1998
Tabel 2.2. Riset terkait Lanjutan
3. Neural Networks in
Materials Science. Bagis, Aytekin.
2003. Tabu
search. Optimasi membership
functions untuk
kontroler logika fuzzy menggunakan
algoritma tabu search.
4. Fuzzy Membership
Function Elicitation using Plausible
Neural Network. Li, Kuo-chen Li.
dan Chang, Dar- jen. 2005
Plausible Neural
Network. Pembangkit fungsi
keanggotaan otomatis dengan
atau tanpa label class
berdasarkan similarity dan pengukuran
likelihood
sampel data.
5. Generating fuzzy
membership function with self-organizing
feature map Yang, Chih-
Chung. dan
Bose, N.K. 2006 Self-
organizing feature
map Pembangkit fungsi
keanggotaan fuzzy
otomatis menggunakan
self- organizing feature
map
2.7 Perbedaan Dengan Riset Yang Lain
Berdasarkan riset yang telah dilakukan, peneliti membuat beberapa perbedaan dalam penelitian ini, yaitu;
1 Algoritma yang digunakan adalah Neural Network;
2 Metode yang digunakan pada pembentukan membership function adalah metode
Backpropagation Neural Network; 3
Jumlah variabel input awal adalah satu variabel, yang dibangkitkan secara random sesuai dengan dataset yang digunakan;
4 Dataset yang digunakan dalam penelitian ini terbagi dua, yaitu dataset yang
digunakan untuk setiap proses trainning yang terdiri dari dataset umur dan suhu, serta dataset untuk proses testing yaitu dataset data nilai siswa dan berat;
5 Algoritma yang digunakan untuk penentuan target awal pada proses trainning
adalah algoritma kohonen; 6
Membership function yang dihasilkan terbentuk dengan menggunakan skala,
Universitas Sumatera Utara
yang terdiri dari Sangat Rendah SR, Rendah R, Sedang S, Tinggi T dan Sangat Tinggi ST.
2.8 Kontribusi Riset
Dalam penelitian ini, algoritma yang akan digunakan dalam membangkitkan membership function adalah metode Backpropagation Neural Network, diharapkan
dari penelitian ini akan didapatkan metode yang lebih efektif dalam menentukan nilai membership function secara otomatis.
Universitas Sumatera Utara
BAB III
METODOLOGI PENELITIAN
3.1 Pendahuluan
Pada logika fuzzy, penentuan fungsi keanggotaan merupakan hal yang sangat penting, karena fungsi keanggotaan akan menentukan hasil yang diberikan.
Pembangkitan nilai fungsi keanggotaan secara otomatis menggunakan Backpropagation Neural Network diharapkan dapat memberikan output yang
lebih akurat tanpa bergantung sepenuhnya pada pakar. Berdasarkan uraian diatas, maka tujuan dari penelitian ini adalah pembangkitan fungsi keanggotaan fuzzy
otomatis menggunakan algoritma Backpropagation Neural Network.
3.2 Data Yang Digunakan
Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses backpropagation neural network. Data tersebut akan digunakan sebagai data
pelatihan dan juga data pengujian. Data yang digunakan dalam proses ini adalah sebagai berikut :
6. Banyaknya data yang digunakan 400 sampel data;
7. Data yang digunakan dibangkitkan secara random dengan aturan :
a. Untuk pelatihan:
- Terdiri dari 2 dataset umur dan suhu;
- Setiap dataset terdiri dari 100 data;
- Pembangkitan data secara random dilakukan dengan menggunakan batas
awal dan batas akhir sesuai dengan dataset yang digunakan, yaitu; untuk umur batasannya adalah 6-80 dan untuk suhu batasannya adalah 0 - 100;
Universitas Sumatera Utara
b. Untuk pengujian:
- Digunakan dataset nilai siswa, dengan batasan 10 – 100 dan dataset
berat dengan batasan 20 – 90;
3.3 Proses Penyelesaian Masalah 3.3.1 Perancangan Jaringan BackPropagation Neural Network BPNN
