REVISI

UJIAN AKHIR SEMESTER

MATAKULIAH

JARINGAN SYARAF TIRUAN

DOSEN: Drs. Widodo Prijodiprodjo, M.Sc., EE

Oleh:

Asih Pujiastuti (310742)

UNIVERSITAS GAJAH MADA

FAK. MATEMATIKA DAN ILMU PENGETAHUAN ALAM

2011

1. Back Propogation dan Recurrent dalam Jaringan Syaraf Tiruan (JST).

a) Bandingkan kedua hal tersebut!

b) Kemukakan manfaat masing-masing!

Jawab:

a) Perbandingan:

Back propagation Recurrent

a. Mempunyai struktur feedforward; dimana signal bergerak melewati lapisan tersembunyi dan akhirnya mencapai unit output

a. Mempunyai struktur feedback, mempunyai koneksi kembali dari output ke input

b. Struktur perilakunya stabil

b. Struktur perilakunya stabil dan menghasilkan dinamika yang sangat komplek

c. Tidak mempnyai loop

c. Memiliki loop, lapisan output akan member input bagi lapisan input

d. Contoh: single layer perceptron, multi layer perceptron, radial basis function

d. Contoh: LVQ (linier vector quanification), SOM (Self organizing map)

b) Manfaat:

Back propagation Recurrent

Manfaat : Backpropagation, untuk memprediksi suatu system dalam waktu yang berbeda

Manfaat : Recurrent, kasus identifikasi dan pemodelan system non linier

2. Supervised dan Unsupervised Learning.

a) Bandingkan kedua hal tersebut, kemukakan dalam hal apa/kapan Supervised

learning lebih cocok dan dalam hal apa / kapan Unsupervised learning lebih

cocok!

b) Berikan contoh aplikasi riilnya!

Jawab:

Belajar dengan pengawasan (Supervised Learning )

Pada metode supervised learning jaringan diberikan vektor target yang harus

dicapai sebagai dasar untuk mengubah hubungan interkoneksi atau bobot pada

jaringan. Contoh jaringan yang belajar dengan pengawasan adalah

Backpropagation dan Perceptron.

Cocok digunakan untuk pengenalan pola.

Metode unsupervised learning

Melatih jaringan terhadap suatu inputan tanpa adanya pengawasan,dimana vektor

target tidak ditentukan. Vektor masukan dimasukkan ke dalam jaringan,kemudian

sistem akan mengatur dirinya sendiri sedemikian rupa sehingga

dihasilkankeluaran yang konsisten bilamana pola yang menyerupai vektor

masukan tersebut diberikan. Contoh : kohonen, Hebbian.

Cocok untuk pengelompokan dan klasifikasi pola.

Supervised Learning Unsupervised Learning

Kumpulan input berusaha

membentuk target output yang sudah

diketahui sebelumnya

Perbedaan antara output yang masih

salah dengan output yang diharapkan

harus sekecil mungkin

Biasanya lebih baik daripada

unsupervised

Kelemahan: pertumbuhan waktu

komputasi eksponensial, data bnyk

berarti semakin lambat

JST mengorganisasikan dirinya

untuk membentuk vektor-vektor

input yang serupa tanpa

menggunakan data atau contoh-

contoh pelatihan, biasanya ke

dalam suatu kategori/kelompok2

tertentu

3. Optimasi (optimalisasi).

a) Jelaskan peran / kegunaan JST dalam hal ini!

b) Jelaskan jenis JST yang mana / apa saja yang cocok untuk melaksanakan peran

tersebut!

Jawab:

a) Optimasi, menemukan suatu jawaban terbaik sehingga mampu meminimalisasi

fungsi biaya.

b) Model yang biasa digunakan untuk aplikasi ini antara lain: ADALINE, Hopfield,

Bolztman, Backpropagation, dll. Contoh: aplikasi JST dalam optimasi pemilihan

komponen elektronik

4. Jaringan Hopfield, Boltzmann, Elman, dan Jordan.

a) Jelaskan persamaan / kemiripan dan perbedaan diantara hal-hal tersebut!

b) Jelaskan manfaat / kegunaan masing-masing!

Jawab:

a) Hopfield : jaringan ini dapat berfungsi sebagai jaringan memori asosiatif dan

dapat juga digunakan untuk memecahkan masalah kepuasan terbatasi. Contohnya

: TSP (traveling salesman problem).

Boltzman : jaringan syaraf tiruan yang bobot atau aktifasi-aktifasinya berubah

berdasarkan sebuah fungsi densitas probabilitas. Contoh : simulated annealing

dan teori keputusan Bayesian.

Jaringan Elman adalah sebuah jaringan rekurens sederhana yang memiliki

umpan balik nilai sehingga dapat menangani memori jangka pendek. Masukan

jaringan tidak hanya nilai masukan dari luar jaringan, tetapi ditambah dengan

nilai keluaran dari neuron tersembuyi dari propagasi sebelumnya .

Jordan : koneksi dengan dirinya sendiri, context sebagai pengingat pada outptnya

dan lebih kecil, daya ingat kecil dan sebaliknya. Jordan merupakan suatu

pengenal pola runtunan (sequence recognition & generation).

5. Jaringan Kohonen (Kohonen Net)

a) Jaringan ini dikenal pula dengan istilah Self Organizing Map (SOM). Jelaskan

apa yang dimaksud dengannya!

b) Berikan contoh aplikasinya!

Jawab:

a) Jaringan syaraf self organizing, yang sering disebut juga topology

preserving maps, mengansumsikan sebuah struktur topologi antar unit-unit

cluster. Jaringan syaraf self organizing ini pertama kali diperkenalkan oleh

Tuevo Kohonen dari University of Helsinki pada tahun 1981. Algoritma dari

kohonen self organizing map adalah sebagai berikut :

Langkah 1. Inisialisasikan bobot 𝑤𝑖𝑗 . Set parameter-parameter tetangga dan

set parameter learning rate.

Langkah 2. Selama kondisi berhenti masih bernilai salah, kerjakan langkah-

langkah berikut ini :

a. Untuk masing-masing vektor input x, lakukan :

b. Untuk masing-masing j, lakukan perhitungan :

c. Tentukan J sampai D ( j) bernilai minimum.

d. Untuk masing-masing unit j dengan spesifikasi tetangga tertentu

pada j dan untuk semua I, kerjakan :

e. Perbaiki learning rate.

f. Kurangi radius tetangga pada waktu-waktu tertentu.

g. Tes kondisi berhenti.

b) Peramalan beban listrik, Optimasi Travelling Salesman Problem, sistem

pengenalan pola.

6. Fuzzy Set dan Fuzzy Logic (FL).

a) Secara umum apa manfaat dari sistem ini? Jelaskan!

b) Ada beberapa metode dalam FL, seperti metode Mamdani, Sugeno dan

Tsukamoto. Apa ciri utama perbedaanya? Kemukakan aplikasinya?

Jawab:

a) Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang

input ke dalam suatu ruang output. Fuzzy secara bahasa diartikan sebagai

kabur atau samar-samar. Suatu nilai dapat bernilai besar atau salah secara

bersamaan. Dalam fuzzy dikenal derajat keanggotaan yang memiliki rentang

nilai 0 (nol) hingga 1(satu). Berbeda dengan himpunan tegas yang memiliki

nilai 1 atau 0 (ya atau tidak). Logika Fuzzy merupakan seuatu logika yang

memiliki nilai kekaburan atau kesamaran (fuzzyness) antara benar atau

salah. Dalam teori logika fuzzy suatu nilai bias bernilai benar atau salah

secara bersama. Namun berapa besar keberadaan dan kesalahan suatu

tergantung pada bobot keanggotaan yang dimilikinya. Logika fuzzy memiliki

derajat keanggotaan dalam rentang 0 hingga 1. Berbeda dengan logika

digital yang hanya memiliki dua nilai 1 atau 0. Logika fuzzy digunakan

untuk menterjemahkan suatu besaran yang diekspresikan menggunakan bahasa

(linguistic), misalkan besaran kecepatan laju kendaraan yang diekspresikan

dengan pelan, agak cepat, cepat, dan sangat cepat. Dan logika fuzzy

menunjukan sejauh mana suatu nilai itu benar dan sejauh mana suatu nilai itu

salah. Tidak seperti logika klasik (scrisp)/ tegas, suatu nilai hanya mempunyai

2 kemungkinan yaitu merupakan suatu anggota himpunan atau tidak. Derajat

keanggotaan 0 (nol) artinya nilai bukan merupakan anggota himpunan dan 1

(satu) berarti nilai tersebut adalah anggota himpunan. Logika fuzzy adalah suatu

cara yang tepat untuk memetakan suatu ruang input kedalam suatu ruang output,

mempunyai nilai kontinyu. Fuzzy dinyatakan dalam derajat dari suatu

keanggotaan dan derajat dari kebenaran. Oleh sebab itu sesuatu dapat

dikatakan sebagian benar dan sebagian salah pada waktu yang sama

(Kusumadewi. 2004) Logika Fuzzy memungkinkan nilai keanggotaan antara 0

dan 1, tingkat keabuan dan juga hitam dan putih, dan dalam bentuk

linguistik, konsep tidak pasti seperti "sedikit", "lumayan" dan "sangat" (Zadeh

1965). Kelebihan dari teori logika fuzzy adalah kemampuan dalam proses

penalaran secara bahasa (linguistic reasoning). Sehingga dalam

perancangannya tidak memerlukan persamaan matematik dari objek yang akan

dikendalikan.

b) Metode Tsukamoto

Pada Metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-Then

harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi

keanggotaan yang monoton . Sebagai hasilnya, output hasil inferensi dari

tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan α-predikat (fire

strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot.

Metode Mamdani

Metode Mamdani sering juga dikenal dengan nama Metode Max-Min. Metode

ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk

mendapatkan output, diperlukan 4 tahapan:

1. Pembentukan himpunan fuzzy

2. Aplikasi fungsi implikasi (aturan)

3. Komposisi aturan

4. Penegasan (deffuzy)

Metode Sugeno

Penalaran dengan metode SUGENO hampir sama dengan penalaran

MAMDANI, hanya saja output (konsekuen) sistem tidak berupa himpunan

fuzzy, melainkan berupa konstanta atau persamaan linear. Metode ini

diperkenalkan oleh Takagi-Sugeno Kang pada tahun 1985.

Catatan:

Metode yang paling sering digunakan adalah metode Mamdani dan metode

Sugeno.Metode Mamdani menggunakan himpunan fuzzy sebagai konsekuen relu,

Metode Sugeno menggunakan fungsi matematik atau konstanta. Mamdani:

komputasi lebih berat, human-like inference, Sugeno: komputasi lebih efisien tapi

kehilangan interpretabilitas linguistik.