Berikut merupakan ilustrasi yang menggambarkan bagian-bagian yang berbeda dari sebuah EIS yang memproses berbagai jenis informasi dengan cara yang adaptif
secara terus menerus. Pengolahan online dari semua informasi ini memungkinkan ECOS untuk berinteraksi dengan pengguna dengan sistem cerdas. Jika manusia-sistem
interaksi dapat dicapai dengan cara ini, ini juga dapat digunakan untuk memperluas sistem-sistem interaksi lainnya Kasabov, 2007.
Gambar 2.8 Proses Interaksi ECOS
Sumber: Kasabov, 2007
2.5. Algoritma Weighted Evolving Fuzzy Neural Network
Weighted Evolving Fuzzy Neural Network adalah algoritma soft computing yang menggabungkan teori fuzzy neural network telah menemukan berbagai aplikasi dalam
berbagai bidang mulai dari pengendalian lingkungan industry sistem, parameter proses, mesin semi-konduktor peramalan kapasitas, peramalan lingkungan bisnis,
analisis keuangan, indeks saham fluktuasi peramalan, konsumen Pinjaman, diagnosa medis dan permintaan listrik peramalan. Pei-Chann Cang, et al, 2007.
Penelitian oleh Lin dan Lee 1991 adalah studi awal untuk mengkombinasikan teori Fuzzy dengan neural network. mereka mengusulkan model hibrida yang
menggabungkan gagasan fuzzy logic controller, struktur Neural Network dan
Universitas Sumatera Utara
kemampuan belajar menjadi logika fuzzy Neural berbasis jaringan terpadu kontrol dan
sistem pengambilan keputusan Pei-Chann Cang, et al, 2007.
Kasabov, Kim, dan Watts memodifikasi Fuzzy Neural Network dan kemudian mengusulkan metode FuNN. dibawah kerangka FuNN, penulis mempekerjakan fungsi
Algoritma genetik yang memiliki kemampuan untuk pencarian tercepat dalam ruang besar dan kemudian mengimbangi ketidakcukupan parameter pengaturan pada Neural
Network. EFuNN dikombinasikan dari metode FuNN yang diusulkan oleh Kasabov, 1998.
Penelitian ini terutama menerapkan data historis untuk melanjutkan penelitian tentang evolving fuzzy neural network EFuNN. Metode weighted evolving fuzzy
neural network WEFuNN dialokasikan sesuai dengan kepentingan dalam setiap faktor untuk menghitung kesamaan. Banyak keuntungan dari WEFuNN yaitu
Kemampuan Pelatihan yang efektif dan cepat dan memiliki akurasi yang tinggi Pei-
Chann Cang, et al, 2007.
Berikut ini adalah algoritma weighted evolving fuzzy neural network WEFuNN yang digunakan untuk memprediksi data runtun waktu Kasabov, 2007.
1. Melakukan fuzzifikasi terhadap data yang akan dilatih dengan menggunakan
triangular membership function. 2.5
inpF = fuzzy input yang merupakan hasil dari fuzzification i = data ke i, i =1 s.d jumlah data
inp = data yang akan dilatih
2. Membuat rule node pertama r1 untuk merepresentasikan data yang pertama dan
mengisi nilai pada bobot pertama W1 dan bobot kedua W2. r =1, W1
1
= inpF
1
, W2
1
= target
1
2.6 r = rule node
target = fuzzy output dari fuzzification dari langkah pertama
Universitas Sumatera Utara
3. Melakukan pengulangan selama i= jumlah data
a. Menghitung normalized fuzzy local distance D
√∑ ∑ [
] 2.7
D = distance j = jumlah kolom data yang dilatih
k = jumlah nilai membership function setiap kolom data yang dilatih
b. Menghitung nilai aktivasi A
i,r
dengan menggunakan exponential 2.8
c. Mencari nilai Aktivasi tertinggi
A1
i
= maxA
i,r
2.9
A1
i
= nilai aktivasi tertinggi
d. Jika A1
i
S, dimana S adalah sensitive threshold maka menuju ke langkah e, jika tidak maka melukan perubahan terhadap nilai rule node r, bobot
satu W1, dan W2 lalu ulangi dari langkah a.
r = r +1 2.10
W1
r
= inpF
i
; W2
r
= target
i
2.11
e. Melakukan defuzzifikasi untuk medapatkan hasil prediksi dengan
menggunakan saturating linear transfer function satlin. A2
i
= satlinA1
i
. W2
r
2.12
Universitas Sumatera Utara
A2 = hasil prediksi
f. Menghitung nilai error
| |
2.13
g. Jika nilai error lebih kecil dari nilai error threshold errthr maka menuju
langkah h, jika tidak maka melukan perubahan terhadap nilai rule node r, bobot satu W1, dan W2 lalu ulangi dari langkah a.
r = r +1 2.14
W1
r
= inpF
i
; W2
r
= target
i
2.15
h. Mengubah nilai bobot satu W1 dan bobot dua W2
2.16 2.17
2.18 i = i + 1
2.19
2.6. Prediksi Menggunakan Weighted Evolving Fuzzy Neural Network
