Tugas 2 : MODEL ARTIFICIAL NEURAL NETWORK

diposting oleh theara-fst08 pada 27 March 2012

di Ilmiah - 0 komentar
Pada pertemuan kedua yaitu membahas tentang artificial neural network atau sering
disebut Jaringan syaraf tiruan yang mana adalah sistem pemroses informasi yang
memiliki karakteristik mirip dengan jaringan syaraf biologi, yang merupakanrepresentasi
tiruan dari otak manusia, yang berisi berjuta-juta sel syaraf (neuron) dan berfungsi untuk
memproses informasi. Neuron mempunyai karakteristik yang sama dalam ANN, terdiri
dalam kelompok-kelompok yang disebut layer. Neuron - neuron dalam satu layer
terhubung dalam layer-layer lainnya yang berdekatan. Kekuatan hubungan antar neuron
yang berdekatan direpresentasikan dalam kekuatan hubungan atau bobot. Sebuah ANN
umumnya terdiri dari tiga layer yaitu input layer, hidden layer dan output layer. Layer
input (input layer) terdiri dari neuron-neuron yang menerima sebuah input dari
lingkungan luar.
Input yang dimasukkan merupakan penggambaran dari suatu masalah. Layer
tersembunyi (hidden layer) terdiri dari neuron-neuron yang menerima masukan dari input
layer, dan kemudian membawa output ke layer berikutnya. Lapisan output disebut unitunit output, terdiri dari neuron-neuron yang menerima output dari hidden layer dan
mengirimkannya kepada pemakai. Langkah penting dalam pengembangan sebuah model
ANN adalah penentuan bobot matrik melalui pelatihan (training). Ada dua tipe
mekanisme training yaitu supervised training dan unsupervised training. Supervised
training memerlukan supervisi dari luar untuk memandu proses training. Algoritma ini
menggunakan sejumlah pasangan data input-output yang dipergunakan sebagai contoh,
dimana data yang dipergunakan sebagai contoh sebaiknya menggunakan data yang sudah
diketahui kebenarannya. Output dari jaringan lalu dibandingkan dengan data output yang
diharapkan (output contoh) untuk mendapatkan selisih antara output perkiraan dengan
output sebenarnya. Selisih inilah yang dipergunakan untuk mengubah bobot jaringan
sehingga diperoleh output yang sama atau mendekati target.
Berikut metode jaringan syaraf tiruan yang akan dibahas pada artikel kali ini

A. Supervised learning (pembelajaran terawasi)

Pada metode ini, setiap pola yang diberikan kedalam JST telah diketahui outputnya.
Selisih antara pola output aktual (output yang dihasilkan) dengan pola output yang
dikehendaki (output target) yang disebut error digunakan untuk mengoreksi bobot JST
sehingga JST mampu menghasilkan output sedekat mungkin dengan pola target yang
telah diketahui oleh JST

Salah satu contohnya yaitu

Model Hopfield Neural Network
Berikut yaitu pembahasan metode hopfield yang akan digunakan untuk memperkirakan
cuaca Model Hopfield identik dengan matrik simetris. Secara umum, nilai keluaran
jaringan syaraf tiruan ditentukan oleh nilai masukan, bobot (weight), dan fungsi aktivasi.
Bentuk fungsi aktivasi dipilih berdasarkan masalah yang akan diselesaikan. Bila jaringan
Hopfield dirancang untuk melakukan klasifikasi pola biner-pola yang tersusun atas
kombinasi bilangan 0 dan 1, maka digunakan step function dengan dua nilai (0 dan 1)
sebagai fungsi aktivasi. Bila melakukan klasifikasi pola bipolar, maka step function yang
digunakan dua nilai (-1 dan 1). Berikut diberikan suatu contoh. Misalkan akan dibuat
jaringan Hopfield dengan 4 neuron. Artinya ada empat masukan dan empat keluaran.
Keempat neuron itu dihubungkan satu sama lain dan tiap hubungan (koneksi) ini
diberikan suatu nilai bobot (weight). Menurut Hopfield, bila bobot koneksi neuron
dengan dirinya sendiri adalah nol, pasti akan diperoleh keluaran yang stabil. Kondisi
yang stabil tersebut dinamakan energi lyapunov. Neuron-neuron pada Hopfield
berhubungan penuh, artinya neuron-neuron tersebut saling berhubungan kecuali pada
dirinya sendiri, dengan demikian nilai bobot matrik model Hopfield memakai bobot
matrik berdiagonal nol (0). Nilai nol (0) tersebut mengartikan bahwa ij W = 0 untuk i = j
(pada dirinya sendiri = 0) dan ij W = ji W untuk i j.
Arsitektur Hopfield Neural Network
Model arsitektur Hopfield ini terdapat empat neuron simetris, yaitu output yang
ditargetkan harus sama dengan input. Untuk mencapai hasil yang optimal/konvergen,
output dijadikan inputan kembali, namun diteruskannya jaringan tidak pada dirinya
sendiri tetapi ke neuron yang lain. Proses ini berjalan terus-menerus sampai dicapai
kondisi yang stabil. Pada halaman berikut ini adalah gambar model jaringan Hopfield
dengan 4 (empat) unsur cuaca atau 4 neuron.

Gambar Model Hopfield Neural Network pada Aplikasi Prakiraan Cuaca

B. Hybrid Learning (pembelajaran hibrida)

Merupakan kombinasi dari metode pembelajaran supervised learning dan unsupervised
learning. Sebagian dari bobot-bobotnya ditentukan melalui pembelajaran terawasi dan
sebagian lainnya melalui pembelajaran tak terawasi. Contoh algoritma JST yang
menggunakan metode ini yaitu :
Jaringan Syaraf Tiruan RBF
RBF () merupakan fungsi dimana keluarannya simetris terhadap center c tertentu atau
dinyatakan sebagai c = ||x - c||, dimana || . || merupakan vektor normal. Jaringan syaraf
yang dibentuk dengan menggunakan fungsi basis berupa fungsi basis radial dinamakan
Jaringan Syaraf RBF.
Jaringan RBF terdiri atas 3 layer yaitu layer input, hidden layer / kernel layer (unit
tersembunyi) dan layer output. Masing masing unit tersembunyi merupakan fungsi
aktifasi yang berupa fungsi basis radial. Fungsi basis radial ini diasosiasikan oleh lebar
dan posisi center dari fungsi basis tersebut. Struktur dasar jaringan RBF ditunjukkan
pada Gambar berikut :

Gambar Struktur dasar jaringan syaraf RBF.

Setiap input dari jaringan syaraf tiruan RBF ini akan mengaktifkan semua fungsi basis
pada hidden layer. Setiap unit dari hidden layer merupakan fungsi aktifasi tertentu yang
disebut sebagai fungsi basis. Di dalam hidden layer terdapat sejumlah fungsi basis yang
sejenis. Setiap fungsi basis akan menghasilkan sebuah keluaran dengan bobot tertentu.
Output jaringan ini merupakan jumlah dari seluruh output fungsi basis dikalikan dengan
bobot masing masing. Untuk jaringan RBF dengan 2 masukan, proses pemetaannya
ditunjukan pada Gambar berikut :

Gambar Operasi jaringan syaraf RBF dengan 2 masukan

Setiap masukan akan mengaktifkan setiap fungsi basis pada jaringannya sendiri.
Misalkan pada operasi masukan [x1 x2]. Masukan x1 akan mengaktifkan fungsi basis
pada jaringan RBF pertama, sehingga masukan x1 akan mengaktifkan fungsi basis 11,
12 sampai dengan 1n. Masukan x2 akan mengaktifkan setiap fungsi basis pada
jaringan RBF kedua, sehingga masukan x2 akan mengaktifkan fungsi basis 21, 22
sampai dengan 2n. Langkah selanjutnya adalah melakukan korelasi silang antara setiap
fungsi basis pada jaringan pertama dengan setiap keluaran fungsi basis pada jaringan
kedua. Masing - masing hasil korelasi silang antar fungsi basis ini kemudian diboboti
dengan bobot tertentu yaitu w11, w12 sampai dengan wnn. Keluaran jaringan RBF
dihitung dengan menjumlahkan seluruh hasil perkalian antara keluaran tiap fungsi basis
dengan bobotnya sendiri ditambah dengan bobot bias (wb).
Fungsi basis pada jaringan RBF identik dengan dengan fungsi gaussian yang
diformulasikan sebagai berikut:

Dimana :
cj = Center fungsi gausiaan ke - j
j = Lebar fungsi gausiaan ke - j
x = Masukan fungsi basis
j = Keluaran fungsi basis ke j oleh masukan x

Representasi grafis fungsi gaussian ditunjukkan pada Gambar berikut :

Gambar Fungsi gaussian

Pada setiap jaringan RBF biasanya digunakan lebih dari 1 buah fungsi basis. Tiap tiap
fungsi basis mempunyai 1 center dan 1 bobot tertentu. Untuk n buah masukan pada
jaringan syaraf RBF, maka diperlukan bobot memori yang digunakan pada satu jaringan
adalah sebesar ( jumlah fungsi basis )n + 1. Satu merupakan bobot bias (wb) dari jaringan
syaraf RBF .
Algoritma Pelatihan RBF secara Iteratif
Algoritma pelatihan jaringan syaraf tiruan RBF secara iteratif adalah sebagai berikut:
Langkah 1: Menentukan jumlah fungsi basis yang akan digunakan.
Langkah 2: Menentukan center tiap fungsi basis dan nilai deviasi.
Langkah 3: Menyediakan bobot sebanyak (fungsi basis)n + 1, dimana n adalah jumlah
masukan jaringan syaraf RBF.
Langkah 4: Inisialisasi bobot, w = [0 0 0 . . . . . 0] Set laju konvergensi Set gain
proposional
Langkah 5: Hitung keluaran tiap fungsi basis.
Langkah 6: Untuk setiap sinyal latih kerjakan langkah 6 selesai
Langkah 7: Hitung keluaran jaringan RBF.
Langkah 8: Hitung kesalahan (error) antara sinyal terharap (d) dengan keluaran y, error
=d y.
Langkah 9: Hitung sinyal keluaran sinyal kendali (Control_P) Control_P = Gain
proposional * error.

Langkah 10: Update bobot-bobot tiap fungsi basis dan bobot basis dengan metoda LMS.