Arsitektur jaringan Mekanisme pembelajaran

IV-24

3.2 Arsitektur jaringan

Sebanyak m pasangan pola yang terbentuk dari m aturan merupakan pasangan input- output yang keduanya bersifat fuzzy. Pasangan-pasangan pola ini akan dilatih pada jaringan syaraf dengan lapisan tunggal Gambar 4. Gambar 4 Arsitektur jaringan. Ada n neuron pada lapisan input yang akan menerima sinyal input, A 1 , ..., A n ; dan 1 neuron pada lapisan output yang akan menghasilkan output jaringan, Y. Besarnya pengaruh sinyal input terhadap neuron pada lapisan output ditentukan dengan bobot, w i , i=1,...n; yang bernilai tegas crisp. Fungsi aktivasi yang digunakan adalah fungsi sigmoid, F Fausett, 1994: in _ y e 1 1 in _ y F − + = 5 dengan nilai ∑ = = n 1 i i i A w in _ y 6 Karena nilai X i direpresentasikan sebagai himpunan α-level, dan telah dilakukan diskretisasi pada pasangan input-output maka output jaringan pada data pelatihan ke-k akan berbentuk Fullèr, 1995: [ ] [ ] [ ] ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ α ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ α = ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ = ∑ ∑ ∑ = = α = α n 1 i R ki i n 1 i L ki i n 1 i i i k A w F , A w F A w F Y 7 Demikian pula untuk target output ke-k, B k diberikan sebagai: [ ] [ ] B , B B R k L k k α α = α 8 Pada kasus yang diberikan, ada sebanyak 6 neuron pada lapisan input, yang masing- masing menunjukkan kondisi fitur yang diberikan. Dengan mengambil bobot awal, w 1 = 0,01; w 2 = 0,02; w 3 = 0,07; w 3 = 0,04; w 5 = 0,05; dan w 6 = 0,06; maka untuk pola pelatihan pertama pada α 1 diperoleh [Y 1 ] = [0,5; 0,5312], berasal dari: N A 1 A n w 1 w 2 ∑ = = n 1 i i i A w in _ y F Y=Fy_in IV-25 [ ] 5 , e 1 1 06 , 05 , 04 , 07 , 02 , 01 , F A w F 6 1 i L i 1 i = + = + + + + + = ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ ∑ = [ ] 5312 , e 1 1 5 , 06 , 5 , 05 , 5 , 04 , 5 , 07 , 5 , 02 , 5 , 01 , F A w F 125 , 6 1 i R i 1 i = + = + + + + + = ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ ∑ =

3.3 Mekanisme pembelajaran

Proses pembelajaran terhadap pasangan input-output dilakukan dengan menggunakan algoritma pembelajaran delta rule. Besarnya error antara target output dengan output jaringan untuk setiap himpunan diberikan sebagai: e e e R k L k k α + α = α 9 dengan error pada sisi sebelah kiri pada himpunan α-level adalah: 2 L k L k L k Y B 2 1 e α − α = α 10 dan error pada sisi sebelah kanan pada himpunan α-level adalah: 2 R k R k R k Y B 2 1 e α − α = α 11 Total error yang terjadi pada pola pelatihan ke-k adalah ∑ α α α = e e k k 12 Perbaikan bobot untuk proses pembelajaran dengan delta rule pada pola ke-k, variabel ke-i, mengalami modifikasi dengan memperimbangkan α j , sebagai berikut: ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ + α α η + = R kij L kij j k j i i A A 2 1 e w w 13 Pada kasus yang diberikan, apabila ditetapkan maksimum epoh = 10; η = 1; dan ξ = 0,009, akan diperoleh perubahan bobot pada epoh pertama data pertama: w 1 w 2 w 3 w 4 w 5 w 6 α 1 = 0,0100 0,0200 0,0700 0,0400 0,0500 0,0600 α 2 = 0,0228 0,0328 0,0828 0,0528 0,0628 0,0728 α 3 = 0,0429 0,0529 0,1029 0,0729 0,0829 0,0929 Epoh pertama data kedua: IV-26 w 1 w 2 w 3 w 4 w 5 w 6 α 1 = 0,0429 0,0529 0,1029 0,0729 0,0829 0,0929 α 2 = 0,0468 0,0568 0,1068 0,0768 0,0868 0,0968 α 3 = 0,0485 0,0585 0,1085 0,0785 0,0885 0,0985 dan seterusnya, sehingga diperoleh bobot akhir: w 1 = 0,6214; w 2 = 0,8019; w 3 = 0,7317; w 4 = 0,7017; w 5 = 0,7117; dan w 6 = 0,8419. Proses pembelajaran telah berhenti pada epoh ke-4 pola pelatihan ke-5, dengan total error e 4 = 0,0083.

3.4 Pengujian