Fungsi Aktivasi Metode Pembelajaran dan Pelatihan
31
3. Fungsi Gaussian
3.3 dengan
= norm Euclidean antara vektor
input
x dengan pusat
neuron
tersembunyi ‖ ‖
Fungsi aktivasi yang biasa digunakan dalam
RBFNN
adalah fungsi Gaussian. Hal ini dikarenakan fungsi Gaussian bersifat lokal yaitu nilai fungsi
akan menuju nol jika nilai menuju tak hingga , dan nilai
fungsi menuju satu jika nilai menuju nol .
Arsitektur
RBF NN
Arsitektur
RBFNN
dapat dilihat pada Gambar 3.1 berikut:
Sumber: Orr, 1996: 10 Gambar 3.1. Arsitektur
RBFNN
. . . . . .
. . .
. . .
Lapisan
Output
Lapisan Tersembunyi
Lapisan
Input
32
Pada arsitektur di atas terdapat komponen vektor
input
x,
buah fungsi basis sebagai fungsi aktivasi
neuron
tersembunyi dan satu buah
output
.
Output
yang dihasilkan dari model
RBFNN
merupakan kombinasi linear dari bobot
{ }
dengan fungsi aktivasi dan dirumuskan sebagai berikut
Orr, 1996: 11: ∑
3.4 dengan
= banyak fungsi aktivasi
neuron
tersembunyi = bobot
output
ke
-j
= fungsi aktivasi
neuron
tersembunyi ke
-j
= yang merupakan vektor
input
Berdasarkan fungsi basis Gaussian diperoleh persamaan sebagai berikut:
‖ ‖
3.5 dengan
= variabel
input
ke-
i, i= 1,2,...,p
= pusat
neuron
tersembunyi ke-
j, j= 1,2,...,m
= simpangan baku
neuron
tersembunyi ke-
j, j= 1,2,...,m
B.
K-means Cluster
Salah satu ciri model
RBFNN
adalah pada fungsi aktivasi yang dalam perhitungannya membutuhkan nilai pusat dan varians
neuron
tersembunyi. Metode
K-means
ini mengelompokkan data
input
menjadi beberapa kelompok
33
atau kluster sehingga nilai pusat dan varians setiap kluster dapat dihitung. Pusat kluster adalah rata-rata
mean
kluster tersebut. Algoritma metode
K-means
adalah sebagai berikut Johnson Winchern, 2007: 696:
1. Tentukan kluster dengan nilai pusat.
2. Tempatkan setiap obyek pada kelompok yang mempunyai jarak
terdekat dengan pusat, hitung kembali nilai pusat baru. 3.
Ulangi langkah 2 sampai nilai pusat lama sama dengan nilai pusat baru.