pada gambar diatas, mereka memproses berbagai jenis informasi yang berbeda-beda secara adaptif dan berkelanjutan, dan berkomunikasi dengan user secara cerdas yang
menyediakan pengetahuan rules. Data diperoleh dari sumber-sumber yang berbeda seperti DNA, brain signals, data ekonomi-sosial dan ekologis, dan sumber lainnya.
Jika interaksi antara manusia dan sistem dapat diperoleh melalui cara ini maka hal tersebut dapat juga digunakan untuk memperluas interaksi antarsistem dengan baik.
2.4.1 Prinsip Umum ECoS
ECoS adalah struktur multi-level, multi-modular, dimana banyak modul yang memiliki inter-connections, dan intra-connections. Evolving connectionist system
tidak memiliki struktur multi-layer yang kosong. ECoS memiliki sebuah struktur modular terbuka Watts and Kasabov, 2000. Fungsi ECoS berdasarkan pada prinsip-
prinsip umum berikut, yaitu : 1. ECoS belajar dengan cepat dari jumlah data yang besar melalui pembelajaran
one-pass. 2. ECoS beradaptasi di online mode dimana data baru diakomodasi secara
bertahap. 3. ECoS menghapalkan setiap data yang ada untuk perbaikan lebih lanjut atau
untuk pencarian informasi. 4. ECoS belajar dan memperbaiki melalui interaksi yang aktif dengan sistem-
sistem yang lainnya dan di lingkungan multi-modular, mode hirarkis.
2.5 Simple Evolving Connectionist System SECoS
Simple Evolving Connectionist System SECoS, adalah implementasi minimalis dari prinsip ECoS. Metode simple evolving MLP disebut juga eMLP evolving Multi Layer
Perceptron. SECoS terdiri dari tiga layer neuron. Layer pertama adalah input layer dengan linear atau fungsi transfer yang lain. Layer kedua, hidden layer adalah layer
yang berkembang evolving layer. Dan layer neuron yang ketiga adalah output layer. SECoS adalah versi sederhana dari Evolving Fuzzy Neural Network EFuNN.
Evolving layer adalah layer yang berkembang dan beradaptasi sendiri menuju incoming data, dan layer yang lebih difokuskan pembelajaran algoritma. Arti dari
Universitas Sumatera Utara
incoming connections, aktivasi, dan algoritma propagasi maju dari seluruh evolving layer berbeda dari sistem connectionist classical Kasabov, 2007.
Gambar 2.7 Arsitektur SECoS Kasabov, 2007
Jika fungsi aktivasi linear digunakan, maka aktivasi A pada lapisan evolving node n ditentukan dengan:
Dimana A
n
merupakan nilai aktivasi pada node n dan D
n
merupakan nilai normalized distance antara input vector dengan incoming weight vector pada node tersebut.
Nilai distance D
n
dapat dihitung dengan menggunakan normalized Hamming distance:
Dimana K merupakan jumlah input nodes pada SECoS, I merupakan input vector, dan W merupakan input weight matrix pada evolving layer.
Universitas Sumatera Utara
2.5.1 Algoritma Simple Evolving Connectionist System
Berikut ini merupakan algoritma simple evolving connectionist system Kasabov, 2007 :
1. Lakukan propagasi input vector I ke dalam jaringan. 2. Jika aktivasi maksimum A
max
dari node lebih kecil dari koefisien sensitivity threshold S
thr
, maka: a. Tambah node baru
else: a. Hitung nilai error antara hasil prediksi output vector O
c
dan nilai aktual output vector O
d
. b. Jika nilai error lebih besar dari koefisien error threshold E
trh
atau output node yang diinginkan tidak aktif, maka:
• Tambahkan node baru else:
• Lakukan perubahan bobot koneksi pada winning hidden node.
3. Ulangi langkah tersebut untuk setiap input vector.
Ketika sebuah node ditambahkan, bobot input diberi inisialisasi sesuai dengan input vector I dan bobot output diinisialisasi sesuai dengan output vector O
d
. Proses propagasi dari hidden layer ke output layer dapat dilakukan dengan dua cara. Cara
pertama dengan metode propagasi One-of-N yaitu propagasi hanya dilakukan oleh hidden node dengan nilai aktivasi tertinggi. Cara kedua dilakukan dengan metode
propagasi Many-of-N yaitu propagasi hanya dilakukan oleh hidden node yang memiliki nilai aktivasi diatas activation threshold Watt Kasabov, 2000.
Modifikasi bobot masuk pada winning node j dilakukan sesuai persamaan 2.3:
�
�,�
� + 1 = �
�,�
� + �
1
��
�
− �
�,�
�� 2.3
dimana: • �
�,�
� merupakan bobot masuk �, � pada saat �. • �
�,�
� + 1 merupakan bobot masuk �, � pada saat � + 1.
Universitas Sumatera Utara
• �
1
merupakanlearning rate 1. • �
�
merupakan komponen ke-i pada input vector I.
Sedangkan modifikasi bobot keluar dari node j dilakukan sesuai persamaan 2.4: �
� ,�
� + 1 = �
� ,�
� + �
2
��
�
× �
�
� 2.4
dimana: • �
� ,�
� merupakan bobot keluar �, � pada saat � • �
� ,�
� + 1 merupakan bobot masuk �, � pada saat � + 1 • �
2
merupakan learning rate 2 • �
�
merupakan nilai aktivasi dari node
2.6 Penelitian Terdahulu
