1 .
. .
1
p y
p y
p w
p p
j j
m k
jk k
j
2.14
kemudian hitung perbaikan bobot menggunakan rumus:
1 .
. .
p
w p
p x
p w
ij j
i ij
2.15
dimana α adalah sebuah konstanta yang menentukan kecepatan pembelajaran
dari algoritma propagasi balik dan disebut dengan learning rate; µ adalah sebuah konstanta yang menentukan besar perubahan update dari bobot dan
disebut dengan momentum. Lakukan update untuk setiap bobot yang terhubung dengan neuron pada
output layer menggunakan rumus:
1 p
w p
w p
w
ij ij
ij
2.16 4. Iterasi
Apabila kriteria error belum terpenuhi, lakukan penambahan nilai perulangan p sebanyak satu, kemudian kembali ke langkah 2. Apabila kriteria error telah
dipenuhi, maka algoritma pelatihan propagasi balik selesai.
2.8. Distributed Autonomous Neuro-Gen Learning Engine
Untuk mengatasi kelemahan dari jaringan saraf tiruan yang telah dijabarkan pada bagian 2.7.1, Rahmat, 2008 mengajukan sebuah metode pembelajaran mesin yang
baru yang disebut Distributed Autonomous Neuro-Gen Learning Engine DANGLE. DANGLE adalah sebuah metode pembelajaran mesin yang menyediakan fleksibilitas,
adaptibilitas dan pembelajaran terus menerus serta kemampuan kompitasional yang kuat Pasha, 2010. DANGLE telah digunakan sebagai gene knowledge discovery
engine Hasibuan, 2009 dan juga Lattice Analysis dalam identifikasi struktur kubik pada bidang kristalografi Pasha, 2010.
Arsitektur DANGLE terdiri atas dua komponen utama, yaitu: komponen regulasi gen yang disebut dengan Gene Regulatory Engine GRE dan komponen
Universitas Sumatera Utara
jaringan neural yang disebut dengan Distributed Adaptive Neural Network DANN Pasha, 2010. GRE memiliki tugas untuk melakukan regulasi, konstruksi, serta
melatih seluruh jaringan yang terdapat pada DANN. DANN terdiri atas beberapa jaringan saraf tiruan yang terhubung pada GRE secara distributif dan adaptif, dimana
setiap jaringan saraf tiruan pada DANN akan memiliki gen masing-masing yang diatur oleh GRE. DANN akan mengkonstruksikan jaringan saraf tiruan sesuai dengan gen
yang dimiliki, kemudian hasil output dari DANN akan dikembalikan pada GRE untuk pengembangan gen selanjutnya.
2.8.1. Gene Regulatory Engine Gene Regulatory Engine GRE merupakan sebuah regulator gen sederhana yang
diinspirasi oleh interaksi gen satu ke satu dari Gene Regulatory Network pada bidang biologi. GRE digunakan untuk mengendalikan, memutasi, serta melatih gen sebelum
gen dikirimkan pada DANN. Secara sederhana, GRE mengimplementasikan sebuah Genetic Algorithm GA tanpa proses crossover dan parent selection, serta inisialisasi
populasi secara acak juga tidak terjadi pada GRE. Arsitektur keseluruhan GRE dapat dilihat pada gambar 2.6. Secara spesifik diagram lengkap dari model GRE dapat
dilihat pada gamber 2.7, dimana ada dapat dilihat seluruh komponen yang terdapat pada GRE.
Mutation Regulation
Input Gene B Neural Network
Structure Gene A Node
Behavior
B B B B A A
C C C C
“Neuro” Genes Feedback
Regulator
Gene Representation Objective Functions
And Output Results
Transform
Neural Network Training
DANN
No Ch
ang es
GRE
Gambar 2.6. Arsitektur Gene Regulatory Engine Rahmat, 2008
Universitas Sumatera Utara
Gambar 2.7. Diagram lengkap model GRE Rahmat, 2008
Adapun komponen-komponen dari GRE dapat dijabarkan sebagai berikut Rahmat, 2008:
1. Representasi Gen Secara umum, GRE menggunakan 3 himpunan gene yang berbeda, yakni:
a. Node Behavior’s Gene
Himpunan gen ini memiliki dua variabel seperti yang dapat dilihat pada gambar 2.8. Variabel pertama adalah digunakan untuk menentukan jenis
jaringan saraf tiruan yang diimplementasikan pada DANN. Nilai variabel pertama dapat berupa Back-propagation Neural Network BNN, Multilayer
Perceptron MLP, Spiking Neural Network SNN, ataupun jenis jaringan
Universitas Sumatera Utara
saraf tiruan lainnya, bergantung pada implementasi pada bagian DANN. Variabel kedua menunjukkan identifikasi dari node ID Node.
Jenis Jaringan Saraf Tiruan { BNN, MLP, SNN, etc. }
ID Node { 1,2,..,n}
Gambar 2.8. Node Behavior’s Gene Pasha, 2010
b. Neural Network’s Gene
Himpunan gen ini mengandung variabel untuk setiap parameter jaringan saraf tiruan untuk setiap node yang ada pada DANN seperti yang dapat dilihat pada
gambar 2.9. Parameter-parameter jaringan saraf tiruan yang dimaksud terdiri atas: banyak neuron pada input layer, banyak neuron pada output layer,
banyak hidden layer, banyak neuron pada setiap hidden layer, banyak epoch jumlah perulangan yang dilakukan pada proses pelatihan, learning rate, dan
momentum rate.
Banyak neuron
pada input
layer Banyak
neuron pada
output layer
Banyak hidden
layer Banyak
neuron pada
hidden layer 1
…. Banyak
neuron pada
hidden layer N
Epoch Learning
rate Momentum
rate
Gambar 2.9. Neural Network’s Gene Rahmat, 2008
2. Fitness Function Untuk melakukan verifikasi dan mengukur objektivitas dari DANN digunakan
root mean squared error RMSE atau error akar kuadrat dengan rumus:
O
N o
p o
p o
O P
y d
N E
1 2
1 2.17
dimana E
P
adalah akar dari perbedaan kuadrat antara output yang diharapkan dengan output sebenarnya; N
O
adalah banyak neuron pada output layer;
p o
d adalah output yang diharapkan pada neuron ke-o dan pola ke-p;
p o
y adalah
output sebenarnya pada neuron ke-o dan pola ke-p. Karena setiap gen memiliki fungsi objektifnya masing-masing, makan rata-rata fungsi objektif untuk setiap
jaringan saraf tiruan dalam DANN dapat dihitung menggunakan persamaan:
Universitas Sumatera Utara
NG N
i Pi
AVG
N E
E
NG
2.18
dimana E
Pi
adalah error untuk masing-masing jaringan saraf tiruan; N
NG
adalah banyak jaringan saraf tiruan yang terdapat pada DANN. Fitness function atau
fungsi kecocokan untuk DANN adalah sama dengan E
AVG
yang merupakan rata- rata dari setiap fungsi objektif dari seluruh jaringan saraf tiruan dalam DANN
Rahmat, 2008. 3. Regulator Mutasi
Komponen regulator mutasi merupakan komponen yang paling penting dalam DANGLE yang memungkinkan setiap jaringan saraf tiruan dalam DANN menjadi
adaptif. Apabila terjadi mutasi pada sebuah gen, maka jaringan saraf tiruan yang terasosiasi pada gen tersebut harus dilatih ulang sehingga mampu beradaptasi
terhadap struktur jaringan yang baru Pasha, 2010. Lima entitas yang dimutasi oleh regulator mutasi adalah banyak hidden layer, banyak neuron pada setiap
hidden layer, epoch, learning rate dan momentum rate. Aturan yang digunakan dalam melakukan mutasi gen dapat dilihat pada pseudocode berikut:
if generation = 1 then epoch += 2
else calculate delta_O = delta_O[generation]
– delta_O[generation-1] if delta_O 0.005 then
epoch += rand3 else if 0.002 delta_O = 0.005 then
O_smaller_than_0_005++ epoch += rand6
for each hidden_layer do hidden_neuron += 2 rand5
if O_smaller_than_0_005 1 then epoch += 10 rand5
for each hidden_layer do hidden_neuron += 2 rand5
else epoch += 100 rand5
hidden_layer += 1 for each hidden_layer do
hidden_neuron += 10 rand2
Universitas Sumatera Utara
end if end if
4. Proses Pelatihan Proses pelatihan adalah proses dalam sebuah jaringan saraf tiruan untuk
mendapatkan bobot yang tepat untuk menghasilkan output yang diharapkan. Pada DANGLE, pelatihan tidak hanya terjadi pada jaringan saraf tiruan, melainkan juga
terjadi pada GRE Rahmat, 2008. 5. Neuro-Gene
Transformasi Neuro-Gene adalah sebuah proses pengaturan eksekusi ataupun pelatihan jaringan saraf tiruan pada setiap node Rahmat, 2008.
Algoritma utama pada GRE didesain untuk mengendalikan gen yang ada, dimana algoritma utama GRE mengusung konsep mutasi pada Genetic Algorithm
GA. Dengan kata lain, GRE adalah sebuah GA sederhana yang hanya memiliki operator mutasi di dalamnya. Algoritma utama GRE dapat dijabarkan sebagai berikut
Rahmat, 2008: 1. Inisialisasi seluruh nilai variabel gene untuk setiap jaringan saraf tiruan, yakni
seluruh neuron pada input layer dan output layer, jumlah hidden layer dan setiap neuron pada hidden layer, generasi, epoch¸ learning rate serta momentum rate.
2. Kirim seluruh gen jaringan saraf tiruan ke DANN. 3. Terima hasil fungsi objektif dan output yang dihasilkan setiap jaringan saraf
tiruan. Hitung nilai dari fitness function dengan rumus 2.18 untuk setiap jaringan saraf tiruan. Apabila nilai error rata-rata E
AVG
yang merupakan hasil dari fitness function lebih rendah dari nilai kriteria terminasi DANGLE, lanjutkan ke langkah
6. Apabila nilai error rata-rata lebih tinggi atau masih sama dengan nilai kriteria terminasi DANGLE, lanjutkan ke langkah 4.
4. Apabila setiap nilai objective function yang didapatkan pada langkah 3 lebih rendah dari nilai kriteria terminasi mutasi, maka lakukan regulasi mutasi sesuai
aturan mutasi yang dijabarkan pada bagian 2.8.1 untuk setiap gen jaringan saraf tiruan. Apabila terdapat salah satu nilai objective function lebih tinggi dari nilai
Universitas Sumatera Utara
kriteria terminasi mutasi, maka mutasi tidak dilakukan untuk setiap gen jaringan saraf tiruan.
5. Bentuk gene baru hasil mutasi sesuai dengan hasil struktur yang didapatkan dari mutasi regulasi yang dilakukan pada langkah 4. Tambah nilai generasi dengan
satu generation = generation + 1. Kembali ke langkah 2. 6. Hentikan proses GRE, dimana pelatihan telah selesai dilakukan.
2.8.2. Distributed Adaptive Neural Network
Distributed Adaptive Neural Network DANN dapat juga disebut sebagai sebuah Adaptive Nested Neural Network ANNN for Uncorrelated Data. DANN didesain
untuk menyelesaikan permasalahan dengan setiap partisi data tidak mempunyai korelasi atau hubungan dengan partisi data yang lain Rahmat, 2008. Secara
konseptual, DANN menggunakan beberapa jaringan saraf tiruan dan membagi beban kerja pada setiap jaringan saraf tiruan, dibandingkan dengan membiarkan sebuah
jaringan saraf tiruan yang besar dan kompleks memproses seluruh data yang ada Pasha, 2010. DANN diaplikasikan untuk mengurangi kompleksitas dari data serta
permasalahan. Setiap agen pada DANN dimodelkan untuk menerima input yang berbeda, kemudian setiap output dari setiap agen akan dikembalikan pada GRE untuk
digunakan sebagai parameter pada proses mutasi. Gambar 2.10. menunjukkan arsitektur dari DANN, dimana sebuah node merujuk pada sebuah agen yang memiliki
sebuah jaringan saraf tiruan. Setiap node memiliki gen masing-masing dan berjalan secara paralel pada lingkungan yang berbeda. Adapun jaringan saraf yang digunakan
pada setiap agen dapat berupa jaringan saraf tiruan dengan jenis apapun. Algoritma utama yang diimplementasikan pada setiap jaringan saraf tiruan
dalam DANN, dengan jaringan saraf yang digunakan adalah multilayer perceptron, dijabarkan sebagai berikut Pasha, 2010:
1. Terima Node Behavior’s Gene dan Neural Network’s Gene dari GRE.
Universitas Sumatera Utara
Output Neuron Input Neuron
Hidden Neuron Input From Environment
NODEAGENT
NODEAGENT NODEAGENT
G R
T E
Send Output
Training Training
Training
NODEAGENT
Training
Gambar 2.10. Arsitektur umum dari Distributed Autonomous Neural Network
Rahmat, 2008
2. Lakukan proses pelatihan sesuai dengan algoritma pelatihan jaringan multilayer perceptron yang sudah dijelaskan pada bagian 2.7.2. sebanyak epoch yang
terdapat pada gen yang dikirimkan dari GRE 3. Hitung nilai dari fungsi objektif untuk jaringan saraf tiruan dengan rumus 2.14.
4. Hitung nilai selisih nilai output yang diharapkan dengan output yang sebenarnya didapatkan dengan rumus:
a d
y y
O
2.19
dimana O merupakan selisih nilai output; y
d
merupakan nilai output yang diharapkan; y
a
adalah nilai output aktual yang didapatkan. 5.
Kirimkan kembali nilai fungsi objektif dan nilai O, yang telah didapatkan pada langkah 3 dan 4, pada GRE
Universitas Sumatera Utara
BAB 3 ANALISIS DAN PERANCANGAN