Presentasi Neuro Fuzzy yes

download Presentasi Neuro Fuzzy yes

of 25

  • date post

    14-Oct-2015
  • Category

    Documents

  • view

    31
  • download

    5

Embed Size (px)

description

tentang pencarian string

Transcript of Presentasi Neuro Fuzzy yes

Slide 1

SEMINAR PROPOSAL TUGAS AKHIR

PERAMALAN PENDISTRIBUSIAN ROKOK MENGGUNAKAN METODENEURO FUZZY(Studi Kasus : PT. Surya Madistrindo Area Office Lhokseumawe)Program Studi Teknik InformatikaFakultas TeknikUniversitas MalikussalehAceh Utara2014Oleh : Reiza Pahlawan090170028Pembimbing UtamaMukti Qamal, S.T, M.ITNIP. 197110172010121001Pembimbing PendampingSayed Fachrurrazi, S.Si, M.KomNIP. 197904232006041009PT. Surya Madistrindo Area Office Lhokseumawe belum memiliki suatu sistem yang dapat memprediksi tingkat pendistribusian rokok ditahun yang akan datang dengan melihat dan menganalisa data penjualan rokok yang keluar dari tahun-tahun sebelumnya. Peramalan tingkat pendistribusian rokok sangat diperlukan agar persediaan rokok selalu tersedia dan dapat menghindari terjadinya kelebihan persediaan maupun kekurangan persediaan rokok yang disalurkan dari pabrikan (manufacturer).

Neuro fuzzy merupakan perpaduan antara sistem jaringan saraf tiruan dengan sistem logika fuzzy. Sistem Neuro fuzzy memanfaatkan arsitektur jaringan saraf tiruan dengan menggunakan parameter fungsi keanggotaan dari logika fuzzy, dimana jaringan saraf tiruan menggunakan aturan pembelajaran berdasarkan data latih.

Berdasarkan uraian di atas, dalam pengajuan tugas akhir ini penulis akan membahas tentang Peramalan Pendistribusian Rokok Menggunakan Metode Neuro Fuzzy (Studi Kasus : PT. Surya Madistrindo Area Office Lhokseumawe).LATAR BELAKANGBerdasarkan latar belakang yang telah diuraikan di atas, maka permasalahan yang penulis rumuskan adalah bagaimana membangun suatu sistem peramalan tingkat penjualan dalam pendistribusian rokok menggunakan metode neuro fuzzy pada PT. Surya Madistrindo Area Office Lhokseumawe.RUMUSAN MASALAHAdapun batasan masalah pada sistem yang akan dibangun adalah sebagai berikut :Rokok yang didistribusikan adalah Gudang Garam Merah 12, International Merah 12, Surya 16, Surya Profesional Mild 16.Data yang digunakan adalah data penjualan rokok 2 tahun terakhir yaitu dari tahun 2012 hingga 2013.Kategori pendistribusian terdiri atas Sub Agen dan Kanvas.Hanya meramalkan pendistribusian rokok pada tahun 2014.Metode yang digunakan adalah neuro fuzzy struktur Adaptive Neuro-Fuzzy Inference System (ANFIS).Bahasa Pemrograman yang digunakan adalah Embarcadero Delphi 2010 dan basis data yang digunakan adalah MySQL. BATASAN MASALAHTugas akhir ini bertujuan untuk menganalisis, mendesain dan mengimplementasikan metode Neuro Fuzzy dalam suatu sistem peramalan pendistribusian rokok, sehingga dapat memprediksi berapa banyak rokok yang didistribusikan oleh PT. Surya Madistrindo Area Office Lhokseumawe pada tahun 2014.TUJUAN PENELITIANPERAMALANMenurut Lukiastuti dan Prasetya (2009), peramalan merupakan suatu usaha untuk meramalkan keadaan di masa mendatang melalui pengujian keadaan di masa lalu.Dalam pemodelan deret berkala, sebagian data yang diketahui dapat digunakan untuk meramalkan data berikutnya. Nilai kesalahan peramalan yaitu selisih antara data peramal terhadap data aktual. Nilai kesalahan yang terjadi merupakan suatu data penting untuk menilai ketepatan suatu metode peramalan. Terdapat beberapa ukuran kesalahan dalam peramalan, adapun ukuran kesalahan yang digunakan adalah Root Mean Squared Error (RMSE) atau nilai tengah kesalahan akar kuadrat.

....................(1)Menurut Hermawan (2006), jaringan saraf tiruan merupakan salah satu sistem pemrosesan informasi yang didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses belajar melalui perubahan bobot sinapsisnya. Jaringan saraf tiruan mampu mengenali kegiatan dengan berbasis pada data masa lalu. Data masa lalu akan dipelajari oleh jaringan saraf tiruan sehingga mempunyai kemampuan untuk memberi keputusan terhadap data yang belum pernah dipelajari.JARINGAN SARAF TIRUANMenurut Kusumadewi dan Purnomo (2010), logika fuzzy merupakan salah satu komponen pembentuk soft computing. Logika fuzzy pertama kali diperkenalkan oleh Prof. Lotfi A. Zadeh pada tahun 1965. Dasar logika fuzzy adalah teori himpunan fuzzy. Pada teori himpunan fuzzy, peranan derajat keanggotaan sebagai penentu keberadaan elemen dalam suatu himpunan sangatlah penting. Nilai keanggotaan menjadi ciri utama dari penalaran dengan logika fuzzy tersebut

Derajat keanggotaan sebuah variabel x dilambangkan dengan simbol (x). Adapun fungsi keanggotaan yang digunakan adalah fungsi keanggotaan bell. Fungsi keanggotaan bell adalah fungsi keanggotaan yang mempunyai parameter {a,b,c} dengan formulasi:

LOGIKA FUZZY

....................(2)Sistem logika fuzzy tidak memiliki kemampuan untuk belajar dan beradaptasi. Sebaliknya pada sistem jaringan saraf tiruan memiliki kemampuan untuk belajar dan beradaptasi namun tidak memiliki kemampuan penalaran seperti yang dimiliki pada sistem logika fuzzy. Sistem inferensi fuzzy dapat ditelaah dengan algoritma propagasi balik berdasarkan pasangan data masukan-keluaran menggunakan arsitektur jaringan neural. Dengan cara ini memungkinkan sistem fuzzy belajar. Menurut Jang, Sun, Mizutani (1997) Untuk mendapatkan sebuah kecerdasan yang memiliki kemampuan penalaran serta kemampuan pembelajaran, berkembanglah sistem hybrid neuro fuzzy.NEURO FUZZYADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS)ANFIS (Adaptive Neuro Fuzzy Inference System) adalah suatu metode yang mana dalam melakukan penyetelan aturan digunakan algoritma pembelajaran terhadap sekumpulan data. ANFIS juga memungkinkan aturan-aturan untuk beradaptasi.

Menurut Jang, Sun, Mizutani (1997), ANFIS dalam kerjanya menggunakan algortima belajar hybrid, yaitu menggabungkan metode Least-Squares Estimotor (LSE) dan Error Back-Propagation (EBP). Dalam struktur ANFIS metode EBP dilakukan di lapisan ke-1 pada tahap mundur , sedangkan metode LSE dilakukan di lapisan ke-4 pada tahap maju.Untuk sistem dengan satu masukan dan satu keluaran arsitektur ANFIS digambarkan sebagai berikut :TAHAP MAJULapisan 1 (fuzzyfikasi)Proses fuzzyfikasi adalah proses mengubah masukan nilai crisp (nilai aktual) ke derajat tertentu yang sesuai dengan aturan besaran fungsi keanggotaan. Setiap simpul pada lapisan ini adalah simpul adaptif dengan fungsi simpul:

....................(3)....................(4)Struktur ANFIS Tahap Maju

b. Lapisan 2 (Logika AND)Setiap simpul pada lapisan ini bersifat non-adaptif (parameter tetap) yang meneruskan hasil dari lapisan ke-1. Karena sistem yang digunakan hanya satu masukan, maka tidak ada logika fuzzy (mekanisme inferensi AND).

c.Lapisan 3 (Normalisasi)Pada lapisan ini dilakukan normalisasi dari sinyal yang masuk yang digunakan untuk menghasilkan data yang telah tersinkronisasi dari simpul pada lapisan ke-2.

....................(5)....................(6)....................(7)Lanjutan tahap maju

....................(8)d.Lapisan 4 (Defuzzyfikasi dengan metode LSE)Proses Defuzzyfikasi adalah proses mengubah kembali nilai besaran fuzzy menjadi nilai crips (nilai aktual). Pada lapisan ini diperoleh matriks A

Jumlah baris dari matriks A sebanyak jumlah data masukan X. Pada lapisan ini dicari nilai parameter konsekuen (p1,q1,p2,q2) dengan menggunakan metode Least Squares Estimator (LSE).Persamaan untuk metode LSE adalah sebagai berikut:

dengan, y = keluaran atau target yang diinginkan, sehingga diperoleh parameter:

....................(9)....................(10)Lanjutan tahap majuSelanjutnya untuk menghitung keluaran dari lapisan ke-4 (n7a dan n8a) digunakan persamaan sebagai berikut:

e.Lapisan 5 (Keluaran jaringan)Pada lapisan terakhir ini, outputnya berupa penjumlahan semua sinyal yang masuk, yaitu:

Tahap maju dari sistem ANFIS telah selesai dilakukan, selanjutnya akan dilakukan proses ke tahap mundur.....................(11)....................(12)....................(13)Lanjutan tahap majuTAHAP MUNDURSetelah semua proses pada tahap maju selesai dan diperoleh keluaran dari semua sinyal, kemudian semua eror keluaran jaringan ini dipropagasibalik menggunakan aturan koreksi kesalahan jaringan dengan menggunakan algoritma Error Back-Propagation (EBP).

Struktur ANFIS Tahap MundurLanjutan tahap mUNDURLapisan 5Pada lapisan ini hanya memiliki 1 neuron pada lapisan output (n9b), maka propagasi error yang menuju pada lapisan ke-5 dapat dirumuskan sebagai berikut:

Dengan Y adalah target output data pelatihan dan n9a adalah output jaringan pada data pelatihan.

b.Lapisan 4Pada layer 4 tidak dilakukan perhitungan error, hal ini dikarenakan pada alur mundur tidak terjadi update nilai parameter konsekuen yang terdapat pada layer 4.

....................(14)....................(15)....................(16)Lanjutan tahap mUNDURc.Lapisan 3 Propagasi error yang menuju pada lapisan ke-3 dapat dirumuskan sebagai berikut:

d.Lapisan 2Propagasi error yang menuju pada lapisan ke-2 dapat dirumuskan sebagai berikut:

....................(17)....................(19)....................(20)

....................(18)

e.Lapisan 1Propagasi error yang menuju pada lapisan ke-1 dapat dirumuskan sebagai berikut:

Jika sinyal kesalahan di lapisan ke-1 sudah diperoleh, maka untuk mendapatkan nilai fungsi keanggotaan Bell yang seharusnya (nilai fungsi Bell yang baru) digunakan persamaan:

Lanjutan tahap mUNDUR....................(21)....................(23)....................(24)....................(22)Selanjutnya untuk mendapatkan parameter fungsi keanggotaan Bell yang baru digunakan fungsi turunan keanggotaan Bell. Sehingga parameter fungsi keanggotaan fuzzy yang baru adalah fungsi keanggotaan fuzzy yang lama ditambah dengan turunannya, yaitu:

Jika parameter fungsi keanggotaan yang baru sudah diperoleh, maka iterasi dilanjutkan dengan proses maju. Jika telah diperoleh keluaran jaringan maka sinyal kesalahannya diperiksa lagi. Selanjutnya sinyal kesalahan ini dipropagasi balik sampai lapisan ke-1 untu