Proceeding Seminar Nasional Teknologi Informasi Aplikasinya 2013
184
Jurusan Ilmu Komputer, FMIPA, Universitas Udayana
3
2.5 Radial Basis Function
Seperti halnya jaringan saraf tiruan yang lain, Radial Basis FunctionNetwork RBFN juga memiliki topologi jaringan. Topologi milik RFBN terdiri atas unit lapisan masukkan input
layer, unit lapisan tersembunyi hidden layer, dan unit keluaran output layer [1].Topologi RBFN ditunjukkan pada Gambar 2 :
Hal yang khusus pada RBFN ialah berikut ini : 1.
Jumlah cluster yang terbentuk dari proses clustering menentukan jumlah hidden layer yang akan di pakai.
2. Pada hidden layer digunakan sebuah fungsi aktivasi yang berbasis radial, yaitu fungsi
Gaussian.
Gambar 14 Topologi Jaringan RBF
3. Sifat jaringannya ialah feed-forward.
Fungsi Gaussian bisa dituliskan sebagai berikut :
dimana nilai adalah nilai spread
Pada rumus juga disebutkan tentang adanya center atau pusat. Pusat yang dimaksud disini ialah pusat cluster dari data. Jumlah center menentukan jumlah hidden layer yang dipakai [1].
Algoritma Pelatihan Jaringan
Berguna atau tidaknya suatu jaringan saraf tiruan ditentukan dari hasil pelatihannya yang berupa bobot neuronnya. RBFN memiliki algoritma pelatihan yang agak unik karena terdiri atas
cara yaitu supervised dan unsupervised sekaligus. Pelatihan RBFN terdiri dari dua tahap [1]. Tahap 1 : Clustering Data
Pada tahap pertama, data di-cluster atau dikelompokkan. Penentuan cluster dengan sendirinya akan menghasilkan center atau pusat dari kelompok data. Jumlah cluster
menentukan hidden unit yang dipakai [1]. Dalam menentukan center, ada dua cara yang bisa dipakai yaitu dengan cara menetukan
center secara acak dari kelompok data randomize cluster decision dan dengan menggunakan algoritma clustering.
Dalam penelitian ini, untuk menentukan center dari suatu cluster, penulis menggunakan dua metode yang akan dibandingkan yaitu randomize cluster decision dan k-means
4
Proceeding Seminar Nasional Teknologi Informasi Aplikasinya 2013
185
Jurusan Ilmu Komputer, FMIPA, Universitas Udayana
clustering. Dengan algoritma tersebut, jaringan saraf tiruan mampu mencari sendiri center-center yang terbaik dari pelatihan RBFN tersebut, dapat disimpulkan bahwa pada
tahap ini, pelatihan bersifat unsupervised.
Tahap 2 : Mencari Nilai Bobot
Tahap ini bertujuan untuk mendapatkan nilai bobot neuron pada jaringan saraf hal ini dikarenakan jaringan saraf tiruan menyimpan pengetahuannya dalam bobot. Pada tahap
ini juga dibutuhkan data training beserta targetnya. Jadi, dapat disimpulkan bahwa tahap ini bersifat supervised. Langkah-langkah pada tahap ini adalah sebagai berikut :
1.
Meneruskan sinyal input ke hidden layer dan menghitung nilai fungsi aktivasinya pada tiap hidden layer. Untuk itu digunakan rumus [1]:
m = 1,2,3,... sesuai dengan jumlah training pattern
j = 1,2,3,... sesuai dengan jumlah hidden layer
x = vektor input
t = vektor data yang dianggap sebagai center
2. Menyusun matriks Gaussian dari hasil perhitungan pada langkah 1.
3. Menghitung bobot w dengan mengalikan pseudoinverse dari matrik G dengan
vektor target d dari data training. Rumusnya yaitu :
Hasil akhir pada tahap ini yaitu nilai spread, center dan bobot yang disimpan. ProsesTesting
Pada proses testing data inputan baru di aktifasi terlebih dahulu menggunakan fungsi aktivasi, kemudian dikalikan dengan bobot yang telah disimpan pada proses sebelumnya.
Berikut merupakan langkah-langkah pada proses testing. 1.
Meneruskan sinyal input ke hidden layer dan menghitung nilai fungsi aktivasinya pada tiap hidden layer. Dengan Rumus :
2. Nilai spread yang digunaka yaitu nilai spread yang telah disimpan pada proses training,
begitu pula dengan nilai center-nya. 3.
Menyusun matriks Gaussian 4.
Hasil dari matrik gaussian tersebut dikalikan dengan bobot yang telah disimpan pada proses training sebelumnya. Sehingga
y = hasil output G = matrik gaussian citra baru
6
7
8 5
Proceeding Seminar Nasional Teknologi Informasi Aplikasinya 2013
186
Jurusan Ilmu Komputer, FMIPA, Universitas Udayana
w = bobot
2.6 User Interface