1
ISSN : 0853-8115
Anik Djuraidah
Abstrak
Secara umum model linear terampat (GLIM) dapat dipetakan secara ekivalen
pada Jaringan Syaraf Tiruan (JST) dengan satu lapisan atau disebut juga
dengan perceptron. Fungsi aktifasi pada JST sama dengan invers dari fungsi
hubung. Pada GLIM dengan komponen acak mempunyai sebaran gamma
ekivalen dengan JST tanpa lapisan tersembunyi dengan fungsi galat adalah
gamma dan fungsi tujuan adalah fungsi kemungkinan maksimum atau devians.
Sedangkan fungsi aktifasi untuk model gamma adalah identitas, resiprokal, atau
eksponensial. Makalah ini mengkaji pendugaan model pada data yang
mempunyai sebaran gamma dengan metode JST dan seberapa besar
perbedaan hasil pendugaannya dibandingkan dengan GLIM. Hasil kajian
menunjukkan bahwa JST menghasilkan nilai dugaan yang sama dengan
GLIM.
Bila peubah respon Y berdistribusi gamma lapisan diberi pembobot yang akan
1 2 mentransformasi nilai input menjadi nilai output.
dengan indeks konstan yang bebas terhadap
Sedangkan output adalah suatu penjumlahan dari
nilaitengah maka fungsi kepekatannya adalah
hasil kali antara bobot dengan neuron-neuron pada
1 y y untuk y 0, lapisan input dan lapisan tersembunyi dengan suatu
exp d log y
f ( y ) 0, 0 fungsi aktifasi tertentu (Sarle,1994; Warner dan
Misra, 1996).
0 untuk lainnya
Secara umum model linear terampat dapat
Parameter menentukan bentuk sebaran. dipetakan secara ekivalen pada JST dengan satu
Nilaitengah dan ragam Y adalah lapisan atau disebut juga dengan perceptron (Sarle,
E(Y) dan Ragam (Y) 2 / . 1994). Fungsi aktifasi pada JST sama dengan
Parameterisasi sebaran gamma dalam bentuk invers dari fungsi hubung ( = g-1) (Warner dan
Misra, 1996). Untuk model dengan galat menyebar
keluarga eksponen menghasilkan parameter
gamma ekivalensi fungsi hubung pada GLIM
1 dengan fungsi aktifasi tertera pada Tabel 1.
kanonik dan fungsi kumulan
b( ) log( ) . Sehingga rataannya adalah Proses training pada JST terbagi dalam tiga
tahap utama yaitu : feed-forward, back-propagation,
b' ( ) dan fungsi ragam b' ( ) 2 . Fungsi dan update nilai bobot. Pada tahap feed-forward
dilakukan dari proses input sampai diperoleh
hubung kanonik menghasilkan statistik cukup yang
output, sedangkan tahap back-propagation
merupakan fungsi linear dari data dinyatakan
dilakukan perbandingan nilai output dari feed-
sebagai
1 . Selain fungsi hubung kanonik forward dengan nilai target, kemudian dilanjutkan
juga bisa digunakan fungsi hubung logaritma atau ke depan ke lapisan input sehingga diperoleh galat.
identitas (McCullagh dan Nelder, 1989). Pada tahap update dilakukan dilakukan pembaruan
Untuk yang konstan dan pengamatan yang nilai bobot sampai diperoleh nilai fungsi galat
bebas stokastik dan identik, fungsi log minimal.
kemungkinan maksimum dapat ditulis sebagai
Tabel 1. Ekivalensi antara Fungsi Hubung
l ( y, ) yi log i dengan Fungsi Aktifasi
i i
. . . . (1)
Sehingga deviannya adalah Fungsi Hubung Fungsi Aktifasi
y ˆi
D( y, ˆ ) 2 log yi ˆ i Resiprokal Resiprokal
i i ˆ i Logaritma Eksponensial
. . . (2)
Sedangkan penduga kemungkinan maksimum Identitas Identitas
untuk parameter dispersi
D (6 D ) Bentuk feed-forward JST untuk model linear
1 terampat dengan galat menyebar gamma disebut
(6 2 D )
perceptron gamma tertera pada Gambar 1.
Pada tulisan ini akan dikaji pendugaan model
Perceptron mempunyai p+1 unit input dengan x0
dengan koefisien keragaman konstan dengan
adalah input konstan dan satu unit output. Nilai
metode jaringan syaraf tiruan (JST) dan seberapa
input xi diboboti dengan pembobot wi dan jumlah
besar perbedaan hasil pendugaannya dibandingkan
input-input terboboti ini kemudian ditransformasi
dengan model linear terampat (GLIM).
dengan fungsi aktifasi. Nilai output Ô dapat
dinyatakan sebagai sebuah fungsi f dari nilai input x
JARINGAN SYARAF TIRUAN UNTIK dan bobot wi yaitu :
MODEL DENGAN GALAT MENYEBAR p
GAMMA Ô f (x, w) ( w0 wi xi )
i 1 . . . . (3)
Sesuai dengan sistem kerjanya struktur JST dengan x = (x1, . . . , xp) adalah vektor input,
terdiri dari tiga lapisan yang terdiri dari lapisan w = (w1, . . . , wp) adalah vektor pembobot, dan
input (input layer), lapisan antara atau tersembunyi Λ (x) = fungsi aktifasi.
(hidden layer) dan lapisan output (output layer). Pada proses training dilakukan pendugaan
Setiap lapisan terdiri dari beberapa neuron dan antar terhadap bobot ŵ berdasarkan pengamatan
neuron-neuron ini akan dihubungkan dengan
neuron lain pada lapisan terdekat. Pada setiap
x ,y
1 1
x ,y
N N
dengan meminimum-kan
fungsi tujuan (objective function). Bentuk fungsi
2
Penggunaan Jaringan Saraf Tiruan untuk Pendugaan Model Linear Forum Statistika dan Komputasi
Terampat dengan Koefisien Keragaman Konstan
dengan yn adalah nilai target ke-n, sehingga X2 w2
fungsi log kemungkinan y
N
L ln p( yn | xn , w ) wp
w0
n 1 . : Nilaiŷ respon
Bila diasumsikan peluang awal dari parameter Xp X0≡1 dugaan
:
seragam untuk semua parameter maka suku kedua
:
pada persamaan (5) dapat dihilangkan. Hal ini
berati minimisasai fungsi galat sama dengan prediktor Bias
maksimisasi fungsi log kemungkinan yaitu memilih
wML yang memaksimumkan p(w | D ) . Gambar 1. Arsitetektur Perceptron Gamma
Setelah menentukan model probabilistik, fungsi
tujuan, masalah selanjutnya adalah menemukan Pada model linear terampat dengan komponen
prosedur yang efisien untuk perhitungan gradien acak mempunyai sebaran gamma ekivalen dengan
JST tanpa lapisan tersembunyi dengan fungsi galat
z (n)
dari fungsi galat. Misalkan i adalah nilai output negatif log kemungkinan pada persamaan (1) atau
dari lapisan ke-i pada pengamatan ke-n, untuk devians pada persamaan (2).
model (3) karena hanya satu lapisan maka
N
z (n) w0 wi xi(n) METODE EVALUASI
i 1 .
(n) Data yang digunakan adalah mengenai waktu
Sedangkan Ô adalah output pengamatan pembekuan darah dari McCullagh, and Nelder (
ke-n pada model (3) adalah 1989 halaman 300). Waktu pembekuan darah dalam
Ô(n) Λ( z (n) ) . detik (y) untuk plasma normal diukur pada 9
macam persentase konsentrasi prothrombin-free
Bentuk kanonik gradien J(w) terhadap z adalah
plasma (u) dan 2 jenis thromboplastin (lot).
Untuk mencapai kelinearan dilakukan
transformasi logaritma pada konsentrasi
3
Penggunaan Jaringan Saraf Tiruan untuk Pendugaan Model Linear Forum Statistika dan Komputasi
Terampat dengan Koefisien Keragaman Konstan
DAFTAR PUSTAKA