MODUL JARINGAN SYARAF TIRUAN

1. Pendahuluan Jaringan Syaraf Tiruan dibuat pertama kali pada tahun 1943 oleh neurophysiologist Waren McCulloch dan logician Walter Pits, namun teknologi yang tersedia pada saat itu belum memungkinkan mereka berbuat lebih jauh. 1.1 Pengertian Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistim sel syaraf biologi, sama seperti otak yang memproses suatu informasi. Elemen mendasar dari paradigma tersebut adalah struktur yang baru dari sistim pemrosesan informasi. Jaringan Syaraf Tiruan, seperti manusia, belajar dari suatu contoh. Jaringan Syaraf Tiruan dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran. Jaringan Syaraf Tiruan berkembang secara pesat pada beberapa tahun terakhir. Jaringan Syaraf Tiruan telah dikembangkan sebelum adanya suatu komputer konvensional yang canggih dan terus berkembang walaupun pernah mengalami masa vakum selama beberapa tahun.

1.2 Inspirasi Biologi Jaringan Syaraf Tiruan keluar dari penelitian kecerdasan buatan, terutama percobaan untuk menirukan fault-tolerence dan kemampuan untuk belajar dari sistem syaraf biologi dengan model struktur low-level dari otak. Otak terdiri dari sekitar (10.000.000.000) sel syaraf yang saling berhubungan. Sel syaraf mempunyai cabang struktur input (dendrites), sebuah inti sel dan percabangan struktur output (axon). Axon dari sebuah sel terhubung dengan dendrites yang lain melalui sebuah synapse. Ketika sebuah sel syaraf aktif, kemudian menimbulkan suatu signal electrochemical pada axon. Signal ini melewati synapses menuju ke sel syaraf yang lain. Sebuah sel syaraf lain akan mendapatkan signal jika memenuhi batasan tertentu yang sering disebut dengan nilai ambang atau (threshold).

Gambar 1. Susunan Syaraf Manusia 2. Perbandingan Jaringan Syaraf Tiruan dengan Konvensional Jaringan Syaraf Tiruan memiliki pendekatan yang berbeda untuk memecahkan masalah bila dibandingkan dengan sebuah komputer konvensional. Umumnya komputer konvensional menggunakan pendekatan algoritma (komputer konvensional menjalankan sekumpulan perintah untuk memecahkan masalah). Jika suatu perintah tidak diketahui oleh komputer konvensional maka komputer konvensional tidak dapat memecahkan masalah yang ada. Sangat penting mengetahui bagaimana memecahkan suatu masalah pada komputer konvensional dimana komputer konvensional akan sangat bermanfaat jika dapat melakukan sesuatu dimana pengguna

belum mengatahui bagaimana melakukannya. Jaringan Syaraf Tiruan dan suatu algoritma komputer konvensional tidak saling bersaing namun saling melengkapi satu sama lain. Pada suatu kegiatan yang besar, sistim yang diperlukan biasanya menggunakan kombinasi antara keduanya (biasanya sebuah komputer konvensional digunakan untuk mengontrol Jaringan Syaraf Tiruan untuk menghasilkan efisiensi yang maksimal. Jaringan Syaraf Tiruan tidak memberikan suatu keajiban tetapi jika digunakan secara tepat akan menghasilkan sasuatu hasil yang

3. Model Dasar Jaringan Syaraf Tiruan Bagaimana sel syaraf saling berhubungan? Jika suatu jaringan ingin digunakan untuk berbagai keperluan maka harus memiliki input (akan membawa nilai dari suatu variabel dari luar) dan utput (dari prediksi atau signal kontrol). Input dan output sesuai dengan sensor dan syaraf motorik seperti signal datang dari mata kemudian diteruskan ke tangan, Dalam hal ini terdapat sel syaraf atau neuron pada lapisan tersembunyi berperan pada jaringan ini. Input, lapisan tersembunyi dan output sel syaraf diperlukan untuk saling terhubung satu sama lain. Berdasarkan dari arsitektur (pola koneksi), Jaringan Syaraf Tiruan dapat dibagi kedalam dua katagori :

3.1 Struktur feedforward Sebuah jaringan yang sederhana mempunyai struktur feedforward dimana signal bergerak dari input kemudian melewati lapisan tersembunyi dan akhirnya mencapai unit output (mempunyai struktur perilaku yang stabil). Tipe jaringan feedforward mempunyai sel syaraf yang tersusun dari beberapa lapisan. Lapisan input bukan merupakan sel syaraf. Lapisan ini hanya memberi pelayanan dengan mengenalkan suatu nilai dari suatu variabel. Lapisan tersembunyi dan lapisan output sel syaraf terhubung satu sama lain dengan lapisan sebelumnya. Kemungkinan yang timbul adalah adanya hubungan dengan beberapa unit dari lapisan sebelumnya atau terhubung semuanya (lebih baik).

Yang termasuk dalam struktur feedforward : - Single-layer perceptron - Multilayer perceptron - Radial-basis function networks - Higher-order networks

- Polynomial learning networks

3.2 Struktur recurrent (feedback) Jika suatu jaringan berulang (mempunyai koneksi kembali dari output ke input) akan menimbulkan ketidakstabilan dan akan menghasilkan dinamika yang sangat kompleks. Jaringan yang berulang sangat menarik untuk diteliti dalam Jaringan Syaraf Tiruan, namun sejauh ini structure feedforward sangat berguna untuk memecahkan masalah. Yang termasuk dalam stuktur recurrent (feedback) : - Competitive networks - Self-organizing maps - Hopfield networks - Adaptive-resonanse theory models Ketika sebuah Jaringan Syaraf digunakan. Input dari nilai suatu variabel ditempatkan dalam suatu input unit.dan kemudian unit lapisan tersembunyi dan lapisan output menjalankannya. Setiap lapisan tersebut menghitung nilai aktivasi dengan mengambil jumlah bobot output dari setiap unit dari lapisan sebelumnya dan kemudian dikurangi dengan nilai ambang. Nilai aktifasi kemudian melalui fungsi aktifasi untuk menghasilakan output dari sel syaraf. Ketika semua unit pada Jaringan Syaraf telah dijalankan maka aksi dari lapisan output merupakan output dari seluruh jaringan syaraf.

4. Lapisan pada Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan biasanya mempunyai 3 group atau lapisan yaitu unit-unit : lapisan input yang terhubung dengan lapisan tersembunyi yang selanjutnya terhubung dengan lapisan output. Aktifitas unit-unit lapisan input menunjukkan informasi dasar yang kemudian digunakan dalam Jaringan Syaraf Tiruan. Aktifitas setiap unit-unit lapisan tersembunyi ditentukan oleh aktifitas dari unit-unit input dan bobot dari koneksi antara unit-unit input dan unit-unit lapisan tersembunyi. Karakteristik dari unit-unit output tergantung dari aktifitas unitunit lapisan tersembunyi dan bobot antara unit-unit lapisan tersembunyi dan unit-unit output.

5.

Perceptron

Perceptron termasuk kedalam salah satu bentuk Jaringan Syaraf Tiruan yang sederhana. Perceptron biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu yang sering dikenal dengan istilah pemisahan secara linear. Pada dasarnya perceptron pada Jaringan Syaraf dengan satu lapisan memiliki bobot yang bisa diatur dan suatu nilai ambang. Algoritma yang digunakan oleh aturan perceptron ini akan mengatur parameter-parameter bebasnya melalui proses pembelajaran. Fungsi aktivasi dibuat sedemikian rupa sehingga terjadi pembatasan antara daerah positif dan daerah negatif.

6. Proses Pembelajaran Umumnya, jika menggunakan Jaringan Syaraf Tiruan, hubungan antara input dan output harus diketahui secara pasti dan jika hubungan tersebut telah diketahui maka dapat dibuat suatu model. Hal lain yang penting adalah proses belajar hubungan input/output dilakukan dengan pembelajaran. Ada dua tipe pembelajaran yang dikenal yaitu : pembelajaran terawasi dan pembelajaran tak terawasi. Pada pembelajaran terawasi, metode ini digunakan jika output yang diharapkan telah diketahui sebelumnya. Biasanya pembelajaran dilakukan dengan menggunakan data yang telah ada. Pada contoh diatas misalnya data pasar saham yang ada pada DOW, NASDAQ atau FTSE, data yang ada sebelumnya mengenai aplikasi kredit yang berhasil termasuk daftar pertanyaan atau posisi sebuah robot dan reaksi yang benar. Pada metode pembelajaran yang tidak terawasi, tidak memerlukan target output. Pada metode ini tidak dapat ditentukan hasil seperti apa yang diharapkan selama proses pembelajaran. Selama proses pembelajaran, nilai bobot disusun dalam suatu range tertentu tergantung pada nilai input yang diberikan. Tujuan pembelajaran ini adalah mengelompokkan unit-unit yang hampir sama dalam suatu area tertentu. Pembelajaran seperti ini biasanya sangat cocok untuk pengelompokkan (klasifikasi) pola. 7. Fungsi Transfer

Karakter dari Jaringan Syaraf Tiruan tergantung atas bobot dan fungsi input-output (fungsi transfer) yang mempunyai ciri tertentu untuk setiap unit. Fungsi ini terdiri dari 3 katagori yaitu : Untuk linear units, Aktifitas output adalah sebanding dengan jumlah bobot output. Untuk threshold units, Output diatur satu dari dua tingkatan tergantung dari apakah jumlah input adalah lebih besar atau lebih kecil dari nilai ambang. Untuk sigmoid units, Output terus menerus berubah-ubah tetapi tidak berbentuk linear. Unit ini mengandung kesamaan yang lebih besar dari sel syaraf sebenarnya dibandingkan dengan linear dan threshold unit, namun ketiganya harus dipertimbangkan dengan perkiraan kasar. Untuk membuat Jaringan Syaraf Tiruan untuk melakukan beberapa kerja khusus. Harus dipilih bagaimana unit-unit dihubungkan antara satu

dengan yang lain dan harus mengatur bobot dari hubungan tersebut secara tepat. Hubungan tersebut menentukan apakah mungkin suatu unit mempengaruhi unit yang lain. Bobot menentukan kekuatan dari pengaruh tersebut. Dapat dilakukan pembelajaran terhadap 3 lapisan pada Jaringan Syaraf Tiruan untuk melakukan kerja khusus dengan menggunakan prosedure dibawah ini : 1. Memperkenalkan Jaringan Syaraf Tiruan dengan contoh pembelajaran yang terdiri dari sebuah pola dari aktifitas untuk unit-unit input bersama dengan pola yang diharapkan dari aktifitas untuk unit-unit output. 2. Menentukan seberapa dekat output sebenarnya dari Jaringan Syaraf Tiruan sesuai dengan output yang diharapkan. 3. Mengubah bobot setiap hubungan agar Jaringan Syaraf Tiruan menghasilkan suatu perkiraan yang lebih baik dari output yang diharapkan Ilustrasi dari prosedure pembelajaran diatas dapat dilihat dibawah ini : Diasumsikan bahwa suatu Jaringan Syaraf Tiruan dapat mengenali digit dari tulisan tangan. Dapat digunakan suatu array dengan 256 sensor, setiap sensor merekam ada tidaknya tinta pada suatu digit. Jaringan Syaraf Tiruan memerlukan 256 unit-unit input (satu untuk setiap sensor), 10 unit-unit output (satu untuk setiap digit) dan sebuah nomor dari unit-unit tersembunyi. Untuk setiap digit yang direkam oleh sensor, Jaringan Syaraf Tiruan akan menghasilkan aktifitas yang tinggi pada unit output yang cocok dan aktifitas yang rendah pada unit-unit output yang lain. Untuk pembelajaran Jaringan Syaraf Tiruan, ditampilkan sebuah gambar dari sebuah digit dan membandingkan aktifitas sebenarnya dari 10 unit-unit output dengan aktifitas yang diharapkan. Kemudian menghitung error, dimana ditentukan sebagai persegi yang berbeda antara aktifitas sebenarnya dan aktifitas yang diharapkan. Selanjutnya mengubah bobot setiap hubungan untuk mengurangi error. Hal ini dilakukan berulang-ulang dengan banyak gambar yang berbeda Untuk mengimplementasikan prosedure ini diperlukan perhitungan error derivative untuk bobot (EW) supaya perubahan bobot oleh sebuah jumlah yang sesuai pada nilai dimana error berubah karena bobot diubah. Suatu cara untuk menghitung EW adalah mengubah bobot sedikit dan meneliti bagaimana error dapat berubah. Namun metode ini kurang efisien karena membutuhkan gangguan yang berbeda untuk setiap dari sekian banyak bobot. Cara lain yang sering digunakan untuk menghitung EW adalah dengan menggunakan algoritma back-propagation. Saat ini merupakan metode yang penting untuk pembelajaran Jaringan Syaraf Tiruan. Metode ini dikembangkan secara mandiri oleh 2 tim yaitu Fogelman-Soulie, Gallinari dan Le Cun dari Prancis dan Rumelhart, Hinton dan Williams dari Amerika.

8. Faktor Keberhasilan Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan mengalami “booming” dan diminati beberapa tahun terakhir ini, dan sangat sukses digunakan untuk memecahkan berbagai masaalah dalam berbagai disiplin ilmu seperti : bidang finansial, kedokteran, teknik, geologi dan fisika. Lebih jauh lagi, bahwa sesuatu masaalah dengan menggunakan Jaringan Syaraf Tiruan dapat diprediksi, dikelompokkan dan dikontrol. Ada beberapa faktor yang mendukung keberhasilan tersebut antara lain : Handal. Jaringan Syaraf Tiruan adalah teknik pemodelan yang sangat memuaskan yang dapat membuat model suatu fungsi yang sangat kompleks. Khususnya Jaringan Syaraf Tiruan nonlinear. Sejak beberapa tahun, model linear umumnya digunakan dimana model linear dikenal dengan strategi optimasi. Jaringan Syaraf Tiruan juga menggunakan model nonlinear dengan berbagai variabel. Mudah digunakan. Jaringan Syaraf Tiruan dipelajari dengan contoh. Pengguna Jaringan Syaraf Tiruan mengumpulkan data dan melakukan pembelajaran algoritma untuk mempelajari secara otomatis struktur data, sehingga pengguna tidak memerlukan pengetahuan khusus mengenai bagaimana memilih dan mempersiapkan data, bagaimana memilih Jaringan Syaraf Tiruan yang tepat, bagaimana membaca hasil, tingkatan pengetahuan yang diperlukan untuk keberhasilan Menggunakan Jaringan Syaraf Tiruan tidak lebih dari pemecahan masalah yang menggunakan metode statistik nonlinear yang telah dikenal.

9. Aplikasi Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan mampu menggambarkan setiap situasi adanya sebuah hubungan antara variabel predictor (independents, inputs) dan variabel predicted (dependents, outputs), ketika hubungan tersebut sangat kompleks dan tidak mudah untuk menjelaskan kedalam istilah yang umum dari “correlations” atau “differences between groups”. Beberapa contoh permasalahan yang dapat dipecahkan secara baik oleh Jaringan Syaraf Tiruan antara lain :

9.1. Deteksi Fenomena Kedokteran. Berbagai indikasi yang berhubungan dengan kesehatan (kombinasi dari denyut jantung, tingkatan dan berbagai substansi dalam darah, dll) dapat dimonitoring. Serangan pada kondisi kesehatan tertentu dapat dihubungan dengan perubahan kombinasi yang sangat kompeks (nonlinear dan interaktif) pada subset dari variabel, dapat dimonitoring. Jaringan Syaraf Tiruan telah digunakan untuk mengenali pola yang diperkirakan sehingga perlakuan yang tepat dapat dilakukan.

9.2. Untuk mendeteksi golongan darah manusia Dengan menggunakan pengolahan citra. Manusia berusaha keras dengan segala kemampuannya untuk menirukan kehebatan yang mereka miliki, misalnya seorang dokter dengan keahliannya dapat membedakan golongan darah manusia antara A, B, AB, dan O. Dengan pendekatan kecerdasan buatan, manusia berusaha menirukan bagaimana pola-pola dibentuk. Jaringan Syaraf Tiruan telah dikembangkan sebagai generalisasi model matematik dari pembelajaran manusia.

9.3. Prediksi Pasar Saham. Fluktuasi dari harga saham dan index saham adalah contoh lain yang kompleks, multidimesi tetapi dalam beberapa kondisi tertentu merupakan phenomena yang dapat prediksi. Jaringan Syaraf Tiruan telah digunakan oleh analis teknik untuk membuat prediksi tentang pasar saham yang didasarkan atas sejumlah faktor seperti keadaan masa lalu bursa yang lain dan berbagai indikator ekonomi.

9.4. Perjanjian Kredit. Berbagai informasi biasanya didapat dari seorang peminjam seperti umur, pendidikan, pekerjaan dan berbagai data lain. Setelah pembelajaran dari Jaringan Syaraf Tiruan tentang data peminjam, analisis Jaringan Syaraf Tiruan dapat mengidentifikasi karaktersetik peminjam sehingga dapat digunakan untuk mengklasifikasikan peminjam terhadap resiko peminjam dalam kategori baik atau buruk

9.5. Monitoring Kondisi Mesin. Jaringan Syaraf Tiruan dapat digunakan untuk memangkas biaya dengan memberikan keahlian tambahan untuk menjadwalkan perawatan mesin. Jaringan Syaraf Tiruan dapat dilatih untuk membedakan suara sebuah mesin ketika berjalan normal (“false alarm”) dengan ketika mesin hampir mengalami suatu masalah. Setelah periode pembelajaran, keahlian dari Jaringan Syaraf Tiruan dapat digunakan untuk memperingatkan seorang teknisi terhadap kerusakan yang akan timbul sebelum terjadi yang akan menyebabkan biaya yang tidak terduga.

9.6. Pemeliharaan Mesin. Jaringan Syaraf Tiruan telah digunakan untuk menganalisis input dari sebuah sensor pada sebuah mesin. Dengan mengontrol beberapa parameter ketika mesin sedang berjalan, dapat melakukan fungsi tertentu misalnya meminimalkan penggunaan bahan bakar.

10. Kesimpulan Jaringan Syaraf Tiruan mulai dilirik banyak kalangan karena mempunyai banyak kelebihan dibandingkan system konvensional. Jaringan Syaraf Tiruan mewakili pikiran manusia untuk mendekatkan diri dengan komputer, maksudnya Jaringan Syaraf Tiruan dirancang agar komputer dapat bekerja seperti/layaknya otak manusia. Berikut ini beberapa keunggulan dari Jaringan Syaraf Tiruan adalah : 1. Adaptive learning: Suatu kemampuan untuk melakukan suatu kegiatan yang didasarkan atas data yang diberikan pada saat pembelajaran atau dari pengalaman sebelumnya. 2. Self-Organisation: Dapat membuat organisasi sendiri atau me-representasikan informasi yang didapat pada saat pembelajaran. 3. Real Time Operation: Dapat menghasilkan perhitungan parallel dan dengan device hardware yang khusus yang dibuat akan memberikan keuntungan dengan adanya kemampuan tersebut. 4. Fault Tolerance melalui Redundant Information Coding: Kerusakan pada bagian tertentu dari jaringan akan mengakibatkan penurunan kemampuan. Beberapa jaringan mempunyai kemampuan untuk menahan kerusakan besar pada jaringan. 5. Kelebihan Jaringan Syaraf Tiruan terletak pada kemampuan belajar yang dimilikinya. Dengan kemampuan tersebut pengguna tidak perlu merumuskan kaidah atau fungsinya. Jaringan Syaraf Tiruan akan belajar mencari sendiri kaidah atau fungsi tersebut. Dengan demikian Jaringan Syaraf Tiruan mampu digunakan untuk menyelesaikan masalah yang rumit dan atau masalah yang terdapat kaidah atau fungsi yang tidak diketahui. 6. Kemampuan Jaringan Syaraf Tiruan dalam menyelesaikan masalah yang rumit telah dibuktikan dalam berbagai macam penelitian.

JARINGAN SYARAF TIRUAN JENIS AMN (Associative Memory Networks): CMAC, B-SPLINE dan RBF UNTUK APLIKASI PEMODELAN DAN PENGONTROLAN

TINJAUAN JARINGAN SYARAF TIRUAN SECARA UMUM Jaringan Syaraf Tiruan (JST) dibangun pada awalnya dengan tujuan untuk mengemulasikan (meniru) secara fungsional mekanisme kerja otak manusia dalam menyimpan, belajar, dan mengambil kembali pengetahuan yang tersimpan dalam sel saraf atau neuron. Secara teknis Jaringan syaraf tiruan ini dapat dipandang sebagai fungsi pemetaan masukan keluaran sistem yang bebas model matematis (estimator bebas model), sistem ini memetakan kondisi ke aksi, seperti yang diperlihatkan gambar Ada banyak jenis JST yang telah diusulkan dalam literatur-literatur, masing-masing dengan kelebihan dan kekurangannya tergantung dari struktur dan metode pembelajarannya. Dalam aplikasinya pada bidang pemodelan dan pengontrolan, jenis jaringan syaraf yang cocok digunakan secara off line maupun on line umumnya adalah JST yang tergolong pada kelas AMN (Associative Memory Networks). Dalam tulisan ini akan dibahas beberapa jenis jaringan syaraf yang tergolong pada kelas AMN tersebut secara khusus, yaitu antara lain: CMAC, BSpline dan RBF. I. 1. Adaptive Linear Combiner (ALC) Salah satu komponen dasar pembangun jaringan syaraf tiruan jenis AMN adalah apa yang dikenal dengan nama Adaptive Linear Combiner (ALC) . 2ANN: CMAC, B-SPLINE, dan Radial Basis Function (RBF) Seperti yang terlihat pada gambar 1.2, keluaran dari ALC (y) merupakan kombinasi linear dari vektor masukan (A) yang masing-masing diboboti oleh Dalam hal ini vektor pembobot (W) bersifat adaptif dalam pengertian nilai yang tersimpan dalam vektor ini dimungkinkan berubah dengan algoritma pembaharuan bobot tertentu. I.2 Associative Memory Networks (AMN) AMN adalah salah satu jenis jaringan syaraf tiruan yang menyimpan informasi (pengetahuan) dan pembelajaran secara lokal atau dikenal dengan istilah generalisasi lokal, hal ini menyebabkan laju pembelajaran pada AMN relatif lebih cepat dibandingkan dengan jenis jaringan syaraf tiruan lainnya. Berdasarkan sifatnya tersebut diatas penyimpanan informasi pada AMN juga bersifat lebih transparan, serta memiliki representasi

fungsional dan dalam beberapa hal memiliki interpretasi logika fuzzy. terlihat bahwa untuk setiap nilai masukan tertentu, akan diaktifkan sejumlah fungsi nonlinear atau basis fungsi (jumlah fungsi yang diaktifkan tergantung jenis AMN dan perancangan awal) , sedangkan keluaran (y) dihitung berdasarkan hasil pemetaan (keluaran) setiap basis fungsi yang diboboti oleh sejumlah bobot adaptif yang terasosiasi dengan basis fungsi tersebut.

3ANN: CMAC, B-SPLINE, dan Radial Basis Function (RBF) I.2 Pembelajaran (learning) Dalam kaitannya dengan AMN, pembelajaran pada dasarnya adalah metode untuk memperbaharui bobot-bobot adapatif secara iteratif. Blok Pembelajaran

Sedangkan Salah satu metode pembelajaran yang populer karena keunggulankeunggulannya adalah LMS : W(k+1) = W(k)+ 2.α.e(k).x(k) Dengan: W(k) : bobot –bobot JST pada cacah ke-k α : laju konvergensi (0<α<1) e(k) : error pada cacah ke-k x(k) : masukan pada cacah ke-k 1.2

4ANN: CMAC, B-SPLINE, dan Radial Basis Function (RBF) setiaone.iwan@gmail.com (http://iwan.blog.undip.ac.id) Bab II. PEMODELAN DAN PENGONTROLAN DENGAN JST

2.1 Pemodelan Dalam kaitannya dengan bidang pengontrolan, pengetahuan mengenai model sistem atau plant yang akan dikontrol merupakan salah satu faktor penentu pemilihan strategi kontrol yang akan dirancang. Secara umum ada 3 buah skema pemodelan yang penting untuk diketahui, masingmasing adalah: direct modelling, invers modelling dan operator modelling. Direct Modelling Tujuan dari direct modelling adalah mendapatkan model sedemikian sehingga karakteristik atau hubungan masukan keluaran dari model akan sama dengan karakteristik masukan keluaran plant atau sistem yang dimodelkan, skemanya dapat dilihat pada gambar 2.1 dibawah ini:

Unknown Plant Plant Model learn learn input Output Invers Modelling Tujuan dari pemodelan plant invers adalah mendapatkan formulasi pengendali sedemikian sehingga struktur plant/kontrol keseluruhan memiliki fungsi alih satuan Operator Modelling Tujuan dari pemodelan operator adalah mensintesis pengendali melalui pembelajaran dari operator (pakar). Algoritma pembelajaran berjalan secara parallel dengan operator 5ANN: CMAC, B-SPLINE, dan Radial Basis Function (RBF) Invers Plant Model Unknown Plant learn learn input Output

Operator Model Unknown Plant learn learn Expert Control input Output

2.1 Pengontrolan Masalah utama pengontrolan plant dengan jaringan syaraf tiruan terutama secara on line adalah tidak tersedianya sinyal kontrol terharap (desired control signal) dan umumnya hanya keluaran plant terharap saja yang dapat digunakan untuk melatih sistem kontrol tersebut. Ada dua buah pendekatan yang berbeda yang telah diformulasikan dalam bidang kontrol adaptif : sistem kontrol adaptif langsung (direct) dan sistem kontrol adaptif tidak langsung (indirect). Sistem adaptif langsung dibangun berdasarkan model kontrol terharap secara eksplisit, sedangkan sistem kontrol adaptif tidak langsung membutuhkan formulasi model plant dan mensintesis hukum kontrol dengan menggunakan metode optimasi tertentu. 6ANN: CMAC, B-SPLINE, dan Radial Basis Function (RBF) Fix Stabilising Controller Salah satu arsitektur kontrol dengan menggunakan komponen jaringan syaraf tiruan secara on line diusulkan oleh kraft G. pada tahun 1990. Arsitektur ini dikenal dengan istilah fixed stabilising controller yang diagram kotak selengkapnya diperlihatkan pada gambar dibawah. Simple Gain Plant Learning Model + + + Learning Signal Feed Foward

Control Output Reference Berdasarkan gambar tersebut terlihat bahwa pengontrolan dengan metode ini ini memiliki dua buah kalang, kalang pertama adalah kalang umpan balik biasa dengan kontrol proporsional, sedangkan kalang kedua adalah kalang kontrol dengan jaringan syaraf tiruan. Sesungguhnya arsitektur kontrol gambar 2.4 tersebut adalah merupakan sistem kontrol adaptif langsung dengan keluaran gain proporsional digunakan untuk melatih modul jaringan syaraf tiruan. Gain proporsional ini dirancang sedemikian sehingga sistem kontrol keseluruhan stabil. Sinyal kontrol juga memberikan sinyal latih untuk jaringan syaraf tiruan tersebut. Unjuk kerja sistem kontrol ini tergantung pada titik operasi pengontrolan, walaupun demikian pelatihan iterative pada modul jaringan syaraf tiruan akan menyebabkan peningkatan unjuk kerja secara on line . Secara fungsional, modul jaringan syaraf tiruan ini dapat dipandang sebagai model inverse yang langsung digunakan sebagai komponen pengendali secara on line. Sebagaimana diketahui tujuan utama pemodelan plant inverse adalah untuk memformulasikan sebuah pengendali, sedemikian sehingga arsitektur kontrol plant keseluruhan memiliki fungsi alih satuan. Karena digunakan secara on line pada proses pengontrolan, jaringan syaraf tiruan yang dipilih sebagai komponen pengendali (yang secara fungsional juga merupakan model plant inverse) harus memiliki laju konvergensi yang relatif cepat, sehingga tidak semua jaringan syaraf tiruan cocok diimplementasikan sebagai komponen pengendali plant secara on line. 7ANN: CMAC, B-SPLINE, dan Radial Basis Function (RBF) Self Tuning Regulator Self Tuning Regulator adalah skema kontrol adaptif indirect, dimana untuk mensintesis pengendali secara on line diperlukan model plant secara ekspisit, model ini umumnya diperoleh dengan cara pengidentifikasian plant atau menggunakan estimator bebas model. Struktur kontrolnya diperlihatkan pada Controller Plant Estimation Controller Design Process Parameters Controller Parameters

Specification Reference Input

Model Reference Adaptive Control MRAC adalah salah satu skema kontrol adaptif direct, dimana keluaran plant untuk sebuah etting point tertentu mengikuti keluaran dari model referensinya Plant Adjustment Mechanisme Model Controller Reference Output Controller Parameter Model Output

8ANN: CMAC, B-SPLINE, dan Radial Basis Function (RBF) Bab III. JARINGAN SYARAF TIRUAN : CMAC CMAC (Cerebellum model articulation controller) adalah salah satu jenis jaringan syaraf tiruan yang berusaha meniru pola kerja cerebellum (otak belakang) manusia. Setiap rangsangan yang diterima oleh otak belakang ini dipercayai hanya akan mengaktifkan sekitar satu prosen dari total sel otak belakang yang mungkin jutaan bahkan milyaran jumlahnya. Ditinjau dari jenis arsitektur atau strukturnya, CMAC dapat dimasukkan kedalam kelas AMN (Associative Memory Network). Pada dasarnya struktur CMAC standar ini memiliki banyak kemiripan dengan jaringan perceptron yang diusulkan oleh Rosenblat memperlihatkan struktur dasar CMAC. Operasi CMAC ini dapat direpresentasikan kedalam dua buah pemetaan.

f: X A g: A Y

Keluaran Y Vektor Masukan + ∑ A a1 a2 a3 a4 a5 a6 a7 a8 . . . . am

W w1

w2 w3 w4 w5 w6 w7 w8 . . . . wm

error Keluaran Terharap (d) Vektor Bobot Vektor Asosiasi X

dengan X adalah vektor ruang masukan malar berdimensi n, A adalah vektor asosiasi (memori konseptual) berdimensi m sedangkan Y adalah keluaran berdimensi satu (untuk keluaran lebih dari satu strukturnya dapat diubah secara langsung dengan menambah vektor asosiasi dan vektor bobot sebanyak tambahan keluaran yang diinginkan). 9ANN: CMAC, B-SPLINE, dan Radial Basis Function (RBF) Dalam CMAC fungsi f(X) memetakan setiap titik ruang masukan X kedalam sebuah vektor asosiasi Aρ (sel-sel asosiasi yang aktif untuk sebuah titik ruang masukan tertentu)., sedangkan Y=g(Aρ) besarnya tergantung pada nilai bobot W yang mungkin nilainya berubah selama proses pembelajaran (learning),

dan dapat dirumuskan : Y=g(Aρ) = ρ ρ 1i iW Dalam perancangan CMAC, langkah awal yang harus dilakukan adalah menentukan jangkauan nilai ruang masukan, nilai tersebut selanjutnya dikuantisasi. Setelah nilai kuantisasi masukan didapat maka langkah selanjutnya adalah memetakan nilai-nilai terkuantisasi ini pada sel-sel asosiasi CMAC berdasarkan parameter generalisasi lokal yang diinginkan. Generalisasi lokal ini berarti untuk setiap nilai masukan CMAC yang berdekatan maka keluarannya akan berdekatan juga, sedangkan jika jarak nilai masukannya berjauhan, keluarannya masing-masing akan independen. Secara teknis, penentuan parameter generalisasi ini dilakukan dengan menetapkan jumlah sel asosiasi aktif untuk setiap cacah titik masukan, misal jika parameter generalisasi sama dengan 4 maka untuk tiap titik masukan akan mengaktifkan sejumlah 4 sel asosiasi. Sel-sel asosiasi tertentu dapat diaktifkan oleh titik masukan yang berbeda (jumlah titik masukan yang dapat mengaktifkan satu sel asosiasi ini tergantung dari nilai parameter generalisasi yang dipilih dan jarak tiap titik masukan). Salah satu permasalahan utama pada CMAC adalah pemetaan titik ruang masukan pada vektor asosiasi Aρ. Permasalahan pemetaan ini secara langsung akan menentukan unjukkerja kecepatan pengaktifan alamat sel-sel asosiasi CMAC. Dalam hal ini diperlukan sebuah algoritma yang secara efesien dapat secara langsung memetakan titik-titik ruang masukan pada sel-sel asosiasi tertentu (misal tanpa proses pencarian). Persamaan dibawah ini dapat digunakan sebagai generator alamat: ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ (3.1) ∑ =

⎛ +⎥ ⎥ ⎤ ⎢ ⎢ ⎡− −+⎥ ⎥ ⎤ ⎢ ⎢ ⎡−+− +=1)1( 1 1),( ρρ ls l dlq lqA (2.2)

Sebagai bahan ilustrasi tinjau permasalahan berikut : Misal masukan terkuantisasi CMAC memiliki jangkauan nilai antara qmin=0 sampai qmax = 9 (jumlah elemen ruang masukannya s = 10) sedangkan parameter generalisasi yang dipilih ρ = 3, maka berdasarkan evaluasi generator alamat, bobot-bobot yang diaktifkan oleh masukan tertentu dapat dilihat pada gambar 3.2 Dalam kasus ruang masukan dua dimensi, generator alamat dapat diperluas

menjadi : Aρ(q,l) = ) ρ 2dlq 1)( ρ 1s ( 1) ρ 1s 1)( ρ 1s 1)( (l ρ 2d1q 1 2212111 ⎥ ⎥ ⎤ ⎢ ⎢ ⎡+−−

+⎥ ⎥ ⎤ ⎢ ⎢ ⎡− ++⎥ ⎥ ⎤ ⎢ ⎢ ⎡− +⎥ ⎥ ⎤ ⎢ ⎢ ⎡− −+⎥ ⎥ ⎤ ⎢ ⎢ ⎡+−− + (3.3)

10ANN: CMAC, B-SPLINE, dan Radial Basis Function (RBF) 0 1 2 3 4 5 6 7 8 9 1 2 3 4 5 6 7 8 9 10 11 12 q layer 1 layer 2 layer 3

Untuk kasus ruang masukan n dimensi perumusan generator alamat dapat diperluas menjadi

)1 1 ( 2 ()1 1 ()1( 2 1),( 1 121 11

+⎥ ⎥ ⎤ ⎢ ⎢ ⎡− ⎥ ⎥ ⎤ ⎢ ⎢ ⎡+−− ++⎥ ⎥ ⎤ ⎢ ⎢ ⎡− −+⎥ ⎥ ⎤ ⎢ ⎢ ⎡+−− +=∏∑∏

− === i j j n i ii n k ksdlqs l dlq lqA ρρρρ ρ (3.4)

Beberapa Contoh Program Realisasi dan Aplikasi

Contoh 1. Listing Program MATLAB : Diskretisasi masukan kontinyu sepanjang 8 bit (model ADC jenis SAC) function d=adc8bitfs5(va); %(Created By I‟one)

% adc 8 bit dengan metoda sac (succesive approximation adc) % full scale = 5 volt % masukan 0 - 5 volt % jumlah step =2^8 - 1 = 255 % resolusi =1/jumlah step = 1/255 =0.00392 % step size = full scale/jumlah step=5/255 = 0.0196 volt %-----------------------------------------------------%initial if va>5 va=5; end sz=0.0196; %step size d=0; n=8; while n>=1 d=bitset(d,n);vaaksen=d*sz; if vaaksen>va d=bitset(d,n,0); end n=n-1; end

11ANN: CMAC, B-SPLINE, dan Radial Basis Function (RBF) Contoh 2. Listing Program MATLAB : Realisasi Generator Alamat CMAC

function a=map1dim8bit(q); % (Created By I‟one) % conceptual mapping one dimension % a : conceptual address % d : displacement vektor % q : quantized input % l : number of layer % rho : generalization parameter % Jumlah ruang Masukan: 256 -->0:255 % note q = 0:s-1 %-----------------------------------------rho=7; s=256; % jmlh ruang masukan l=[1:rho]; d1=1; a=1+ceil((q-l-d1+2)/rho)+(l-1)*(ceil((s-1)/rho)+1);%a=alamat aktif Contoh 3. Pemodelan data (fungsi Statis) dengan menggunakan CMAC: Data yang dimodelkan berupa data pengamatan masukan-keluaran (atau sebuah fungsi) seperti gambar dibawah 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 0 0.2 0.4 0.6 0.8

1 1.2 1.4 1.6 1.8 x y

Keluaran model CMAC dengan generalisasi 7 dan jumlah pelatihan (iterasi) 4 kali untuk data Pengamatan tersebut dengan beberapa nilai laju konvergensi yang dipilih dapat dilihat dari gambar-gambar berikut: 12ANN: CMAC, B-SPLINE, dan Radial Basis Function (RBF) 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 x y 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 x y (a) © 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 0 0.5 1 1.5 2 2.5 3 x y nilai laju konvergensi 0.1 (b) nilai laju konvergensi 0.5 (c) nilai laju konvergensi 0.9 (b)

Listing Program selengkapnya: % (Created By I‟one) clf x=[0:0.2:5]; y=1-exp(-x/10).*sin(x/0.5);%fungsi yang akan dimodelkan W(1:300)=0; %inisialisasi bobot CMAC global W; gen=7; %generalisasi (jumlah bobot aktif tiap cuplikan) alpha=0.5; %laju konvergensi for j=1:4 %jumlah iterasi for i=1:length(x) xx=adc8bitfs5(x(i)) ; %kuantisasi masukan sepanjang 8 bit a=map1dim8bit(xx); outcmac(i)=sum(W(a)); error=y(i)-outcmac(i); W(a)=W(a)+2*alpha*error*ones(1,7)/gen; end end plot(x,y,'+'); xlabel('x'); ylabel('y'); hold on plot(x,outcmac);

13ANN: CMAC, B-SPLINE, dan Radial Basis Function (RBF) setiaone.iwan@gmail.com (http://iwan.blog.undip.ac.id) Contoh 4. Aplikasi CMAC pada Pengontrolan plant motor dc dengan menggunakan struktur Fix Stabilising Controller (dengan simulink) 1 referensi 0.0915z -1 1-0.9048z -1 model motor dc keluaran error MAT LAB Function cmac z 1 Unit Delay2 z 1 Uni t Delay1 z 1 Uni t Delay 0.1

Gain CMAC pada Simulink 0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 -0.5 0 0.5 1 1.5 2 2.5 3 x y

14ANN: CMAC, B-SPLINE, dan Radial Basis Function (RBF) Bab IV. JARINGAN SYARAF TIRUAN: B-SPLINE B-spline adalah jenis JST yang dapat digolongkan dalam kelas AMN. Secara historis B-spline ini digunakan secara umum sebagai sebuah algoritma pencocokan fungsi (surface fitting). Seperti halnya JST jenis AMN lainnya, keluaran B-spline merupakan kombinasi bobot-bobot adaptif dari sejumlah fungsi basis yang diaktifkan oleh masukan tertentu. Hal menarik dari AMN jenis ini adalah adanya hubungan langsung antara JST dengan sistem fuzzy. Dari sudut pandang Fuzzy logic, fungsi-fungsi basis B-spline univariate merepresentasikan statemen-statemen linguistik fuzzy, seperti „error positif kecil‟, „error besar‟, dan sebagainya. Hal ini menyebabkan JST B-spline dapat diinterpretasikan sebagai himpunan aturan fuzzy

4.1 Notasi Jumlah fungsi basis yang memberi kontribusi pada keluaran B-spline adalah konstan yaitu sebanyak ρ. Dalam hal ini ada kaitan langsung antara jumlah basis fungsi yang diaktifkan oleh masukan tertentu dengan orde basis B-spline yang dipilih. Untuk masukan X dengan dimensi n dan keluaran skalar y seperti diperlihatkan Maka keluaran B-spline adalah: ∑= = p i ii kwkaky 1 )()()( (4.1)

Dengan wi(k) adalah bobot yang terasosiasi dengan fungsi basis ke-i dan aρ adalah keluaran fungsi basis non zero ke-i, dalam hal ini i=(1,2,…. ρ)

w1 wp w2y Ruang masukan (X) w4 w3 w p-1 wp-2

15ANN: CMAC, B-SPLINE, dan Radial Basis Function (RBF) setiaone.iwan@gmail.com (http://iwan.blog.undip.ac.id) 4.2. Univariate Basis Function Keluaran basis fungsi yang diaktifkan oleh masukan tertentu (X) dapat dihitung dengan menggunakan hubungan recurrence dibawah ini: )()()(1 1 1 1 1 xN x xN x xNj k kjj jj k kjj kjj k− +− − −

−− − ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ − − +⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ − − = λλ λ

λλ λ =)(1xNj 1 jika x ε Ij (λj-1, λj) = 0 , lainnya (4.2)

dengan λj adalah knot (posisi) ke-j dan Ij = (λj-1, λj) adalah interval ke-j sedangkan k adalah orde dari basis fungsi tersebut, hubungan recurrence tersebut diilustrasikan oleh gambar 4.2 berikut: j N1 j N2 1 2 +j N 2 3 +j N 1 3 +j N j

N3 Fungsi Basis Orde 1 (konstan sebagian-sebagian) 0 12345 x 1 0.5 λ0 λ1 λ2 λ3 λ4 λ5 16ANN: CMAC, B-SPLINE, dan Radial Basis Function (RBF) Misal N1 J adalah fungsi basis ke-j dan Ij adalah interval ke-j (λj-1, λj) seperti terlihat pada gambar 4.3. Maka keluaran fungsi basisnya untuk masukan x adalah: =)(1xNj 1 jika x ε Ij (λj-1, λj) = 0 , lainnya (4.3)

Secara matematis persamaan 4.3 diatas dapat diimplementasikan oleh fungsi berikut: ⎡⎤ 1)(= = jN xj (4.4) Fungsi Basis Orde 2 (linear sebagian-sebagain)

0 12345 x

1 0.5 λ0 λ1 λ2 λ3 λ4 λ5 Keluaran basis untuk masukan x dihitung: )()()(1 1 1 1 21 2 2xN x xN x xNj jj jj jj jj ⎟ ⎟ ⎠ ⎞ ⎜ ⎜

⎝ ⎛ − − +⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ − − = − − −− − λλ λ λλ λ (4.5)

dalam hal ini dan dihitung dengan menggunakan fungsi basis

orde 1 berikut: )( 1 1 x N j− )(1xNj =)(1xNj 1 jika x ε Ij (λj-1, λj) = 0 , lainnya Fungsi Basis Orde 3 (kuadratik sebagian-sebagian) 0 12345 x 1 0.5 λ0 λ1 λ2 λ3 λ4 λ5 17ANN: CMAC, B-SPLINE, dan Radial Basis Function (RBF) setiaone.iwan@gmail.com (http://iwan.blog.undip.ac.id) Keluaran basis untuk masukan x dihitung: )()()(2 2 2 2 31 3 3xN x xN

x xNj jj jj jj jj ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ − − +⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ −

− = − − −− − λλ λ λλ λ (4.6)

dalam hal ini dan dihitung dengan menggunakan fungsi basis orde 2 berikut: )( 1 2 x N j− )(2xNj )()()(1 1 1 1 21 2 2xN x

xN x xNj jj jj jj jj ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ − − +⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛

− − = − − −− − λλ λ λλ λ

Beberapa Contoh Program Realisasi dan Aplikasi Contoh 1. Listing Program Spline untuk beberapa fungsi Basis function [j,N]=spline1(x) %(created by i'one) %j:interval ke-j %N1:nilai fungsi pada interval ke-j %ket : untuk x<=0<=7 ->ada 8 interval(bobot): 0-7 j=ceil(x); N=1; function [j,jj,N2j,N2jj]=spline2(x) %(created by i'one) %j menunjukan interval %N2 menunjukan nilai fungsi keluarannya

%ket : untuk x<=0<=7 ->ada 8 interval(bobot): 0-7 [j,N1]=spline1(x); jj=j+1; N2j=((j-x)/1)*N1; N2jj=((x-(j-1))/1); function [j,jj,jjj,N3j,N3jj,N3jjj]=spline3(x) %(created by i'one) %j menunjukan interval %N3 menunjukan nilai fungsi keluarannya %ket : untuk x<=0<=7 ->ada 10 interval(bobot) [j,jj,N2j,N2jj]=spline2(x); jjj=jj+1; N3j=((j-x)/2)*N2j; N3jj=((x-(j-2))/2)*N2j+((j+1-x)/2)*N2jj; N3jjj=((x-(j-1))/2)*N2jj; 18ANN: CMAC, B-SPLINE, dan Radial Basis Function (RBF) setiaone.iwan@gmail.com (http://iwan.blog.undip.ac.id) function [j,jj,jjj,jjjj,N4j,N4j2,N4j3,N4j4]=spline4(x) %(created by i'one) %j menunjukan interval %N3 menunjukan nilai fungsi keluarannya %ket : untuk x<=0<=7 ->ada 11 interval(bobot)

[j,jj,jjj,N3j,N3jj,N3jjj]=spline3(x); jjjj=jjj+1;

N4j=((j-x)/3)*N3j; N4j2=((x-(j-3))/3)*N3j+((j+1-x)/3)*N3jj; N4j3=((x-(j-2))/3)*N3jj+((j+2-x)/3)*N3jjj; N4j4=((x-(j-1))/3)*N3jjj;

Contoh 2. Pemodelan data (fungsi Statis) dengan menggunakan B-Spline: Data yang dimodelkan berupa data pengamatan masukan-keluaran (atau sebuah fungsi) seperti 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 x y

Keluaran model B-Spline dengan beberapa fungsi basis yang dipilih dan laju konvergensi 0.2 serta jumlah pelatihan (iterasi) 100 kali dapat dilihat dari gambar-gambar berikut: 19ANN: CMAC, B-SPLINE, dan Radial Basis Function (RBF) 01234567 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 x 01234567 0 0.5 1 1.5 x y y (a) (b)

01234567 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 x y Keluaran Model B-spline untuk fungsi basis masing-masing (a) orde 1 (b) orde 2 (c) orde 3 Listing program untuk pemodelan dengan B-Spline orde 1 dapat dilihat dibawah (untuk pemodelan dengan B-Spline orde lebih tinggi tinggal mengganti fungsi bspline-nya saja)

%pemodelan bspline orde 1 %created by i'one clear; x=[0:0.2:7]; y=1-exp(-x/5).*sin(x/0.8); alpha=0.2; %sediakan bobot sejumlah 8 (data max+1) W(1:8)=0;

for k=1:100 for i=1:length(x)

%iterasi % jmlh. data

[j,N1]=spline1(x(i)); indx=j+1; out(i)=W(indx)*N1; 20ANN: CMAC, B-SPLINE, dan Radial Basis Function (RBF) setiaone.iwan@gmail.com (http://iwan.blog.undip.ac.id) error=y(i)-out(i); W(indx)=W(indx)+2*alpha*error*N1; end end plot(x,y,'+',x,out); xlabel('x'); ylabel('y');

Contoh 3. Aplikasi B-Spline pada Pengontrolan plant motor dc dengan menggunakan struktur Fix Stabilising Controller (dengan simulink) 1 referensi 0.0915z -1 1-0.9048z -1 model motor dc keluaran error

MAT LAB Function cmac z 1 Uni t Delay2 z 1 Uni t Delay1 z 1 Uni t Delay 0.1 Gain Contoh 3. a Diagram Pengontrolan Fix Stabilising Controller dengan BSpline pada Simulink

0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 -0.2 0 0.2 0.4 0.6 0.8 1

1.2 21ANN: CMAC, B-SPLINE, dan Radial Basis Function (RBF) Bab V. JARINGAN SYARAF TIRUAN: Radial Basis Function (RBF)

RBF ( φ ) merupakan fungsi dimana keluarannya simetris terhadap center µc atau dinyatakan sebagai φc = φ || x - µc || dimana || . || merupakan vektor normal. Jaringan syaraf yang dibentuk dengan menggunakan fungsi aktivasi berupa fungsi basis radial dinamakan Jaringan Syaraf Tiruan RBF 5.1 Strutur Dasar RBF Jaringan RBF terdiri atas 3 layer yaitu layer input, hidden layer / kernel layer (unit tersembunyi) dan layer output. Masing – masing unit tersembunyi merepresentasikan fungsi aktivasi yang berupa fungsi basis radial. Fungsi basis radial ini diasosiasikan oleh lebar dan posisi center dari fungsi basis tersebut. Jaringan syaraf RBF berbeda dengan jaringan syaraf CMAC. Setiap input dari jaringan ini akan mengaktifkan semua fungsi aktivasi pada hidden layer. Setiap unit dari hidden layer merupakan fungsi aktivasi tertentu yang disebut sebagai fungsi basis. Di dalam hidden layer terdapat sejumlah fungsi basis yang sejenis sesuai dengan perancangan. 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. 22ANN: CMAC, B-SPLINE, dan Radial Basis Function (RBF) Untuk jaringan RBF dengan 2 masukan, proses pemetaanya ditunjukkan Setiap masukan akan mengaktifkan setiap fungsi basis pada jaringannnya sendiri. Misalkan pada operasi masukan [x1 x2]. Masukan x1 akan mengaktifkan setiap fungsi basis pada jaringan RBF pertama, sehingga masukan x1 akan mengaktifkan fungsi basis φ11, φ12 sampai dengan φ1n. Masukan x2 akan mengaktifkan setiap fungsi basis pada jaringan RBF kedua, sehingga masukan x2 akan mengaktifkan fungsi basis φ21. φ22 sampai dengan φ2n. Langkah selanjutnya adalah melakukan korelasi silang antara setiap keluaran 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.

Pada jaringan RBF fungsi basis ini identik dengan dengan fungsi gaussian yang diformulasikan sebagai berikut : 23ANN: CMAC, B-SPLINE, dan Radial Basis Function (RBF) setiaone.iwan@gmail.com (http://iwan.blog.undip.ac.id) φj = 2 2 2 _ j j cx e σ − ( 5.1) Dimana : cj = Center fungsi gausiaan ke - j σj = Lebar fungsi gausiaan ke - j x = Masukan φj = Keluaran fungsi basis ke – j oleh masukan x Representasi grafis fungsi gaussian (1 masukan) ditunjukkan pada Gambar 5.3 dibawah

φj =

2 2 2 _ j j cx e σ −

σ Setiap jaringan RBF biasanya menggunakn lebih dari 1 buah fungsi basis. Tiap – tiap fungsi basis mempunyai 1 center dan 1 bobot tertentu sehingga jumlah center dan bobot memori yang digunakan sama dengan jumlah fungsi basis yang digunakan. Untuk n buah masukan pada jaringan maka diperlukan bobot memori sebesar n x jumlah fungsi basis yang digunakan pada satu jaringan.

Sign up to vote on this title
UsefulNot useful