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