3. Representasi Kurva Trapesium Kurva Trapesium adalah meneyerupai bentuk segitiga, tapi ada beberapa titik yang
memiliki nilai keanggotaan bernilai 1 satu.Gambar Representasi Kurva Trapesium dapat dilihat pada Gambar 2.6
Gambar 2.6. Grafik fungsi keanggotaan pada representasi kurva trapesium
Fungsi Keanggotaan:
µ =
0; − − ;
1 − − ;
2.6 Evolving Connectionist System ECOS
Evolving Connectionist System ECOS adalah sebuah metode pembelajaran yang adaptif, bertahap dan sistem representasi pengetahuan yang mengembangkan struktur
dan fungsinya, dimana dalam inti sistem terdapat arsitektur koneksionis yang terdiri dari neuron unit pengolahan informasi dan hubungan antar-neuron Kasabov, 2007.
Evolving Connectionist System ECOS merupakan sistem komputasi cerdas yang berdasarkan JST Jaringan Saraf Tiruan, tetapi juga menggunakan teknik lain dari
komputasi cerdas yang beroperasi secara terus-menerus dan mengadaptasikan strukturnya melalui interaksi terhadap lingkungan dan sistem lainnya Kasabov,
2007. Proses adaptasi ini diakukan melalui: 1. Sekumpulan aturan yang dapat berkembang.
2. Sekumpulan parameter yang dapat berubah selama sistem bekerja.
1
a b
Derajat Keanggotaan
µ[X]
domain c
d
Universitas Sumatera Utara
3. Informasi yang datang secara terus menerus, terutama pada distribusi data yang tidak menentu.
4. Kriteria goal atau tujuan yang diterapkan untuk mengoptimalkan kinerja sistem dari waktu ke waktu.
Gambar 2.7.
Komponen ECOS Kasabov, 2007
2.7 EFuNN
Evolving Fuzzy Neural Network
EFuNN Evolving Fuzzy Neural Network pertama kali diperkenalkan oleh Kasabov pada tahun 1999 yang merupakan fuzzy neural model. Fuzzy Neural Network FuNN
merupakan struktur terhubung yang mengimplementasikan aturan-aturan fuzzy inference system. FuNN merepresentasikan sebuah kelas dari struktur tersebut. Model
EFuNN memiliki prinsip yang berbeda dengan FuNN walaupun memiliki struktur yang mirip. EFuNNs dikembangkan berdasarkan prinsip-prinsip Evolving
Connectionist Systems ECOS Kasabov, 2007.
Universitas Sumatera Utara
2.7.1 Arsitektur EFuNN Evolving Fuzzy Neural Network
EFuNN memiliki lima struktur layer dengan node dan koneksinya dibentuk atau dikoneksikan sesuai dengan data sample yang ada, seperti yang dapat dilihat pada
Gambar 2.8.
Gambar 2.8. Arsitektur standar EFuNN Kasabov, 2007
Sebuah layer opsional short-term memory dapat digunakan melalui sebuah kondisi feedback dari aturan-aturan node pada layer seperti ditunjukkan oleh Gambar
2.9. Layer feedback yang terkoneksi dapat digunakan jika relasi temporal input data dapat dikenali secara struktural Kasabov, 2007.
Gambar 2.9. Arsitektur standar EFuNN dengan short-term memory Kasabov, 2007
Universitas Sumatera Utara
Berikut penjelasan mengenai lima layernya: 1. Layer pertama merupakan layer input variabel dimana variabel-variabel
masukan tersebut akan dilatih dan diuji pada tahap EFuNN selanjutnya. 2. Layer kedua merepresentasikan persamaan fuzzy dari masing-masing bagian.
Sebagai contoh, dua buah input fuzzy pada jaringanneuron merepresentasikan “kecil” dan “besar” untuk sebuah input variabel umum. Fungsi keanggotaan
fuzzy dapat ditambahkan untuk mendapatkan derajat keanggotaan setiap data input.
3. Layer ketiga berisi aturan-aturan case yang dikembangkan melalui pembelajaran terawasi atau metode pembelajaran tidak terawasi. Aturan
prototype sampel-sampel dari input –output kumpulan data yang dapat
dipresentasikan secara grafik sebagai hyper-spheres titik puncak pada grafik geometrilengkungan kurva fungsi keanggotaan dari sphares bidang
lengkungan grafik input fuzzy dan output fuzzy. Setiap aturan r didefenisikan dengan 2 vektor dari koneksi bobot
– W1r dan W2r, aturan yang paling akhir disesuaikan melalui pembelajaran terawasi berdasarkan error output, dan
aturan awal disesuaikan melalui pembelajaran tidak terawasi berdasarkan kemiripan pengukuran di dalam suatu area masalah. Suatu fungsi aktivasi
linier, atau suatu gaussian function, digunakan pada neuronjaringan pada layer ini.
4. Pada layer keempat dilakukan kuantisasi variabel fuzzy output. Kuantisasi adalah operasi pemotongan truncation atau pembulatan rounding nilai data
dengan suatu presisi precision tertentu untuk mendapatkan nilai luas kurva. Pada layer ini masukan bobot fungsi penjumlahan dan sebuah fungsi aktivasi
linier penuhjenuh digunakan pada neuronjaringan untuk menghitung derajat keanggotaan yang mana vektor output yang terhubung dengan input vektor
yang diberikan masing-masing fungsi keanggotaan output. 5. Layer kelima merepresentasikan dari nilai dari variabel output. Di layer ini
sebuah fungsi aktivasi linier digunakan untuk menghitung nilai defuzifikasi untuk variabel output.
Universitas Sumatera Utara
2.7.2 Algoritma EFUNN Evolving Fuzzy Neural Network
Berikut ini adalah algoritma EFUNN Evolving Fuzzy Neural Network Chang et al. 2006:
1. Melakukan inisialisasi terhadap parameter yakni: sensitive threshold sThr, error threshold errThr, learning rate 1 lr1, dan learning rate 2 lr2.
2. Melakukan normalisasi data yang telah diinput dengan data ditransformasikan pada selang 0,1 sampai 0.9. Adapun rumus untuk melakukan normalisasi data
adalah sebagai berikut. =
0,8 −
−
+ 0,1 2.1
dimana: y = nilai normaliasai
x = nilai data beban a = nilai minimum dari data
b = nilai maximum dari data 3. Melakukan fuzifikasi terhadap data yang akan di training dengan menggunakan
fungsi keanggotaan membership function.
µ =
0; − − ;
− − ; 2.2
4. Membuat rule node pertama r1 untuk merepresentasikan data yang pertama dan mengisi nilai pada bobot satu dan bobot dua.
= 1; 1
1
= �
; 2
1
= �
1
2.3
5. Lakukan pengulangan selama i = N a. Menghitung normalized fuzzy local distance D diantara fuzzy input vector
� dan fuzzy input vector yang berada di tempat penyimpanan
sementara pada saat rule node , j=1…R, dimana R adalah nilai rule node
pada saat ini.
Universitas Sumatera Utara
� , =
| �
− 1
R j =1
| 1
R j =1
2.4 b. Menghitung nilai aktivasi
�1 dari rule node .
�1 = �
, 2.5
c. Cari rule node yang memiliki nilai aktivasi tertinggi d. Jika nilai
�1 lebih besar dari sThr, maka menuju langkah e, jika nilai �1 lebih kecil dari sThr, maka: j = j +1. Ulangi dari langkah a.
e. Melakukan propagasi terhadap aktivasi dari rule node �2 = 1 . 2
2.6
f. Menghitung fuzzy ouput error.
= | �2 −
� | 2.7
g. Cari action node k dengan nilai aktivasi tertinggi dari A2. h. Jika Errk lebih kecil dari errThr atau r sama dengan i,
= + 1 1
= �
; 2
= �
1
2.8
maka menuju langkah i, jika Errk lebih besar dari errThr atau r tidak sama dengan i. Ulangi dari langkah a.
i. Ubah dari bobot W1 dan W2.
= �
− 1 ∗ 1
∗ = 1 ∗ + 1. 2
∗ = 2 ∗ + 2. = + 1
2.9
Universitas Sumatera Utara
2.8 PHP
