Abstract
A system can be modeled using mathematical formulation analysis method. Analysis of the system starts
from the value of inputs, processes, noise, and output processes. then sought mathematical approach. This
method is very complex, especially for some of the processes that have a higher order. In this article the author
tries to discuss a method to perform modeling on a system by using Back Propagation Neural Network method.
In the neural network method we require the initial data for network training process. Network training process
is intended to gain weight. The weight is then identified with a model system. This paper has demonstrated that
the modeling system can be done by the method of back propagation neural network
22
POLI REKAYASA Volume 11, Nomor 2, April 2016 ISSN : 1858-3709
berupa bilangan acak sebanyak 100 buah plant yang digunakan dalam tulisan kali
dengan rentang nilai antara 1 s/d 100, ini seperti pada persamaan (1)
Adapun persamaan model matematis dari
(1)
PROCESS
PLANT
Identification
Neural Network
23
POLI REKAYASA Volume 11, Nomor 2, April 2016 ISSN : 1858-3709
: input layer
: hidden layer
: output layer
Gambar 3. Ilustrasi Penyusunan data training
Setelah nilai y(k) kita dapatkan untuk hendaknya diperoleh dengan eksperimen
masing-masing k, selanjutnya kita plant.
linearisasi nilai y(k) ini ke dalam range
antara +1 dan -1. Hal ini dilakukan karena Penyusunan data training
proses backpropagation akan bekerja Selanjutnya data yang sudah diperoleh
optimal pada range +1 dan -1. Selanjutnya yakni xz(k) dan yz(k) kita gunakan sebagai
nilai hasil linearisasi kita notasikan sebagai data training sesuai dengan konsep
yz(k). Sekali lagi, idealnya nilai y(k) konfigurasi back propagation. Dalam tulisan
24
POLI REKAYASA Volume 11, Nomor 2, April 2016 ISSN : 1858-3709
kali ini digunakan sebanyak 10 neuron neuron hiden layer. Dan untuk outputnya
masukan (5 neuron dari data masukan xz dan adalah sebuah neuron output yang nilainya
5 neuron dari data keluaran yz). Kemudian akan dibandingkan dengan keluaran sistem
sebuah layer pada hiden layer dengan 5 buah guna mendapatkan eror.
Keterangan Gambar : garis biru (tegas) output sistem dan garis hijau (samar) output model
Gambar 4. Hasil pengujian aktivasi
a) Dengan Fungsi Aktivasi Sigmoid Biner
b) Dengan Fungsi Aktivasi Sigmoid Bipolar
Setelah didapatkan, eror selanjutnya (5)
digunakan pada proses backward untuk
Penggunaan Neural Network.
mengkoreksi nilai-nalai dari bobot neural
Algoritma Neural Network
network. Untuk lebih jelasnya lihat
Backpropagation yang digunakan di
Gambar 3.
tulisan ini sebelumnya telah berhasil
Pelatihan Neural Network diujicoba pada proses pengenalan pola
Backpropagation data.
Neural Network Backpropagation yang Proses Training Neural Network.
digunakan di tulisan ini menggunakan Proses training data dilakukan dengan
fungsi aktifasi berupa fungsi sigmoid data acak seperti yang telah disinggung di
bipolar, karena data yang akan diproses atas. Seperti terlihat di gambar 3 output
adalah data antara +1 dan -1. sistem juga digunakan sebagai masukan
(4) untuk unit input Neural Network nya. Hal
dengan turunan ini dilakukan karena tujuan dari
implementasi adalah untuk memperoleh
25
POLI REKAYASA Volume 11, Nomor 2, April 2016 ISSN : 1858-3709
26
POLI REKAYASA Volume 11, Nomor 2, April 2016 ISSN : 1858-3709
ini akan terlihat jelas bedanya pada saat Dari kedua hal tersebut dapat
kita melakukan pengujian dengan diambil kesimpulan bahwa pemilihan
menggunakan fungsi masukan acak yang fungsi aktivasi hendaknya disesuaikan
memiliki range -1 s/d +1. Lihat Gambar dengan karakteristik sistem dan juga
4. respon sistem yang kita harapkan.
Dari hasil ujicoba tersebut jelas
terlihat bila kita menggunakan fungsi Pengujian Pola Data Masukan
aktivasi Sigmoid biner maka siyal output Tujuan dari pengujian ini adalah
model akan terpangkas di batas bawah 0 untuk mendapatkan pola masukan yang
dan batas atas 1. Sedangkan saat kita paling sesuai. Untuk itu pola masukan (di
gunakan fungsi aktivasi Sigmoid Bipolar input layer) divariasikan. Pola masukan
kita akan mendapati bahwa output model yang dimaksud di sini adalah nilai –nilai
bisa mencapai -1 s/d +1.
27
POLI REKAYASA Volume 11, Nomor 2, April 2016 ISSN : 1858-3709
28
POLI REKAYASA Volume 11, Nomor 2, April 2016 ISSN : 1858-3709
yang diberikan pada neural network Variasi III, dengan target yz(k)
melalui input layernya. input adalah 5 data sebelumnya yang
Variasi I, dengan target yz(k), input disusun sejajar. Sehingga susunan data
adalah data sekarang dan 4 data inputannya menjadi [xz(k-1)][xz(k-
sebelumnya. Sehingga susunan data 2)][xz(k-3)][xz(k-4)][xz(k-5)] [yz(k-
inputannya menjadi: [xz(k)] [xz(k-1)] 1)][yz(k-2)][yz(k-3)][yz(k-4)][yz(k-5)].
[xz(k-2)] [xz(k-3)] [xz(k-4)] [yz(k)] Gambar 7 menunjukkan hasil 6 kali
[yz(k-1)] [yz(k-2)] [yz(k-3)] [yz(k-4)]. simulasinya dengan data testing x(k)=
Gambar 5 menunjukkan hasil 6 kali sin((k2pi)/10).
simulasinya dengan data testing x(k)= Dari ketiga masukan tersebut
sin((k2pi)/10). diperoleh kalau variasi ke II lah yang
Variasi II, dengan target yz(k) input memiliki model respon yang relative
adalah data sekarang yang disusun sama/sesuai dengan target keluaran
sejajar. Sehingga susunan data inputannya (output sistem). Seperti diketahui bahwa
menjadi [xz(k)] [xz(k)] [xz(k)] [xz(k)] dalam hal ini output juga digunakan
[xz(k)] [yz(k)] [yz(k)] [yz(k)] [yz(k)] sebagai referensi masukan pada Neural
[yz(k)]. Gambar 6 menunjukan hasil 6 Network sehingga respon Neural
kali simulasinya dengan data testing Network tentunya akan semakin baik
x(k)= sin((k2pi)/10).
29
POLI REKAYASA Volume 11, Nomor 2, April 2016 ISSN : 1858-3709
ketika semakin banyak referensi yang untuk mengikuti kendati secara umum
memuat parameter yang sama. bentuk output masih relative sama (fungsi
sinus) namun jelas terlihat bahwa output
Pengujian Variasi Fungsi Masukan model seakan terpangkas di level 1.
Tujuan dari pengujian ini adalah Untuk mengatasi hal ini, yaitu agar
untuk mengetahui parameter masukan output dari model bisa senantiasa
yang ideal untuk sistem yang kita mengikuti output sistem maka kita harus
modelkan. melakukan normalisasi terlebih dahulu
Dari ke enam hasil ujicoba pada pada output sistem sebelum kita
gambar 8 dapat ditarik analisa bahwa masukkan ke neural network. Sebagai
ketika sinyal keluaran sistem yang masih contoh, jika kita menormalisasi output
dibawah level 1 maka output model sistem untuk input 6sin((k2pi)/10) maka
masih bisa mengikutinya. Namun pada akan didapatkan hasil simulasi seperti
saat output sistem telah melebihi level 1 pada gambar 9.
maka output model tidak mampu lagi
30
POLI REKAYASA Volume 11, Nomor 2, April 2016 ISSN : 1858-3709
SARAN
DAFTAR PUSTAKA
Benyamin Kusumoputro,(2009), Bahan
Belajar Mahasiswa, Jaringan
Neural Buatan; Universitas
Indonesia, Jakarta.
Jong Jek Siang,(2009), Jaringan Syaraf
Tiruan & Pemrogramannya
Menggunakan MATLAB, Penerbit
Andi,Yogyakarta.
BrianR.Hunt,RonaldL.Lipsman and
JonathanM.Rosenberg(2000), A
Guide to MATLAB For Beginners
and Experienced Users, Cambridge
University Press, New York.
31