Evolving Connectionist Systems ECoS

d. Algoritma klasifikasi berfungsi untuk mengelompokkan fitur ke dalam kelas yang sesuai sementara Algoritma deskripsi berfungsi untuk memberikan deskripsi pada sinyal. 2.5.2 Fitur dan vektor fitur Fitur didapat melalui pengolahan berbagai metode atau algoritma feature extraction. Fitur dapat dinyatakan dengan variabel kontinu, diskret, atau diskret-biner. Sementara Vektor fitur features vector merupakan gabungan atau kombinasi dari beberapa fitur yang dinyatakan ke dalam vektor kolom atau vektor baris. 2.5.3 Supervised dan Unsupervised Learning Pengenalan pola terarah supervised dan tak terarah unsupervised berkaitan dengan bagaimana klasifikasi akan dilakukan. Sebuah pola dikatakan supervised apabila vektor fitur pelatihan tersedia dan telah diketahui kelas-kelasnya yang kemudian vektor fitur pelatihan tersebut digunakan untuk merancang pemilah. Sementara pola dikatakan unsupervised apabila sekumpulan vektor fitur dikelompokkan ke dalam beberapa kelompok cluster berdasarkan tingkat kemiripannya dan tidak terdapat vektor fitur pelatihan untuk proses klasifikasi.

2.6 Evolving Connectionist Systems ECoS

Jaringan Saraf Tiruan JST, sistem fuzzy, evolutionary computation, hybrid system, dan metode-metode lain dari adaptive machine learning merupakan beberapa metode dalam komputasi cerdas, namun terdapat sejumlah masalah saat menerapkan teknik ini untuk proses berkembang yang kompleks Kasabov, 2007. Hal tersebut antara lain: 1. Sulit dalam menentukan arsitektur sistem. Komputasi cerdas biasanya memiliki model arsitektur yang tetap, seperti jumlah neuron dan koneksi yang tetap. Hal ini membuat sistem kesulitan dalam beradaptasi terhadap data yang baru dengan distribusi yang tidak diketahui. 2. Catastrophic forgetting yaitu memungkinkan suatu sistem untuk melupakan sebagian besar dari pengetahuan terdahulu ketika sedang melakukan pembelajaran terhadap data baru. 3. Banyaknya waktu pelatihan yang diperlukan. Universitas Sumatera Utara 4. Kurangnya fasilitas dalam merepresentasikan pengetahuan. Banyak arsitektur dari komputasi cerdas yang dapat mengambil beberapa parameter statistik selama pelatihan, akan tetapi hal tersebut tidak memfasilitasi ekstraksi dari aturan-aturan yang ada ke dalam bentuk informasi linguistik yang dapat dimengerti. Untuk mengatasi masalah-masalah tersebut, peningkatan connectionist serta penggabungan teknik dan metode perlu dilakukan baik dalam hal pembelajaran algoritma maupun pengembangan sistem. Aturan-aturan dalam sistem yang terus berkembang secara dinamis, untuk meningkatkan kinerja proses yang terus-menerus berkembang merupakan bagian dari kecerdasan buatan yang disebut dengan Evolving Intelligent Systems EIS. EIS merupakan sistem informasi yang dapat mengembangkan struktur, fungsi, dan pengetahuannya secara mandiri dengan cara terus-menerus, self-organized, adaptif, dan interaktif. Salah satu bentuk dari metode EIS adalah Evolving Connectionist Systems ECoS yaitu suatu metode pembelajaran yang adaptif, bertahap dan sistem representasi pengetahuan yang mengembangkan struktur dan fungsinya, dimana dalam sistem tersebut terdapat arsitektur connectionist yang terdiri dari neuron unit pengolah informasi dan hubungan antar-neuron. ECoS adalah sistem komputasi cerdas yang berdasarkan JST, tetapi menggunakan teknik lain dari komputasi cerdas yang beroperasi secara terus menerus dan dapat mengadaptasikan strukturnya melalui interaksi terhadap lingkungan dan sistem lainnya Kasabov, 2007. Hal ini dapat dilihat pada Gambar 2.6. Gambar 2.6 Arsitektur ECoS Kasabov, 2008 Universitas Sumatera Utara Proses adaptasi didefinisikan melalui: 1. Sekumpulan aturan yang diatur untuk dapat terus berkembang. 2. Satu set parameter yang dapat berubah selama sistem beroperasi. 3. Sebuah aliran input informasi yang datang secara terus menerus yang mungkin terjadi pada distribusi data yang tidak menentu. 4. Kriteria goal atau tujuan yang ditetapkan untuk mengoptimalkan kinerja sistem dari waktu ke waktu. Secara khusus sistem EIS, dan ECoS terdiri dari empat bagian utama yaitu: 1. Data masukan. 2. Pra-pengolahan dan evaluasi fitur. 3. Pemodelan. 4. Pengetahuan masukan. Proses interaksi ECoS dapat dilihat pada Gambar 2.7 Proses tersebut mengilustrasikan bagian-bagian dari sebuah EIS yang melakukan proses berbagai jenis informasi secara adaptif dan kontinu. Pengolahan online dari semua informasi dapat membuat ECoS untuk berinteraksi dengan pengguna dan sistem cerdas. Gambar 2.7 Proses interaksi ECoS Kasabov, 2007 Universitas Sumatera Utara Simple Evolving Connectionist Systems SECoS diusulkan sebagai implementasi minimalis dari algoritma ECoS. SECoS dikembangkan oleh Watts Kasabov 2000. Model SECoS diciptakan untuk beberapa alasan. Pertama yaitu sebagai alternatif yang lebih sederhana dari Evolving Fuzzy Neural Networks EFuNN karena kerumitan pada struktur fuzzification dan defuzzification EFuNN, SECoS lebih mudah untuk diimplementasikan, dengan sedikit matriks koneksi dan jumlah neuron yang lebih sedikit, dan pemrosesan yang terlibat dalam simulasi jaringan SECoS jauh lebih sedikit. a. Arsitektur SECoS Simple Evolving Connectionist Systems SECoS memiliki 3 lapisan neuron. Input layer merupakan lapisan pertama, lapisan kedua yaitu hidden layer yang dapat berevolusi, dan output layer merupakan lapisan ketiga dengan fungsi aktivasi simple saturated linear. Fungsi aktivasi dari sebuah evolving layer adalah seperti berikut: � � = − � . dimana D n adalah jarak antara input vector dan incoming weight vector pada neuron tersebut. Ketika jaringan ECoS terhubung sepenuhnya, hal tersebut memungkinkan untuk mengukur jarak di antara input vector dan incoming weight vector dari setiap evolving-layer neuron. Algoritma ECoS yang akan diimplementasikan pada penelitian ini adalah Simple Evolving Connectionist System SECoS. Jaringan SECoS terdiri dari tiga layer neuron yaitu input layer, evolving layer dan output layer. Pengukuran jarak yang digunakan pada evolving layer adalah normalisasi Manhattan distance seperti berikut: � = ∑ |� −� ,� | � =1 ∑ |� +� ,� | � =1 . dimana c adalah jumlah input neuron di SECoS, I adalah input vector, dan W adalah input ke evolving layer weight matrix. Selain tiga layer neuron tersebut juga terdapat dua layer penghubung yaitu yang menghubungkan input layer dengan evolving layer serta yang menghubungkan evolving layer dengan output layer. Universitas Sumatera Utara b. SECoS Learning Algorithm Algoritma pembelajaran SECoS Watts Kasabov 2000 adalah seperti berikut ini: Gambar 2.8 PseudoCode SeCOS Ketika sebuah node ditambahkan, bobot vektor masukan diberi inisialisasi sesuai dengan input vector I dan bobot vektor keluarnya diinisialisasi sesuai dengan desired output vector O d Kasabov, 2007. Modifikasi bobot masuk pada winning node j dilakukan dengan cara seperti berikut: � , � + = � , � + � � − � , � . di mana:  � , � merupakan bobot masuk , pada saat � .  � , � + merupakan bobot masuk , pada saat � + .  � merupakan learning rate 1.  � merupakan komponen ke-i pada input vector I. Sedangkan modifikasi bobot keluar dari node j dilakukan dengan cara seperti berikut: � ,� � + = � ,� � + � � × � . Function SECoS While VectorP : IF A¬max LESS THAN treshold : AddNode ELSE - error = CalcErrorOutputVector, TargetVector IF error EthrOR NodeTarget is not active : AddNode ELSE Change_connetion_weight Universitas Sumatera Utara di mana:  � ,� � merupakan bobot keluar , � pada saat �  � ,� � + merupakan bobot masuk , � pada saat � +  � merupakan learning rate 2  � merupakan nilai aktivasi dari node j  � merupakan error pada saat p yang dihitung berdasarkan Persamaan 2.17. � = � − � � . di mana:  � merupakan nilai aktivasi dari keluaran o.  � � merupakan nilai aktivasi hasil perhitungan dari o.

2.7 Penelitian Terdahulu