Neural Network

Rekayasa Kualitas
Neural Network – Project One
Disusun Oleh:
Indra Surya Iwanata

NRP. 6007201041
Dosen:
M. Khoirul Effendi ST. MSc. Eng. Ph.D
PROGRAM PASCASARJANA
DEPARTMENT TEKNIK MESIN
FAKULTAS TEKNOLOGI INDUSTRI DAN REKAYASA SISTEM
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2021
Rekayasa Kualitas
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2021
Laporan Hasil Project 1

A. Latar Belakang
Neural network atau yang disingkat NN merupakan metode dimana kita menggunakan
B. Project 1
Sebuah data yang berisi input dan target terlihat pada tabel di bawah ini data no input target
No. Input Target
1 0 0
2 10 0.17
3 20 0.34
4 30 0.5
5 40 0.64
6 50 077
7 60 0.87
8 70 0.94
9 80 0.98
10 90 1
11 100 0.98
12 110 0.94
13 120 0.87
14 130 0.77
15 140 0.64
16 150 0.5
17 160 0.34
18 170 0.17
19 180 0
Gunakan Matlab untuk menghitung error antara hasil prediksi dengan nilai sebenarnya menggunakan
1. Matlab toolbox
2. Function feedforwardnet untuk men‐generate NN’s network
3. Gunakan trainlm, trainbr, dan trainscg untuk updating NN’s network
4. Apa yang anda simpulkan
5.Kumpulkan coding, serta netterbaik yang anda generate menggunakan trainlm, trainbr dan trainscg
Hint
1. Pembagian data untuk training: testing: validation = 70%:15%:15%
2. Gunakan fungsi
2
Rekayasa Kualitas
‐ trainlm (net,input, target) untuk updating NN’s network menggunakan Levenberg-Marquardt optimization
‐ trainbr (net,input, target) untuk updating NN’s network menggunakan Bayesian Regularization
‐ trainscg (net,input, target) untuk updating NN’s network menggunakan Scaled Conjugate gradient
3. Gunakan fungsi sim(net,input) untuk memprediksi target menggunakan NN’s network
4. Lengkapi tabel berikut untuk komparasi (*MSE = Mean Squared Error)
C. Langkah menggunakan toolbox pada matlab

D. Buatlah Coding secara manual yaitu sebagai berikut:
clc
clear all
close all
%memasukan input dan output dari excel

input = xlsread('Projekoneinput.xlsx','Sheet1','A1:A19')'; Digunakan untuk perintah membaca file yang akan diproses yaitu input dan target
target = xlsread('projekoneoutput.xlsx','Sheet1','A1:A19')';
inputs = mapminmax(input); %melakukan preprocessing pada input Mengurutkan data pada excel
target = mapminmax(target); %melakukan preprocessing pada target
%Jaringan BPNN
error_init = 1000;
net = feedforwardnet([4 10 4]);
net.layers{1}.transferFcn = 'tansig';
net.layers{3}.transferFcn = 'purelin';
%Kriteria pemberhentian
net.trainParam.epochs =1000;
net.trainParam.time = 200;
net.trainParam.goal = 1e-4;
net.trainParam.min_grad = 1e-5;
net.trainParam.max_fail =1000;
%inisialisasi nilai bobot dan bias

net = init(net);
%Data pelatihan BPNN

net.divideParam.TrainRatio = 70/100; %rasio data yang digunakan untuk training
net.divideParam.valRatio = 15/100; %rasio data yang digunakan untuk validasi
net.divideParam.testRatio = 15/100; %rasio data yang digunakan untuk testing
%Laju pembelajaran
net.trainParam.lr = 0.05; %learning Rate
net.trainParam.show = 10;
for loop = 0.05:10 %setiap kombinasi di run

loop;
net = trainlm (net,input,target); % p = data input , t = target
output = sim (net,input); %prediksi output BPNN
error = mean ((target-output).^2); %mean squared error
if error < error_init
error_terbaik = error_init;
net_terbaik = net;
else
end
end
view (net)
3
Rekayasa Kualitas
%testing
A = sim (net_terbaik,input); % hasil prediksi NN
% Compare result
Prediction = cat (1,target,A); % komparasi hasil prediksi (A) dengan data original (p)
plot(input,target,'-b',input,A,'-r')
title ('Ori vs. Prediction NN')
xlabel (‘data ke n’)
ylabel (‘nilai output nn’)
legend ('f(x)-Ori','f(x)-Prediction NN)')
grid ON
a. Levenberg-Marquardt
1. Ketik ‘‘nnstart’’ pada command window
2. Klik enter
3. Pilih Fiiting app
4. Pilih next
4
Rekayasa Kualitas
5. Import data dan klik next
Proses ini digunakan untuk data dari excel ke matlab, data hasil excel yang terdiri dari dua file diimport masing-masing pada
kolom input dan target.
6. Klik next
Data yang telah diimport lalu, menentukan prosesntase validasi dimana terbagi menjadi 3 yaitu training sebesar 70%,
validasi sebesar 15% dan testing sebesar 15%.
5
Rekayasa Kualitas
7. Klik Next
8. Klik Train
Pemilihan training algoritma Levenberg-Marquardt Algoritma ini agar algoritma yang digunakan untuk
memperkirakan hasil berikutnya berdasarkan data-data yang sudah ada sebelumnya. Algoritma ini biasa digunakan
dalam menyelesaikan permasalahan nonlinier yang menggunakan prinisip pencarian nilai minimum berdasarkan
jumlah kuadrat terendah.
6
Rekayasa Kualitas
9. Maka nilai Mse dan R akan muncul
10. Klik Train
7
Rekayasa Kualitas
11. Maka nilai Mse dan R akan muncul
12. Klik Performance
8
Rekayasa Kualitas
13. Grafik training performance menunjukan bahwa validasi
Gambar 1.1 Grafik Levenberg-Marquardt optimization
9
Rekayasa Kualitas
b. Algoritma Bayesian-Regularization
Pemilihan training algoritma Bayesian-Regularization Algoritma ini agar algoritma yang digunakan untuk
1. Klik Train
2. Klik Next
10
Rekayasa Kualitas
3. Klik Performance
11
Rekayasa Kualitas
4. Grafik training performance menunjukan bahwa validasi
Gambar 1.2 Grafik Bayesian Regularization
12
Rekayasa Kualitas
c. Algoritma Scale Conjugate Gradient

Pemilihan training algoritma Scale Conjugate Gradient Algoritma ini agar algoritma yang digunakan untuk
1. Klik Train
2. Klik Next
13
Rekayasa Kualitas
3. Klik Performance
14
Rekayasa Kualitas
4. Grafik
Gambar 1.3 Grafik Scale Conjugate Gradient
15
Rekayasa Kualitas
d. Menentukan prediksi error menggunakan Coding

Proses memprediksi nilai error dengan menggunakan coding dapat dilakukan dengan 3 cara sepertihalnya pada
penggunaan Toolbox, tetapi dalam penggunaan coding setiap running yang dilakukan sesuai penggunaan training algorithm,
maka pada bagian looping akan diterapkan menjadi 3 algoritma percobaan yaitu trainlm, trainbr dan trainscg dimana masing-
masing dari algoritma percobaan tersebut memiliki fungsi masing-masing. Berikut adalah langkah penerapan dari ke-tiga
coding tersebut:
1. Buatlah data input dan output menjadi file yang terpisah dan disimpan di satu folder
2. Buatlah coding sebagai berikut:

clc
clear all
close all

input = xlsread('Projekoneinput.xlsx','Sheet1','A1:A19')'; Digunakan untuk perintah membaca file yang akan diproses yaitu input dan target
inputs = mapminmax(input); %melakukan preprocessing pada input Mengurutkan data pada excel
%Jaringan BPNN
error_init = 1000;

net = init(net);

%Laju pembelajaran
16
Rekayasa Kualitas

for loop = 0.05:10 %setiap kombinasi di run

loop;
error_terbaik = error_init;
net_terbaik = net;
else
end
end
view (net)
%testing
A = sim (net_terbaik,input); % hasil prediksi NN
% Compare result
Prediction = cat (1,target,A); % komparasi hasil prediksi (A) dengan data original (p)
plot(input,target,'-b',input,A,'-r')
title ('Ori vs. Prediction NN')
xlabel (‘data ke n’)
ylabel (‘nilai output nn’)
legend ('f(x)-Ori','f(x)-Prediction NN)')
grid ON
3. Penerapan algoritma percobaan trainlm
4. Lakukan proses “Run”, pada bar editor

5. Feed Forward Network yang dihasilkan sebagai berikut
17
Rekayasa Kualitas
6. Grafik nilai Original vs Prediksi
7. Penerapan algoritma percobaan trainbr
8. Lakukan proses “Run” , pada bar editor

18
Rekayasa Kualitas
10. Grafik nilai Original dengan Prediksi adalah sebagai b

11. erikut
12. Penerapan algoritma percobaan trainscg
13. Lakukan proses “Run” , pada bar editor

19
Rekayasa Kualitas
15. Grafik nilai Original dengan Prediksi adalah sebagai berikut
Kesimpulan:
1. Toolbox NN’s mengambil data secara rendem sehinggal membutuhkan train beberapa kali hinggal
error dianggap baik, sedangkan Coding NN’s memilikike unggulan dalam menentukan error terbaik
hanya dengan melihat grafik prediksi sehinggan nilainya error nya bisa dikatakan baik dengan satu
kali Run Coding
2. Data prediksi menggunakan ketiga metode yaitu trainlm, trainbr dan trainscg memiiliki perbedaan
yang cukup signifikan tetapi dalam proses penarikan nilai error yang mendekati nilai nol adalah
metode trainlm, sedangkan metode yang kedua yaitu train scg dan yang terakhir adalah metode trainbr.
Trainlm signifikan mendekati nilai prediksi dibuktikan dengan grafik nilai original vs. prediction yaitu
kedua garis memiliki singgungan yang sangat berhimpit sehingga hampir menyatu dalam arrtian
perbedaan nilainya sangatlah kecil
3. Perbedaan antara penggunaan toolbox dengan Coding yaitu toolbox memiliki
kekurangan yang yaitu tidak dapat menambah forward hidden layer namun jumlah
neuron yang digunakan bisa diisi dengan random, sedangkan Coding dapat
mengubah jumlah hidden layer serta neuron yang diinginkan namun menambah
jumlah neuron tidak menjamin nilai error menjadi lebih baik. Tergantung dari retrain
20
Rekayasa Kualitas
yang kita gunakan.
Hasil:
Berdasarkan perolehan nilai dari matlab maka dari ketiga pengujian tersebut didapati nilai error dan
prediksi sebagai berikut. Formula yang digunakan untuk error adalah sebagai berikut:
No. Input Target Trainlm Trainbr Trainscg

Prediksi Error Prediksi Error Prediksi Error
1 0 0 -1.0001 0.2351 1.284 -0.9994 -0.0414

-0.0038996
2 10 0.17 -0.67353 -0.0125524 0.2351 0.944 -0.6846 0.047265
3 20 0.34 -0.3237 0.05537518 0.2351 0.604 -0.2873 0.025134 .
4 30 0.5 -0.0028 -0.0011423 0.2351 0.284 -0.0297 -0.04304

5 40 0.64 0.3116 -9.526E-05 0.2351 0.004 0.2152 0.013335
6 50 077 0.5388 0.00318385 0.2351 -0.256 0.5465 0.028594
7 60 0.87 0.7472 0.00213395 0.2351 -0.456 0.7690 -0.01316
8 70 0.94 0.8946 0.01233701 0.2351 -0.596 0.8802 -0.02903
9 80 0.98 0.9641 -0.0002479 0.2351 -0.676 0.9357 0.011468
10 90 1 0.9844 -0.023624 0.2351 -0.716 0.9549 0.055039
11 100 0.98 0.9676 6.7981E-06 0.2351 -0.676 0.9529 0.028618
12 110 0.94 0.8957 0.01385727 0.2351 -0.596 0.9059 -0.01192
13 120 0.87 0.7429 0.00220953 0.2351 -0.456 0.7211 -0.02568
14 130 0.77 0.5397 0.00425036 0.2351 -0.256 0.5258 0.001379
15 140 0.64 0.2806 0.00479158 0.2351 0.004 0.2438 -0.04397
16 150 0.5 -0.0025 -0.0459919 0.2351 0.284 -0.0160 -0.00112
17 160 0.34 -0.3208 0.00632362 0.2351 0.604 -0.2586 0.013604
18 170 0.17 -0.7226 0.00613489 0.2351 0.944 -0.6365 -0.00436
19 180 0 -0.9918 0.00708109 0.2351 1.284 -1.0192 0.004442
21
Rekayasa Kualitas
Lampiran :
Coding:
clc
clear all
close all

input = xlsread('Projekoneinput.xlsx','Sheet1','A1:A19')';
inputs = mapminmax(input); %melakukan preprocessing pada input

%Jaringan BPNN
error_init = 1000;

net = init(net);

%Laju pembelajaran
for loop = 0.05:10 %setiap kombinasi di run 5 x

loop;
error_terbaik = error;
net_terbaik = net;
else
end
end
view (net)
%CREATEPLOT(X1, Y1)
% X1: vector of x data ke n
% Y1: vector of y nilai output nn
% Auto-generated by MATLAB on 26-Apr-2021 14:43:44
% Create plot
A = sim (net_terbaik, input);
Prediction = cat (1,target,A);
plot (input,target,'-b',input,A,'-r')
title ('Original VS Prediction')
xlabel ('data ke n')
ylabel ('nilai output nn')
legend ('f(x)-ori','f(x)-prediction NN')
grid on
22
Rekayasa Kualitas
Nilai Prediction Pada Algoritma Trainlm
Nilai Target Algoritma Trainlm
Jumlah Iterasi Trainlm
23
Rekayasa Kualitas
Nilai Pada Workspace Algoritma Trainlm
24
Rekayasa Kualitas
Nilai Prediction Pada Algoritma Trainbr
Nilai Target Algoritma Trainbr
25
Rekayasa Kualitas
Jumlah Iterasi Trainbr
26
Rekayasa Kualitas
Nilai Pada Workspace Trainbr
27
Rekayasa Kualitas
Nilai Prediction Pada Algoritma Trainscg
Nilai Target Algoritma Trainscg
Nilai Iterasi Trainscg
28
Rekayasa Kualitas
]Nilai Workspace
29

Neural Network

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Neural Network

Diunggah oleh

Hak Cipta:

Format Tersedia

Rekayasa Kualitas

Neural Network – Project One

Indra Surya Iwanata

M. Khoirul Effendi ST. MSc. Eng. Ph.D

Laporan Hasil Project 1

C. Langkah menggunakan toolbox pada matlab

%memasukan input dan output dari excel

%inisialisasi nilai bobot dan bias

%Data pelatihan BPNN

for loop = 0.05:10 %setiap kombinasi di run

5. Import data dan klik next

9. Maka nilai Mse dan R akan muncul

10. Klik Train

11. Maka nilai Mse dan R akan muncul

12. Klik Performance

13. Grafik training performance menunjukan bahwa validasi

Gambar 1.1 Grafik Levenberg-Marquardt optimization

4. Grafik training performance menunjukan bahwa validasi

Gambar 1.2 Grafik Bayesian Regularization

c. Algoritma Scale Conjugate Gradient

Gambar 1.3 Grafik Scale Conjugate Gradient

d. Menentukan prediksi error menggunakan Coding

2. Buatlah coding sebagai berikut:

%memasukan input dan output dari excel

%inisialisasi nilai bobot dan bias

%Data pelatihan BPNN

net.trainParam.lr = 0.05; %learning Rate

for loop = 0.05:10 %setiap kombinasi di run

3. Penerapan algoritma percobaan trainlm

4. Lakukan proses “Run”, pada bar editor

6. Grafik nilai Original vs Prediksi

7. Penerapan algoritma percobaan trainbr

8. Lakukan proses “Run” , pada bar editor

10. Grafik nilai Original dengan Prediksi adalah sebagai b

12. Penerapan algoritma percobaan trainscg

13. Lakukan proses “Run” , pada bar editor

15. Grafik nilai Original dengan Prediksi adalah sebagai berikut

yang kita gunakan.

No. Input Target Trainlm Trainbr Trainscg

1 0 0 -1.0001 0.2351 1.284 -0.9994 -0.0414

4 30 0.5 -0.0028 -0.0011423 0.2351 0.284 -0.0297 -0.04304

%memasukan input dan output dari excel

inputs = mapminmax(input); %melakukan preprocessing pada input

%inisialisasi nilai bobot dan bias

%Data pelatihan BPNN

for loop = 0.05:10 %setiap kombinasi di run 5 x

Nilai Prediction Pada Algoritma Trainlm

Nilai Target Algoritma Trainlm

Jumlah Iterasi Trainlm

Nilai Pada Workspace Algoritma Trainlm

Nilai Prediction Pada Algoritma Trainbr

Nilai Target Algoritma Trainbr

Jumlah Iterasi Trainbr

Nilai Pada Workspace Trainbr

Nilai Prediction Pada Algoritma Trainscg

Nilai Target Algoritma Trainscg

Nilai Iterasi Trainscg

Anda mungkin juga menyukai