BAB 1

PENDAHULUAN

1.1. Latar Belakang Masalah

Teknologi informasi sekarang ini telah berkembang dengan pesat. Terutama

cabang ilmu pengetahuan komputer seperti Artificial Intelligence atau kecerdasan buatan
yang ditujukan untuk perancangan otomatisasi tingkah laku cerdas dalam sistem
kecerdasan komputer. Dengan demikian, diharapkan komputer dapat menirukan
beberapa fungsi otak manusia, seperti berpikir dan belajar. Kecerdasan merupakan
kemampuan untuk memperoleh, mengerti dan menggunakan kemampuan yang
dimilikinya untuk menyelesaikan persoalannya yang dihadapinya. Salah satu cabang
dalam Artificial Intelligence yaitu Artificial Neural Network atau Jaringan Saraf Tiruan
(JST) yang merupakan sekelompok jaringan saraf (neuron) buatan yang menggunakan
model matematis atau komputasi untuk pemrosesan informasi berdasarkan
pendekatan terhubung pada komputasi. Pada kebanyakan kasus, JST merupakan sistem
adaptif yang merubah strukturnya berdasarkan informasi eksternal maupun internal
yang mengalir melalui jaringan tersebut.

JST memiliki banyak manfaat, diantaranya memungkinkan komputer untuk

melakukan training (menerima suatu set input dan menetapkan target yang ingin
dicapai). Dengan evolusi ilmu komputer yang terus berkembang, muncul kebutuhan
untuk membangun suatu program aplikasi yang berguna dan memiliki kemampuan
untuk belajar.

Jaringan saraf Counter Propagasi, Hecht-Nielsen, lebih cepat sekitar faktor 100
dari Backpropagation, tapi lebih terbatas dalam kisaran aplikasi. Ini menggabungkan
Self-Organizing (Instar) jaringan Kohonen dan Grossberg ini Oustar net yang terdiri
dari satu lapisan masing-masing. Memiliki sifat yang baik dari Generalisasi (penting,
dalam beberapa derajat, untuk semua saraf jaringan) yang memungkinkan untuk
menangani dengan baik dengan sebagian atau sebagian vektor input yang tidak benar.
Kontra Propagasi jaringan berfungsi sebagai jaringan pengelompokan sangat cepat
Yorisantoni(2017).

Berdasarkan paeragraf diatas, maka penulis masyarakat judul pentingnya

jaringan saraf tiruan.

1
1.2. Rumusan Masalah

1.2.1. Apa saja bagian bagian dari Jaringan saraf Couterpropagation

1.2.2. Bagimana cara menggabungkan Self-Organizing (Instar)
1.2.3. Bagimana cara untuk Implementasi Metoda JST Couterpropagation Termodifikasi

1.3. Tujuan

1.3.1. Mengetahui bagian bagian dari Jaringan saraf Couterpropagation

1.3.2. Memahami cara menggabungkan Self-Organizing (Instar)
1.3.3. Mengetahui pengimplementasian Metoda JST Couterpropagation Termodifikasi

2
 BAB II

PEMBAHASAN

2.1. pengertian
Jaringan saraf Couterpropagation, Ini menggabungkan Self-Organizing
(Instar) jaringan Kohonen dan Grossberg ini Oustar net yang terdiri dari satu lapisan
masing-masing. Memiliki sifat yang baik dari Generalisasi (penting, dalam beberapa
derajat, untuk semua saraf jaringan) yang memungkinkan untuk menangani dengan
baik dengan sebagian atau sebagian vektor input yang tidak benar. berikut adalah
macam macamnya

2.1.1. Kohonen Self - Organizing Map (SOM) Layer

Lapisan Kohonen adalah lapisan “Winner-take-all” (WTA). Dengan

demikian, untuk vektor masukan yang diberikan, hanya satu Kohonen lapisan output
adalah 1 sedangkan semua orang lain adalah 0. ada vektor pelatihan yang diperlukan
untuk mencapai kinerja ini. Maka nama: Self-Organizing Map Layer (SOM-Layer).
Biarkan output bersih dari lapisan neuron Kohonen dinyatakan sebagai kj. Kemudian

And, for the hth(j=h)neuron where

We than set such that:

2.1.2. Grossberg Layer

Output dari lapisan Grossberg adalah output tertimbang lapisan Kohonen, oleh
Yang menunjukkan output bersih dari lapisan Grossberg direpresentasikan sebagai j
kemudian

3
 But,by the “winner-take-all” nature of the kohonen layer: if

Then

2.1.3. Training of the Kohonen Layer

Lapisan Kohonen bertindak sebagai classifier dimana semua vektor masukan

yang sama, yaitu mereka yang termasuk kelas yang sama menghasilkan output kesatuan
dalam Kohonen yang sama neuron. Selanjutnya, lapisan Grossberg menghasilkan output
yang diinginkan untuk diberikan kelas seperti yang telah diklasifikasikan dalam lapisan
Kohonen di atas. Dengan cara ini, generalisasi kemudian dicapai.

Sedangkan di hampir bobot awal semua NN dipilih untuk menjadi pseudo

random nilai rendah, dalam kasus jaringan Kohonen, setiap bobot pseudo random harus
dinormalisasi jika sebuah pendekatan untuk x0 adalah menjadi makna apapun. Tapi
kemudian, bahkan bobot random normal mungkin terlalu jauh dari x0 untuk memiliki
kesempatan untuk konvergensi pada tingkat yang wajar. Selain itu jika ada beberapa
Kelas yang relatif dekat akan dipisahkan melalui klasifikasi jaringan Kohonen. Namun,
jika kelas tertentu memiliki berbagai penyebaran nilai-nilai, beberapa Kohonen neuron
dapat diaktifkan untuk kelas yang sama. Namun, situasi yang terakhir bisa kemudian
dikoreksi oleh lapisan Grossberg yang kemudian akan memandu lapisan output Kohonen
tertentu yang berbeda ke output keseluruhan yang sama.

2.1.4. Training of Grossberg Layers

Kelebihan utama dari lapisan Grossberg adalah kemudahan dalam pelatihan.

Pertama output dari lapisan Grossberg dihitung seperti pada jaringan lain, yaitu :

4
 = = =

kj menjadi lapisan Kohonen output dan vij yang menunjukkan bobot Grossberg
lapisan. Jelas, hanya bobot dari non zero-neuron Kohonen (non-zero Grossberg lapisan
input) disesuaikan penyesuaian bobot mengikuti hubungan yang sering digunakan
sebelumnya, yaitu:

= + [ - ]

Ti menjadi output yang diinginkan (target), dan untuk n + 1 iterasi β menjadi

awalnya diatur ke sekitar 1 dan secara bertahap dikurangi. Awalnya vij secara acak
ditetapkan untuk menghasilkan vektor dari norma 1 per setiap neuron.

Oleh karena itu, bobot akan bertemu dengan nilai rata-rata output yang
diinginkan untuk terkait pasangan input-output (x-T).

2.1.5. The Combined Couterpropagation Network

Kita mengamati bahwa lapisan Grossberg dilatih untuk berkumpul dengan (T)
output yang diinginkan, sedangkan lapisan Kohonen dilatih untuk berkumpul dengan
input rata-rata. Oleh karena itu, lapisan Kohonen dasarnya adalah pra-classifier untuk
memperhitungkan input tidak sempurna, lapisan Kohonen yang tanpa pengawasan
sedangkan lapisan Grossberg.

Jika vektor sasaran m Tj (dimensi p) secara simultan diterapkan pada m × p

output pada sisi output dari lapisan Grossberg untuk memetakan Grossberg kemudian
setiap set p Grossberg neuron akan berkumpul untuk input sasaran yang tepat, mengingat
x masukan terdekat yang diterapkan pada masukan lapisan Kohonen pada saat itu. Syarat
Counter-Propagasi (CP) adalah karena dari masukan dan target aplikasi ini pada setiap
jaringan mengakhiri.

2.1.6. Couterpropagation Network Case Study : Character Recognition

Studi kasus ini berkaitan dengan mengenali tiga digit “0”, “1”, “2” dan”4″.
Dengan menggunakan jaringan saraf Kontra Dakwah (CP). Ini melibatkan merancang
jaringan CP, pelatihan dengan set data standar (8-by-8); pengujian jaringan

5
menggunakan data uji dengan 1, 5, 10, 20, 30, kesalahan 40-bit dan mengevaluasi
kinerja pengenalan.

2.2. Network structure

Struktur CP umum diberikan pada Gambar.

Kohonan Layer Grossberg Layer

Inputs
Output 1
1 K1 01 E1

K2 Output 2
02 E2
2
K3
Output 3
3 04
E3
K4

Target 3
Sebuah desain berbasis MATLAB didirikan untuk membuat jaringan default

2.3. Network training

(A) set Pelatihan Data

Kumpulan data pelatihan diterapkan pada jaringan CP adalah sebagai berikut:

6
(B) Pengaturan Berat:
(1) Dapatkan semua vektor data training Xi, i = 1,2. . . L
(2) Untuk setiap kelompok vektor data milik kelas yang sama, Xi, i = 1,2. . . N.

7
 (A) Menormalkan setiap Xi, i = 1,2. . . N, Xi0 = Xi / sqrt (ΣX2j)
(B) Hitunglah rata-rata vektor X = (ΣXj 0) / N
(C) Menormalkan rata-rata vektor X, X0 = X / sqrt (X2)
(D) Mengatur sesuai bobot Kohonen Neuron ini Wk = X
(E) Mengatur bobot Grossberg [W1kW1k. . . W1K] ke vektor output Y
(3) Ulangi langkah 2 sampai setiap kelas data pelatihan disebarkan ke jaringan.
Test mode

1. Tes kumpulan data yang dihasilkan oleh prosedur, yang menambahkan kesalahan jumlah
bit tertentu dengan aslinya kumpulan data training. Dalam studi kasus ini, prosedur
random digunakan untuk melaksanakan fungsi ini.

Example:

testingData = getCPTestingData(trainingData, numberOfBitError,

numberPerTrainingSet)

dimana parameter, “numberOfBitError”, adalah untuk menentukan jumlah yang

diharapkan dari bit kesalahan; “NumberPerTrainingSet” adalah untuk menentukan
ukuran yang diharapkan dari pengujian kumpulan data. Dan diharapkan pengujian
kumpulan data didapat oleh parameter output “TestingData”.

2.4. Results and conclusions

(A) tingkat Sukses vs kesalahan bit

Dalam percobaan ini, jaringan CP dengan 64-masukan, 4-Kohonen-neuron, dan

3-Grossberg-neuron yang digunakan. Tingkat keberhasilan ditabulasi sebagai berikut:

8
2.5 . Implementasi Metoda JST Couterpropagation Termodifikasi

JST Couterpropagation adalah perpaduan dari kelompok jaring Kohonen dan

Groosberg outstar. Model JST Counterpropagation menggunakan dua model pelatihan
yaitu pelatihan terbimbing dan pelatihan tidak terbimbing. Jaring Kohonen menerapkan
strategi kompetitif untuk beberapa penimbang dari unit lapis input ke unit lapis
tersembunyi. Sedangkan Grosberg outstar memetakan neuron yang dipilih pada output
yang diinginkan. Pelatihan terbimbing dan tidak terbimbing diterapkan untuk melatih
model JST Counterpropagation. Metoda ini mampu mereduksi jumlah pelatihan 1/100
kali lebih kecil dari JST Backpropagation standar. Makalah ini membahas penerapan
JST Counterpropagation Termodifikasi untuk studi aliran daya pada kondisi kontingensi.
JST Counterpropagation Termodifikasi merupakan pengembangan dari JST
Counterpropagation, melalui penerapan JST Constructive Backpropagation untuk
menentukan neuron pada

lapis tersembunyi. Dua model JST Counterpropagation Termodifikasi akan

dikembangkan pada penelitian ini. Model JST Counterpropagation Termodifikasi 1
digunakan untuk menghitung tegangan bus. Sedangkan model JST Counterpropagation
Termodifikasi 2 digunakan untuk menghitung sudut tegangan bus. Gambar 3
menunjukkan algoritma penyelesaian metode aliran daya menggunakan JST
Counterpropagation Termodifikasi.

Penentuan Magnitudo dan Sudut Tegangan Bus dengan JST Counterpropagation

Termodifikasi Analisa perhitungan studi aliran daya menggunakan JST

9
Counterpropagation Termodifikasi pada Sistem IEEE 14 bus dilakukan dengan tahapan
sebagai berikut. Model sistem IEEE 14 bus terdiri dari 14 bus dan 20 saluran. Adapun
urutan sistem ini adalah; bus 1 sebagai slack bus dengan referensi tegangan 001,06 ∠ pu,
bus 2, 3, 6, dan 8 sebagai bus generator (PV), dan sisanya sebagai bus beban (PQ).
Model JST Counterpropagation Termodifikasi 1 dilatih untuk menentukan tegangan bus,
sedangkan model JST Counterpropagation Termodifikasi 2 dilatih untuk menentukan
sudut tegangan bus. Jumlah keseluruhan input adalah 34 yang terdiri dari nilai diagonal
dari G dan B, daya aktif dan reaktif pada bus beban dinyatakan dalam admitansi konstan
dan dijumlahkan ke masing-masing elemen diagonal G dan B, daya aktif pada bus
generator 2, tegangan pada 4 bus generator dan slack bus. Pelatihan dan pengujian JST
Counterpropagation Termodifikasi dilakukan dengan 25 kondisi kontingensi,
masingmasing 5 kondisi pembebanan berbeda dan 20 kondisi saluran lepas. Hasil
simulasi magnitudo dan sudut tegangan aliran daya menggunakan Metode Newton
Raphson ditetapkan sebagai data target.

BAB III

PENUTUP

3.1. Kesimpulan

Jaringan saraf Couterpropagation, Ini menggabungkan Self-Organizing (Instar)

jaringan Kohonen dan Grossberg ini Oustar net yang terdiri dari satu lapisan masing-
masing. Memiliki sifat yang baik dari Generalisasi (penting, dalam beberapa derajat,
untuk semua saraf jaringan) yang memungkinkan untuk menangani dengan baik dengan
sebagian atau sebagian vektor input yang tidak benar. Kontra Propagasi jaringan
berfungsi sebagai jaringan pengelompokan sangat cepat.

10
 JST Couterpropagation adalah perpaduan dari kelompok jaring Kohonen dan
Groosberg outstar. Model JST Counterpropagation menggunakan dua model pelatihan
yaitu pelatihan terbimbing dan pelatihan tidak terbimbing.

Daftar pustaka

Yorisantoni(2017). tersedia pada http://yorisantoni.blogspoat.com. diakses pada tanggal

17, April 2021.
Amirulah, herry ouolo(2016) tersedia pada http://repositori.usu.ac.id diakses pada
tanggal 17, April 2021.

11