Langkah 1 : Kerjakan jika kondisi berhenti bernilai FALSE
a. Untuk setiap vektor input x, kerjakan :
• Untuk setiap j, hitung :
bobot
i
= •
Bandingkan bobot
i
•
Untuk bobot untuk mencari bobot
terkecil
i
terkecil, ambil lama
untuk mendapatkan
:
baru= lama + α x
i
– lama
2.36
2.37
b. Perbaiki learning rate
α baru =0,5 α
2.38
c. Kurangi radius ketetanggaan pada waktu-waktu
tertentu, dengan cara meng-update nilai bobot
i
d. Tes kondisi berhenti min error atau maxepoch
terpenuhi
2.4 Normalisasi Data
Dalam proses pembelajaran trainning, jaringan membutuhkan data trainning yaitu data yang di-input-kan. Pada proses yang menggunakan derajat keanggotaan
yang berada pada interval 0 dan 1 maka transformasi data hendaknya dilakukan pada interval yang lebih kecil yaitu [0.1 , 0.9], untuk itu perlu dilakukan
normalisasi data, agar terbentuk data yang berada diantara 0 dan 1. Salah satu rumus yang dapat digunakan dalam proses normalisasi data tersebut adalah
persamaan berikut :
Universitas Sumatera Utara
2.39 Dimana :
: data actual yang telah dinormalisasi : nilai maksimum data actual
: nilai minimum data actual a
: data terkecil b
: data terbesar
2.5 Smoothing Grafik
Proses smoothing grafik dilakukan untuk mendapatkan hasil grafik yang lebih baik. Proses ini dilakukan dengan mengambil titik puncak dari grafik hasil trainning
yang telah terbentuk dari titik puncak grafik tersebut, kemudian akan ditarik garis linear dari titik awal dan titik akhir sehingga dapat menghasilkan grafik yang lebih
baik.
2.6 Riset Terkait
Dalam melakukan penelitian, penulis menggunakan beberapa riset terakait yang dijadikan acuan yang membuat penelitian berjalan lancar. Adapun riset-riset
terkait tersebut adalah :
Tabel 2.2. Riset terkait No Judul Riset
Nama Peneliti Dan Tahun
Metode Yang
Digunakan
Hasil Penelitian
1. Induction of fuzzy
rules and membership
functions from trainning examples
Hong, Tzung- Pei. dan Lee,
Chai-Ying. 1996 Trainning
examples Metode
Trainning Examples
untuk menghasilkan
fuzzy rules
dan fungsi keanggotaan secara
otomatis 2.
Identification of membership
functions based on fuzzy observation
data Tamaki,
Futoshi. Kanagawa,
Akihiro.
dan Ohta, Hiroshi.
Fuzzy observation
model Metode identifikasi
fungsi keanggotaan berdasarkan frekuensi
dari fuzzy set yang dipilih.
Universitas Sumatera Utara
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