Tugas 2 : MODEL ARTIFICIAL NEURAL NETWORK

diposting oleh theara-fst08 pada 27 March 2012di Ilmiah - 0 komentar Pada pertemuan kedua yaitu membahas tentang artificial neural network atau sering disebut Jaringan syaraf tiruan yang mana adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi, yang merupakanrepresentasi tiruan dari otak manusia, yang berisi berjuta-juta sel syaraf (neuron) dan berfungsi untuk memproses informasi. Neuron mempunyai karakteristik yang sama dalam ANN, terdiri dalam kelompok-kelompok yang disebut layer. Neuron - neuron dalam satu layer terhubung dalam layer-layer lainnya yang berdekatan. Kekuatan hubungan antar neuron yang berdekatan direpresentasikan dalam kekuatan hubungan atau bobot. Sebuah ANN umumnya terdiri dari tiga layer yaitu input layer, hidden layer dan output layer. Layer input (input layer) terdiri dari neuron-neuron yang menerima sebuah input dari lingkungan luar.

Input yang dimasukkan merupakan penggambaran dari suatu masalah. Layer tersembunyi (hidden layer)terdiri dari neuron-neuron yang menerima masukan dari input layer, dan kemudian membawa output kelayer berikutnya. Lapisan output disebut unit-unit output, terdiri dari neuron-neuron yang menerimaoutput dari hidden layer dan mengirimkannya kepada pemakai.Langkah penting dalam pengembangan sebuah model ANN adalah penentuan bobot matrik melaluipelatihan (training). Ada dua tipe mekanisme training yaitu supervised training dan unsupervised training.Supervised training memerlukan supervisi dari luar untuk memandu proses training. Algoritma ini menggunakan sejumlah pasangan data input-output yang dipergunakan sebagai contoh, dimana data yang dipergunakan sebagai contoh sebaiknya menggunakan data yang sudah diketahui kebenarannya. Output dari jaringan lalu dibandingkan dengan data output yang diharapkan (output contoh) untuk mendapatkan selisih antara output perkiraan dengan output sebenarnya. Selisih inilah yang dipergunakan untuk mengubah bobot jaringan sehingga diperoleh output yang sama atau mendekati target.

Berikut metode jaringan syaraf tiruan yang akan dibahas pada artikel kali ini

A. Supervised learning (pembelajaran terawasi) Pada metode ini, setiap pola yang diberikan kedalam JST telah diketahui outputnya. Selisih antara pola output aktual (output yang dihasilkan) dengan pola output yang dikehendaki (output target) yang disebut error digunakan untuk mengoreksi bobot JST sehingga JST mampu menghasilkan output sedekat mungkin dengan pola target yang telah diketahui oleh JST

Salah satu contohnya yaitu

Model Hopfield Neural Network Berikut yaitu pembahasan metode hopfield yang akan digunakan untuk memperkirakan cuacaModel Hopfield identik dengan matrik simetris. Secara umum, nilai keluaran jaringan syaraf tiruan ditentukan oleh nilai masukan, bobot (weight), dan fungsi aktivasi. Bentuk fungsi aktivasi dipilihberdasarkan masalah yang akan diselesaikan. Bila jaringan Hopfield dirancang untuk melakukan klasifikasi pola biner-pola yang tersusun atas kombinasi bilangan 0 dan 1, maka digunakan stepfunction dengan dua nilai (0 dan 1) sebagai fungsi aktivasi. Bila melakukan klasifikasi pola bipolar, maka step function yang digunakan dua nilai (-1 dan 1). Berikut diberikan suatu contoh. Misalkan akandibuat jaringan Hopfield dengan 4 neuron. Artinya ada empat masukan dan empat keluaran. Keempat neuron itu dihubungkan satu sama lain dan tiap hubungan (koneksi) ini diberikan suatu nilai bobot (weight). Menurut Hopfield, bila bobot koneksi neuron dengan dirinya sendiri adalah nol,pasti akan diperoleh keluaran yang stabil. Kondisi yang stabil tersebut dinamakan energi lyapunov. Neuron-neuron pada Hopfield berhubungan penuh, artinya neuron-neuron tersebut saling berhubungankecuali pada dirinya sendiri, dengan demikian nilai bobot matrik model Hopfield memakai bobot matrik berdiagonal nol (0). Nilai nol (0) tersebut mengartikan bahwa ij W = 0 untuk i = j (pada dirinya sendiri = 0)dan ij W = ji W untuk i j.

Arsitektur Hopfield Neural NetworkModel arsitektur Hopfield ini terdapat empat neuron simetris, yaitu output yang ditargetkan harus sama dengan input. Untuk mencapai hasil yang optimal/konvergen, output dijadikan inputan kembali, namun diteruskannya jaringan tidak pada dirinya sendiri tetapi ke neuron yang lain. Proses ini berjalan terus-menerus sampai dicapai kondisi yang stabil. Pada halaman berikut ini adalah gambar model jaringan Hopfield dengan 4 (empat) unsur cuaca atau 4 neuron.

Gambar Model Hopfield Neural Network pada Aplikasi Prakiraan Cuaca

B. Hybrid Learning (pembelajaran hibrida) Merupakan kombinasi dari metode pembelajaran supervised learning dan unsupervised learning. Sebagian dari bobot-bobotnya ditentukan melalui pembelajaran terawasi dan sebagian lainnya melalui pembelajaran tak terawasi. Contoh algoritma JST yang menggunakan metode ini yaitu :

Jaringan Syaraf Tiruan RBFRBF () merupakan fungsi dimana keluarannya simetris terhadap center c tertentu atau dinyatakan sebagai c = ||x - c||, dimana || . || merupakan vektor normal. Jaringan syaraf yang dibentuk dengan menggunakan fungsi basis berupa fungsi basis radial dinamakan Jaringan Syaraf RBF.

Jaringan RBF terdiri atas 3 layer yaitu layer input, hidden layer / kernel layer (unit tersembunyi) dan layer output. Masing masing unit tersembunyi merupakan fungsi aktifasi yang berupa fungsi basis radial. Fungsi basis radial ini diasosiasikan oleh lebar dan posisi center dari fungsi basis tersebut. Struktur dasar jaringan RBF ditunjukkan pada Gambar berikut :

Gambar Struktur dasar jaringan syaraf RBF.

Setiap input dari jaringan syaraf tiruan RBF ini akan mengaktifkan semua fungsi basis pada hidden layer. Setiap unit dari hidden layer merupakan fungsi aktifasi tertentu yang disebut sebagai fungsi basis. Di dalam hidden layer terdapat sejumlah fungsi basis yang sejenis. Setiap fungsi basis akan menghasilkan sebuah keluaran dengan bobot tertentu. Output jaringan ini merupakan jumlah dari seluruh output fungsi basis dikalikan dengan bobot masing masing. Untuk jaringan RBF dengan 2 masukan, proses pemetaannya ditunjukan pada Gambar berikut :

Gambar Operasi jaringan syaraf RBF dengan 2 masukan

Setiap masukan akan mengaktifkan setiap fungsi basis pada jaringannya sendiri. Misalkan pada operasi masukan [x1 x2]. Masukan x1 akan mengaktifkan fungsi basis pada jaringan RBF pertama, sehingga masukan x1 akan mengaktifkan fungsi basis 11, 12 sampai dengan 1n. Masukan x2 akan mengaktifkan setiap fungsi basis pada jaringan RBF kedua, sehingga masukan x2 akan mengaktifkan fungsi basis 21, 22 sampai dengan 2n. Langkah selanjutnya adalah melakukan korelasi silang antara setiap fungsi basis pada jaringan pertama dengan setiap keluaran fungsi basis pada jaringan kedua. Masing - masing hasil korelasi silang antar fungsi basis ini kemudian diboboti dengan bobot tertentu yaitu w11, w12 sampai dengan wnn. Keluaran jaringan RBF dihitung dengan menjumlahkan seluruh hasil perkalian antara keluaran tiap fungsi basis dengan bobotnya sendiri ditambah dengan bobot bias (wb).

Fungsi basis pada jaringan RBF identik dengan dengan fungsi gaussian yang diformulasikan sebagai berikut:

Dimana :

cj = Center fungsi gausiaan ke - j

j = Lebar fungsi gausiaan ke - j

x = Masukan fungsi basisj = Keluaran fungsi basis ke j oleh masukan x

Representasi grafis fungsi gaussian ditunjukkan pada Gambar berikut :

Gambar Fungsi gaussianPada setiap jaringan RBF biasanya digunakan lebih dari 1 buah fungsi basis. Tiap tiap fungsi basis mempunyai 1 center dan 1 bobot tertentu. Untuk n buah masukan pada jaringan syaraf RBF, maka diperlukan bobot memori yang digunakan pada satu jaringan adalah sebesar ( jumlah fungsi basis )n + 1. Satu merupakan bobot bias (wb) dari jaringan syaraf RBF .

Algoritma Pelatihan RBF secara Iteratif Algoritma pelatihan jaringan syaraf tiruan RBF secara iteratif adalah sebagai berikut:

Langkah 1: Menentukan jumlah fungsi basis yang akan digunakan.

Langkah 2: Menentukan center tiap fungsi basis dan nilai deviasi.

Langkah 3: Menyediakan bobot sebanyak (fungsi basis)n + 1, dimana n adalah jumlah masukan jaringan syaraf RBF.

Langkah 4: Inisialisasi bobot, w = [0 0 0 . . . . . 0] Set laju konvergensi Set gain proposional

Langkah 5: Hitung keluaran tiap fungsi basis.

Langkah 6: Untuk setiap sinyal latih kerjakan langkah 6 selesai

Langkah 7: Hitung keluaran jaringan RBF.

Langkah 8: Hitung kesalahan (error) antara sinyal terharap (d) dengan keluaran y, error =d y.

Langkah 9: Hitung sinyal keluaran sinyal kendali (Control_P) Control_P = Gain proposional * error.

Langkah 10: Update bobot-bobot tiap fungsi basis dan bobot basis dengan metoda LMS.