BAB 2

LANDASAN TEORI

2.1 Pemrosesan Sinyal

Menurut Proakis et al. (1997), umumnya suatu segmen suara dapat

dinyatakan dengan derajat ketelitian yang tinggi sebagai jumlah dari beberapa

sinusoida dengan amplitudo dan frekuensi yang berbeda. Secara fakta, salah satu

cara untuk menginterpretasikan isi informasi atau pesan yang disampaikan

dengan setiap segmen waktu yang pendek dari sinyal suara adalah dengan

mengukur amplitudo, frekuensi, dan fase yang terdapat dalam segmen waktu

sinyal yang pendek.

2.1.1 Downsampling

Downsampling adalah proses mereduksi jumlah data yang besar

akibat nilai sampling rate yang besar, sehingga menghasilkan data dengan

tingkat frekuensi yang lebih rendah. Dalam keadaan pasti, downsampling

tidak menimbulkan pengaruh merugikan pada performa pembelajaran dan

klasifikasi dan secara simultan mereduksi waktu ekstraksi fitur.

Pemroses downsampling mereduksi sampling rate sinyal oleh

faktor M bertipe integer. Sinyal output y(m) disebut sinyal ter-

downsampling dan diperoleh dengan mengambil hanya setiap nilai ke-M

dari sinyal input.

7

8

2.1.2 Transformasi Wavelet

Menurut Edwards ( 1991 ), Wavelet adalah fungsi orthogonal

yang dapat di aplikasikan pada kumpulan data yang terbatas. Tidak

seperti transformasi Fourier, yang membagi – bagi sinyal menjadi

bebrapa komponen frekuensi, transformasi wavelet menggunakan

template untuk memilih bentuk wave yang mirip dengan sinyal aslinya.

Setiap elemen dalam wavelet dikontruksi dari bentuk asli yang

sama yang dinamakan mother wavelet ( wavelet induk ). Dalam gabungan

wavelet ( sinyal natural ), elemen – elemennya merupakan replica terskala

waktu ( terdilatasi atau terkompresi ) dan tertranslasi waktu ( tergeser

pada sumbu X ) dari prototype atau fungsi induk wavelet Y(t).

Wavelet terbentuk menggunakan filter high-pass dan low-pass.

Transformasi induk dihasilkan dari dilatasi dan translasi prototype fungsi

bandpass. Transformasi wavelet mengizinkan dekomposisi ke dalam

jumlah sinyal resolusi rendah ( frekuensi rendah ) ditambah elemen detail

( resolusi tinggi ). Menurut Edwards ( 1991 ) fungsi penyaring low-pass

dan high-pass adalah sebagai berikut :

∑

∑

=+

+

=+

=

−

=

−

N

jj

j

f

passHigh

f

passLow

12i-2j

1 j1

N

1 j1 j - 2i1

c 1)- (21 b

c 21 a

dimana :

i = variable pencacah nilai output ( 1,…, N/2 )

9

N = jumlah blok input c = koefisien

f = nilai input a dan b = nilai output

j = variabel pencacah blok input

Gambar 2.1 Ilustrasi Pohon Penyaring Low-pass dan High-pass

Transformasi fourier mempunyai fungsi yang berbeda dari

transformasi wavelet. Perbedaan utamanya adalah transformasi fourier

memisahkan atau membagi sinyal kedalam bentuk sinus atau cosinus,

sedangkan wavelet membuat template untuk digunakan dalam

perbandingan dengan sinyal aslinya. Trasformasi wavelet dapat

dirumuskan sebagai berikut :

∫∞

∞=

- b)(a, dx )(f(x)Ck b)F(a, x

Dimana Ck adalah fungsi yang dapat berbeda - beda tergantung

dari aturan yang digunakan. Contoh dari koefiesien Ck dan gambar wave

yang dihasilkan dapat dilihat dari gambar berikut ini.

10

Gambar 2.2 Koefisien dan Grafik dari fungsi Haar (a) dan Daubechies (b)

2.1.3 Entropi

Ide teoritis informasi dari entropi adalah perluasan dari ide fisika.

Terdapat banyak cara untuk menjelaskan entropi. Entropi merupakan

ukuran keacakan dari variabel acak. Entropi merupakan ukuran dari

jumlah informasi variabel acak atau isi proses stokastik. Entropi juga

merupakan batas bawah pada jumlah pesan yang dapat dikompresi. Dan

akhirnya entropi merupakan nilai rata-rata pertanyaan ya atau tidak yang

harus dijawab mengenai entitas acak untuk menentukan nilainya. (Saia)

Menurut Thompson, entropi – ide yang lahir dari termodinamika

klasik – merupakan entitas kuantitatif, bukan kualitatif. Hal itu berarti

entropi bukan sesuatu yang berdasar intuisi, melainkan sesuatu yang

didefinisikan melalui sebuah persamaan.

Entropi dan metrika teoritis informasi terkait digunakan secara

luas dalam aplikasi kecerdasan buatan yang melakukan permodelan

stokastik seperti pengenalan ucapan, pengenalan pola, diagnosis medis,

dan pemodelan finansial. (Saia)

11

2.2 Pengertian Jaringan Syaraf Manusia

Jaringan Syaraf Manusia adalah gabungan sel – sel syaraf manusia yang

membentuk suatu jaringan dan mampu untuk mengolah berbagai sumber

informasi. Pada jaringan syaraf manusia terdapat sel syaraf yang terkecil yang

disebut neuron. Neuron dapat menerima berbagai masukan yang kemudian akan

memberikan respon keluaran berupa rangsangan elektrik yang diteruskan pada

neuron yang lain. Jaringan syaraf manusia mempunyai antara 1010 sampai

dengan 1012 neuron, dan setiap neuronnya mampu berisi jumlah informasi, hal

ini berarti otak manusia merupakan suatu gudang memori yang sangat luas.

Neuron terdiri atas badan sel yang berisi inti sel, nukleus dan sejumlah

benang halus. Benang halus ini terdiri dari dua bagian yaitu dendrit dan akson,

dendrit berfungsi sebagai pembawa pesan untuk badan sel, sedangkan akson

berfungsi sebagai penerima dan titik pertemuan antara dendrit dan akson disebut

sinapsis.

Axon

Cell Body

Dendrites

Synapse

Satrio Dewanto, 2004

Gambar 2.3 Sel Syaraf Otak Manusia

12

2.3 Jaringan Syaraf Tiruan

2.3.1 Sejarah Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan pertama kali diperkenalkan oleh Warren

McCulloch dan Wolter Pitts pada tahun 1943. McCulloch adalah seorang

fisikawan dan ahli bedah syaraf yang masih dalam tahap pembelajaran.

Sedangkan Pitts adalah seorang ahli matematika yang bergabung dengan

McCulloch pada tahun 1942. Dalam penelitian, mereka mendeskripsikan

logika kalkulus dari jaringan syaraf tiruan yang menggabungkan

pembelajaaran psikologi neuron dan logika matematika. Model yang

dihasilkan adalah hukum “all – or - none”. Hasil penelitian mereka

kemudian digunakan di University of Chicago untuk kurang lebih 5 tahun

dari tahun 1943.

Setelah hasil penelitian mereka beredar luas di masyarakat,

jaringan syaraf tiruan mendapat banyak perhatian dari berbagai kalangan

ilmuwan, sehingga jaringan syaraf tiruan ini berkembang dengan pesat

dan disertai dengan diterbitkannya berapa buku, salah satunya adalah

Cybernatics oleh Wiener’s pada tahun 1948, yang berisi tentang konsep

penting untuk kontrol, komunikasi, dan statistik proses sinyal. Pada tahun

1954, Minsky membuat tesis bertema jaringan syaraf tiruan dengan judul

“Theory of Neural – Analog Reinforcement Systems and Its Application to

the Brain – Model Problem”.

Perkembangan jaringan syaraf tiruan sempat terhenti karena

sulitnya melatih jaringan berlapis dan belum adanya algoritma untuk

membantu penyelesain masalah tersebut. Pada tahun 1950, Taylor

13

memperkenalkan associative memory yang diikuti dengan cara

pembelajaran dengan matriks. Setelah itu banyak bermunculan metode –

metode lain yang digunakan dalam jaringan syaraf tiruan, misalnya pada

tahun 1958, Rosenblatt mempublikasikan pendekatan baru untuk

menyelesaikan masalah dalam jaringan syaraf tiruan yang diberi nama

Perceptron, sebuah metode dari supervised learning, kemudian muncul

competitive learning, Aadaptive Resonance Theory ( ART ), dll.

2.3.2 Pengertian Jaringan Syaraf Tiruan

Jaringan syaraf tiruan adalah jaringan yang di desain menyerupai

otak manusia yang digunakan untuk suatu tugas atau fungsi yang

diinginkan. Sebuah neuron dalam jaringan syaraf tiruan memiliki :

dendrit ( sebagai input ), tubuh sel, dan axon ( sebagai output ). Dalam

otak manusia, sebuah neuron mengkoleksi sinyal – sinyal dari neuron

lainnya melalui struktur yang disebut dendrit. Neuron mengirim aktivitas

elektrik melalui jaringan tipis dan panjang yang diketahui sebagai sebuah

axon, yang terbagi dalam ribuan cabang. Pada akhir dari setiap cabang,

sebuah struktur sinapsis mengkonversi aktivitas pada neuron yang

terkoneksi. Pembelajaran tampak oleh perubahan efektifitas sinapsis

sehingga terjadi perubahan pengaruh antara neuron yang satu dengan

lainnya. Jaringan syaraf tiruan biasanya diimplementasikan dengan

menggunakan komponen elektronik atau disimulasikan dengan software

dalam komputer.

14

2.3.3 Arsitektur jaringan

Cara bagaimana neuron - neuron dalam neural networks

terstruktur, adalah terhubung erat dengan pembelajaran algoritma

menggunakan pelatihan jaringan. Secara umum terdapat tiga tipe kelas

berbeda yang mendasari arsitektur jaringan :

1. Single Layer Feedforward Networks.

Dalam sebuah jaringan syaraf tiruan yang berlapis, neuron –

neuron - nya terorganisasi kedalam bentuk layer atau lapisan -

lapisan. Bentuk yang paling sederhana dari lapisan jaringan adalah

jaringan yang hanya mempunyai satu masukkan ( input layer ) dari

titik ( node ) sumber yang diteruskan ke sebuah lapisan keluaran

( output layer ) dari neuron-neuron, tapi tidak akan terjadi sebaliknya.

Dengan kata lain jaringan ini hanya bersifat feedforward atau tipe

acyclic. Contoh dari single layer feedforward networks dapat dlihat

dari gambar 2.4. Dalam gambar tersebut terdapat empat buah node

baik pada input maupun output, tetapi hanya ada satu keluaran dari

setiap node output hanya satu. Jaringan ini tidak menghitung input

layer dari sumber titik, karena tidak ada perhitungan yang dilakukan

di lapisan input tersebut.

15

Gambar 2.4 Feedforward or acylic network with a single layer of

neurons

2. Multilayer FeedForward Networks.

Kelas kedua dari umpan maju neural networks adalah adanya

perbedaan kehadiran satu atau lebih lapisan yang tersembunyi

( hidden layer ), yang mana pemrosesan node - node-nya disebut

dengan neuron tersembunyi atau unit yang tersembunyi. Fungsi dari

16

neuron - neuron yang tersembunyi adalah untuk melakukan

interferensi pada saat antara masukkan eksternal dengan keluaran

jaringan dalam beberapa cara yang berguna. Dengan menambah satu

atau lebih lapisan tersembunyi, maka jaringan akan mampu meng-

ekstrak perintah statistik yang lebih tinggi, hal itu dapat terjadi bila

ukuran dari lapisan masukkan juga besar.

Node - node sumber dari jaringan lapisan masukkan

menyediakan masing - masing pola elemen pengaktifan ( input

vector ), yang mendasari sinyal-sinyal masukkan terhubung ke lapisan

ke dua ( hiddenlayer ). Sinyal - sinyal keluaran dari lapisan ke dua

akan digunakan sebagai masukkan untuk lapisan ketiga. Secara umum

neuron - neuron pada setiap lapisan pada jaringan mempunyai

inputnya masing-masing dari lapisan yang terdahulunya yang

merupakan keluarannya. Sinyal - sinyal keluaran pada neuron-neuron

lapisan terakhir dari sebuah jaringan, mendasari keseluruhan respon

dari jaringan untuk mengaktivasi pola yang disediakan oleh node-

node input pada lapisan masukkan yang pertama kali.

Contoh jaringan multilyaer feedforward netwoork ditunjukkan

pada gambar 2.5. Gambar tersebut disebut sebagai fully connected,

hal ini ditunjukkan dengan terhubungnya setiap node dari setiap

lapisan jaringan dengan node pada lapisan berikutnya. Tetapi jika ada

satu atau beberapa hubungan komunikasi hilang dari jaringan,

jaringan ini disebut partially connected.

17

Gambar 2.5 Fully connected feedforward or acylic network with on

hidden layer and one output layer

3. Recurrent Networks.

Merupakan sebuah neural networks yang dibedakan dengan

tipe kelas umpan maju dimana, pada kelas ketiga ini mempunyai loop

umpan balik Sebagi contoh sebuah jaringan recurrent boleh hanya

terdiri dari sebuah lapisan neuron - neuron saja, yang setiap neuron -

nya memberikan umpan balik sinyal keluarannya ke sinyal masukkan

pada seluruh neuron yang lain. Hal ini ditunjukkan pada gambar 2.6.

18

Gambar 2.6 Recurrent network with no self feedback loops and no

hidden neurons

Pada gambar 2.6. tidak terdapat umpan balik yang terjadi

dengan sendirinya (self feedback loop), umpan balik seperti ini hanya

akan terjadi pada jaringan yang memiliki neuron dimana sinyal

keluarannya hanya diumpan balik pada masukkan neuron itu sendiri

dan bukan diberikan pada sinyal masukkan neuron-neuron lainnya

termasuk neuron itu sendiri.

19

2.3.4 Karakteristik Jaringan

Terdapat 4 karaktesistik jaringan yang harus dispesifikasi untuk

diimplementasikan pada jaringan syaraf tiruan, yaitu :

1. Number and type of input

Pemilihan input untuk jaringan syaraf tiruan mirip dengan

pemilihan klasifikasi sistem. Pemilihan ini harus mendukung

informasi yang dibutuhkan untuk membuat keputusan dalam jaringan.

2. Connectivity of the network

Berhubungan dengan besar jaringan. Yaitu jumlah lapisan yang

tersembunyi dan jumlah node pada setiap lapisan antara input dan

output. Dalam jaringan syaraf tiruan tidak ada batasan seberapa besar

atau kecilnya lapisan yang harus digunakan. Jika lapisan terlalu besar

maka akan sulit melakukan pelatihan pada jaringan, sedangkan jika

lapisan terlalu kecil, jaringan mungkin tidak dapat mengklasifikasikan

semua input yang diinginkan dengan akurat.

3. choice of offset

Pemilihan offset harus dilakukan untuk setiap elemen perhitungan

sebagai bagian dari prosedur pelatihan, hal ini dilakukan untuk

mencari hubungan antara bobot dan offset

4. choice of nonlinearity

Pengalaman dibutuhkan untuk memilih ketidak –linier -an yang

tepat. Hal ini tidak terlalu penting dalam jaringan, tetapi ketidak –

linier-an ini harus bersifat kontinyu dan berubah – ubah agar

algoritma dalam pelatihan dapat digunakan

20

2.3.5 Metode Jaringan Syaraf Tiruan Propagasi Balik

Metode propagasi balik merupakan generalisasi dari algoritma

LMS yang dapat digunakan untuk melatih jaringan multilayer. Propagasi

balik juga merupakan pendekatan dari algoritma steepest descent dimana

indeks kinerja berupa Mean Square Error. Perbedaan antara algoritma

LMS dengan propagasi balik terletak pada cara untuk menghitung

turunan. Pada jaringan linier dengan satu lapis ( single layer ), error

merupakan fungsi linier dari bobot jaringan dan turunan terhadap bobot

dapat dengan mudah dihitung. Pada jaringan multilayer dengan fungsi

aktivasi non linier hubungan antara bobot dan error menjadi kompleks,

sehingga untuk mendapatkan turunan harus menggunakan aturan rantai.

21

Gambar 2.7 Arsitektur Jaringan Backpropagation

Algoritma pelatihan jaringan syaraf tiruan propagasi balik adalah

sebagai berikut :

• Inisialisasi bobot ( ambil bobot awal dengan nilai random yang cukup

kecil ).

• Tetapkan maksimum epoh, target error, dan learning rate ( α )

• Kerjakan langkah - langkah berikut selama ( epoh<maksimum epoh )

dan ( MSE > target error ) :

1. Epoh = Epoh + 1

2. Untuk tiap – tiap pasangan elemen yang akan dilakukan pelatihan,

kerjakan :

1) Feedforward :

a. Masing - masing 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. Masing – masing unit pada suatu lapisan tersembunyi ( Zj,

j = 1,2,3,...,p) menjumlahkan sinyal – sinyal input

berbobot

∑=

+=n

1 iijijj vx b1 z_in

dan gunakan fungsi aktivasi untuk menghitung sinyal

output )f(z_in z jj =

kemudian kirimkan sinyal tersebut ke semua unit di

lapisan atas ( unit – unit output ).

22

Langkah ini dilakukan sebanyak jumlah lapisan

tersembunyi.

c. Masing – masing unit output ( Yk, k = 1,2,3,...,m )

menjumlahkan sinyal – sinyal input berbobot

∑=

+=p

1 ijkikk wz b2 y_in

dan gunakan fungsi aktivasi untuk menghitung sinyal

output )f(y_in y kk =

2) Backpropagation

a. Masing – masing unit output ( Yk, k = 1,2,3,...,m )

menerima pola target yang berhubungan dengan pola input

pelatihan, menghitung informasi kesalahan

)y_in(f)y - (t k1

kkk =δ

kemudian menghitung koreksi bobot ( digunakan untuk

memperbaiki nilai jkw ) jkjk z w δα=Δ , dan menghitung

koreksi bias ( digunakan untuk memperbaiki nilai b2k )

kk b2 δα=Δ

Langkah ini dilakukan sebanyak jumlah lapisan

tersembunyi, yaitu menghitung informasi kesalahan dari

suatu lapisan tersembunyi ke lapisan tersembunyi

sebelumnya.

b. Masing – masing unit tersembunyi ( Zj, j = 1,2,3,...,p )

menjumlahkan input delta ( dari unit lapisan atas )

23

∑=

=m

1 k jkkj w _in δδ

kemudian mengalikan nilai tersebut dengan turunan dari

fungsi aktivasi untuk menghitung informasi kesalahan

)(z_in f _in j1

jj δδ = , menghitung koreksi bobot ( untuk

memperbaiki nilai ijv ) ijij x v δα=Δ , menghitung

koreksi bias ( untuk memperbaiki nilai b1j ) jj b1 δα=Δ .

3) Memperbaiki bobot dan bias

a. Masing – masing unit output ( Yk, k = 1,2,3,...,m )

memperbaiki bias dan bobot ( j = 1,2,3,...,p ) :

jkjkjk w (lama) w (baru) w Δ+=

kkk b2 (lama) b2 (baru) b2 Δ+=

b. Masing – masing unit tersembunyi ( Zj, j = 1,2,3,...p)

memperbaiki bias dan bobot ( i = 0,1,2,...,n) :

ijijij v (lama) v (baru) v Δ+=

jjj b1 (lama) b1 (baru) b1 Δ+=

• Hitung MSE

2.3.6 Kelebihan Jaringan Syaraf Tiruan

Kemampuan neural networks dalam memperoleh daya komputasi

yang baik dalam pendefinisisan, pengklasifisian, dan pengolahan adalah

hal yang nyata. Hal ini dapat dilakukan karena dua sebab, yaitu :

1. Struktur yang tersebar dan terhubung pararel secara acak / massive.

24

2. Kemampuan untuk mempelajari dan menyederhanakan-nya.

Penyederhana-an yang terdapat pada neural networks adalah

menghasilkan keluaran atau outputs yang wajar atau sesuai untuk input

yang tidak diulang atau diberi feedback selama pembelajaran atau

training.

Dalam pelatihan, neural networks tidak dapat menyediakan

pemecahan atau solusi dengan hanya bekerja sendiri, melainkan

membutuhkan suatu pendekatan sistem engineering ( rancang bangun )

yang terpadu secara konsisten. Dimana bila diberikan suatu permasalahan

sulit yang dikehendaki, maka secara spesifik akan disusun ulang menjadi

permasalahan - permasalahan yang relatif mudah, dan neural networks

akan ditugaskan, yang mana sebuah subset ( struktur ) tertentu akan

mengerjakan permasalahan sesuai dengan kemampuannya.

Kelebihan Jaringan Syaraf Tiruan :

1. Nonlinearity.

Neurons tiruan dapat berbentuk linear atau nonlinear. Dan

neural networks merupakan nonlinearity saat melakukan hubungan

nonlinear antara neuron - neuron, terlebih merupakan bentuk khusus

yang disebarkan dalam jaringan, nonlinearity merupakan bentuk yang

teramat penting dimana pada saat tertentu mendasari mekanisme fisik

yang bertanggung jawab untuk penyederhanaan sinyal input

nonliniear yang tidak dapat dipisahkan.

2. Input-Output Mapping.

25

Merupakan sebuah paradigma pembelajaran yang disebut

supervised learning, dimana melibatkan modifikasi dari beban

synaptic jaringan syaraf tiruan dengan menerapkan seperangkat

contoh pelatihan yang telah dinamai. Sinyal input yang diambil oleh

neural networks dari perangkat adalah acak, dimana beban synaptic

( parameter bebas ) dimodifikasi agar dapat menghasilkan keadaan

yang stabil dimana tidak terjadi lagi perubahan yang signifikan.

Perancangan input - output mapping merupakan salah satu

pendekatan untuk menangani permasalahan yang datang, seperti

nonparamertic statistical inference, yang merupakan pendekatan

yang membutuhkan atau mensyaratkan pendugaan secara

sekehendaknya pada batasan-batasan ketentuan pada ruang sinyal

input, untuk pengklasifikasian pola contoh atau tugas yang

menggunakan seperangkat contoh tanpa menimbulkan sebuah

kemungkinan dari model yang tersebar atau terdistribusi.

3. Adaptivity.

Merupakan kemampuan neural networks untuk mengubah

beban synaptic terhadap perubahan yang terjadi pada keadaan

sekitarnya. Neural Networks dapat beradaptasi untuk

pengklasifikasian pola, pengolahan sinyal, dan pengaturan aplikasi-

aplikasi, dimana beban synaptic dapat diatur secara realtime bila

bekerja pada nonstationary environment. Dimana dimungkinkan

bahwa semakin adaptive sebuah system, dengan meyakinkan setiap

waktu sistem akan bekerja stabil, maka akan semakin sempurna ke-

26

efektifan atau performansi suatu sistem bila bekerja pada

nonstationary environment. Sebagai contoh keunggulan adaptive,

adalah sebuah sistem harus merespon cukup jauh mengabaikan

gangguan palsu dan merespon secara singkat perubahan-perubahan

yang berarti pada keadaan yang sekitarnya.

4. Evidential Response.

Pada penjelasan pengklasifikasian pola sebuah neural

networks dapat dibentuk untuk menghasilkan informasi yang tidak

hanya pada pola tertentu saja yang dipilih, tetapi juga mengenai

bagaimana keputusan atau ketentuan dibuat. Dimana informasi

tersebut selanjutnya digunakan untuk menolak pola yang tidak wajar,

sehingga memperbaiki performansi suatu sistem neural networks.

5. Contextual Information.

Pengetahuan dihasilkan oleh struktur dan keadaan aktif dari

sebuah neural networks. Setiap neuron dipengaruhi secara global oleh

neuron - neuron lainnya pada jaringan, konsekuensinya contextual

information selalu berhadapan secara alami dengan neural networks.

6. Fault Tolerance.

Sebuah neural networks diterapkan pada bentuk hardware,

dimana secara potensial akan memiliki toleransi kesalahan yang sulit

dipisahkan. Dimana mempunyai prinsip, melakukan penurunan

performansi secepatnya daripada menunggu atau beroperasi sampai

terjadinya kesalahan yang sangat besar.

7. VLSI Implementability.

27

Pararel acak yang alami dari sebuah neural networks

mempunyai kemampuan potensial yang cepat untuk mengerjakan

permasalahan - permasalahan tertentu, dan seuai untuk penerapan

pada teknologi VLSI ( Very Large Scale Integrated), untuk

penangkapan sifat yang rumit pada pertunjukan yang sangat hirarkis.

8. Uniform of Analysis and Design.

Neuron - neuron dalam satu bentuk atau berbeda akan

mewakilkan sifat – sifat yang umum terdapat pada semua neural

networks. Sifat yang umum tersebut memungkinkan untuk saling

berbagi teori dan algoritma pembelajaran dalam aplikasi-aplikasi

neural networks yang berbeda.

9. Neurobiological Analogy.

Pembuatan neural networks dimotivasi oleh cara kerja otak

manusia. Neurobiologist melihat neural networks sebagai alat

penelitian untuk menggambarkan fenomena neurobiologcal.

Sedangkan para engineers melihat neurobiology sebagai ide-ide baru

untuk menyelesaikan masalah-masalah yang lebih rumit dibandingkan

dengan teknik konvensional yang menggunakan kabel.

2.3.7 Hal Yang Perlu Diperhatikan Dalam Jaringan Syaraf Tiruan

Dalam pelatihan jaringan syaraf tiruan, terdapat beberapa hal yang

pelu diperhatikan, yaitu:

1. Jaringan syaraf tiruan memiliki kemungkinan untuk gagal dalam

mendapatkan solusi yang memuaskan terhadap suatu masalah.

28

Mungkin ini disebabkan tidak adanya fungsi yang dapat dipelajari

atau jumlah data yang tidak mencukupi.

2. Jaringan syaraf tiruan tidak dapat menjelaskan jawaban yang

dikeluarkannya. Dalam satu hal, jawaban terhadap suatu masalah

bergantung pada ribuan proses perhitungan yang melibatkan pola

input dan bobot-bobot sambungan. Melihat bagaimana bobot-bobot

tersebut menjadi “penyebab” suatu solusi akan lebih rumit daripada

melihat bagaimana suatu program komputer bekerja. Di lain hal, nilai

bobot - bobot itu sendiri merupakan hasil dari prosedur mesin-belajar

( machine-learning ) yang rumit dan susah untuk dijelaskan.

3. Melatih jaringan syaraf tiruan bisa lambat dan mahal. Hal ini

menyangkut biaya yang dikeluarkan untuk keperluan mengumpulkan,

menganalisis, dan memanipulasi data serta biaya eksperimen -

eksperimen terhadap parameter-parameter yang dilakukan untuk

mendapatkan nilai - nilai parameter yang dilakukan untuk

mendapatkan nilai - nilai parameter yang baik. Salah satu cara untuk

mempercepat proses latihan jaringan syaraf tiruan adalah

mengkombinasikannya dengan perangkat keras paralel yang dapat

menjalankan eksperimen dengan cepat.

4. Kecepatan proses perhitungan jaringan syaraf tiruan akan bertambah

lambat bersamaan dengan bertambahnya jumlah simpul-simpul dalam

jaringan syaraf tiruan. Hal ini terjadi karena waktu eksekusi secara

langsung bergantung pada jumlah simpul-simpul dalam jaringan

syaraf tiruan.

29

2.4 Motor Stepper

Stepper motor adalah salah satu tipe motor yang sangat popular

digunakan sebagai penggerak atau pemutar peralatan industri. Prinsip kerja

stepper motor ini mirip dengan DC motor, yaitu sama-sama dicatu dengan

tegangan DC untuk memperoleh medan magnet. Bila DC motor memiliki magnet

tetap pada stator, stepper motor mempunyai magnet tetap pada rotor. Suatu

stepper motor biasanya cukup dinyatakan dengan spesifikasi : “berapa phasa “,

“berapa derajat perstep”, “berapa volt tegangan catu untuk tiap lilitan” dan

berapa ampere atau miliampere arus yang dibutuhkan untuk tiap lilitan”. Motor

stepper bergerak secara per step sesuai dengan spesifikasinya, dan bergerak dari

satu step ke step berikutnya memerlukan waktu.

Motor stepper juga memiliki karakteristik yang lain yaitu holding torque,

yang tidak dimiliki oleh motor DC. Holding torque memungkinkan motor

stepper dapat menahan posisinya ketika tidak berputar. Hal ini sangat berguna

untuk aplikasi dimana suatu system memerlukan keadaan start dan stop.

Motor stepper mempunyai beberapa lilitan dimana lilitan - lilitan tersebut

harus dicatu ( tegangan ) dahulu dengan suatu urutan tertentu agar dapat berotasi.

Membalik urutan pemberian tegangan tersebut akan menyebabkan putaran motor

stepper yang berbalik arah. Jika sinyal kontrol tidak terkirim sesuai dengan

perintah maka motor stepper tidak akan berputar secara tepat, mungkin hanya

akan bergetar dan tidak bergerak. Untuk mengontrol motor stepper biasanya kita

30

menggunakan suatu rangkaian driver yang menangani kebutuhan arus dan

tegangan.

Menurut Alfian ( 2005 ), karakteristik dari motor stepper adalah sebagai

berikut:

• Voltage

Tiap motor stepper mempunyai tegangan rata - rata yang biasanya tertulis

pada tiap unitnya atau tercantum pada datasheet masing - masing motor

stepper. Tegangan rata - rata ini harus diperhatikan dengan seksama

karena bila melebihi dari tegangan rata - rata ini akan menimbulkan panas

yang terlalu besar pada motor stepper yang menyebabkan kinerja

putarannya tidak maksimal atau bahkan motor stepper akan rusak dengan

sendirinya

• Resistance

Resistance per winding adalah karakteristik yang lain dari motor stepper.

Resistance ini akan menentukan arus yang mengalir, selain itu juga akan

mempengaruhi torsi dan kecepatan maksimum dari motor stepper.

• Degrees per step

Derajat per step adalah faktor terpenting dalam pemilihan motor stepper

sesuai dengan aplikasinya. Tiap - tiap motor stepper mempunyai

spesifikasi masing - masing, antara lain: 0.720 per step, 1.80 per step,

3.60 per step, 7.50 per step, 150 per step, dan bahkan ada yang 900 per

step.