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
Fuzzy Neural Network FuNN adalah struktur terhubung yang mengimplementasikan aturan-aturan fuzzy inference system. FuNN merepresentasikan sebuah kelas dari
struktur tersebut. Model WEFuNN memiliki prinsip yang berbeda dengan FuNN walaupun memiliki struktur yang mirip. WEFuNN dikembangkan berdasarkan
prinsip-prinsip ECOS Kasabov, 2007.
Universitas Sumatera Utara
2.6.1. Arsitektur Weighted Evolving Fuzzy Neural Network
WEFuNN memiliki lima struktur layer seperti yang ditunjukkan pada Gambar 2.9. Pada arsitektur WEFuNN node dan koneksinya dibentuk atau dikoneksikan sesuai
dengan data sample yang ada. Sebuah layer opsional short-term memory dapat digunakan melalui sebuah kondisi feedback dari aturan-aturan node pada layer seperti
ditunjukkan oleh Gambar 2.10. Layer feedback yang terkoneksi dapat digunakan jika relasi temporal input data dapat dikenali secara struktural Kasabov, 2007.
Gambar 2.9 Arsitektur Standar WEFuNN
Sumber : Kasabov, 2007
Gambar 2.10. Arsitektur WEFuNN dengan Short-Term Memory
Sumber : Kasabov, 2007
Layer pertama merupakan layer input variabel yang akan dimasukkan oleh variabel yang akan digunakan dalam proses training.
Universitas Sumatera Utara
Layer kedua merepresentasikan persamaan fuzzy dari masing-masing bagian. Sebagai contoh, dua buah input fuzzy pada jaringanneuron
merepresentasikan “kecil” dan “besar” untuk sebuah input variabel umum. Fungsi keanggotaan fuzzy dapat
ditambahkan untuk mendapatkan derajat keanggotaan setiap data input. Jumlah dan jenis fungsi keanggotaan tersebut dapat secara dinamis dimodifikasi.
Pada layer ketiga berisi aturan-aturan case yang dikembangkan melalui pembelajaran terawasi atau metode pembelajaran tidak terawasi. Aturan prototype
sample-sample dari input –output kumpulan data yang dapat dipresentasikan secara
grafik sebagai hyper-spheres titik puncak pada grafik geometrilengkungan kurva fungsi keanggotaan dari sphares bidang lengkungan grafik input fuzzy dan output
fuzzy. Setiap aturan r didefenisikan dengan 2 vektor dari koneksi bobot – W1r dan
W2r, aturan yang paling akhir disesuaikan melalui pembelajaran terawasi berdasarkan error output, dan aturan awal disesuaikan melalui pembelajaran tidak
terawasi berdasarkan kemiripan pengukuran di dalam suatu area masalah. Suatu fungsi aktivasi linier, atau suatu gaussian function, digunakan pada neuronjaringan
pada layer ini.
Pada layer keempat dilakukan kuantisasi variabel fuzzy output. Kuantisasi adalah operasi pemotongan truncation atau pembulatan rounding nilai data dengan
suatu presisi precision tertentu untuk mendapatkan nilai luas kurva. Pada layer ini masukan bobot fungsi penjumlahan dan sebuah fungsi aktivasi linier penuhjenuh
digunakan pada reuronjaringan untuk menghitung derajat keanggotaan yang mana vektor output yang terhubung dengan input vektor yang diberikan masing-masing
fungsi keanggotaan output.
Layer kelima merepresentasikan dari nilai dari variabel output. Di layer ini sebuah fungsi aktivasi linier digunakan untuk menghitung nilai defuzzifikasi variabel
output.
Universitas Sumatera Utara
2.6.2. Parameter Weighted Evolving Fuzzy Neural Network
Weighted evolving fuzzy neural network memiliki beberapa parameter di dalam algoritmanya. Paramater-parameter tersebut digunakan sebagai batas kesalahan dalam
melakukan pembelajaran, batas minimum dari sebuah fungsi aktivasi, dan kontrol ukuran pada sebuah bobot. Parameter yang digunakan pada weighted evolving fuzzy
neural network adalah sebagai berikut Kasabov, 2001.
1. Sensitive threshold sThr adalah parameter yang digunakan untuk
medefinisikan nilai minumum aktivasi. Nilai sensitive threshold harus lebih besar dari 0 dan lebih kecil sama dengan 0,9. Apabila nilai dari sensitive
threshold lebih besar dari 0,9 maka fungsi aktivasi akan menjadi chaotic dimana pola data akan semakin acak dan sulit atau tidak bisa diprediksi
Gleick, 1987.
2. Error threshold errThr adalah suatu nilai yang sangat kecil sebagai batas
kesalahan yang ditoleransi dalam proses pembelajaran.
3. Learning rate 1 lr1 dan learning rate 2 lr2 adalah parameter yang
digunakan untuk mengontrol nilai bobot antara layer kedua dengan layer ketiga dan antara layer ketiga dengan layer keempat. Nilai parameter learning
rate maksimum bernilai 1 dan tidak boleh bernilai lebih kecil sama dengan 0 Liu, et. al, 2006.
2.7. Penelitian Sebelumnya
