (dari unit yang berada pada lapis atasnya), m
δ _ in j = ∑ δ k w jk k =1
Kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error-nya,
δ j = d _ in j f ′(z _ in j ) Kemudian hitung koreksi bobot (yang nantinya digunakan untuk memperbaiki nilai vij ),
Δvij = αδ j xi
34 Hitung juga koreksi bias (yang nantinya digunakan untuk memperbaiki nilai
v 0 j ), Δv 0 j = αδ j
Perbaikan bobot dan bias:
9. Setiap unit output (yk , k = 1, …, m) memperbaiki bobot dan biasnya (j = 0, …,
p), w jk (baru ) = w jk (lama ) + Δw jk Setiap unit tersembunyi (zj , j = 1, …, p) memperbaiki bobot dan biasnya (I = 0,
…, n), vij (baru ) = vij (lama ) + Δv ij 10. Tes kondisi berhenti.
