49 Matriks
merupakan matriks identitas berukuran , Jadi diperoleh persamaan
normal untuk peramalan nilai bobot sebagai berikut: 3.1.17
Proses penentuan bobot dengan metode global ridge-regression dilakukan dengan bantuan aplikasi Matlab menggunakan metode global ridge Brodjol
Sutijo, 2008:169. Berikut adalah sebagian fungsi pada program global ridge.
lamb = globalRidgeH,T,0.05
3.1.18 dengan,
lamb =
parameter regulasi
H =
matriks desain RBFNN
T =
target data input training
0.05 =
nilai estimasi parameter regulasi
B. Model Fuzzy Radial Basis Function Neural Network FRBFNN
Model FRBFNN merupakan penggabungan konsep dari logika fuzzy dengan jaringan RBFNN. Penggunaan logika fuzzy yang diterapkan pada suatu NN
digunakan untuk mengantisipasi dalam mengolah informasi-informasi yang memiliki ketidakpastian. Lapisan input, output, dan tersembunyi dari RBFNN
terbentuk dari parameter-parameter yang bernilai fuzzy. Input pada jaringan RBFNN dinyatakan dalam bentuk variabel linguistic, atau nilai keanggotaan
masing-masing dari himpunan fuzzy yang digunakan, sehingga ruang input dipartisi dengan menggunakan tatanan linguistik yang tumpang tindih dan
memanfaatkan lebih banyak informasi lokal. Bobot pembelajaran diinisialisasi
50 oleh pusat cluster dan jarak maksimum cluster menggunakan metode clustering
seperti K-Means, Fuzzy C-Means, dan lainnya Mitra Basak, 2001. Desain arsitekur jaringan model FRBFNN pada tugas akhir ini terdiri dari 4
lapisan, yaitu lapisan ke-1 sebagai lapisan input, lapisan ke-2 sebagai lapisan input
fuzzy, lapisan ke-3 sebagai lapisan tersembunyi dan lapisan ke-4 sebagai lapisan output. Desain dari arsitektur FRBFNN dapat dilihat pada Gambar 3.2.1.
Gambar 3.2.1 Arsitektur Jaringan FRBFNN
Pada Gambar 3.2.1 Lapisan ke-1 terdiri dari vektor input data asli yaitu variabel input
hingga variabel input ke-d . Pada lapisan ke-1 ke
lapisan ke-2 dilakukan proses fuzzifikasi untuk memperoleh derajat keanggotaan input
data pada masing-masing himpunan fuzzy. Banyak neuron dari variabel input
pada lapisan ke-2 ditentukan berdasarkan banyaknya himpunan fuzzy yang digunakan
Pada lapisan ke-2 menuju lapisan ke-3 dilakukan proses pembelajaran jaringan tak terawasi unsupervised learning sedangkan
pada lapisan ke-3 menuju lapisan ke-4 dilakukan proses pembelajaran jaringan terawasi supervised learning.
51 Model FRBFNN menggunakan fungsi aktivasi
dari lapisan tersembunyi menuju lapisan output. Pada tugas akhir ini digunakan fungsi
aktivasi Gaussian yaitu
dengan
= derajat keanggotaan variabel input ke-i pada himpunan fuzzy ke-l
= nilai pusat pada cluster ke-j dari variabel input ke-i
= jarak maksimum pada cluster ke-j,
l =
1,2,3,...,b
Output yang dihasilkan dari model FRBFNN merupakan kombinasi linear dari bobot dengan fungsi aktivasi
dan bobot bias . Output ke-s data ke-
t dirumuskan sebagai berikut Ali Dale, 2003:
3.2.2 dengan
= bobot dari neuron lapisan tersembunyi ke-j
menuju neuron output ke-s =
fungsi aktivasi neuron tersembunyi ke-j data ke-t =
bobot bias menuju neuron output ke-s =
52
C. Prosedur Pembentukan Model Fuzzy Radial Basis Function Neural