Disusun Oleh:
Dosen:
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
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
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2021
‐ 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)
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{2}.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;
%Laju pembelajaran
net.trainParam.lr = 0.05; %learning Rate
net.trainParam.show = 10;
3
Rekayasa Kualitas
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2021
%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
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2021
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
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2021
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
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2021
7
Rekayasa Kualitas
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2021
8
Rekayasa Kualitas
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2021
9
Rekayasa Kualitas
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2021
b. Algoritma Bayesian-Regularization
Pemilihan training algoritma Bayesian-Regularization 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.
1. Klik Train
2. Klik Next
10
Rekayasa Kualitas
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2021
3. Klik Performance
11
Rekayasa Kualitas
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2021
12
Rekayasa Kualitas
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2021
1. Klik Train
2. Klik Next
13
Rekayasa Kualitas
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2021
3. Klik Performance
14
Rekayasa Kualitas
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2021
4. Grafik
15
Rekayasa Kualitas
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2021
1. Buatlah data input dan output menjadi file yang terpisah dan disimpan di satu folder
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{2}.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;
%Laju pembelajaran
16
Rekayasa Kualitas
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2021
%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
17
Rekayasa Kualitas
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2021
18
Rekayasa Kualitas
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2021
19
Rekayasa Kualitas
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2021
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
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2021
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:
21
Rekayasa Kualitas
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2021
Lampiran :
Coding:
clc
clear all
close all
%Jaringan BPNN
error_init = 1000;
net = feedforwardnet([4 10 4]);
net.layers{1}.transferFcn = 'tansig';
net.layers{2}.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;
%Laju pembelajaran
net.trainParam.lr = 0.05; %learning Rate
net.trainParam.show = 10;
22
Rekayasa Kualitas
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2021
23
Rekayasa Kualitas
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2021
24
Rekayasa Kualitas
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2021
25
Rekayasa Kualitas
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2021
26
Rekayasa Kualitas
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2021
27
Rekayasa Kualitas
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2021
28
Rekayasa Kualitas
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2021
]Nilai Workspace
29