16
Gambar 2.8 Arsitektur ECOS Kasabov, 2007
2.6 Weighted Evolving Fuzzy Neural Network
Algoritma soft computing yang menggabungkan teori fuzzy neural network telah menemukan berbagai aplikasi dalam berbagai bidang mulai dari pengendalian
lingkungan industry sistem, parameter proses, mesin semi-konduktor peramalan kapasitas, peramalan lingkungan bisnis, analisis keuangan, indeks saham fluktuasi
peramalan, konsumen Pinjaman, diagnosa medis dan permintaan listrik peramalan. Pei-Chann Cang, et al, 2007
Penelitian oleh Lin dan Lee 1991 adalah studi awal untuk mengkombinasikan teori Fuzzy dengan neural network. mereka mengusulkan model hibrida yang
menggabungkan gagasan fuzzy logic controller, struktur Neural Network dan kemampuan belajar menjadi logika fuzzy Neural-berbasis jaringan terpadu kontrol dan
sistem pengambilan keputusan Pei-Chann Cang, et al, 2007
Kasabov, Kim, dan Watts 1997 dimodifikasi Fuzzy Neural Network dan kemudian mengusulkan metode Funn 2. di bawah kerangka Funn, penulis
dipekerjakan fungsi Algoritma genetik yang memiliki kemampuan untuk mencari cepat dalam ruang besar dan kemudian mengimbangi ketidakcukupan Neural Network
parameter pengaturan. The EFuNN dikombinasikan pembelajaran terawasi dan pembelajaran terawasi diusulkan oleh Kasabov 1998. Pei-Chann Cang, et al, 2007
Universitas Sumatera Utara
17 Penelitian ini terutama menerapkan data historis untuk melanjutkan penelitian
tentang Weighted evolving Fuzzy Neural Network WEFuNN. Metode Weighted evolving Fuzzy Neural Network WEFuNN dialokasikan sesuai dengan kepentingan
dalam setiap faktor untuk menghitung kesamaan.. Banyak keuntungan dari WEFuNN yaitu Kemampuan Pelatihan yang efektif dan cepat dan memiliki akurasi yang tinggi.
Pei-Chann Cang, et al, 2007.
Berikut ini adalah algoritma Weighted Evolving Fuzzy Neural Network yang digunakan untuk memprediksi data runtun waktu Phei Chann et al, 2007.
1. Meghitung derajat keanggotaan terhadap data yang akan dilatih dengan
mengunakan fungsi keanggotaan segitiga member function Triangle
2. Membangun aturan pertama yang dibangun dari input data pertama, bobot
koneksinya sebagai berikut
= Lapisan ke 2 dan lapisan ke 3 2.5
= Lapisan ke 3 dan lapisan ke 4 2.6
W4
n
= Lapisan ke 4 dan lapisan output 2.7
m = Jumlah Aturan
2.8
3. Membangun aturan fuzzy dan mempelajari bobot jaringan, semua data
pelatihan harus diproses dalam langkah berikut
A. Kesamaan Perhitungan
Bobot Euclidean D
i,m
yang digunakan untuk menghitung jarak antara – I dan
aturan ke – m, yang memiliki persamaan :
D
i,m
√∑ ∑
[ ]
2.9
Universitas Sumatera Utara
18 Yang dimana R
j,k
m mengemukakan sebuah nilai m untuk fitur j dan daerah k diambil dari sebuah laporan penelitian ini. Selain itu untuk menghubungkan
jarak dan kesamaan digunakan sebuah fungsi transfer eksponensial yaitu persamaan
2.10 B.
Penentuan Aturan jika nilai A1
i
lebih besar sThr dimana sThr adalah kesamaan ambang batas maka lanjut ke langkah C. jika nilai A1
i
lebih kecil sThr maka harus membuat aturan fuzzy baru dan kembali ke langkah A.
C. Perhitungan Output
linier mentransfer Fungsi akan digunakan untuk mentransfer kabur fungsi keanggotaan kasus I ke ramalan keluaran Fuzzy
A2
i,m
= Satlin x A1
i
2.11
D.
Hitung error antara ramalan fuzzy kasus i dan permintaan fuzzy dalam kondisi Ai,
Err
i
= |A2
i,m
– A
i
| 2.12
Jika Err
i
E
thr
mempertahankan hasil peramalan ini, dimana E
thr
adalah ambang batas kesalahan. Jika tidak, buat aturan fuzzy yang baru dan
menghitung bobot koneksi dan kembali ke langkah A.
E. setiap output perkiraan fuzzy telah defuzzifikasi ke output perkiraan nyata yang
dimana
O
i
= W4
n
x A2
i,m
2.13
F. perbaruhi dari bobot koneksi dan
Universitas Sumatera Utara
19 [
] 2.14
2.15 2.16
2.7 Penelitian Terdahulu
Kategori