PEMBELAJARAN BERTINGKAT PADA ARSITEKTUR JARINGAN SARAF FUNGSI RADIAL BASIS

Jaringan  saraf  tiruan  (JST)  adalah  jaringan  yang  cara kerjanya  meniru  jaringan  saraf  manusia  ditandai dengan sebuah  set  masukan  dan  sebuah  set  keluaran.  Proses pembelajaran  dalam  jaringan  akan mengekstraksi informasi  dari  berbagai  macam  input  yang  diberikan. Diantara  masukan  dan  keluaran terdapat  layer  untuk memproses  input  yang  dinamakan unit  tersembunyi (hidden  layer).  Salah  satu  model JST  adalah  jaringan saraf  fungsi  radial  basis  (Radial  Basis  Function  Neural Network  =  RBFNN)  yaitu model jaringan saraf dengan satu unit dalam lapisan tersembunyi. Jumlah layer tunggal pada hidden layer menyebabkan  permasalahan  pembelajaran  di RBFNN  dapat  dianggap  sebagai  suatu  sistem  linear. Pada RBFNN  fungsi  aktivasi  yang  digunakan  adalah  fungsi basis  (Gaussian)  dengan  fungsi  linear  di  lapisan output. Dikarenakan  RBFNN  adalah  sistem  linear  sehingga  teknik Orthogonal  Least  Squares  (OLS)  yang menerapkan konsep  basis  orthogonal  dengan  pendekatan  terdekat  ke  solusi sebenarnya  dapat  menjadi salah satu algoritmapembelajaran pada RBFNN. Makalah ini membahas pembelajaran bertingkat sebagai cara  optimasi pembelajaran  pada  RBFNN  yang  menggabungkan  teknik  linear  yaitu Regularized Orthogonal  Least  Sqaures  (ROLS)  dan  non linear  yaitu  algoritma  genetik.  Hasil  ujicoba menunjukkan untuk  semua  data  dengan  persentase pembelajaran  dan  parameter  algoritma  genetik  yang berbeda-beda mempunyai akurasi yang bervariasi pula. Akan tetapi rata-rata hasil ujicoba menghasilkan akurasi di atas 90% dan bahkan untuk beberapa percobaan akurasi bisa mencapai 100