2. Menilai bangunan dengan menghitung biaya reproduksi baru bangunan, hitung
besarnya penyusutan, lalu tentukan nilai pasar bangunan. 3.
Menentukan nilai properti.
Biaya reproduksi baru merupakan jumlah uang untuk memproduksi atau mengganti baru suatu aktiva, berdasarkan harga setempat pada saat penilaian
dilakukan. Biaya reproduksi baru terbagi dua yaitu biaya langsung dan tidak langsung. Biaya langsung terdiri dari biaya izin, material, upah tenaga kerja, biaya kontraktor
dan konsultan teknik. Sedangkan biaya tidak langsung terdiri dari asuransi, bea masuk atau pajak, biaya konsultan, dan biaya bunga selama masa konstruksi.
Terdapat 4 teknik dalam cara-cara menghitung biaya reproduksi baru atau penggantian baru, yaitu :
1. Survey Kuantitas
2. Unit Terpasang
Unit in Place.
3. Meter Persegi
4. Index
2.2 Teknik Peramalan
Peramalan atau
forecasting
merupakan aktivitas dalam bisnis yang memperkirakan jumlah produk yang akan terjual yang mendekati dari perkiraan permintaan konsumen
akan produk tersebut. Peramalan ini berguna sebagai menentukan kebijakan pengendalian, membuat perencanaan produksi, serta untuk menentukan tingkat tenaga
kerja selama periode produksi Winny, 2014. Peramalan tidak hanya digunakan untuk memperkirakan permintaan produk saja, namun secara luas juga digunakan dalam
sistem lainnya. Dalam suatu industri, peramalan dilakukan oleh berbagai departemen, seperti departemen pemasaran, produksi, pembelian, persediaan, dan keuangan.
Berdasarkan sifat ramalan yang telah disusun, maka peramalan dapat dibagi atas 2 macam, yaitu peramalan kualitatif dan peramalan kuantitatif. Peramalan
kualitatif adalah peramalan yang yang didasarkan oleh data kualitatif pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada orang yang menyusunnya. Hal ini
penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang bersifat pendapat, intuitif, pengetahuan dan pengalaman. Metode kualitatif didasarkan
Universitas Sumatera Utara
pada informasi yang bersifat kualitatif. Dasar informasi ini dapat memprediksi kejadian-kejadian di masa yang akan datang.
Peramalan kuantitatif merupakan peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan yang dibuat tergantung pada metode yang
digunakan pada peramalan tersebut. Baik tidaknya metode yang digunakan ditentukan oleh besarnya penyimpangan
error
dari perbandingan data aktual dengan yang diramalkan. Peramalan kuantitatif dapat digunakan apabila terdapat 3 kondisi yaitu :
1. Adanya informasi masa lalu yang dapat digunakan
2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data
3. Dapat diasumsikan bahwa pola yang terbentuk pada masa lalu akan terus
berlanjut dimasa yang akan datang. Metode peramalan kuantitatif dapat dibagi menjadi dua tipe, yaitu :
1. Metode
Causal
Metode
causal
mendasarkan hasil ramalan yang disusun atas pola hubungan antara variabel yang dicari atau diramalkan dengan variabel-variabel lainnya
yang tidak terkait dengan waktu. Dalam analisa ini, faktor atau variabel yang menunjukkan suatu hubungan pengaruh sebab akibat dengan satu atau lebih
variabel diasumsikan bebas. Maksud dari analisa metode
causal
adalah untuk menemukan pola hubungan yang saling mempengaruhi antara variabel yang
dicari dan variabel - variabel yang mempengaruhinya, serta menggunakannya untuk meramalkan nilai-nilai dari variabel pada masa yang akan datang.
Metode
causal
sering digunakan untuk pengambilan ketupusan Winny, 2014. 2.
Metode
Time Series
Metode
time series
merupakan metode peramalan secara kuantitatif dengan waktu sebagai dasar peramalan. Dimana untuk membuat suatu peramalan
dibutuhkan data historis, data inilah yang diakumulasikan dalam beberapa periode waktu. Metode
time series
mengasumsikan bahwa apa yang telah terjadi di masa lalu akan terus terjadi pada masa yang akan datang. Peramalan
dengan
time series
tidak memperhatikan setiap faktor yang mempengaruhi perubahan, melainkan berdasarkan pada pola tingkah laku pada peubah itu
sendiri pada masa lalu. Kemudian dengan informasi yang didapat dari pola tersebut, dilakukan proses pendugaan terhadap pola peubah tersebut untuk di
Universitas Sumatera Utara
masa yang akan datang. Pada umumnya perhatian utama dalam analisis
time series
bukan pada titik waktu pengamatan, melainkan pada urutan pengamatan. Tujuan metode
time series
ini adalah untuk menemukan pola yang terdapat pada data historis dan pola tersebut akan diekstrapolasikan ke
masa depan. Prediksi dengan metode
time series
telah sering digunakan dalam peramalan, sedangkan metode
causal
lebih banyak dan lebih berhasil digunakan dalam pengambilan keputusan dan kebijakan. Peramalan dengan
time series
harus mendasarkan analisisnya pada pola dari data yang digunakan. Ada 4 pola data yang
lazim ditemui dalam peramalan
time series
, yaitu : 1.
Pola Data Horizontal Pola ini terjadi apabila nilai-nilai dari data observasi berfluktuasi di sekitar
rata-rata dari nilai konstannya. Dapat dikatakan bahwa pola ini sebagai
stationary
pada rata-rata hitungannya. Misalnya pada suatu produk yang mempunyai jumlah penjualan yang tidak menaik atau menurun selama
beberapa periode waktu. Contoh pola data horizontal dapat dilihat pada gambar 2.1.
Gambar 2.1 Pola Data Horizontal
Universitas Sumatera Utara
2. Pola Data Siklis
Pola data siklis terjadi bila datanya berubah sesuai dengan fluktuasi ekonomi jangka panjang yang berhubungan dengan siklus bisnis ataupun siklus yang berulang
secara periodik. Contoh pola data siklis dapat dilihat pada gambar 2.2.
Gambar 2.2 Pola Data Siklis
3. Pola Data Musiman
Pola data musiman terjadi apabila suatu deret data dipengaruhi oleh faktor musiman, misalnya pada hari-hari tertentu, mingguan, bulanan ataupun pada kuartal
tahun tertentu. Contoh pola data musiman dapat dilihat pada gambar 2.3.
Gambar 2.3 Pola Data Musiman
Universitas Sumatera Utara
4. Pola Data Trend
Pola data trend terjadi apabila ada kenaikan atau penurunan secara sekuler dalam jangka panjang pada datanya. Contoh pola data trend dapat dilihat pada gambar
2.4.
Gambar 2.4 Pola Data Trend
2.3
Fuzzy Logic
Logika
Fuzzy
atau
Fuzzy Logic
adalah suatu cara untuk memetakan suatu inputan menjadi output tertentu dimana pemetaan tersebut dimisalkan sebagai
blackbox
, jadi antara input dan output terdapat suatu kotak hitam yang harus memetakan
input
ke
output
yang sesuai Kusumadewi, 2010. Dalam
Fuzzy Logic
, terdapat sebuah
rule base
untuk mengontrol variabel output, dimana
rule
dari
fuzzy
tersebut merupakan
rule
sederhana yang terdiri dari
IF-THEN rule
dengan sebuah kondisi dan kesimpulan Singhala, 2014. Istilah
Fuzzy Logic
memiliki berbagai arti, salah satu arti
fuzzy logic
adalah perluasan
crisp logic
, sehingga dapat mempunyai nilai antara 0 dan 1, dimana pada bilangan
crisp
nilai hanya terpaku pada 0 dan 1. Alasan-alasan mengapa logika
fuzzy
digunakan Kusumadewi, 2010 yaitu : 1.
Konsep logika
fuzzy
mudah dimengerti. Dimana konsep matematis sebagai dasar dari penalaran fuzzy sangat sederhana dan mudah dimengerti.
2. Logika
fuzzy
bersifat fleksibel. 3.
Logika
fuzzy
dapat mentolerasi data-data yang kurang tepat. 4.
Logika
fuzzy
dapat memodelkan fungsi-fungsi nonlinear yang sangat kompleks.
Universitas Sumatera Utara
5. Logika
fuzzy
dapat mengaplikasikan pengalaman terhadap data yang didapat dari pakar tanpa melalui proses pelatihan.
6. Logika
fuzzy
secara konvensional dapat bekerja sama dengan teknik-teknik kendali.
7. Logika
fuzzy
didasarkan oleh bahasa yang alami.
2.3.1 Himpunan Fuzzy
Set
fuzzy
adalah sebuah set tanpa batas kepastian atau ketepatan Poonam, 2012. Pada himpunan tegas
crisp
, bila dimisalkan nilai keanggotaan suatu benda x dalam suatu himpunan A, akan hanya memiliki 2 kemungkinan Kusumadewi, 2010, yaitu :
1. Bernilai nol 0, yang artinya bahwa benda tersebut tidak termasuk dalam
keanggotaan dalam suatu himpunan A. 2.
Bernilai satu 1, yang artinya bahwa benda tersebut menjadi anggota dalam suatu himpunan
Bila pada himpunan
crisp
, nilai keanggotaan hanya ada 2 kemungkinan yaitu 0 dan 1, Pada himpunan
fuzzy
, nilai keanggotaan terletak dalam jarak rentang antara 0 sampai 1. Apabila x memiliki nilai keanggotaan fuzzy
µ
A
[x] = 0 artinya x bukanlah anggota himpunan A. Demikian pula apabila x memiliki nilai keanggotaan fuzzy
µ
A
[x] = 1 artinya x menjadi anggota penuh pada himpunan A. Terdapat kemiripan dalam probabilitas dengan keanggotaan dalam
fuzzy
yang menimbulkan kerancuan karena keduanya memiliki nilai pada interval 0 dan 1, namun antara kedua kasus
tersebut memiliki interpretasi nilai yang sangat berbeda. Letak perbedaannya yaitu keanggotaan
fuzzy
memberikan suatu ukuran terhadap pendapat atau keputusan, sedangkan probabilitas mengindikasikan proporsi terhadap keseringan suatu hasil
bernilai benar dalam jangka panjang Kusumadewi, 2010. Himpunan
fuzzy
memiliki 2 atribut yaitu : 1.
Linguistik, yaitu pemberian nama terhadap suatu grup yang menjadi perwakilan dari suatu keadaan atau kondisi dengan menggunakan bahasa
alami. 2.
Numeris, yaitu suatu atribut nilai atau angka yang menunjukkan ukuran dari suatu variabel.
Universitas Sumatera Utara
2.3.2 Fungsi Keanggotaan
Fungsi keanggotaan atau
membership function
adalah suatu kurva yang menunjukkan pemetaan terhadap titik-titik
input
data ke dalam nilai keanggotaannya atau derajat keanggotaan yang memiliki interval antara 0 dan 1 Kusumadewi, 2010. Pendekatan
fungsi merupakan salah satu cara dalam mendapatkan nilai keanggotaan. Ada beberapa fungsi yang bisa digunakan yaitu :
1. Representasi Linear
Pada representasi linear, proses pemetaan
input
ke dejarat keanggotaan digambarkan sebagai suatu garis lurus. Representasi ini merupakan yang
paling sederhana dan sangat baik jika digunakan untuk pendekatan terhadap suatu konsep yang kurang jelas.
Himpunan
fuzzy
yang linear memiliki 2 keadaan. Pertama yaitu representasi linear naik, kenaikan pada himpunan bermula pada domain dengan derajat
keanggotaan nol bergerak ke nilai domain yang derajat keanggotaannya lebih tinggi. Contoh representasi nilai naik dapat dilihat pada gambar 2.5.
Gambar 2.5 Representasi Linear Naik Kusumadewi, 2010
Universitas Sumatera Utara
Fungsi Keanggotaannya :
µ[x] {
2.1
Keterangan : a = nilai domain dengan derajat keanggotaan nol
b = nilai domain dengan derajat keanggotaan satu x = nilai
input
Representasi linear yang kedua merupakan kebalikan yang pertama yaitu representasi linear turun, dimana garis lurus dimulai dari nilai domain dengan derajat keanggotaan
tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain dengan nilai keanggotaan lebih rendah. Contoh representasi linear turun dapat dilihat pada gambar
2.6
Gambar 2.6 Representasi Linear Turun Kusumadewi, 2010
Universitas Sumatera Utara
Fungsi Keanggotaannya :
µ
A
[x] {
2.2
Keterangan : a = nilai domain dengan derajat keanggotaan satu
b = nilai domain dengan derajat keanggotaan nol x = nilai
input
2. Representasi Kurva Segitiga
Pada dasarnya, Representasi dari kurva segitiga merupakan gabungan antara 2 garis atau linear. Contoh representasi dari kurva segitiga dapat dilihat pada
gambar 2.7.
Gambar 2.7 Representasi Kurva Segitiga Kusumadewi, 2010
Universitas Sumatera Utara
Fungsi Keanggotaannya :
µ
A
[x] {
2.3
Keterangan : a = nilai domain terkecil dengan derajat keanggotaan nol
b = nilai domain dengan derajat keanggotaan satu c = nilai domain terbesar dengan derajat keanggotaan satu
x = nilai
input
3. Representasi Kurva Trapesium
Representasi kurva trapesium pada dasarnya merupakan bentuk segitiga, perbedaannya terletak pada beberapa titik yang memiliki derajat keanggotaan satu.
Contoh representasi kurva trapesium dapat dilihat pada gambar 2.8
Gambar 2.8 Representasi Kurva Trapesium Kusumadewi, 2010
Universitas Sumatera Utara
Fungsi Keanggotaannya :
µ
A
[x] {
2.4
Keterangan : a = nilai domain terkecil dengan derajat keanggotaan nol
b = nilai domain terkecil dengan derajat keanggotaan satu c = nilai domain terbesar dengan derajat keanggotaan satu
d = nilai domain terbesar dengan derajat keanggotaan nol x = nilai
input
2.3.3 Operator Dasar Untuk Operasi Himpunan Fuzzy
Sama seperti himpunan konvensional,
fuzzy
memiliki beberapa operasi yang didefinisikan
secara khusus
untuk mengkombinasikan
dan memodifikasi
himpunannya. Nilai keanggotaan sebagai hasil dari operasi 2 himpunan sering dikenal dengan nama
fire strength
atau α-predikat. Ada 3 operator dasar himpunan fuzzy Kusumadewi, 2010 :
1. Operator AND
Operator ini berhubungan dengan operasi interseksi pada himpunan. α-predikat sebagai hasil dari operasi dengan operator AND diperoleh dengan pengambilan dari
keanggotaan terkecil antar elemen pada himpunan-himpunan yang bersangkutan. Persamaan operator AND dapat dituliskan sebagai berikut
µ
A∩B
= minµ
A
[x], µ
B
[y]
2. Operator OR
Operator ini berhubungan dengan operasi union pada himpunan. α-predikat merupakan hasil dari operator OR yang didapat dengan pengambilan nilai
Universitas Sumatera Utara
keanggotaan terbesar antar elemen pada himpunan-himpunan yang bersangkutan. Persamaan operator OR dapat dituliskan sebagai berikut :
µ
A UB
= maxµ
A
[x], µ
B
[y]
3. Operator NOT
Operator ini berhubungan dengan operasi komplemen pada himpunan. α-predikat merupakan hasil dari operator NOT yang didapat dengan pengurangan nilai
keanggotaan elemen pada himpunan yang bersangkutan dari 1. Persamaan operator NOT dapat dituliskan sebagai berikut :
µ
A
` = 1- µ
A
[x]
2.3.4 Fuzzy Inference System Fuzzy Inference System
atau disebut juga
fuzzy inference engine
adalah sistem yang dibuat sedemikian rupa sehingga dapat melakukan penalaran dengan prinsip yang
sama seperti manusia dalam melakukan penalaran dengan nalurinya. Proses dalam
fuzzy inference system
dapat dilihat pada gambar 2.9.
Gambar 2.9
Fuzzy Inference System
Input
yang diberikan kepada
fuzzy inference system
adalah berupa bilangan tertentu dan output yang dihasilkan juga dalam bilangan tertentu. Kaidah-kaidah yang
digunakan seperti contohnya dalam bahasa linguistik, dapat digunakan sebagai
input
Universitas Sumatera Utara
namun harus dikonversikan terlebih dahulu, lalu lakukan penalaran berdasarkan
rule base
dan mengkonversi hasilnya menjadi
output
. Dalam
fuzzy inference system
terdapat 4 elemen dasar yaitu : 1.
Basis Kaidah
Rule Base
, yang berisi aturan-aturan secara linguistik yang bersumber dari para pakar atau narasumber.
2. Mekanisme Pengambilan Keputusan
Inference Engine
, merupakan bagian yang menerapkan proses bagaimana seorang pakar mengambil suatu keputusan
dengan menerapkan pengetahuan yang dimiliki
Knowledge
. 3.
Fuzzifikasi
Fuzzification
, proses mengubah besaran tegas
crisp
ke besaran
fuzzy
. 4.
Defuzzifikasi
Defuzzification
, proses yang mengubah besaran
fuzzy
yang telah diproses oleh inference engine, menjadi besaran
crisp
.
2.4
Evolving Fuzzy Neural Network
Evolving fuzzy neural network
EFuNN merupakan struktur dari
fuzzy neural network
FuNN yang berevolusi berdasarkan prinsip
evolving connectionist system
ECoS Kasabov, 2007. EFuNN merupakan
fuzzy neural network
yang dikembangkan dan dimodifikasi dimana salah satunya modifikasinya yaitu mengubah struktur
koneksionis yang tetap menjadi struktur fluktuasi yang dapat berkembang berdasarkan masukan
node
dan menyusut saat terjadi pengumpulan atau pemangkasan
node
Kong, 2007. Seluruh
node
dalam
efunn
terbentuk dalam proses
training
.
Node-node
tersebut merepresentasikan fungsi keanggotaan
fuzzy label neurons
yang dapat dimodifikasi dalam proses
training
. Setiap variabel
input
direpresentasikan oleh sebuah grup neuron yang tersusun secara spasial untuk merepresentasikan domain
area
fuzzy
yang berbeda dari variabel tersebut.
2.4.1 Arsitektur Evolving Fuzzy Neural Network
EFuNN terdiri dari 5 layer
network
yang bergerak maju
Feed Forward
, dimana pada setiap layer memiliki fungsi yang spesifik Watts, 2012 seperti yang ditunjukkan
pada gambar 2.10. Kelima layer tersebut yaitu input layer, condition layer, rule layer, action layer dan output layer. EFuNN memiliki struktur dengan 5 layer dimana
node
dan koneksi yang terbentuk atau terhubung sebagai data contoh yang dipresentasikan. Pada EFuNN terdapat sebuah layer memori sementara
short-term memory
yang
Universitas Sumatera Utara
digunakan melalui sebuah koneksi
feedback
dari
rule node
layer. Layer dari koneksi
feedback
tersebut dapat digunakan apabila relasi sementara diantara
input-input
data dapat tersimpan secara structural Kasabov, 2001. Arsitektur EFuNN dengan
short- term memory
dapat dilihat pada gambar 2.11.
Gambar 2.10 Arsitektur
Evolving Fuzzy Neural Network
Arun, 2013
Universitas Sumatera Utara
Gambar 2.11 Arsitektur EFuNN dengan
Short-Term Memory
Kasabov, 2001
Layer pertama merupakan layer
input
dari seluruh variabel data yang akan digunakan dalam proses X
1,
X
2
, ….. , X
n
. Layer kedua merupakan layer
fuzzy input
yang merepresentasikan persamaan
fuzzy
dari masing masing bagian
input
. Setiap
input
variabel direpresentasikan disini oleh grup
neuron
yang tersusun secara spasial untuk merepresentasikan area domain
fuzzy
yang berbeda dari variabel tersebut. Contohnya 2
input fuzzy
pada jaringan atau dalam bentuk
neuron
merepresentasikan “kecil” dan “besar” dalam sebuah
input
variabel umum. Fungsi keanggotaan yang berbeda dapat digunakan pada
neuron
tersebut seperti
triangular, trapezoida, Gaussian
dan lain-lain. Layer ketiga merupakan layer
rule base
dimana neuron dalam EFuNN berevolusi melalui proses pembelajaran hibrida yang terawasi ataupun tidak terawasi.
Setiap rule node r didefinisikan dalam 2 vektor koneksi yaitu W
1
r dan W
2
r. Aturan yang paling akhir disesuaikan dengan pembelajaran yang terawasi berdasarkan
output error
dan aturan awal disesuaikan melalui pembelajaran tidak terawasi berdasarkan kesamaan pengukuran dalam area
input
. Setiap
rule node
merepresentasikan sebuah hubungan antara
hyper-sphere
lengkungan kurva pada fungsi keanggotaan pada area input dengan
hyper-sphere
pada area output, dimana bobot koneksi W
1
r
Universitas Sumatera Utara
merepresentasikan koordinat nilai tengah dari
sphere
dalam area
fuzzy input
, sedangkan bobot koneksi W
2
r merepresentasikan koordinat nilai tengah dari
sphere
pada area
fuzzy output
. Layer keempat merupakan layer
fuzzy output
, layer ini merepresentasikan kuantisasi dari
fuzzy
untuk variabel
output
, dimana terdapat kemiripan dengan representasi
fuzzy input neuron
. Kuantisasi yang dimaksud adalah operasi pemotongan truncation, atau pembulatan rounding dari nilai data dengan suatu presisi
precision tertentu untuk mendapatkan nilai kurva Sani, 2013. Layer kelima merupakan layer output, layer ini merepresentasikan nilai
sebenarnya dari variabel
output
. Pada layer ini terdapat fungsi aktivasi linier yang digunakan dalam menghitung nilai pada defuzzifikasi variabel
output
.
2.4.2 Parameter Pada Evolving Fuzzy Neural Network
Dalam
Evolving Fuzzy Neural Network
, terdapat parameter yang digunakan sebagai batas minimum dari suatu fungsi aktivasi
Sensitive Threshold
, batasan kesalahan dalam pembelajaran
Error Threshold
, serta kontrol ukuran dalam bobot
Learning Rate
. Parameter yang digunakan dalam evolving fuzzy neural network Kasabov, 2001 yaitu :
1.
Sensitive Threshold
sThr merupakan parameter yang digunakan dalam menentukan nilai minimum aktivasi.
Range
nilai dari
Sensitive Threshold
yaitu lebih besar dari 0 dan lebih kecil sama dengan 1.
2.
Error Threshold
errThr merupakan batasan yang ditoleransi dalam proses pembelajaran. Nilai
error threshold
sangat kecil dan biasa digunakan dalam
range
lebih besar dari 0 dan lebih kecil sama dengan 1. 3.
Learning Rate 1
lr1 merupakan parameter yang digunakan dalam mengontrol bobot W
1
antara layer kedua dengan layer ketiga dengan
range
nilai lebih besar dari 0 dan lebih kecil sama dengan 1.
4.
Learning Rate 2
lr2 merupakan parameter yang digunakan dalam mengontrol bobot W
2
antara layer ketiga dengan layer keempat dengan
range
nilai lebih besar dari 0 dan lebih kecil sama dengan 1.
Universitas Sumatera Utara
2.4.3 Algoritma Evolving Fuzzy Neural Network
Berikut ini merupakan langkah – langkah dari
evolving fuzzy neural network
dalam melakukan prediksi data
time series
Kasabov, 2007 : 1.
Menentukan nilai parameter pada EFuNN yaitu
sensitive threshold
sThr
, error threshold
errThr
, learning rate 1
lr1 dan
learning rate 2
lr2. 2.
Melakukan fuzzifikasi terhadap data input dengan fungsi keanggotaan
membership function
.
xF
i
=
fuzzy x
i
i = 1 …. N 2.5
Keterangan : i = indeks data
x
i
= data ke i N = Jumlah data
xF
i
= hasil fuzzifikasi data ke i
fuzzy
= fungsi keanggotaan
membership function
3. Membuat
rule node
pertama r = 1 untuk merepresentasikan data yang pertama dan mengisi nilai pada bobot satu W
1
dan bobot dua W
2
. r = 1; W
1
=
xF
i
; W
2
= target 2.6
Keterangan : r =
rule node
W
1
= nilai bobot dari koneksi antara layer 2 dan layer 3 W
2
= nilai bobot dari koneksi antara layer 3 dan layer 4 Target =
fuzzy output vector
4. Lakukan pengulangan selama data masih ada i = N
1. Menghitung
normalized fuzzy local distance
D diantara
input
terbaru
fuzzy input vector
dengan
fuzzy input vector
yang berada dalam penyimpanan sementara
short-term memory
pada saat
rule node
r
j
, j = 1 …. R, dimana R adalah nilai
rule node
pada saat ini. DxF
i
,r
j
=
∑ ∑
2.7
2. Menghitung nilai aktivasi A1r
j
dari rule node r
j
dengan fungsi
radial basis
radbas.
Universitas Sumatera Utara
Radbas
n = e
-2
2.8 A1r
j =
radbas
DxF
i
,r
j
2.9 3.
Cari rule node r
j
dengan nilai aktivasi tertinggi
max
A1r
j
. 4.
Jika nilai
max
A1r
j
lebih besar dari sThr maka menuju ke langkah e. Jika nilai
max
A1r
j
lebih kecil dari sThr maka lakukan persamaan berikut : i = i + 1
2.10 W1
j
= xF
i
; W2
j
= target
i
2.11 5.
Melakukan propagasi ke
fuzzy output
terhadap nilai aktivasi dari
rule node
r
j
A2 = A1r
j
. W2r
j
2.12 6.
Menghitung
fuzzy output error
Err = | A2 – target
i
| 2.13
7. Cari
action node
k dari nilai aktivasi tertinggi A2. 8.
Jika
Error
k lebih kecil dari ErrThr atau r sama dengan i maka menuju ke langkah i. Jika
Error
k lebih besar dari ErrThr atau r tidak sama dengan i maka lakukan persamaan berikut :
i = i + 1 2.14
W1
j
= xF
i
; W2
j
= target
i
2.15 Ulangi langkah a.
9. Update
bobot W1 dan W2 dengan persamaan Dis = xF
i
– W1k 2.16
W1k = W1k + lr1 . Dis 2.17
W2k = W2k + lr2 . Err 2.18
i = i + 1
2.5 Penelitian Terdahulu
