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

….2. Setiap neuron dalam lapisan output merepresentasikan kelas dari input yang diberikan.xj. w0j : bias pada neuron output ke-j Yj : neuron/node output ke-j C : konstanta 1.1.3. 𝛼 : learning rate R : radius neighborhood XI : neuron/node input.…. Gambar1.1. 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.1.x2. Gambar struktur JST Kohonen terlihat seperti pada Gambar 1 berikut ini. X = (x1. Setiap neuron dalam lapisan input terhubung dengan setiap neuron pada lapisan output. Arsitektur SOM Penulisan istilah: X : vektor input pembelajaran. yaitu lapisan input dan lapisan output. lakukan step 2 – 8 Step 2: untuk semua input vektor x lakukan step 3 – 5 2 Tugas Neural Network kelompok II .xn). Arsitektur Jaringan Kohonen SOM terdiri dari dua lapisan ( layer).

Ngawi 7. Kota Surabaya 36. Situbondo 27. Kota Madiun 35. Mojokerto 2. Banyuwangi 25. Bojonegoro 8. Lamongan 10. Lumajang 23. Kota Batu Tugas Neural Network kelompok II 3 .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. Pacitan 16. Sampang 13. Sumenep 15. Tuban 9. Nganjuk 4. Jember 24. Malang 22.2. Pamekasan 14. Kediri 21. Trenggalek 18. Pasuruan 29. Adapun kabupaten/kota yang dimaksud adalah sebagai berikut: Daerah tingkat II kabupaten terdiri dari: 1. Bangkalan 12. Kota Blitar 32. PEMBAHASAN Data yang digunakan dalam pelatihan ini adalah data komponen IPM propinsi Jawa Timur Tahun 2004 yang terdiri dari 29 kabupaten dan 7 kota. Kota Kediri 31. Sidoarjo Daerah tingkat II kota terdiri dari: 30. Kota Probolinggo 33. Kota Pasuruan 34. Gresik 11. Probolinggo 28. Ponorogo 17. Tulungagung 19. Jombang 3. Magetan 6. Blitar 20. Bondowoso 26. Madiun 5.

1 78.0 68.4 620.8 613.8 82.6 601.8 88.4 6.6 83.5 609.7 84.7 619.3 5.7 69. 21.2 61.4 67. 25.0 612.2 69.8 AMH (X2) 83.6 62.0 6.6 4 Tugas Neural Network kelompok II .3 73.1.7 61.4 96.7 72. 20.4 84.3 615.8 3. 5.1 70. 7.0 65.3 7.3 PPP (X4) 615.9 6. 3.0 6.3 66.0 636. 1.7 609.0 5.7 620. 11.8 592. 10. 30.5 ALS (X3) 6.1 84.8 68.5 69.7 636.8 616.5 67.7 9.2 61.7 617. Komponen IPM Menurut Kabupaten/Kota Di Propinsi Jawa Timur Tahun 2005 No.2 68.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 1.7 5.1 88.3 68.0 9. 23. 17. 24.5 6.1 64.8 79.7 615.3 96. 2.6 61.4 619.1 609.4 4. 12.1 9.9 615.8 613. 31.4 74.0 67. 19.9 60. 13.5 608.9 79.3 79. 28.8 4. 15. 32.3 609.9 69.3 6.2 5.1 87.1 7.1 67.7 62.9 70. 27.2 9. 29.4 7.5 66.5 69.2 6. 22.2 627. 26.0 91.5 616. 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. 6.1 613.5 67.0 95.0 615.9 6.8 80.5 6.5 85. 18.6 91.3 639.9 67.9 5.0 78.6 6.3 69.7 59.4 67.1 616.6 59. 14.4 5.5 620.5 5. 4.5 6.1 4.4 606.8 73.1 81.3 73. 9.5 614.1 615.3 89. 16.6 85.5 95. 8.9 5.6 7.7 61.

1 615.9 79.4 620.1 64.6.6 61.1.1 67.80.3 615.9 67.1 4.9 61.9 69.8 592. 36. Kt Pasuruan Kt Mojokerto Kt Madiun Kt Surabaya Kt Batu 68.0 Berdasarkan data tersebut di atas.4 9.4 619.4 7.4 94.7].7 5.7 636.1 9.5 85.61.2 9.7 61.85 6.6 631] net=newsom([59.30 3.3 6.p).9 619.8 8.6 62.6 635.8 80.2 88.60.8 79.1 65.2.7 617.40 9.0 67.4 84.7 609.trainParam.9 5.1 70.9 6.p) ac=vec2ind(b) Tugas Neural Network kelompok II 5 .3 89.5 6.4 70.50. 1.7 615 612. 615.0 95.1 65.3 7.9 96.7 89. Deskriptif data komponen IPM Propinsi Jawa Timur Tahun 2004 No.3.6 632.7 9 9. maka diperoleh nilai maksimum minimum pada masing-masing variabel adalah sebagai berikut: Tabel 1.1 609.50 84.8 613.6 6.3).4 9.2 61. net=train(net. Adapun pengolahan data pengelompokan ini menggunakan sofware statistik yaitu MATLAB dengan sintax sebagai berikut: clc p=[70.3 7.6 83.3 79.4 67 65.3 73.4 94.5 67.8 88.8 8.1 616.5 88 95.1 88.9 95. 34.p) b=sim(net.8 616.2.1 78. b=sim(net.4 606.9 96.7 620.3 73.3 68.2 6.9 60.74 617.4 4.5 620.8 68.7 84 91.7 72.33.96 Selanjutnya dari nilai maksimum minimum tersebut digunakan sebagai acuan untuk proses pengelompokan data.4 70.5 69. 37.5 66. 6 6 6.4 74.2 61. 2.9 6.7 619.80 635.9 95.2 9.1} net.30 Rata-rata 66.5 69.30 96.iw{1.9 70. 83.6 632. 3.epochs=3000.2 627.60 9.5 69.6 631.b{1} net=train(net.9 5.40 592.8 9. net.3 635.1 81 78.8 9.1 84.5 616 615.6 635.6 59.3 69 68.7 62.5 614.4 67.7 Minimum 59.5 609.20 70.7 59.11 613.6 91.9 69. net.3 66.20 61.4 96.8 3.2 69.8 68.2 68.5 6. 35.5 608.9 69.8 73.6 601.p) ac=vec2ind(b) net=init(net).3 96.1 87.6 85.1 7.8 82.4 5.3 5 5.5 95 95.7 631.8 4.2 5.5 67.592.4 6. Variabel X1 X2 X3 X4 Maksimum 70.5 69.3 609.6 7.1 7.2 9.5 6.9 619.7 61. 4.7 631.5 5.50 96.8 613.3 639 636.

0000 62.2000 96.9000 9.0000 67.9000 Columns 19 through 27 67.9000 89.0000 83.5000 85.3000 66.4000 87.9000 601.6000 7.9000 619.6000 614.3000 5.7000 69.5000 60.3000 636.9500 6.1000 619.4000 95.1000 88.2000 613.3000 3.3000 6.5000 61.1000 5.5000 9.7000 612.4000 631.4000 606.0000 7.0000 ans = 64.9000 616.0000 615.9000 6.8000 6.0000 65.3000 Column 37 69.9000 69.6000 6.4000 609.5000 78.8000 635.0000 85.2000 84.2000 91.7000 68.4000 609.6000 numOutputs: 1 numInputDelays: 0 numLayerDelays: 0 Tugas Neural Network kelompok II 6 .2000 84.0000 5.1000 6.3000 81.1000 9.0000 6.1000 68.3000 636.8000 Columns 10 through 18 64.7000 615.9500 78.8000 609.2000 68.0000 614.3000 616.4000 88.6000 4.Dengan epoch sebanyak 10.6000 68.6000 70.7000 79.2000 615.7000 69.7000 72.9000 592.7000 Columns 28 through 36 61.5000 94.9000 84.4000 70.1000 78.8000 6.2000 632.0000 614.5000 80.5000 6.6000 73.8000 620.5000 9.4000 5.000 diperoleh hasil pengelompokan sebagai berikut: p = Columns 1 through 9 70.7000 5.0000 9.9000 95.7000 6.6000 67.8500 64.6000 9.1000 5.5000 609.2000 616.8500 ans = [] net = Neural Network object: architecture: numInputs: numLayers: biasConnect: inputConnect: layerConnect: outputConnect: 1 1 [0] [1] [0] [1] (read-only) (read-only) (read-only) 78.7000 5.9000 73.6000 631.3000 88.9000 89.7000 69.3000 70.1000 61.8000 96.4000 61.4000 69.8500 64.1000 639.3000 91.9000 9.1000 6.8000 69.6000 613.5000 67.1000 615.0000 608.8000 7.8000 619.5000 82.8000 7.5000 95.3000 6.7000 79.5000 59.7000 65.8000 5.0000 620.7000 73.0000 62.1000 79.4000 6.4000 8.8000 66.3000 4.1000 61.6000 74.8000 95.9500 78.5000 615.5000 613.5000 67.7000 67.1000 96.6000 614.3000 627.8000 67.4000 59.5000 617.0000 620.2000 61.4000 4.1000 7.0000 83.6000 6.1100 68.6000 6.

goal. .4) (1.31) (1.10) (2.24) (1.22) (2.28) (1.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'.5) (1.3) (1.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'.11) (1.'plotsomnd'.16) (1.13) (1.1) (1.15) (1.23) (1.14) (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 .17) (1.19) (1.29) (1.showCommandLine.9) (1. .showWindow.'plotsompos'} trainFcn: 'trainr' parameters: adaptParam: divideParam: gradientParam: initParam: performParam: trainParam: .2) (1.7) (1.show.26) (2.21) (2. .'plotsomnc'.30) (1.8) (2.12) (1.18) (3.25) (2.'plotsomplanes'. .27) (2. .32) (1.epochs.6) (1.20) (2.

33) (1.17) (1.20) (2.1) (1.10) (2.11) (1.24) (1.35) (1.35) (1.21) (2.4) (1.3) (1.30) (1.13) (1.23) (1.14) (1.22) (2.34) (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 = (1.5) (1.27) (2.29) (1.36) (1.7) (2.37) 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 .8) (2.36) (1.2) (1.(1.12) (1.15) (1.28) (1.18) (3.32) (1.9) (1.19) (1.16) (1.34) (1.25) (2.31) (1.6) (1.26) (2.

Magetan 21.000 epoch No. Kota Probolinggo 4. Kota Pasuruan 5. Blitar 17. Ponorogo 14. Bondowoso 28. 14. 20. 34. 9. Sampang 11. Kota Madiun 7. 28. Nganjuk 35. 11. 18. 27. Malang 24. Mojokerto 33. Gresik 37. 19 Pengelompokan kabupaten/kota secara lengkap adalah sebagai berikut: Kelompok I terdiri dari 26 kabupaten/kota yaitu: 1. 30. Kota Surabaya 10. Hasil pembacaan Clustering data untuk 10. 32.Berdasarkan input data. 33. dan setelah pengolahan seperti di atas. 17. Jombang 34. 5. Kota Batu 12. Madiun Tugas Neural Network kelompok II 9 .3. 29. 21. 12. 23. Trenggalek 15. 6. 2. Kediri 18. Situbondo 29. Kota Blitar 3. 13. 24. Ngawi 22. didapatkan pengelompokan sebagai berikut: Tabel 1. Probolinggo 30. Pacitan 13. Lamongan 36. 35. Kota Mojokerto 6. Sumenep Kelompok II terdiri dari 10 kabupaten yaitu: 8. Sidoarjo 32. Kota Kediri 2. 4. 16. 31. Tulungagung 16. 22. 37 8. 25. Banyuwangi 25. Pasuruan 31. 36. 3. 26. 7. Bojonegoro Kelompok III hanya terdiri dari 1 kabupaten yaitu: 19. 15. Pamekasan 20. Jember 27. Bangkalan 9. 10. Lumajang 26. 1 2 3 Cluster ke I II III Masukan ke 1.

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

1. 2. 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 . 3. j = 1. 𝑋𝑛 𝑌1 . … .3 Algoritma Notasi : X T Wj Cj : Training Vektor : Kategori dari training vector : Vektor bobot untuk kategori ke-j : Kategori j (hasil training) 𝑋1 . 𝑌2 . … 2. 𝑋2 .Keterangan : = Vektor input = Vektor Output = Bobot input ke-I pada kelompok ke-j i. … .

Sedangkan pengelompokkan kabupaten berdasarkan IPM dijadikan sebagai vector output (keluaran)-nya. akan dijadikan sebagai vector input (masukan)-nya.7 Situbondo 61. 24.6 6.2 91. 26. 19. 6.1 5.6 613.8 5.0 608. 13.5 Kt Kediri 69.9 Kt Batu 69.1 615.6 73.8 Kediri 68. 14. 2.0 85.4 609.7 72.3 6. Pengelompokkan kabupaten berdasarkan IPM di Provinsi Jawa Timur 2004 Kab/Kota AHH AMH ALS PPP (X1) (X2) (X3) (X4) Bangkalan 61.4 609.4 Banyuwangi 64.5 Sumenep 62.7 73.2 61.3 5.3 636.1 79.8 609.0 Ssampang 59.7 Tuban 66.1 6.0 615.6 74. Kabupaten-kabupaten di jawa Timur dikelompokkan berdasarkan IPM. Angka Melek Huruf (AMH).1 78.5 80.0 Bojonegoro 66.5 85.7 615.0 620.3 4. Rata-rata Lama Sekolah (ALS) dan Pengeluaran Riil Perkapita (PPP).5 Madiun 67.5 Jombang 68. 21.4 606. 1.8 620.5 78.9 73. 11.5 Pamekasan 61.4 Lumajang 65.5 94.3 No.0 5.2.4 615.8 Lamongan 67.7 5.9 601.7 612.2 616.7 Blitar 69.7 5.1 5. 3. 23. 9.4 5. IPM sedang.2 632.1 Gresik 69.5 82.5 613.8 6. Pengelompokkan kabupaten dapat dilihat pada tabel berikut ini : Tabel 2.1 96. 18.2 84.3 Pasuruan 62. 5.1 Kt Madiun 70.2 84.4 87. 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 .9 592.8 Nganjuk 67.8 Pacitan 70.2 96. 12. Adapun komponen pembentuk IPM yang meliputi Angka Harapan Hidup (AHH).6 4.4 6. 8.3 6. 4.5 9.9 84. dan kelompok 3 menunjukkan kelompok kabupaten degan IPM tinggi. 15. 17. 22.4 88. 16.0 83.1 9.7 79.9 Ngawi 67.5 609.0 6. 25.8 7.3 3.3 Bondowoso 60.6 7. 20.8 6.3 616.1 Jember 61.1.6 631.6 614.9 9.3 81.7 6 620.2 615.2 PEMBAHASAN Berikut disajikan penerapan pengkategorisasian menggunakan jaringan LVQ berdasarkan IPM Provinsi Jawa Timur tahun 2004. kelompok 2. Kabupaten yang berada pada kelompok 1 menunjukkan bahwa kabupaten tersebut memiliki IPM rendah.2 Ponorogo 67.9 616.4 4. 10.7 Probolinggo 59.7 79. 7.

8 ALS (X3) 4. Akan dibentuk jaringan kompetitif dengan algoritma pembelajaran LVQ net.5 96.0 620. 32.4 88. 2 dan 3 (Tabel 2) : Tabel 2.1 88. Instruksi : Tugas Neural Network kelompok II 13 .27.3 9. 5.8 91.6 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 =0.3 69.9 70.9 9.1 6. data ke-7 sampai 37. 37.8 69. 29.5 6.4 68.2 6.1 89. akan dipakai sebagai data-data yang akan dilakukan pelatihan.0 95.8 613.9 89.3 639.5 616.4 69 69.1 8. Bobot Awal No.6 619.7 636.8 PPP (X4) 609.4 68.8 6.6 88.1 Kel (Y) 1 1 2 2 3 3 Sedangkan sisanya. 31.2 69. Kab/Kota Bangkalan Banyuwangi Jombang Kediri Blitar Gresik AHH (X1) 61. 28. 35.0 9.1 70. 6.6 635. 2.2. 3 kelas dengan masing-masing memiliki kemungkinan kemunculan yang sama (1/3).3 69.2 AMH (X2) 73.8 91.6 84.7 631. 30.1 96.2 7.3 7.8 9.1 67.5 6.9 68.1 Dari ke-37 data tersebut akan diambil 6 data pertama untuk dijadikan bobot yang masing-masing akan mewakili kelas 1.6 85. 36.6 9.6 64.1 617. 4. 1.4 7.3 7.8 613.3 87.7 636.6 619.1 620.4 616.5 95.9 68.5 65. 33. 3.0 95.9 7. yang terdiri dari 4 neuron pada lapisan kompetitif (lapisan tersembunyi). 34.4 619.5 95. Magetan Mojokerto Trenggalek Tulungagung Kt Batu Kt Kediri Kt Blitar Kt Mojokerto Kt Pasuruan Kt Probolinggo Kt Surabaya 69.0 631.

01.0 69.1] p = p' Tc = [1 1 2 2 3 3] T = ind2vec(Tc).6 85.6 88. 620.T).7.JumlahNeuron. Tugas Neural Network kelompok II 14 .3 7.5 6. 636. net.LW{2. JumlahKlas = size(full(T).epochs = 500.8 6. Jaringan ini akan dilatih dengan dengan menggunakan algoritma pembelajaran LVQ dengan maksimum epoch = 500 dan toleransi error 0. net = train(net.m). instruksi : net. net = newlvq(minmax(p). JumlahKlas = size(full(T).1. JumlahNeuron = 4.JumlahKlas)).5.8 609.3 7.8 4.1).8. 616.p. Kemudian hasilnya akan disimulasikan. Output hasil simulasi akan disimpan pada vector H instruksi : y = sim (net.6 84. dengan input yang sama dengan input data pelatihan (data training). net = newlvq(minmax(p). bobot_awal_input = net.4 68.(1/JumlahKlas)*ones(1.goal = 0.1} bobot_awal_lapisan = net. 613.T = ind2vec(Tc).2 73.3 87.trainparam.JumlahNeuron.trainparam. 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 64.4 69.JumlahKlas)).trainparam.epochs = 500.01.2 6.8 91. 616.IW{1.4.1).1} net.9 68.(1/JumlahKlas)*ones(1. JumlahNeuron = 4.

0. Pengelompokkan yang terjadi : No.2 67.0 69.3.0 608.6. 8.6 9. 619. 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 .4.8 6. 1.3 m = M' y = sim (net.1 78. 11.9 9.4 5.0 83.1 88.3 91. 609.8 96.5 80.4 67.3 6.1 5. 609.8.8. 620.7 6.2 68. 606.1 66. 9.0 7. M = [70.m).p. 615.7. 635.4 68.0 59.T).3.7 61.9 59.0 83.0.9 9.6 615 627.7 79. 2.4 95. 613.8 5.1.3.3 81.4 4. 615.5 85.7 73.6 631.7.4 62.9 6. 7. yc = vec2ind(y) 9. 614.5 9.6 67.1 639. 5.4 8. 4. 613.9 65.5 69. 5.7 67.trainparam.8 67.7 5.2 69. 615.0 70.4 61. 6.5 94.5.5 6.2 96.2 84.1 96.3.1 5.8.net.8 95.goal = 0.2 84.7. 617. 636.1 79. 3.9 89.7] Tabel 2. 12.3 4.5 9.3 5. 631.5 82. 615. 612.0.8 7.5 70.8 67.0 60.6 619.5.4 67.9 89.5 68.2 61. 620.3 3.7 66.2. 9.5. 5.1 7.1 6.7.6 74.7 72.3 88. 601. 10.9.4.4 6.7.9 73.5.9 592.3 69.9 70.1 62. 616.1.1 69.7 79.9.6 65.5 78.1 6.01.9 95. 619.0 61. 609. 632. net = train(net.0 6.6.5 95. 615.

13. 16. 31. 37. 32. 27. 24. 21. 29. 25. 19. 23. 18. 33. 17. 28. 36. 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 . 15. 34. 30. 26. 35. 22. 14. 20.

PENDAHULUAN 3.Suhandi. serta m buah unit keluaran. 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 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.1.1. hidden layer. Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih hidden layer. 2009) 3. Backpropagation Tugas Neural Network kelompok II 17 . dan output. terdiri dari input.2 Arsitektur Arsitektur dalam Backpropagation yang merupakan salah satu multi layer perceptron.(F. sebuah layer tersembunyi yang terdiri dari p unit (ditambah suatu bias).BAB III BACKPROPAGATION 3. Gambar dibawah ini adalah arsitektur backpropagation dengan n buah masukan (ditambah suatu bias).1.

b. voj merupakan bias pada Hidden neuron ke. x2. t2... k.1.3 Algoritma a. sebagai berikut : a. g.. bobot untuk semua lapisan diatur secara serentak. Untuk langkah selengkapnya adalah : Tugas Neural Network kelompok II 18 . tiap unit masukan ( xi) mengirimkan sebuah masukan sinyal ini ke tiap-tiap lapisan tersembunyi z1... xi merupakan Input neuron... i..Berikut ini penulisan istilah yang dipakai dalam proses Backpropagation. α adalah Learning rate. θ adalah Toleransi error. δk adalah bagian koreksi error penyesuaian bobot w jk berpedoman pada error output neuron yk.. T = (t1.j.m) dihitung. wok merupakan bias pada output neuron ke-k. faktor δk (k = 1. d.tk. t : Vektor target output. X = (x1.xn).. c. e. Dengan cara yang sama. 3... Setiap unit tersembunyi ini kemudian menghitung aktivasinya dan mengirimkan sinyalnya (zj) ke tiap unit keluaran.xj. l. z_ini merupakan nilai input pada ke-i. Selama pelatihan.. didasarkan pada faktor δj dan dan aktivasi xi unit masukan. zj merupakan nilai output dengan menggunakan fungsi aktivasinya. Tidak perlu untuk menyebarkan kesalahan kembali ke lapisan masukan. Setelah seluruh faktor δ ditentukan.tm). x merupakan vektor input pembelajaran.. j.. tetapi δj digunakan untuk mengupdate bobot-bobot antara lapisan tersembunyi dan lapisan masukan..….. δk digunakan untuk menyebarkan kesalahan pada unit keluaran yk kembali ke semua unit pada lapisan sebelumnya (unit-unit tersembunyi yang dihubungkan ke yk). f... Yk : nilai output neuron ke-k dengan menggunakan fungsi aktivasi yang dipilih..zp. Pengaturan bobot wjk (dari unit tersembunyi zj ke unit keluaran yk) didasarkan pada faktor δk dan aktivasi zj dari unit tersembunyi zj.. tiap unit keluaran membandingkan perhitungan aktivasinya yk dengan nilai targetnya tk untuk menentukan kesalahan pola tersebut dengan unit itu. Pada perambatan maju.…. δj adalah bagian koreksi error penyesuaian bobot vij berpedoman pada error output neuron zj. Juga digunakan (nantinya) untuk mengupdate bobot-bobot antara keluaran dan lapisan tersembunyi.. h. Pada setiap unit keluaran (yk) akan menghitung aktivasinya yang digunakan untuk membentuk respon pada jaringan sehingga akan memberikan pola masukan. faktor ( j = 1. Berdasarkan kesalahan ini.. y_ink merupakan nilai input untuk Yk m...p) dihitung untuk tiap unit tersembunyi zj. Algoritma Pelatihan Dalam pelatihan suatu jaringan dengan algoritma backpropagation terdapat dua tahapan yaitu tahapan perambatan maju dan tahapan perambatan mundur.

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

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

17 36390600 70.Tabel 3.8( x  a)  0. Tugas Neural Network kelompok II 21 .68 7. 0.1 ba dengan a adalah data minimum dan b adalah data maksimum.1 . Variabel – variabel yang digunakan X0 2003 2004 2005 2006 2007 X1 X2 X3 18097118 18822218 19335890 19244959 20117924 X4 8. X4 = Tingkat Pengangguran Terbuka X5 = PDRB (Produk Domestik Regional Bruto) atas dasar harga konstan 2000.69 8.64 36396345 69.9] dengan menggunakan fungsi: x'  0.99 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. Target X7 = Jumlah Pengangguran Data tersebut di transformasi linear ke interval [0.1.20 36481799 69.79 X5 228884459 242228892 256374727 271249317 287579857 X6 16525698 17374955 17689834 17669660 18751421 X7 1571420 1447263 1646056 1575299 1366503 36199078 66.41 36895571 68.51 8. X6 = Angkatan kerja yang bekerja penduduk usia 15 tahun keatas.

9 0.1 0.1 0.6369 0. dalam arti hasil pembelajaran yang tercepat dan terbaik itulah yang akan menentukan jumlah hidden layer tersebut.31998441 0.{'logsig'.1000 0.4247 0.9000 0.%epeoch maksimum 20000 net.%pembentukan jaringan saraf minmax(P) net.63687003 0.28188047 0. demikian juga untuk fungsi keluarannya.30 0.show = 100.69259259 0. karena semua data berada dalam range [0.68641331 0. Batas MSE yang ditentukan sebesar 1e-05.ramal).1000 0.40525164 0.42473664 0. Berikut ini syntax yang dipakai : P = varinput %data input T =target %data target net=newff(minmax(P).9 X7 0.tr]= train (net. Data hasil transformasi: X0 0.9 X2 0.59867374 X3 0.epochs =20000.pf.e.6432 0.10 0. Fungsi aktivasi yang digunakan adalah fungsi sigmoid biner (logsig).32658318 0. net.51117857 0.3266 0.38705378 0.%eror hasil yang di inginkan [net.[10 1].trainParam.64323607 0.1] .67741982 0. net.2. Laju pemahaman yang digunakan adalah sebesar 0.trainParam.2.t) Berikut ini matrik inputnya : P = 0.9 X6 0.51842979 0.1000 0.1 Perancangan arsitektur backpropagation pertama adalah menentukan jumlah hidden layer.trainParam.3000 0.7000 0.lr = 0.1 0.1] y=sim(net.[]. Pemberian nilai bobot dan bias awal menggunakan bilangan acak kecil yang dilakukan oleh software Matlab.5000 0. Metode pelatihan yang dipakai dalam arsitektur ini adalah dengan menggunakan metode standar dari Matlab yaitu menggunakan metode penurunan gradien.82804233 0.3200 0.9 0.af.goal = 1e-5.1 X5 0.T)%training jaringan t=[0.9000 0.1 0.'logsig'}.9000 0.55440918 0.90 X1 0.'traingd').2.1 hidden layer (sebanyak 10 neuron) dan 1 output layer.47468379 0.5987 22 Tugas Neural Network kelompok II . dan menentukan banyaknya unit dalam setiap hidden layer. tidak ada ketentuan khusus karena tidak ada teori yang dengan pasti dapat dipakai.perf]=sim(net.59040709 0.48095238 0. Jumlah hidden layer ditentukan dengan cara trial and error. Dalam hal ini arsitektur yang dirancang adalah 7 input layer.9 0.trainParam.70 0.9 X4 0.1 0.P.Tabel 3.50 0.ramal.33111181 0. Mengenai jumlah banyaknya hidden layer yang dibutuhkan. [y.69751389 0.[].

0.6687 0.9000 0.1090 Dengan mentransformasikan ke nilai sebenarnya diperoleh nilai sebesar 1298322.6926 0. Sedangkan angka prediksi BPS Propinsi Jatim sebesar 1296313.6975 0.1000 0.3311 0.9000 Hasil simulasinya adalah : y = 0.1000 0.9000 0.8280 0. diperoleh hasil bahwa test terhadap pola-pola tersebut benar (akurat).9000 0. Tugas Neural Network kelompok II 23 .9000 Sedangkan matrik outputnya: 0.1000 0.9000 0.4747 0.4810 0.2819 0.1000 0.1000 T = 0.6864 0.5184 0.9000 0.5544 0.5904 0.5112 0.9000 0.9000 0.6774 0. Berikut ini maktrik yang akan disimulasikan terhadap hasil pelatihan : ramal = 0. Dengan demikian setelah dilakukan pelatihan dan pengujian pola – pola yang dilatih.4053 0.3871 0.1000 Untuk memperoleh batas MSE yang ditentukan dperlukan sebanyak 17928 epochs.9000 0.

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

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

j = 1.. 𝑁 adalah himpunan fungsi nonlinear yang disebut fungsi radial basis (Radial Basis Function = RBF) dan . Fungsi Invers Multikuadratik ∅ 𝑧 = 𝑧 − 𝜇 2 −1/2 4. sedangkan bila input jauh dari ratarata. 𝑑2 . diantaranya adalah : 1.2. 𝑑𝑁 𝑤 = 𝑤1 . 𝑤𝑁 dan Tugas Neural Network kelompok II 26 𝑥𝑖 ∈ ℜ𝑝 𝑖 = 1.. 𝑁 pusat dari RBF 𝜎12 𝜎22 ⋮ 𝜎𝑁2 … 𝜎1𝑁 𝑤1 𝑑1 … 𝜎2𝑁 𝑤2 𝑑2 ⋱ ⋮ ⋮ = ⋮ … 𝜎𝑁𝑁 𝑤𝑁 𝑑𝑁 . … . 𝑤. Ada beberapa fungsi radial basis + 𝜎 2 + 𝜎 2 1/2 3.. yaitu bila input dekat dengan ratarata (pusat). Fungsi Thin Plate Spline ∅ 𝑧 = 𝑧 − 𝜇 2 𝑙𝑜𝑔 𝑧 − 𝜇 2. … . maka (2) dapat dinyatakan dengan: 𝐹 𝑥 = Dimana ∅ 𝑥 − 𝑥𝑖 jarak Euclid.3.3. Interpolasi input-output (2) dengan melihat disain model RBFNN. 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..2. … . … . Fungsi radial basis yang sering digunakan adalah fungsi gaussian karena mempunyai sifat lokal.Pada pemodelan RBFNN dilakukan dengan memilih suatu fungsi F( x) sehingga (2) dipenuhi. maka fungsi akan meng-hasilkan nilai satu.2. Fungsi Multikuadratik ∅ 𝑧 = 𝑧 − 𝜇 2 𝑁 𝑖=1 𝑤𝑖 ∅ 𝑥 − 𝑥𝑖 (3) adalah norm 𝑖 = 1. maka fungsi membe-rikan nilai nol. N Persamaan diatas bila dinyatakan dalam bentuk metriks menjadi: fw=d dimana 𝑑 = 𝑑1 .

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

𝑘 = 𝑘(𝑥) 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛 dimana 𝜂adalah parameter laju pembelajaran 4.3. sehingga nilai 𝑠 2 harus berada pada suatu interval kepercayaan. berarti nilai varian besar. Update : Menghitung nilai pusat baru. Karena yang diperoleh dari data adalah dugaan dari 𝜎 2 (𝑠 2 ). 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 . Nilai batas untuk varians dapat didekati dengan menghitung interval kepercayaan (1 − 𝛼) dari nilai varians tersebut.1−𝛼 /2 Batas bawah : Tugas Neural Network kelompok II 28 . Sebaliknya jika nilai bobot sangat kecil. Ulangi langkah 2 dan 3 sampai tidak ada perubahan nilai pusat. sebagai berikut : 𝜇𝑘 𝑛 + 1 = 𝜇𝑘 𝑛 + 𝜂 𝑥 𝑛 − 𝜇𝑘 𝑛 . Sehingga jika bobot bernilai sangat besar yang berarti nilai varians kecil menuju nol. berimplikasi bentuk fungsi sempit. dengan menggunakan suatu pendekatan. sehingga tidak dapat menangkap informasi yang ada. berimplikasi pada bentuk fungsi yang lebar dan berisi banyak informasi yang kurang berguna. Sehingga diperlukan suatu nilai batas bawah dan batas atas untuk varians ter-sebut. 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 . 𝜇𝑘 𝑛 .

28 -0.33 0. Data inflasi ini merupakan data time series dan menunjukkan waktu tiap bulan.36 0.53 0.06 1.29 0. ingin kita prediksi nilai inflasi pada bulan ke-77.02 0.32 1.97 1.1 Data inflasi selama 76 bulan Bulan 1 2 3 4 5 6 7 8 9 Inflasi 2. Dari data tersebut. 4. Berikut ditampilkan datanya.36 0.85 1.87 0.39 0.18 -0.97 0. Di bawah ini kami tampilkan data inflasi selama 76 bulan.57 -0.2 PEMBAHASAN Data inflasi merupakan data yang sangat penting dalam perkembangan perekonomian.02 Tugas Neural Network kelompok II 29 . Nilai (n-1) 𝑠 2 yang berada diluar in-terval adalah petunjuk awal bahwa hubungan (link) variabel input ke node adalah calon untuk dihapus. karena terindikasi tidak dapat menangkap informasi yang ada atau terlalu banyak mendapat informasi yang tidak berguna. maka nilai 𝑠 2 dicari dengan pendekatan lain.48 0. Tabel 3.09 0.54 1.46 1.94 0.13 Bulan 41 42 43 44 45 46 47 48 49 Inflasi 0.68 Bulan 21 22 23 24 25 26 27 28 29 Inflasi -0.93 -0.2 0.Batas atas : 𝜎 2 𝜒 2𝑛 −1 .26 -0.8 Bulan 60 61 62 63 64 65 66 67 68 Inflasi 0.05 -0.88 0.82 0.68 -0.89 0.𝛼 /2 Karena nilai 𝑠 2 tidak diketahui.34 -1.16 1.8 0. yaitu dengan melakukan simulasi sebanyak n kali.

26 -0.99 1. mka untuk bulan berikutnya bulan ke-77 y=sim(net.a).73 .67 2.56 0.80 0.29 0. MSE = 0. %membentuk jaringan basis radial net=newrb(p..18 -0.45 0.02 -0.04 1.2 -0.89 0.68 1.82 0.IW{1.89 1.87 0.1} bobot_lapisan = net.23 0.574084 25.34 Sintax pengolahannya adalah sebagai berikut: clc %data target a = [2.07 -0.21 0.62 1.5 -0.84 0. 1.34].56 0.04 1.93 -0.01 0.64 0.84 0.21 0.91 0.15 0..24 0.55 1.32 0.43 -0.67 2.25 1.36 0.32 0. neurons neurons neurons neurons = = = = 0.94 69 70 71 72 73 74 75 76 0.28 0.48 0. %melihat bobot bobot_input = net.10 11 12 13 14 15 16 17 18 19 20 0.03 0.57 -0.23 0.88 0.45 0.36 .55 1..94 0.06 0.62 1.06 0.54 1. 0.01 0.44582e-031 bobot_input = 1 37 30 24 Tugas Neural Network kelompok II 30 . NEWRB.53 0.21 0.56 0.. jumlah data sebelumnya ada 76 data.50 . NEWRB.80 0.68 -0.1} q=77 %untuk data ke 77.50 1.32 1.b{2.09 0.09 0.84 0.56 0.99 1.06 1..q) %untuk simulasi data ke 77.25 1.02 0.20 0.91 0.b{1. MSE = 1.05 -0..LW{2. 0. MSE = 0.02 0.16 1.46 1.28 0.21 0.07 -0.17 1..34 -1.02 -0.64 0. NEWRB.85 1..97 1.39 0. Setelah dilakukan pengolahan dengan Matlab diperoleh hasil sebagai berikut: NEWRB.09 0.15 0. -0. -0.84 0..71 1.33 .1} bobot_bias_lapisan = net.20 .51 -0.36 0.12 -0.68 0.94 0.24 50 51 52 53 54 55 56 57 58 59 60 0.89 1. %data input p=1:1:76.5 1.1} bobot_bias_input = net.51 30 31 32 33 34 35 36 37 38 39 40 1.28 -0.17 1.43 -0.0847929 50.. MSE = 0.13 1.73 1.12 -0.03 0.010377 75.71 1.68 1.97 0.36 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 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 0.8326 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 0.8326 0.8326 0.68 10 9 6 14 3 63 66 69 39 5 bobot_bias_input = 0.8326 0.8326 0.

4404 0.9009 1.8326 0.8692 Columns 10 through 18 0.8326 0.3801 0.8790 1.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.7765 2.2796 -1.8326 0.8469 Columns 28 through 36 -1.8326 0.1115 -1.6596 -1.9892 0.2711 0 -1.5337 2.8326 0.3261 -1.1750 2.8326 0.1550 1.8326 0.8326 0.4669 -2.0426 -0.0511 -0.5967 -0.8098 4.2929 -2.8326 0.8326 0.9406 1.8326 0.8326 0.2362 -2.3466 -0.0564 4.3372 -0.7863 0.8326 0.8326 bobot_lapisan = Columns 1 through 9 2.2332 1.4127 -0.8326 0.1674 - Tugas Neural Network kelompok II 33 .8326 0.9263 3.1372 0.0748 1.1435 -4.8326 0.8326 0.4107 1.0.4696 - Columns 19 through 27 0.8326 0.2471 -1.8326 0.0290 -1.0218 -0.8326 0.8326 0.5933 3.8326 0.6818 - Columns 37 through 45 -2.

0051 -0.15 Dari pengolahan matlab di atas didapatkan bahwa prediksi inflasi pada bulan ke 77 adalah sebesar 0.1528 Maka data untuk bulan ke-77 adalah 0.3170 - Columns 73 through 76 -0.6540 -1.1096 1.6694 Columns 46 through 54 -2.5340 -0.6405 -0.1621 - Columns 64 through 72 -0.2881 q = 77 y = 0.8640 -0.1995 -2.0300 -2.7137 0.6030 bobot_bias_lapisan = 1.1724 -1.6399 -0.8350 -1.1410 -2.0107 -0.0990 1.2911 -0.1224 -0.3734 -0.15.6577 0.7175 0. Tugas Neural Network kelompok II 34 .6562 -0.0251 0.0389 -1.6100 0.0554 - Columns 55 through 63 -1.0.2366 -0.8726 -1.6288 -0.2333 1.

Sign up to vote on this title
UsefulNot useful