Arsitektur dan Model Fuzzy Feed forward Neural Network Untuk Time Series
72 pembelajaran fuzzy melalui proses fuzzyfikasi. Pada Fuzzy FFNN, unsur utama pada
neural network menggunakan pendekatan logika fuzzy untuk memetakan permasalahan dari input yang beragam menuju output yang diharapkan.
FFNNmerupakan jaringan syaraf yang arsitekturnya termasuk dalam jaringan lapisan jamak multi layer network. FFNNmempunyai tiga unit lapisan, yakni
lapisan input, lapisan tersembunyi, dan lapisan output. Algoritma pembelajaran dalam FFNNinimenggunakan algoritma backpropagation. Input yang digunakan adalah
inputfuzzy dengan fungsi keanggotaan kurva-S pertumbuhan. Fungsi aktivasi yang digunakan dalam penulisan tugas akhir ini yaitu fungsi sigmoid biner pada lapisan
tersembunyi karena memiliki nilai pada range 0 sampai 1, sedangkan fungsi aktivasi pada lapisan output yaitu fungsi sigmoid biner.
Gambar 3. 2. Arsitektur Jaringan Feed Forward Neural Network dengan Algoritma
Backpropagation
73 Berdasarkan Gambar 3.2,
merupakan neuron pada lapisan input yang berupa inputfuzzy,
merupakan neuron pada lapisan tersembunyi, dan
merupakan neuron lapisan output. Sedangkan merupakan bobot yang
menghubungkan neuron pada lapisan input dengan neuron pada lapisan tersembunyi dan
merupakan bobot yang menghubungkan neuron pada lapisan tersembunyi dengan neuron pada lapisan output. Bobot bias pada lapisan input dinotasikan dengan
, sedangkan bobot bias pada lapisan tersembunyi dinotasikan dengan .
Pada jaringan fuzzy FFNN, lapisan input menerima sinyal
dan meneruskan sinyal tersebut ke semua unit lapisan tersembunyi. Jumlah dari sinyal-sinyal input berbobot diaktivasi menggunakan fungsi aktivasi
sigmoid biner persamaan 2.13 sehingga diperoleh sinyal . Setelah diperoleh sinyal
, sinyal dikirimkan ke semua unit lapisan output. Jumlah dari sinyal-sinyal
terbobot diaktivasi menggunakan fungsi aktivasi sigmoid biner persamaan 2.13 sehingga diperoleh output
.Secara sistematis, fuzzy FFNNmenggunakan algoritma backpropagation dapat dirumuskan sebagai berikut :
Lapisan input ke lapisan tersembunyi :
∑ 3.1
74
∑
3.2 Lapisan tersembunyi ke lapisan output :
∑ 3.3
∑
3.4 Persamaan 3.4 merupakan persamaan sisitematis untuk FFNN.