TUGAS MATA KULIAH

:

NEURAL NETWORK

OLEH KELOMPOK II: 1. Yenita Mirawanti 2. Maslim Rajab Syafrizal 3. Agus Widodo 4. Dewi Fenti Ekasari

DOSEN :

PROGRAM MAGISTER JURUSAN STATISTIKA (KOMPUTASI STATISTIK) FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) INSTITUT TEKNOLOGI SEPULUH NOVEMBER SURABAYA 2010

DAFTAR ISI
BAB I SELF ORGANIZING MAPS …………………………………………………………………… 1.1 PENDAHULUAN…………………………………………………………………………. 1.1.1 PENGERTIAN…………………………………………………………………….. 1.1.2 ARSITEKTUR …………………………………………………………………….. 1.1.3 ALGORITMA ………………………………………………………………………. 1.2 BAB II PEMBAHASAN ……………………………………………………………………………. 1 1 1 2 2 3 10 10 10 10 11 12 17 17 17 17 18 20 25 25 25 25 29

LEARNING VECTOR QUANTIZATION …………………………………………………. 2.1 PENDAHULUAN …………………………………………………………………………. 2.1.1 PENGERTIAN …………………………………………………………………… 2.1.2 ARSITEKTUR ……………………………………………………………………. 2.1.3 ALGORITMA …………………………………………………………………….. 2.2 PEMBAHASAN …………………………………………………………………………….

BAB III

BACKPROPAGATION ………………………………………………………………………….. 3.1 PENDAHULUAN …………………………………………………………………………. 3.1.1 PENGERTIAN …………………………………………………………………. 3.1.2 ARSITEKTUR …………………………………………………………………… 3.1.3 ALGORITMA ……………………………………………………………………. 3.2 PEMBAHASAN …………………………………………………………………………….

BAB IV

RADIAL BASIS FUNCTION NEURAL NETWORK ………………………………….. 4.1 PENDAHULUAN …………………………………………………………………………. 4.1.1 PENGERTIAN ………………………………………………………………….. 4.1.2 ARSITEKTUR ………………………………………………………………….. 4.2 PEMBAHASAN ……………………………………………………………………………

BAB I SELF ORGANIZING MAPS

1.1

PENDAHULUAN

Analisis Cluster adalah upaya menemukan sekelompok obyek yang mewakili suatu karakter yang sama atau hampir sama ( similar) antar satu obyek dengan obyek lainnya pada suatu kelompok dan memiliki perbedaan (not similar) dengan obyek–obyek pada kelompok lainnya. Tentunya persamaan dan perbedaan tersebut diperoleh berdasar informasi yang diberikan oleh obyek– obyek tersebut beserta hubungan (relationship) antar obyek. Berdasarkan tipe pembelajarannya, jaringan syaraf tiruan (JST) dapat dibagi menjadi dua macam tipe JST, JST supervised dan JST unsupervised. Perbedaan kedua macam JST tersebut didasarkan pada sifat data dan kemampuan pembelajaran JST. Pada JST supervised data pelatihannya terdapat data masukan dan data pembimbing, proses pembelajaran adalah penyesuaian bobot JST agar dengan keluaran proses data masukan akan menyerupai data bimbingan. Sedangkan yang dimaksud JST unsupervised adalah JST yang mempunyai kemampuan penyesuaian bobot JST hanya didasarkan data masukannya (tanpa data pembimbing). SOM merupakan salah satu model jaringan syaraf unsupervised yang menyerupai model jaringan syaraf manusia. 1.1.1. Pengertian Self Organizing Maps (SOM) merupakan perluasan dari jaringan kompetitif yang sering disebutsebagai jaringan Kohonen. Jaringan ini menggunakan metode pembelajaran unsupervised. Jaringan ini pertama kali diperkenalkan oleh Prof. Teuvo kohonen pada tahun 1982. Pada jaringan ini, suatu lapisan yang berisi neuron-neuron akan menyusun dirinya sendiri berdasarkan input nilai tertentu dalam suatu kelompok yang dikenal dengan istilah cluster. Selama proses penyusunan diri, cluster yang memiliki vektor bobot paling cocok dengan pola input (memiliki jarak paling dekat) akan terpilih sebagai pemenang. Neuron yang menjadi pemenang beserta neuron-neuron tetangganya akan memperbaiki bobot-bobotnya. Metode SOM digunakan untuk pemetaan seperti clustering dimana prosesnya adalah suatu objek masuk pada cluster ke-j tergantung pada jarak yang ditetapkan. Jumlah neuron target sama dengan maksimum jumlah kelompok yang hendak kita buat. Dalam iterasinya , bobot neuron yang diubah tidak hanya bobot garis yang terhubung ke neuron pemenang saja, tetapi juga bobot neuron sekitarnya.
Tugas Neural Network kelompok II 1

𝛼 : learning rate R : radius neighborhood XI : neuron/node input.1.1. Setiap neuron dalam lapisan input terhubung dengan setiap neuron pada lapisan output. Gambar1. w0j : bias pada neuron output ke-j Yj : neuron/node output ke-j C : konstanta 1.1.xj. X = (x1.xn). yaitu lapisan input dan lapisan output. Gambar struktur JST Kohonen terlihat seperti pada Gambar 1 berikut ini. Arsitektur SOM Penulisan istilah: X : vektor input pembelajaran.x2. Setiap neuron dalam lapisan output merepresentasikan kelas dari input yang diberikan.…. Arsitektur Jaringan Kohonen SOM terdiri dari dua lapisan ( layer). Algoritma Berikut ini adalah tahapan dalam algoritma pembelajaran SOM: Step 0: Inisialisasi bobot (Wij) Tentukan parameter jarak (R) Tentukan learning rate (∝) Step 1: Jika kondisi stop salah.….2.3. lakukan step 2 – 8 Step 2: untuk semua input vektor x lakukan step 3 – 5 2 Tugas Neural Network kelompok II .

Blitar 20. Nganjuk 4. Jember 24. Situbondo 27. Kediri 21. Mojokerto 2. Kota Blitar 32. Lumajang 23. Kota Madiun 35. Pasuruan 29. Sampang 13. Adapun kabupaten/kota yang dimaksud adalah sebagai berikut: Daerah tingkat II kabupaten terdiri dari: 1. Kota Kediri 31. Ponorogo 17. Kota Probolinggo 33. Malang 22. PEMBAHASAN Data yang digunakan dalam pelatihan ini adalah data komponen IPM propinsi Jawa Timur Tahun 2004 yang terdiri dari 29 kabupaten dan 7 kota. Ngawi 7.Step 3: untuk setiap j 𝐷 𝑗 = 𝑛 𝑖 (𝑊𝑖𝑗 − 𝑋𝑖)2 Step 4: Step 5: dapatkan j sehingga D(j) minimal untuk semua j yang berada dalam jarak dan untuk semua i Wij (baru) = Wij (lama) + ∝(Xi – Wij) lama Step 6: update learning rate Step 7: Update jarak Step 8: Uji kondisi stop (Stop jika 𝑊𝑖𝑗 𝑏𝑎𝑟𝑢 − 𝑊𝑖𝑗 (𝑙𝑎𝑚𝑎) ≤ 𝜀) 1. Bondowoso 26. Kota Surabaya 36. Tulungagung 19. Lamongan 10. Gresik 11. Bojonegoro 8. Bangkalan 12. Trenggalek 18. Magetan 6. Pacitan 16. Madiun 5. Sumenep 15. Pamekasan 14. Probolinggo 28. Jombang 3. Tuban 9. Sidoarjo Daerah tingkat II kota terdiri dari: 30.2. Banyuwangi 25. Kota Batu Tugas Neural Network kelompok II 3 . Kota Pasuruan 34.

0 5. 25. 11.1 613. 17.9 79.3 73.9 615. 5.3 6.1 64.0 615.4 67.5 6.0 91.7 59.6 59.8 80.9 67. 3. 6. 1.8 613.5 616.2 61.5 67.1 615. 12.7 636.9 60.9 5.8 4.5 6. 22.2 5.7 84.1 87.3 89.4 4. 19.9 70.8 592.1 88.1 78.0 6.2 9.0 65.8 73.5 614.0 68.6 601.8 68.0 612.1 616.7 72.1.6 62. 26. Kab/Kota Pacitan Ponorogo Trenggalek Tulungagung Blitar Kediri Malang Lumajang Jember Banyuwangi Bondowoso Situbondo Probolinggo Pasuruan Sidoarjo Mojokerto Jombang Nganjuk Madiun Magetan Ngawi Bojonegoro Tuban Lamongan Gresik Bangkalan Sampang Pamekasan Sumenep Kt Kediri Kt Blitar Kt Probolinggo AHH (X1) 70.7 620.3 79.6 83.7 9. 8.3 639.5 620. 20.7 617. 9. Komponen IPM Menurut Kabupaten/Kota Di Propinsi Jawa Timur Tahun 2005 No.6 91.9 69. 4.Sedangkan variabel-variabel yang akan digunakan untuk pengelompokan adalah: X1 = Angka Harapan Hidup X2 = Angka Melek Huruf (AMH) X3 = Rata-rata lama sekolah (ALS) X4 = Pengeluaran riil perkapita (PPP) Adapun data asal yang akan digunakan ditampilkan sebagai berikut: Tabel 1. 23.8 AMH (X2) 83.4 606.1 67.5 69.3 615.4 5.3 66.8 82.5 6.1 9.1 609.0 78.8 613.8 79.3 96.5 609.9 6. 28.9 6.5 608.5 67.1 4.3 5.5 85. 27.2 627. 21. 30.1 81.9 5.8 88.6 85.4 7.3 73.6 6.7 619.7 615.2 69.8 3.4 67.6 4 Tugas Neural Network kelompok II . 18.7 609. 24.8 616. 15.4 96.3 69.3 68.0 95. 14.2 6. 29.4 84.5 66.3 PPP (X4) 615.7 61. 2.1 70.1 84.7 5.0 636. 16.2 68.1 7.4 74.6 61.5 ALS (X3) 6.0 9.0 6.5 69.0 67.4 619.4 620.6 7.3 609.7 62.7 69.3 7. 10. 32. 13.5 5.5 95.2 61.4 6. 7. 31.7 61.

2 9.8 80.1 616.5 620.60. 35.7 62.0 67.30 3.1 88.3 7.20 70.7 72.30 Rata-rata 66.8 68.50.1 65.3 96.7 61.8 3.20 61.3 615.40 9.7].7 Minimum 59.4 70.1 615.p).33.30 96.8 613.9 619.4 619.6 635. 37.3 69 68.8 79.3).9 69.4 4.3 73.50 84.p) ac=vec2ind(b) Tugas Neural Network kelompok II 5 .5 69.9 69.7 619.6 7.9 70.6 632.2 6.8 4.8 9.5 5.5 69.50 96.3.8 82.2 69. 1.9 61.5 69.9 5.7 59.2 627.6 91.5 616 615.1 87.8 68.4 9.4 67 65.7 631.5 6.5 67.40 592.8 73.3 66.6 601. maka diperoleh nilai maksimum minimum pada masing-masing variabel adalah sebagai berikut: Tabel 1.11 613.2 61. net.74 617. 2.1 64.9 6.6 6.4 67.8 616.1 78.4 5.9 6. Variabel X1 X2 X3 X4 Maksimum 70.8 613.4 70.85 6.4 94.8 9.2 88.6 632.3 79.3 73.1 67. Deskriptif data komponen IPM Propinsi Jawa Timur Tahun 2004 No.2 61.1 70.3 609.1 609.0 Berdasarkan data tersebut di atas.1. 4.9 95.4 84.7 89.4 606.7 617. b=sim(net.1} net. 36.9 67.p) ac=vec2ind(b) net=init(net). 34.5 6.2.7 620. Kt Pasuruan Kt Mojokerto Kt Madiun Kt Surabaya Kt Batu 68.7 61.4 620.1 7.6 62.iw{1.8 8.9 69.6 83.7 84 91.7 631.3 639 636.80.8 8.6.7 636.9 60.3 68.2 9.4 9.8 88.2 9.0 95.5 6.5 88 95.6 631.3 7.9 5.2.4 6.7 5.7 609.7 615 612. net=train(net.5 66.1 81 78.1 9.60 9.6 631] net=newsom([59.5 85. 6 6 6.6 59.4 96.1 65.4 94.1 4.80 635.8 592.6 635.2 68.9 619. net.1 7.4 74. 3. Adapun pengolahan data pengelompokan ini menggunakan sofware statistik yaitu MATLAB dengan sintax sebagai berikut: clc p=[70.7 9 9.6 61.9 96.epochs=3000.5 614.5 609.3 6.3 635.1 84.b{1} net=train(net.p) b=sim(net.2 5.9 96.5 67.96 Selanjutnya dari nilai maksimum minimum tersebut digunakan sebagai acuan untuk proses pengelompokan data.3 89.9 95.5 69.9 79.6 85.3 5 5. 83.4 7.5 95 95. 615.5 608.592.trainParam.61.

9500 78.8000 69.8000 635.8000 Columns 10 through 18 64.8000 6.6000 613.7000 69.9000 84.5000 9.0000 ans = 64.8500 64.6000 9.3000 3.8000 66.000 diperoleh hasil pengelompokan sebagai berikut: p = Columns 1 through 9 70.0000 614.6000 numOutputs: 1 numInputDelays: 0 numLayerDelays: 0 Tugas Neural Network kelompok II 6 .0000 62.8000 5.9000 616.4000 70.8000 95.8500 ans = [] net = Neural Network object: architecture: numInputs: numLayers: biasConnect: inputConnect: layerConnect: outputConnect: 1 1 [0] [1] [0] [1] (read-only) (read-only) (read-only) 78.5000 6.1000 61.5000 67.3000 616.2000 632.7000 72.6000 70.6000 68.7000 69.4000 87.9000 Columns 19 through 27 67.0000 62.6000 74.8000 619.3000 91.1000 6.7000 5.0000 615.9000 95.4000 6.2000 613.6000 6.1000 68.6000 614.3000 81.5000 95.2000 61.5000 67.4000 95.5000 94.1000 639.4000 4.8000 620.1000 79.0000 65.9000 89.5000 61.1000 7.8500 64.4000 61.4000 69.4000 606.8000 7.7000 6.6000 67.1000 6.7000 68.0000 85.5000 78.9000 89.2000 96.0000 620.7000 65.8000 67.2000 84.1000 5.3000 636.9000 9.2000 616.3000 Column 37 69.9000 619.1000 78.7000 79.0000 6.6000 73.0000 608.8000 96.0000 620.9000 69.4000 59.4000 631.9500 78.5000 59.1000 88.1000 619.1000 61.1000 5.6000 631.8000 609.3000 88.4000 609.6000 6.9000 592.7000 615.0000 614.5000 613.7000 79.2000 84.7000 69.4000 88.4000 5.9000 9.2000 68.3000 636.1100 68.1000 615.0000 5.3000 4.5000 9.5000 85.5000 60.5000 80.Dengan epoch sebanyak 10.6000 614.8000 7.5000 82.0000 83.8000 6.4000 609.0000 67.5000 609.7000 612.9000 73.7000 67.3000 6.2000 91.1000 96.5000 617.0000 83.7000 5.1000 9.3000 66.3000 5.6000 4.0000 7.9000 6.3000 627.0000 9.2000 615.6000 6.6000 7.7000 Columns 28 through 36 61.5000 615.3000 70.9500 6.4000 8.3000 6.7000 73.9000 601.

13) (1. .29) (1.30) (1.2) (1.21) (2.32) (1.18) (3. .passes (none) (none) (none) (none) .subobject structures: inputs: layers: outputs: biases: inputWeights: layerWeights: functions: adaptFcn: 'trains' divideFcn: (none) gradientFcn: 'calcgrad' initFcn: 'initlay' performFcn: (none) plotFcns: {'plotsomtop'.4) (1.27) (2.goal.showCommandLine.'plotsompos'} trainFcn: 'trainr' parameters: adaptParam: divideParam: gradientParam: initParam: performParam: trainParam: .28) (1.20) (2.epochs.26) (2.time {1x1 {1x1 {1x1 {1x1 {1x1 {1x1 cell} cell} cell} cell} cell} cell} of inputs of layers containing containing containing containing 1 output no biases 1 input weight no layer weights weight and bias values: IW: {1x1 cell} containing 1 input weight matrix LW: {1x1 cell} containing no layer weight matrices b: {1x1 cell} containing no bias vectors other: name: '' userdata: (user information) b = (1.'plotsomhits'.showWindow.10) (2.'plotsomnd'.16) (1.show.8) (2.'plotsomplanes'. . .25) (2.6) (1.11) (1.5) (1.3) (1.9) (1.12) (1.'plotsomnc'.17) (1.14) (1.7) (1.15) (1.24) (1.33) 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 Tugas Neural Network kelompok II 7 .19) (1.1) (1.23) (1.22) (2.31) (1. .

26) (2.35) (1.22) (2.(1.36) (1.18) (3.31) (1.32) (1.14) (1.7) (2.28) (1.3) (1.21) (2.12) (1.36) (1.13) (1.5) (1.8) (2.27) (2.1) (1.30) (1.37) ac = 1 1 1 1 Columns 1 through 15 1 1 1 1 1 1 1 1 2 1 2 1 1 1 1 Columns 16 through 30 1 1 1 3 1 2 2 2 1 1 2 2 2 1 1 Columns 31 through 37 1 b = (1.34) (1.25) (2.16) (1.19) (1.11) (1.4) (1.24) (1.10) (2.35) (1.15) (1.20) (2.9) (1.34) (1.2) (1.33) (1.37) ac = Columns 1 through 15 1 1 1 1 1 1 1 2 2 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 Columns 16 through 30 1 1 1 3 1 2 2 2 1 1 2 2 2 1 1 Columns 31 through 37 1 1 1 1 1 1 1 Tugas Neural Network kelompok II 8 .17) (1.6) (1.23) (1.29) (1.

13.Berdasarkan input data. 12. Lumajang 26. Kota Batu 12. didapatkan pengelompokan sebagai berikut: Tabel 1. Sampang 11. 26. Kota Probolinggo 4. 36. 16. 1 2 3 Cluster ke I II III Masukan ke 1. 33. Bangkalan 9. Kediri 18. 37 8. Malang 24. Ponorogo 14. Ngawi 22. Jombang 34. Kota Kediri 2. Lamongan 36. 34. 31. Kota Blitar 3. Kota Pasuruan 5. Blitar 17. Sidoarjo 32. Situbondo 29. 28. 3. 30. 6. 2. Kota Surabaya 10. 9. Magetan 21. 24. 19 Pengelompokan kabupaten/kota secara lengkap adalah sebagai berikut: Kelompok I terdiri dari 26 kabupaten/kota yaitu: 1. Gresik 37. Jember 27. Sumenep Kelompok II terdiri dari 10 kabupaten yaitu: 8. 18. 21.3.000 epoch No. 20. Nganjuk 35. Madiun Tugas Neural Network kelompok II 9 . Kota Madiun 7. 35. 11. 15. 17. 7. Probolinggo 30. Kota Mojokerto 6. Trenggalek 15. Mojokerto 33. Pamekasan 20. 32. 27. 25. 14. Pacitan 13. dan setelah pengolahan seperti di atas. 10. 4. Pasuruan 31. 23. Bojonegoro Kelompok III hanya terdiri dari 1 kabupaten yaitu: 19. 29. 22. Bondowoso 28. 5. Tulungagung 16. Banyuwangi 25. Hasil pembacaan Clustering data untuk 10.

dalam proses pembelajaran. Pada metode ini.1 Pengertian Learning Vector Quantization (LVQ) adalah salah satu metode jaringan syaraf tiruan yang digunakan dalam klasifikasi dan pengenalan pola. Kelas yang memiliki jarak terdekat dengan vektor input akan menadi pemenang. 2. Apabila beberapa vector input memiliki jarak yang sangat berdekatan. Adapun arsitekturnya seperti gambar di bawah ini : Gambar 1. proses pembelajaran atau pelatihan harus dilakukan terlebih dahulu. Setelah pembelajaran selesai dijalankan. 𝑋2 . masing-masing unit output mewakili kategori atau kelas tertentu. Pengujian dilakukan dengan menghitung jarak antara input pengujian dengan bobot akhir dari masing-masing kelas output. … .1 PENDAHULUAN 2. Contoh arsitektur jaringan LVQ X1 W11 W21 W31 W12 Y1 X2 W22 W32 Y2 W23 W13 𝑋1 . 𝑋𝑛 Xn W33 Ym Tugas Neural Network kelompok II 10 . maka vector-vektor input tersebut akan dikelompokkan dalam kelas yang sama. Pada jaringan LVQ. vector input yang diberikan akan terklasifikasikan secara otomatis. maka langkah selanjutnya adalah melakukan pengujian bias.1.2 Arsitektur LVQ merupakan jaringan syaraf tiruan yang terdi atas unit masukan (Xn) dan unit keluaran (Ym).BAB II LEARNING VECTOR QUANTIZATION 2.1.

… . 𝑌𝑛 Wij ΙΙX – WjΙΙ : Jarak Euclidian Step 0 Step 1 Inisialisasi Jika kondisi stop salah lakukan step 2 – 6 Step 2 Step 3 Step 4 Untuk setiap training vector lakukan step 3 – 4 Dapatkan j sehingga ΙΙX – WjΙΙ min Update Wj Jika T = Cj 𝑊 𝑏𝑎𝑟𝑢 = 𝑊 𝑙𝑎𝑚𝑎 + 𝛼 (𝑋 − 𝑊 𝑙𝑎𝑚𝑎 ) 𝑗 𝑗 𝑗 Jika T ≠ Cj 𝑊 𝑏𝑎𝑟𝑢 = 𝑊 𝑙𝑎𝑚𝑎 − 𝛼 (𝑋 − 𝑊 𝑙𝑎𝑚𝑎 ) 𝑗 𝑗 𝑗 Step 5 Step 6 Update learning rate uji kondisi stop Tugas Neural Network kelompok II 11 . 𝑋2 . 𝑌2 . 3. 𝑋𝑛 𝑌1 . … .Keterangan : = Vektor input = Vektor Output = Bobot input ke-I pada kelompok ke-j i.3 Algoritma Notasi : X T Wj Cj : Training Vektor : Kategori dari training vector : Vektor bobot untuk kategori ke-j : Kategori j (hasil training) 𝑋1 .1. j = 1. 2. … 2.

0 83.2 616.1 Kt Madiun 70. 15.3 3.3 636.3 81.8 Nganjuk 67.5 85.9 616.8 6. Kabupaten yang berada pada kelompok 1 menunjukkan bahwa kabupaten tersebut memiliki IPM rendah. Angka Melek Huruf (AMH).5 80.2 91. Pengelompokkan kabupaten dapat dilihat pada tabel berikut ini : Tabel 2. 1. 4.6 73.5 78.7 5.1 96. 12.8 620.0 85. 26.7 72.4 609.8 5.8 6. 16.1 Gresik 69. 10.1 78. 11.1 5.7 612.3 616. IPM sedang. 21.3 6.7 6 620.6 6. 22.2 61.6 7. 9.4 606. Rata-rata Lama Sekolah (ALS) dan Pengeluaran Riil Perkapita (PPP).3 No.5 Madiun 67. dan kelompok 3 menunjukkan kelompok kabupaten degan IPM tinggi.6 613. Adapun komponen pembentuk IPM yang meliputi Angka Harapan Hidup (AHH).2 84.6 614.5 609. 14.0 608.4 609.6 4.6 74.2 Ponorogo 67.7 73.1 Jember 61.5 Pamekasan 61. 6.7 79.4 6.4 4.2 84. 20.1 5.3 4.8 Kediri 68.4 87.4 615.2 96.5 94.5 Kt Kediri 69.0 5.8 609. 13.0 Ssampang 59.4 Lumajang 65. 17.5 82.7 Situbondo 61. 24.7 79.2. Kabupaten-kabupaten di jawa Timur dikelompokkan berdasarkan IPM. 19.7 Blitar 69. Kel (Y) 1 1 2 2 3 3 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 12 Tugas Neural Network kelompok II .3 Pasuruan 62.0 615. 2.7 Tuban 66.3 6. 25. akan dijadikan sebagai vector input (masukan)-nya.1 6.5 613.1 79.0 6.9 84.4 5.8 Pacitan 70.9 601.9 Ngawi 67.6 631.5 Jombang 68.5 Sumenep 62.5 9.4 88.9 73.9 Kt Batu 69.9 592.1 615. 18. 5.1 9. Pengelompokkan kabupaten berdasarkan IPM di Provinsi Jawa Timur 2004 Kab/Kota AHH AMH ALS PPP (X1) (X2) (X3) (X4) Bangkalan 61.2 PEMBAHASAN Berikut disajikan penerapan pengkategorisasian menggunakan jaringan LVQ berdasarkan IPM Provinsi Jawa Timur tahun 2004.2 615.8 7.3 5.7 Probolinggo 59.7 5. 8. Sedangkan pengelompokkan kabupaten berdasarkan IPM dijadikan sebagai vector output (keluaran)-nya.7 615.2 632. 7.3 Bondowoso 60.4 Banyuwangi 64. 23.0 Bojonegoro 66.9 9.0 620. kelompok 2.8 Lamongan 67.1. 3.

6 635.5 96. 29. akan dipakai sebagai data-data yang akan dilakukan pelatihan.2. Kab/Kota Bangkalan Banyuwangi Jombang Kediri Blitar Gresik AHH (X1) 61.5 6.1 88. 1.5 95. 33.4 88.1 6.6 64.5 95.9 7.4 619. data ke-7 sampai 37.3 69. 37.6 9.9 89.1 Dari ke-37 data tersebut akan diambil 6 data pertama untuk dijadikan bobot yang masing-masing akan mewakili kelas 1. 2. Instruksi : Tugas Neural Network kelompok II 13 . Magetan Mojokerto Trenggalek Tulungagung Kt Batu Kt Kediri Kt Blitar Kt Mojokerto Kt Pasuruan Kt Probolinggo Kt Surabaya 69.8 613.27.2 6.3 87. 5.1 96.3 639. 3.1 620.5 616.0 95.7 636.7 636. 32.5 6.2 69.0 95.6 2 2 2 2 2 2 3 3 3 3 3 Informasi yang diperoleh dari table di atas adalah :     Jumlah data = 37 Jumlah variable input (n) = 4 Jumlah kelas atau cluster (m) = 3 Misalkan ditetapkan  maksimum epoch = 500  Learning rate =0. 34.3 9.9 9.9 68.6 84.2 AMH (X2) 73.6 85.6 88.8 9.6 619. 4.4 69 69.1 67.0 620.4 68.4 616. 36. 2 dan 3 (Tabel 2) : Tabel 2.7 631. 35. Akan dibentuk jaringan kompetitif dengan algoritma pembelajaran LVQ net. yang terdiri dari 4 neuron pada lapisan kompetitif (lapisan tersembunyi).0 9.8 613.8 ALS (X3) 4.9 70. 28.3 7.8 PPP (X4) 609.3 7.1 617.8 91.8 6.1 Kel (Y) 1 1 2 2 3 3 Sedangkan sisanya.2 7.9 68.3 69.4 68. 31. 6. 30.1 70.8 69. 3 kelas dengan masing-masing memiliki kemungkinan kemunculan yang sama (1/3).1 8.4 7.0 631.6 619.5 65.1 89. Bobot Awal No.8 91.

instruksi : net. JumlahNeuron = 4.8 4.1] p = p' Tc = [1 1 2 2 3 3] T = ind2vec(Tc).JumlahKlas)).trainparam.1} net. 616.3 7.goal = 0.1).01.8 91.4 69. net = train(net.9 68.LW{2.4. net = newlvq(minmax(p). Output hasil simulasi akan disimpan pada vector H instruksi : y = sim (net. 616.1} bobot_awal_lapisan = net.epochs = 500. yc = vec2ind(y) Hasilnya adalah : Columns 1 through 12 3 3 1 1 1 1 1 1 2 1 2 1 Columns 13 through 24 1 1 1 1 1 1 1 3 3 2 3 2 Columns 25 through 31 3 3 3 3 3 1 3 Progam pengolahan dengan menggunakan Matlab selengkapnya : p = [61.6 64.6 84.1.2 6.T = ind2vec(Tc). bobot_awal_input = net.trainparam.(1/JumlahKlas)*ones(1.5.4 68.IW{1.p. dengan input yang sama dengan input data pelatihan (data training). 613.m).8.01. Kemudian hasilnya akan disimulasikan.epochs = 500. 620.8 609. JumlahKlas = size(full(T).5 6.2 73. JumlahNeuron = 4.JumlahNeuron.3 87. Jaringan ini akan dilatih dengan dengan menggunakan algoritma pembelajaran LVQ dengan maksimum epoch = 500 dan toleransi error 0. 636.6 88.JumlahKlas)).1).(1/JumlahKlas)*ones(1.0 69.7.T).trainparam. Tugas Neural Network kelompok II 14 .6 85.8 6. net = newlvq(minmax(p). net.JumlahNeuron.3 7. JumlahKlas = size(full(T).

7 79.3 5.5 80.4 6. 631.3 6.6 67. 620.1 79.7] Tabel 2.5 70. 615.4 67.8.1.9.1 7.9 65.4 4.8. 615. 632.5 9. 5.1 5. yc = vec2ind(y) 9. 12.8 7.8 95.8 67.2 69.goal = 0.4. 635. net = train(net. 615.9 9.3 91.1 78. 613.01.1 639. 613.1. 3.0 60. 615.3.7 72. 615.7.5.9 89.4 67. 619.4 95.4 62.9 95.1 69.T).4 5.9 59.9 592.1 62.9 70.5 78.0 69.9 73.5 9.6 615 627. 617.5.m).1 6.6 619.3 88.5 68.5 6.7 73.0 61. 5.net. 8.0 59. 609.5 85.7 79.9 6. 616.8 67.6 631. 1.1 5.7 67.7 61.0 6. Kab/Kota Bangkalan Banyuwangi Jombang Kediri Blitar Gresik Kt Madiun Kt Batu Bojonegoro Bondowoso Jember Lamongan Pengelompokkan awal 1 1 2 2 3 3 2 2 1 1 1 1 Pengelompokkan LVQ 1 1 2 2 3 3 3 3 1 1 1 1 15 Tugas Neural Network kelompok II . 11.3.5 94.1 96. 609.1 6.4 68.2 61.2 84. 612.3.0.p. 620. Pengelompokkan yang terjadi : No. 606.4 8.6.0. 619.0 83.8.7 66.6 65.5 95. 601.7. 7.3 4.5. 609.4 61. 9.0 7.1 88.5 69.2 68.2 96.6 9.8 5. 2.4.3 69.trainparam. 614. M = [70.9 9.3 81.9 89.7 5. 636.1 66.8 96.7.8 6.3 m = M' y = sim (net. 4.2.0 83.6 74. 5. 6.0 70.3.2 84. 10.6.0 608.3 3. 9.5.0.7.7 6.5 82.7.2 67.9.

13. 17. 16. 14. 27. 23. 37. 33. 25. 15. 18. 19. 22. 26. 29. 32. 36. 24. 21. 35. Lumajang Madiun Nganjuk Ngawi Pacitan Pamekasan Pasuruan Ponorogo Probolinggo Ssampang Situbondo Sumenep Tuban Kt Kediri Magetan Mojokerto Trenggalek Tulungagung Kt Batu Kt Kediri Kt Blitar Kt Mojokerto Kt Pasuruan Kt Probolinggo Kt Surabaya 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 3 3 3 3 3 1 1 2 1 2 1 1 1 1 1 1 1 1 3 3 2 3 2 3 3 3 3 3 1 3 Tugas Neural Network kelompok II 16 . 30. 31. 28. 20. 34.

1. terdiri dari input. Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih hidden layer. Backpropagation adalah pelatihan jenis terkontrol (supervised) dimana menggunakan pola penyesuaian bobot untuk mencapai nilai kesalahan yang minimum antara keluaran hasil prediksi dengan keluaran yang nyata.1.(F.2 Arsitektur Arsitektur dalam Backpropagation yang merupakan salah satu multi layer perceptron.1. serta m buah unit keluaran. 2009) 3.1 Pengertian (Backpropagation) merupakan sebuah metode sistematik pada jaringan saraf tiruan dengan menggunakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak layar lapisan untuk mengubah bobot-bobot yang ada pada lapisan tersembunyinya. Gambar dibawah ini adalah arsitektur backpropagation dengan n buah masukan (ditambah suatu bias). Backpropagation Tugas Neural Network kelompok II 17 . sebuah layer tersembunyi yang terdiri dari p unit (ditambah suatu bias). dan output.BAB III BACKPROPAGATION 3.Suhandi. hidden layer. PENDAHULUAN 3.

y_ink merupakan nilai input untuk Yk m. x2. Setelah seluruh faktor δ ditentukan. Pada perambatan maju. Dengan cara yang sama... δj adalah bagian koreksi error penyesuaian bobot vij berpedoman pada error output neuron zj.1..... Tidak perlu untuk menyebarkan kesalahan kembali ke lapisan masukan. k.j.p) dihitung untuk tiap unit tersembunyi zj..... Berdasarkan kesalahan ini. c.. tetapi δj digunakan untuk mengupdate bobot-bobot antara lapisan tersembunyi dan lapisan masukan..tm). Pada setiap unit keluaran (yk) akan menghitung aktivasinya yang digunakan untuk membentuk respon pada jaringan sehingga akan memberikan pola masukan. tiap unit keluaran membandingkan perhitungan aktivasinya yk dengan nilai targetnya tk untuk menentukan kesalahan pola tersebut dengan unit itu. t2.m) dihitung. bobot untuk semua lapisan diatur secara serentak.. g. faktor ( j = 1. faktor δk (k = 1. t : Vektor target output..zp. sebagai berikut : a.. j. Untuk langkah selengkapnya adalah : Tugas Neural Network kelompok II 18 . δk digunakan untuk menyebarkan kesalahan pada unit keluaran yk kembali ke semua unit pada lapisan sebelumnya (unit-unit tersembunyi yang dihubungkan ke yk). Selama pelatihan. θ adalah Toleransi error.….Berikut ini penulisan istilah yang dipakai dalam proses Backpropagation. l. zj merupakan nilai output dengan menggunakan fungsi aktivasinya. δk adalah bagian koreksi error penyesuaian bobot w jk berpedoman pada error output neuron yk. X = (x1.. Algoritma Pelatihan Dalam pelatihan suatu jaringan dengan algoritma backpropagation terdapat dua tahapan yaitu tahapan perambatan maju dan tahapan perambatan mundur.xn).. Yk : nilai output neuron ke-k dengan menggunakan fungsi aktivasi yang dipilih.xj. f. 3. voj merupakan bias pada Hidden neuron ke. didasarkan pada faktor δj dan dan aktivasi xi unit masukan. e.. Pengaturan bobot wjk (dari unit tersembunyi zj ke unit keluaran yk) didasarkan pada faktor δk dan aktivasi zj dari unit tersembunyi zj. tiap unit masukan ( xi) mengirimkan sebuah masukan sinyal ini ke tiap-tiap lapisan tersembunyi z1. z_ini merupakan nilai input pada ke-i.…. h.. α adalah Learning rate. wok merupakan bias pada output neuron ke-k. i..3 Algoritma a. xi merupakan Input neuron. T = (t1. Juga digunakan (nantinya) untuk mengupdate bobot-bobot antara keluaran dan lapisan tersembunyi...tk... x merupakan vektor input pembelajaran. Setiap unit tersembunyi ini kemudian menghitung aktivasinya dan mengirimkan sinyalnya (zj) ke tiap unit keluaran.. b. d.

yk = f (y_ink). : Tiap unit keluaran (yk. w jk    k z j hitung koreksi biasnya (digunakan untuk memperbaharui wok nantinya). p) jumlahkan bobot sinyal masukannya.  _ in j    k w jk k 1 m Langkah 7 kalikan dengan turunan fungsi aktivasinya untuk menghitung informasi kesalahannya.…. voj y _ ink  wok   z j w jk j 1 n wok merupakn bias pada unit keluaran k dan aplikasikan fungsi aktivasinya untuk menghitung sinyal keluarannya. k = 1. z _ in j  voj   xi vij i 1 n Langkah 5 sebagai bias pada unit tersembunyi j aplikasikan fungsi aktivasinya untuk menghitung sinyal keluarannya. hitung kesalahan informasinya.…. dan kirimkan sinyal ini keseluruh unit pada lapisan diatasnya (unit keluaran). m) jumlahkan bobot sinyal masukannya. m) menerima pola target yang saling berhubungan pada masukan pola pelatihan. Perambatan Mundur : Langkah 6 : Tiap unit keluaran (yk . lakukan langkah 3-8. k = 1. zj = f (z_inj). p) : Tugas Neural Network kelompok II . : Setiap unit lapisan tersembunyi ( zj.…. p) jumlahkan hasil perubahan masukannya (dari unit-unit lapisan diatasnya).…. k = 1. j = 1.….…. lakukan langkah 2-9. Langkah 4 : Setiap unit tersembunyi (xi.  j   _ in j f '( z _ in j ) hitung koreksi bobotnya (digunakan untuk memperbaharui voj nanti). Perambatan Maju : Langkah 3 : Tiap unit masukan (xi. : Tiap unit keluaran (yk. i = 1. m) update bias dan bobotnya (j = w jk (baru) = wjk (lama) + wjk 19 Langkah 8 0.  k  (tk  yk ) f '( y _ ink ) hitung koreksi bobotnya (digunakan untuk memperbaharui wjk nantinya). n) menerima sinyal xi dan menghantarkan sinyal ini ke semua unit lapisan di atasnya (unit tersembunyi).…. Prosedur Pelatihan Langkah 0 : Inisialisasi bobot. Langkah 1 : Jika kondisi tidak tercapai.b. i = 1. Langkah 2 : Untuk setiap pasangan pelatihan. dan kirimkan δk ke unit-unit pada lapisan dibawahnya. (sebaiknya diatur pada nilai acak yang kecil).

m : y _ ink  wok   z j w jk j 1 p yk  f ( y _ ink ) Langkah 5 : Jika yk ≥ 0.Tiap unit lapisan tersembunyi (zj. Tingkat pengangguran terbuka (TPT. Angkatan kerja. Data tahun 2003 – 2006. sebagai berikut : 1. Dengan menggunakan beberapa variabel masukan dari tahun 2003-2006.…. 4. j = 1. Langkah 1 : Untuk tiap vektor masukan.….n) : vij (baru) = vij (lama) + vij Langkah 9 : Test kondisi berhenti. sehingga diperoleh keluaran prediksi jumlah pengangguran ditahun berikutnya. Algoritma pembelajaran backpropagation diterapkan untuk pelatihan variabel maskan tersebut.…. dengan variabel masukan sebanyak 7 (tujuh) variabel.5 maka yk = 1. Langkah 2 : for i = 1. Penduduk menururut kelompok umur dan jenis kelamin. Langkah 3 : for j = 1. Prosedur aplikasinya adalah sebagai berikut : Langkah 0 : Inisialisasi bobot (dari algoritma pelatihan). p : z _ in j  voj   xi vij i 1 n z j  f ( z _ in j ) Langkah 4 : for k = 1. PDRB (Produk Domestik Regional Bruto) atas dasar harga konstan 2000. PROSEDURE PENGUJIAN : Setelah pelatihan. 5.2 PEMBAHASAN Dengan menggunakan metode backpropagation pada jaringan syaraf tiruan. jaringan saraf backpropagation diaplikasikan dengan hanya menggunakan tahap perambatan maju dari algoritma pelatihan.…. else yk = 0. 3.…. p) update bias dan bobotnya (I = 0. Data historis TPAK (Tingkat Partisipasi Angkatan Kerja) menurut kelompok umur. akan memprediksi jumlah pengangguran di Provinsi Jawa Timur. Angkatan kerja yang bekerja penduduk usia 15 tahun keatas. Data yang digunakan adalah data tahunan dari tahun 2003 – 2006. n : atur aktivasi unit masukan xi . 2. lakukan langkah 2-4.) 6. 3. 7. Berikut ini data yang dikumpulkan : Tugas Neural Network kelompok II 20 .

X4 = Tingkat Pengangguran Terbuka X5 = PDRB (Produk Domestik Regional Bruto) atas dasar harga konstan 2000.1.64 36396345 69.20 36481799 69. Tugas Neural Network kelompok II 21 .51 8.99 Sumber : BPS Propinsi Jawa Timur Keterangan : Input : X0 = Data tahun X1 = Jumlah penduduk Propinsi Jawa Timur X2 = Data historis TPAK (Tingkat Partisipasi Angkatan Kerja) X3 = Angkatan Kerja 15 Tahun ke atas.19 6.1 .41 36895571 68. Target X7 = Jumlah Pengangguran Data tersebut di transformasi linear ke interval [0. X6 = Angkatan kerja yang bekerja penduduk usia 15 tahun keatas.68 7. 0.17 36390600 70.69 8.8( x  a)  0. Variabel – variabel yang digunakan X0 2003 2004 2005 2006 2007 X1 X2 X3 18097118 18822218 19335890 19244959 20117924 X4 8.1 ba dengan a adalah data minimum dan b adalah data maksimum.9] dengan menggunakan fungsi: x'  0.Tabel 3.79 X5 228884459 242228892 256374727 271249317 287579857 X6 16525698 17374955 17689834 17669660 18751421 X7 1571420 1447263 1646056 1575299 1366503 36199078 66.

51842979 0.1] .epochs =20000.28188047 0.9000 0.32658318 0. Mengenai jumlah banyaknya hidden layer yang dibutuhkan. [y.trainParam.1000 0.10 0.trainParam.6369 0.trainParam.9 0.1000 0.51117857 0.tr]= train (net.9 0. Fungsi aktivasi yang digunakan adalah fungsi sigmoid biner (logsig). demikian juga untuk fungsi keluarannya.69259259 0.[10 1].9000 0.3266 0. Data hasil transformasi: X0 0.show = 100. karena semua data berada dalam range [0.7000 0.%eror hasil yang di inginkan [net. Metode pelatihan yang dipakai dalam arsitektur ini adalah dengan menggunakan metode standar dari Matlab yaitu menggunakan metode penurunan gradien.t) Berikut ini matrik inputnya : P = 0. Jumlah hidden layer ditentukan dengan cara trial and error.48095238 0.P.1 X5 0. dan menentukan banyaknya unit dalam setiap hidden layer.1 hidden layer (sebanyak 10 neuron) dan 1 output layer.9 X4 0.68641331 0. dalam arti hasil pembelajaran yang tercepat dan terbaik itulah yang akan menentukan jumlah hidden layer tersebut.3000 0. net.82804233 0.63687003 0.lr = 0. Batas MSE yang ditentukan sebesar 1e-05.33111181 0.42473664 0.69751389 0.9 X6 0.[].64323607 0.perf]=sim(net.1 0.2.{'logsig'.5987 22 Tugas Neural Network kelompok II .31998441 0.pf.ramal).50 0.9 0.90 X1 0.e.30 0.1] y=sim(net.1 Perancangan arsitektur backpropagation pertama adalah menentukan jumlah hidden layer.%epeoch maksimum 20000 net.af.[].trainParam.1 0.1000 0.2.'traingd'). Pemberian nilai bobot dan bias awal menggunakan bilangan acak kecil yang dilakukan oleh software Matlab.5000 0. tidak ada ketentuan khusus karena tidak ada teori yang dengan pasti dapat dipakai.1 0.55440918 0.1 0.40525164 0.38705378 0.47468379 0. Berikut ini syntax yang dipakai : P = varinput %data input T =target %data target net=newff(minmax(P). Dalam hal ini arsitektur yang dirancang adalah 7 input layer.3200 0.4247 0.59867374 X3 0.T)%training jaringan t=[0.goal = 1e-5. Laju pemahaman yang digunakan adalah sebesar 0.6432 0.ramal.9000 0.59040709 0.9 X2 0. net.70 0.2.'logsig'}.%pembentukan jaringan saraf minmax(P) net.9 X7 0.1 0.67741982 0.Tabel 3.

9000 0. Berikut ini maktrik yang akan disimulasikan terhadap hasil pelatihan : ramal = 0.9000 0.6774 0.6975 0. Sedangkan angka prediksi BPS Propinsi Jatim sebesar 1296313.9000 0.4747 0. Dengan demikian setelah dilakukan pelatihan dan pengujian pola – pola yang dilatih.1000 0.9000 Hasil simulasinya adalah : y = 0.1000 0.3311 0.6864 0.9000 0.9000 0. Tugas Neural Network kelompok II 23 .5184 0.2819 0.4053 0.8280 0.6926 0.9000 0.5544 0.9000 Sedangkan matrik outputnya: 0.9000 0.1090 Dengan mentransformasikan ke nilai sebenarnya diperoleh nilai sebesar 1298322.3871 0.1000 T = 0.5904 0. diperoleh hasil bahwa test terhadap pola-pola tersebut benar (akurat).5112 0.0.1000 0.1000 0.1000 Untuk memperoleh batas MSE yang ditentukan dperlukan sebanyak 17928 epochs.4810 0.6687 0.9000 0.

Nilai varians suatu variabel input pada suatu node yang berada diluar diluar interval mengindikasikan hubungan input dengan node tidak memberi sumbangan yang signifikan pada model RBFNN. Salah satu metode pengelompokan data adalah metode K-mean. 4. Sehingga pada Tugas Neural Network kelompok II 24 . Komponen invers varians pada fungsi aktivasi RBFNN merupakan bobot dari suatu pergeseran. diperlukan kombinasi yang tepat antara jumlah variabel input. sehingga diperlukan nilai interval untuk varians tersebut. sehingga perlu dihapus. nilai tengah dan standar deviasi (skala atau width) dari variabel input pada setiap node. jumlah node (cluster) pada unit hidden layers.1 PENDAHULUAN 4. Model ini adalah model jaringan saraf dengan satu unit dalam lapisan tersembunyi. yang berimplikasi pada jumlah parameter yang optimal.1. Penentuan model terbaik dari RBFNN dapat diketahui dengan kriteria nilai Mean Square Error (MSE) kecil dan Koefisien Determinasi (R2) besar. Untuk mendapatkan sejumlah node yang diinginkan dilakukan dengan mengelompokkan data.1. RBFNN didesain untuk membentuk pemetaan non linier dari variabel input ke unit hidden layer dan pemetaan linier dari hidden layer ke output. dimana fungsi aktivasinya adalah fungsi basis (Gaussian) dan fungsi linear pada lapisan output. Dengan terbentuknya kelompok data. Subanar dan Suryo Guritno dalam Pemilihan Hubungan Input-Node pada Jaringan Syaraf Fungsi Radial Basis.BAB IV RADIAL BASIS FUNCTION NEURAL NETWORK (RBFNN) 4. maka nilai tengah dan varians variabel input pada setiap kluster dapat dihitung.1 Pengertian Model jaringan Radial Basis Function Neural Network (RBFNN) adalah salah satu bentuk Multi layer Perceptron yang tidak ada update bobot learning rate.2 Arsitektur Menurut Brodjol Sutijo. Dalam penerapannya untuk mendapatkan model RBFNN terbaik.

𝑠: ℜ𝑝 → ℜ1 (1) Berdasarkan teori interpolasi multivariate : Jika diberikan N buah titik berbeda 𝑥𝑖 ∈ ℜ𝑝 𝑖 = 1. 𝑑𝑖 = ℜ1 𝑖 = 1. 𝑁 Fungsi 𝐹: ℜ𝑁 → ℜ1 adalah fungsi yang memenuhi: 𝐹 𝑥𝑖 = 𝑑𝑖 . … . 𝑁 yang berhubungan dengan N buah bilangan real 𝑑𝑖 . Design RBF network Tugas Neural Network kelompok II 25 .2. … .2.2. harus meloloskan semua data. 𝑖 = 1. 𝑁 (2) 𝑖 = 1. … . Interpolasi dengan menggunakan fungsi F(x) Disain dari model RBFNN untuk pendekatan suatu fungsi adalah sebagai berikut : gambar 1. … . 𝑁 Agar memenuhi teori di atas.RBFNN dilakukan pemetaan input dari ruang berdimensi p ke output ruang berdimensi satu. Teori interpolasi multivariate secara ringkas dapat dinyatakan dengan: 𝐹: ℜ𝑁 → ℜ1 𝐹 𝑥𝑖 = 𝑑𝑖 .2.

Fungsi Multikuadratik ∅ 𝑧 = 𝑧 − 𝜇 2 𝑁 𝑖=1 𝑤𝑖 ∅ 𝑥 − 𝑥𝑖 (3) adalah norm 𝑖 = 1. Fungsi Gaussian ∅ 𝑧 = 𝑒𝑥𝑝 − 𝑧 − 𝜇 2 /𝜎 2 Apabila diketahui N buah titik data maka persamaan (3) dapat ditulis : 𝜎11 𝜎21 ⋮ 𝜎𝑁1 Dimana ∅𝑖𝑗 = ∅ 𝑥𝑖 − 𝑥𝑗 i.. sedangkan bila input jauh dari ratarata.3. Interpolasi input-output (2) dengan melihat disain model RBFNN. maka fungsi akan meng-hasilkan nilai satu. 𝑁 pusat dari RBF 𝜎12 𝜎22 ⋮ 𝜎𝑁2 … 𝜎1𝑁 𝑤1 𝑑1 … 𝜎2𝑁 𝑤2 𝑑2 ⋱ ⋮ ⋮ = ⋮ … 𝜎𝑁𝑁 𝑤𝑁 𝑑𝑁 . 𝑑𝑁 𝑤 = 𝑤1 .Pada pemodelan RBFNN dilakukan dengan memilih suatu fungsi F( x) sehingga (2) dipenuhi.j = 1. 𝑑2 . Ada beberapa fungsi radial basis + 𝜎 2 + 𝜎 2 1/2 3.2. Fungsi Invers Multikuadratik ∅ 𝑧 = 𝑧 − 𝜇 2 −1/2 4. … . maka (2) dapat dinyatakan dengan: 𝐹 𝑥 = Dimana ∅ 𝑥 − 𝑥𝑖 jarak Euclid. maka fungsi membe-rikan nilai nol. … .. 𝑁 adalah himpunan fungsi nonlinear yang disebut fungsi radial basis (Radial Basis Function = RBF) dan .. N Persamaan diatas bila dinyatakan dalam bentuk metriks menjadi: fw=d dimana 𝑑 = 𝑑1 . … .3..2. yaitu bila input dekat dengan ratarata (pusat). Fungsi radial basis yang sering digunakan adalah fungsi gaussian karena mempunyai sifat lokal. Fungsi Thin Plate Spline ∅ 𝑧 = 𝑧 − 𝜇 2 𝑙𝑜𝑔 𝑧 − 𝜇 2. 𝑤𝑁 dan Tugas Neural Network kelompok II 26 𝑥𝑖 ∈ ℜ𝑝 𝑖 = 1. diantaranya adalah : 1.2. … . 𝑤.

Metode K-Mean Clusters Menurut Brodjol Sutijo.. 2. 3. dimana pada setiap kluster mempunyai sifat yang homogen serta antar kluster mempunyai ciri yang berbeda. Pada metode K-mean. Algoritma dari metode K-mean secara garis besar adalah sebagai berikut : 1. . . Subanar dan Suryo Guritno dalam Pemilihan Hubungan Input-Node pada Jaringan Syaraf Fungsi Radial Basis. M. 2... Poggio dan Girosi (1990) menyusun teknik standar yang disebut metode Galerkin.. Penentuan nilai rata-rata dari setiap kluster dilakukan dengan iterasi. Metode Kmean cluster adalah salah satu metode dari beberapa metode unsupervisi pada pemodelan RBFNN dan metode K-mean adalah salah satu bentuk metode pemetaan pada dirinya sendiri (Self Organizing map) yang juga dikembangkan dalan pemodelan NN... maka ada akan ada 𝝁𝒊 . Pendekatan suatu fungsi dengan menggunakan RBFNN dilakukan dengan interpolasi untuk mendapatkan penyelesaian optimal dari ruang berdimensi tinggi ke dimensi yang lebih rendah. Nilai ratarata kluster untuk iterasi ke n adalah mi(n). yaitu untuk menentukan mean dan standart deviasi dari variabel input pada setiap node pada unit hidden layer. . data dipartisi kedalam subgroup atau kluster. m nilai rata-rata atau pusat. . 2. Inisialisasi : Memilih nilai secara random sebagai nilai awal dari pusat kluster 𝝁𝒊 (0). dengan meminimumkan jarak euclidian. Jika ada m buah unit pada RFBNN. . i = 1.𝑓 = ∅𝑖𝑗 matrik innvers . 3. 2. Tahap pertama adalah pembelajaran unsupervisi. dengan kriteria : 𝑘 𝑥 = arg 𝑚𝑖𝑛𝑘 𝑥 𝑛 − 𝜇𝑘 (𝑛) ∅𝑖𝑗 adalah matrik interpolasi yang definit positif dan mempunyai k= 1. indeks dari kesesuaian terbaik untuk pusat kluster.. m Tugas Neural Network kelompok II 27 . Similaritas : Dapatkan nilai k(x). i = 1. Pendekatan fungsi dengan menggunakan model RBFNN dilakukan dengan dua tahap.

sehingga tidak dapat menangkap informasi yang ada. Sehingga jika bobot bernilai sangat besar yang berarti nilai varians kecil menuju nol. sehingga nilai 𝑠 2 harus berada pada suatu interval kepercayaan. Update : Menghitung nilai pusat baru. dengan menggunakan suatu pendekatan. Sehingga diperlukan suatu nilai batas bawah dan batas atas untuk varians ter-sebut. berimplikasi bentuk fungsi sempit. Ulangi langkah 2 dan 3 sampai tidak ada perubahan nilai pusat. 𝜇𝑘 𝑛 . Karena yang diperoleh dari data adalah dugaan dari 𝜎 2 (𝑠 2 ).1−𝛼 /2 Batas bawah : Tugas Neural Network kelompok II 28 . 𝑘 = 𝑘(𝑥) 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛 dimana 𝜂adalah parameter laju pembelajaran 4. berarti nilai varian besar. Invers Varians Pada model RBFNN dengan fungsi aktivasi adalah gaussian : − 𝑥 − 𝜇𝑗 𝜙𝑗 𝑥 = 𝑒𝑥𝑝 2𝑠𝑗 2 2 menunjukkan bahwa komponen varians (1/𝑠𝑗2 ) dapat dianggap sebagai bobot dari suatu pergeseran 𝑥 − 𝜇𝑗 . sebagai berikut : 𝜇𝑘 𝑛 + 1 = 𝜇𝑘 𝑛 + 𝜂 𝑥 𝑛 − 𝜇𝑘 𝑛 . berimplikasi pada bentuk fungsi yang lebar dan berisi banyak informasi yang kurang berguna. Nilai batas untuk varians dapat didekati dengan menghitung interval kepercayaan (1 − 𝛼) dari nilai varians tersebut. Berdasarkan distribusi chi-square diketahui bahwa : 𝑛 𝑖=1 2 𝑥𝑖 − 𝑥 𝜎 2 2 ~𝜒(𝑛−1) maka interval kepercayaan (1 − 𝛼) untuk 𝑛 𝑖=1 𝑥𝑖 − 𝑥 2 = (𝑛 − 1)𝑠 2 adalah : 𝜎 2 𝜒 2𝑛 −1 .3. Sebaliknya jika nilai bobot sangat kecil.

93 -0.02 0.29 0.18 -0.02 Tugas Neural Network kelompok II 29 .09 0.32 1.1 Data inflasi selama 76 bulan Bulan 1 2 3 4 5 6 7 8 9 Inflasi 2. yaitu dengan melakukan simulasi sebanyak n kali.53 0. maka nilai 𝑠 2 dicari dengan pendekatan lain.05 -0.48 0.26 -0.Batas atas : 𝜎 2 𝜒 2𝑛 −1 .28 -0.8 Bulan 60 61 62 63 64 65 66 67 68 Inflasi 0.68 Bulan 21 22 23 24 25 26 27 28 29 Inflasi -0.94 0.68 -0.39 0. Nilai (n-1) 𝑠 2 yang berada diluar in-terval adalah petunjuk awal bahwa hubungan (link) variabel input ke node adalah calon untuk dihapus.89 0.46 1. Tabel 3.06 1.36 0. 4. Dari data tersebut.36 0. Berikut ditampilkan datanya.2 0.𝛼 /2 Karena nilai 𝑠 2 tidak diketahui.57 -0. ingin kita prediksi nilai inflasi pada bulan ke-77. Di bawah ini kami tampilkan data inflasi selama 76 bulan.88 0.16 1.87 0.54 1.82 0.33 0.8 0.34 -1.97 0.85 1.97 1.13 Bulan 41 42 43 44 45 46 47 48 49 Inflasi 0. Data inflasi ini merupakan data time series dan menunjukkan waktu tiap bulan.2 PEMBAHASAN Data inflasi merupakan data yang sangat penting dalam perkembangan perekonomian. karena terindikasi tidak dapat menangkap informasi yang ada atau terlalu banyak mendapat informasi yang tidak berguna.

1} bobot_bias_lapisan = net.09 0.LW{2.02 0. -0.36 0. MSE = 1.53 0.45 0.46 1.b{2.56 0.a).0847929 50.17 1. MSE = 0.17 1.71 1.28 0.43 -0.56 0.21 0.574084 25.68 1.84 0.68 0.01 0.89 1.03 0. 0.91 0.21 0.84 0.32 0. 0.94 0.94 69 70 71 72 73 74 75 76 0.94 0.25 1.99 1.16 1.15 0.21 0.28 0.56 0. NEWRB.13 1.62 1.06 0..62 1. MSE = 0.97 0.91 0.24 0.34]. Setelah dilakukan pengolahan dengan Matlab diperoleh hasil sebagai berikut: NEWRB.64 0.07 -0.q) %untuk simulasi data ke 77.25 1..02 0.2 -0.34 Sintax pengolahannya adalah sebagai berikut: clc %data target a = [2.84 0. %membentuk jaringan basis radial net=newrb(p.93 -0..23 0.IW{1.02 -0.12 -0.03 0.56 0.5 1.50 1.71 1. NEWRB..36 .80 0. MSE = 0.. %data input p=1:1:76.84 0..1} bobot_bias_input = net.55 1.04 1.02 -0. NEWRB.b{1.57 -0. neurons neurons neurons neurons = = = = 0.33 .43 -0.51 -0.73 .29 0.34 -1.1} q=77 %untuk data ke 77.88 0.87 0.97 1.06 1.01 0.28 -0.51 30 31 32 33 34 35 36 37 38 39 40 1.48 0.18 -0.5 -0.55 1.26 -0. jumlah data sebelumnya ada 76 data.24 50 51 52 53 54 55 56 57 58 59 60 0.44582e-031 bobot_input = 1 37 30 24 Tugas Neural Network kelompok II 30 .68 1.. %melihat bobot bobot_input = net.80 0.04 1.36 0.06 0.82 0.64 0.20 0.09 0.89 1.12 -0.54 1.20 .07 -0.99 1.010377 75..36 0.50 .1} bobot_lapisan = net.85 1.15 0..21 0. 1.10 11 12 13 14 15 16 17 18 19 20 0.32 0.. mka untuk bulan berikutnya bulan ke-77 y=sim(net.68 -0.23 0.67 2.39 0.32 1.09 0. -0.73 1.45 0.89 0.67 2.05 -0.

47 12 72 35 75 19 8 59 65 27 23 43 4 56 17 49 31 11 60 64 7 41 70 40 38 42 74 73 76 71 32 33 34 29 28 18 15 13 67 20 22 25 26 21 50 53 55 16 2 36 51 61 62 45 46 44 48 57 58 54 52 Tugas Neural Network kelompok II 31 .

8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 Tugas Neural Network kelompok II 32 .8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.68 10 9 6 14 3 63 66 69 39 5 bobot_bias_input = 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.

0.8326 0.7863 0.8326 0.8326 0.0564 4.8326 0.0290 -1.1550 1.8326 0.7765 2.8326 0.8326 0.8469 Columns 28 through 36 -1.8326 0.3801 0.4107 1.3372 -0.5337 2.8326 0.8326 0.8326 0.8326 0.6596 -1.2929 -2.4127 -0.2471 -1.8326 bobot_lapisan = Columns 1 through 9 2.1372 0.8692 Columns 10 through 18 0.0218 -0.9009 1.1674 - Tugas Neural Network kelompok II 33 .8326 0.9263 3.1115 -1.8326 0.0426 -0.2332 1.3261 -1.8098 4.5967 -0.8326 0.8326 0.1750 2.0748 1.8326 0.0511 -0.4696 - Columns 19 through 27 0.2711 0 -1.9892 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.6818 - Columns 37 through 45 -2.1435 -4.2796 -1.5933 3.8326 0.8790 1.8326 0.9406 1.8326 0.3466 -0.2362 -2.8326 0.4669 -2.8326 0.4404 0.

1410 -2. Tugas Neural Network kelompok II 34 .1096 1.0554 - Columns 55 through 63 -1.6288 -0.0251 0.6030 bobot_bias_lapisan = 1.7137 0.6577 0.0051 -0.6540 -1.1621 - Columns 64 through 72 -0.15.1224 -0.2366 -0.15 Dari pengolahan matlab di atas didapatkan bahwa prediksi inflasi pada bulan ke 77 adalah sebesar 0.0389 -1.3734 -0.1724 -1.2333 1.0.6562 -0.6399 -0.6405 -0.7175 0.2881 q = 77 y = 0.1528 Maka data untuk bulan ke-77 adalah 0.3170 - Columns 73 through 76 -0.1995 -2.5340 -0.6100 0.0300 -2.6694 Columns 46 through 54 -2.0107 -0.0990 1.2911 -0.8640 -0.8350 -1.8726 -1.

Sign up to vote on this title
UsefulNot useful