Arsitektur Jaringan Saraf Tiruan 

Pada jaringan saraf tiruan, neuron-neuron akan dikumpulkan dalam sebuh lapisan yang
disebut dengan lapisan neuron (neuron layers). Neuron-neuron pada satu lapisan akan
dihubungkan dengan lapisan-lapisan lainnya. Informasi yang didapatkan pada sebuah neuron
akan disampaikan ke semua lapisan-lapisan yang ada, mulai dari lapisan masukan sampai dengan
lapisan keluaran melalui lapisan tersembunyi (hidden layer). Pada jaringan saraf tiruan ini tiga
lapisan bukanlah sebuah struktur umum karena beberapa jaringan saraf ada yang tida memiliki
lapisan tersembunyi.

a. Jaringan dengan lapisan tunggal (single layer net) 

Gambar 1. Jaringan Syaraf Tiruan Dengan LapisanTunggal Tunggal (Single Layer Net)

Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot-bobot terhubung.
Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi
output tanpa harus melalui lapisan tersembunyi. Pada gambar 4 menunjukan jaringan syaraf
dengan lapisan input memiliki 3 neuron, yaitu X 1, X2, dan X3. Sedangkan pada lapisan output
memiliki 2 neuron yaitu Y1 dan Y2. Neuron-neuron pada kedua lapisan saling berhubugan,
besar hubungan antara 2 neuron ditentukan oleh bobot yang bersesuaian.
Di dalam Jaringan Saraf Tiruan dengan satu layer, neuron-neuron diorganisasi dalam bentuk
layer-layer. Dalam bentuk paling sederhana dari Jaringan Saraf Tiruan dengan satu layer, kita
mempunyai sebuah input layer dari node sumber di mana informasi diproyeksikan ke output
layer dari neuron tapi tidak bisa sebaliknya. Dengan kata lain, jaringan ini adalah tipe feed
forward. Input layer dari node sumber tidak dihitung karena tidak ada perhitungan yang
dilakukan.
b. Jaringan dengan banyak lapisan (multilayer net) 

Nilai input

X1 X2 X3
lapisan input

W12 W22 W31

W11 W32
Matriks bobot
W21

Z1 Z2
lapisan output

W1 W2 Matrix bobot ke‐

Y
Lapisan output

Nilai output

Gambar 2. Jaringan Syaraf Tiruan Dengan Lapisan Banyak (Multilayer Net)

Merupakan jaringan dengan satu atau lebih lapisan tersembunyi (hidden layer). Jaringan multi
lapis ini memiliki kemampuan lebih dalam memecahkan masalah bila dibandingkan dengan
jaringan lapis tunggal, namun pelatihannya mungkin lebih rumit. Pada beberapa kasus, pelatihan
pada jaringan ini lebih baik karena memungkinkan bagi jaringan untuk memecahkan masalah
yang tidak dapat diselesaikan jaringan berlapis tunggal karena jaringan tidak bisa dilatih untuk
menampilkan secara benar.
c. Jaringan dengan lapisan kompetitif (competitive layer net) 

Gambar 3. Jaringan dengan lapisan kompetitif (competitive layer net)

Bentuk lapisan kompetitif merupakan jaringan saraf tiruan yang sangat besar. Interkoneksi antar
neuron pada lapisan ini tidak ditunjukkan pada arsitektur seperti jaringan yang lain. Pada
jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif atau sering pula
disebut dengan prinsip winner takes all atau yang menanglah yang mengambil semua bagiannya.

Fungsi Aktivasi
Fungsi aktivasi merupakan fungsi yang digunakan pada jaringan syaraf untuk mengaktifkan atau
tidak mengaktifkan neuron. Seperti terlihat pad gambar 3 sebuah neuron akan mengolah N input
(x1, x2, ..,xN) yang masing-masing memiliki bobot w1, w2, w3, ..,wN) dan bobot bias b, dengan
rumus :
N
a = ∑ xiwi i =1
Kemudian fungsi aktivasi F akan mengaktivasi a menjadi output jaringan y.

X1
W1

W2 a
F
∑
X2 y

WN

b
XN

1
Gambar 3. Fungsi Aktivasi Pada Jaringan Syaraf Sederhana
Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan.
Fungsi aktivasi yang disediakan pada toolbox matlab, antara lain:
1. Fungsi undak biner (hardlim)
Fungsi undak biner (step function) sering digunakan pada jaringan dengan lapisan tunggal untuk
mengkonversi input dari suatu variabel yang bernilai kontinu ke suatu output biner (0 atau 1)
dengan syntax: Y = hardlim(a).

2. Fungsi bipolar (hardlims)

Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner, hanya saja output yang
dihasilkan berupa 1 atau –1. Pada matlab fungsi ini lebih dikenal dengan nama hardlims, dengan
syntax: Y = hardlim(a).

3. Fungsi linier (purelin)

Fungsi linier memiliki nilai output yang sama dengan nilai inputnya. Pada matlab fungsi
aktivasi linier (identitas) dikenal dengan nama purelin, dengan syntax : Y = purelin(a).

4. Fungsi saturating linier (satlin)

Fungsi ini akan bernilai 0 jika inputnya kurang dari – ½, dan akan bernilai 1 jika inputnya lebih
dari ½ . Sedangkan jika nilai input terletak antara – ½ dan ½, maka outputnya akan bernilai
sama dengan nilai input ditambah ½. Pada matlab syntax yang digunakan adalah: Y
= satlin(a).
5. Fungsi symetric saturating linier (satlins)
Fungsi ini akan bernilai –1 jika inputnya kurang dari – 1, dan akan bernilai 1 jika inputnya lebih
dari 1. Sedangkan jika nilai input terletak antara – 1 dan 1, maka outputnya akan bernilai sama
dengan nilai inputnya. Pada matlab syntax yang digunakan adalah: Y = satlins(a).

6. Fungsi sigmoid biner (logsig)

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 juga dapat digunakan oleh jaringan syaraf yang nilai
outputnya 0 atau 1. Syntax yang digunakan pada matlab adalah: Y = logsig(a).

7. Fungsi sigmoid bipolar (tansig)

Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja output dari fungsi
ini memiliki range antara 1 sampai –1. Syntax yang digunakan pada matlab adalah: Y =
tansig(a).