Modul SC - 7 - Ok
Modul SC - 7 - Ok
Sistem Cerdas
Penjelasan:
Mmmm…. Sintaknya panjang amat. Untuk kesempatan kali ini, kita akan mengurangi input dan
hanya menggunakan beberapa saja. Parameter input yang lain kita biarkan pada nilai default-
nya. Ok..? Nah, kita reduksi menjadi seperti ini :
P dan T masing-masing adalah input dan Target JST kita, sedangkan S1 S2...S(N-l) adalah
jumlah neuron dalam layer JST. Asumsi kita membentuk arsitektur sebagai berikut :
Nah, sampai saat ini, kita dapat memprogram JST kita sebagai berikut:
% input
P = [1 2 3 4 5 6 7 8 9 10];
% target
T = [6 12 14 21 27 29 36 41 44 51];
% bangun JST
JST = newff(P,T,[3 2]);
2. Kita bisa mensimulasikan JST kita, karena pada saat ini Matlab sudah membangkitkan nilai-
nilai bias dan bobot awal pada tiap-tiap konelsi dan neron.
Sintax:
Y = sim(JST,P);
Hasilnya dapat kita plot dengan perintah berikut:
plot(P,T,'*',P,Y,'o');
Well……. Dengan kata lain, JST kita belum pintar… kita harus melatihnya agar pintar.
Maksud sintak ini adalah kita akan melatih JST sebanyak 5 iterasi (epoch) maju-mundur
(backpropagation). Kemudian akan muncul jendela nntraintool.
Untuk saat ini, mari kita abaikan dulu jendela ini. Kita lanjut ke langkah berikutnya.
5. Agar JST kita lebih pintar, kita harus melatihnya lebih banyak lagi. Sekarang kita naikkan
epoch menjadi 30 dan selanjutnya kita latih dan simulasikan lagi.
Syntax :
JST.trainParam.epochs = 30;
JST = train(JST,P,T);
Y = sim(JST,P);
plot(P,T,'*',P,Y,'o');
% input
P = [1 2 3 4 5 6 7 8 9 10];
% target
T = [6 12 14 21 27 29 36 41 44 51];
% bangun JST
JST = newff(P,T,[3 2]);
% simulasikan JST
Y = sim(JST,P);
%plot hasilnya
plot(P,T,'*',P,Y,'o');
%latih JST sebanyak 5 epoch
JST.trainParam.epochs = 5;
JST = train(JST,P,T);
%simulasikan JST setelah pelatihan
Y = sim(JST,P);
plot(P,T,'*',P,Y,'o');
%naikkan epoch
Apa yang saya tulis adalah pengetahuan yang sangat dasar mengenai JST. Begitu pula dari sisi
pemrograman. Untuk menghasilkan performance yang lebih baik, teman-teman dituntut untuk
belajar lebih lanjut lagi dengan mengatur berbagai parameter dari JST tersebut, baik melalui
pengaturan arsitektur JST, pengaturan bobot dan bias awal, momentum, metode pelatihan dan
lain-lain.
1. Kusumadewi; Sri. 2003. Artificial Intelligence (Teknik & Aplikasinya). Yogyakarta: Graha Ilmu
2. Suyoto. 2004. Intelegensi Buatan (Teori dan Pemrograman). Yogyakarta : Gava media.
3. Kusumadewi; Sri. 2004. Membangun Jaringan Syaraf Tiruan dengan Matlab & Excel Link. Yogyakarta:
Graha Ilmu.
4. Kuswadi; Son. 2004. Kendali Cerdas: Teori dan Aplikasi Praktisnya. Yogyakarta : Andi
5. Away, gunaldi, 2010, the shortcut of matlab programing, informatic bandung.
6. Kusumadewi; Sri. 2002, analisis dan disain sistem fuzzy menggunakan toolsbox matlab, Yogyakarta:
Graha Ilmu.