PEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN SYARAF

Transkripsi

1 PEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN YARAF r Kusumadew Jurusan Teknk Informatka, Fakultas Teknolog Industr Unverstas Islam Indonesa Yogyakarya emal: cce@ft.u.ac.d Abstrak Pada kebanyakan sstem nferens fuzzy, fungs keanggotaan pada setap hmpunan fuzzy dbentuk melalu pendekatan terhadap fungs-fungs tertentu. elan tu, sstem juga belum mengakomodas penentuan varabel-varabel yang relevan pada sstem tersebut. Padahal adakalanya, terdapat varabel yang tdak memlk tngkat relevans yang cukup tngg. Pada peneltan n, akan dbangun suatu model aturan pada sstem nferens fuzzy melalu proses pembelajaran jarngan syaraf dengan mengunakan algortma backpropagaton. stem dbangun melalu tahap, yatu: () pemlhan varabel nput-output dan data pelathan; () proses pembelajaran pada bagan nput; () pengelompokan data pelathan; () pembelajaran jarngan syaraf yang berhubungan dengan bagan anteseden (bagan IF) pada aturan-aturan nferens fuzzy; () pembelajaran jarngan syaraf yang berhubungan dengan bagan konsekuen (bagan THEN) pada aturan-aturan nferens fuzzy; () penyederhanaan bagan konsekuen (bagan THEN) menggunakan metode elmnas backward; dan () pengujan. Hasl peneltan terhadap data yang dberkan ( varabel nput), menghaslkan aturan fuzzy dengan mengelmnas varabel kedua untuk bagan anteseden, dan mengelmnas varabel pertama untuk bagan konsekuen. Hasl pengujan menunjukkan E antara target output dengan output jarngan adalah 0,; dan koefsen korelas sebesar 0,; yang berart bahwa sstem nferens fuzzy yang terbentuk berdasarkan pembelajaran jarngan syaraf memlk valdtas yang cukup tngg Keywords: sstem nferens fuzzy, backpropagaton, pembelajaran.. PENDAHULUAN. Latar Belakang alah kelemahan terbesar dar sstem nferens fuzzy adalah penentuan fungs keanggotaan dan pembangktan fungs pembelajaran pada aturanaturan nferens. Basanya, fungs keanggotaan pada setap hmpunan fuzzy dbentuk melalu pendekatan terhadap fungs-fungs tertentu (Co, ), sepert: fungs lnear, sgmod, gauss, beta, dll. Pemlhan fungs tersebut tentunya akan bermplkas pada tnggnya tngkat subyektvtas. Apabla dpunya beberapa data hstory terhadap permasalahan tertentu, fungs keanggotaan dapat dbentuk dengan terlebh dahulu melakukan clusterng terhadap data-data tersebut. Pada sstem fuzzy, dapat dgunakan fuzzy c-means (FCM) atau subtractve clusterng untuk mendapatkan kelompok - kelompok data yang nantnya dapat dfungskan untuk membantu penentuan fungs keanggotaan. Permasalahan lan yang juga muncul pada pembentukan sstem nferens fuzzy adalah penentuan varabel-varabel yang relevan. Dalam suatu sstem, adakalanya suatu varabel memlk tngkat kepentngan yang tdak terlalu tngg. Hal n kemungknan dsebabkan oleh keberadaannya yang sebenarnya telah terwakl oleh varabel yang lan. Jka hal n terjad, maka varabel tersebut dapat delmnas untuk mengurang beban komputas dan menngkatkan akuras hasl. Pemlhan tngkat kepentngan varabel n juga belum dakomodas oleh pembentukan sstem nferens fuzzy basa. D lan phak, algortma pembelajaran pada jarngan syaraf memlk kemampuan untuk melath data hstory untuk kepentngan adaptas. Jarngan syaraf dengan bobot-bobot yang telah terbentuk melalu proses pembelajaran terbukt mampu menyelesakan beberapa kasus sepert: peramalan, pengenalan pola, klasfkas, dll (Fausett, ). Pada kasus peramalan, jarngan syaraf dapat dgunakan untuk mengestmas nla output apabla dberkan beberapa nput. ehngga pada kasus pencaran varabel nput yang relevan untuk sstem nferens fuzzy, jarngan syaraf dapat dgunakan sebaga alat untuk meramalkan nla output bak pada bagan anteseden (pernyataan setelah IF pada aturan fuzzy) maupun pada bagan konsekuen (pernyataan setelah THEN pada aturan fuzzy).. Tujuan Tujuan peneltan n adalah membangun suatu model aturan pada sstem nferens fuzzy melalu proses pembelajaran jarngan syaraf.. DAAR TEORI Ln (), menggunakan jarngan syaraf untuk merealsaskan atau membangktkan sstem nferens fuzzy model ugeno bak pada bagan anteseden (membangktkan fungs keanggotaan), maupun pada IV-

2 bagan konsekuen (melakukan nferens). Takag & Hayash () menggunakan jarngan syaraf dengan algortma pembelajaran backpropagaton untuk membangun hmpunan-hmpunan fuzzy pada bagan anteseden, dan fungs nferens yang ada pada bagan konsekuen. Aturan nferens yang dberkan memlk format sebaga berkut: R s : IF =,,..., n ) s A s THEN y s = NN s,,..., m ); s =,,..., r. () dengan r adalah jumlah aturan nferens, A s adalah hnpunan fuzzy pada bagan anteseden pada setap aturan, dan NN( ) adalah jarngan backpropagaton dengan nput,,..., m ) dan output y s. Jumlah varabel yang menjad nput NN sebanyak m (m n) dtentukan dengan cara memlh model yang optmun. Langkah-langkah pembentukan sstem nferens fuzzy model ugeno melalu pengendal jarngan syaraf adalah sebaga berkut: a. Pemlhan varabel nput output dan data pelathan. Dberkan varabel output y dan calon varabel nput j, j=,,...,n. Pada bagan n akan dtetapkan varbel-varabel nput yang relevan, j, j=,,...,m, yang berhubungan output y, =,,...,N, dengan menggunakan jarngan backpropagaton. Hal n dlakukan dengan menggunakan metode elmnas backward, dengan fungs baya sum squared error (E). eleks varabel dlakukan dengan cara mengelmnas varabel-varabel yang tdak dperlukan, dan mempertahankan varabel-varabel yang memberkan korelas yang cukup sgnfkan terhadap varabel output y. Msalkan terdapat N pasangan data nput output, maka kta bag kumpulan data tersebut menjad N t data pelathan (TRD) dan N c data pengujan (CHD), sehngga N t + N c = N. b. Pengelompokan (clusterng) data pelathan. Pada bagan n, TRD akan dbag menjad r kelas dengan menggunakan metode pengclusteran tertentu. ehngga nantnya akan terdapat r buah aturan R s, s=,,...,r. Pasangan nput output pada cluster ke-s (aturan ke-s) drepresentaskan sebaga s s, y ), =,,...,N s ; dengan N s adalah jumlah data yang masuk pada kelas ke-s. c. Pembelajaran jarngan syaraf yang berhubungan dengan bagan anteseden (bagan IF) pada aturan-aturan nferens fuzzy. Untuk setap vektor nput pada TRD kta r tentukan m = ( m,m, L, m ), =,,...,N t ; sebaga berkut: m k ; = 0; k = s k s () Kemudan derajat keanggotaan setap data dapat dperoleh sebaga output jarngan yang telah dlath, sebaga: µ ( ) = mˆ ; =,,...,N; s=,,...,r. () As s d. Pembelajaran jarngan syaraf yang berhubungan dengan bagan konsekuen (bagan THEN) pada aturan-aturan nferens fuzzy. Pada bagan n akan dlakukan pembelajaran jarngan syaraf pada bagan THEN dar R dengan nput = (,, L, m ) dan target output y, =,,...,N. elanjutnya hasl pelathan akan dujkan pada CHD, dengan nput = (,, L, m ), =,,...,N C untuk mendapatkan E sebaga berkut: N = [ C m y µ ) µ A )] = E () dengan estmas µ ) dperoleh dar output jarngan. elanjutnya error dengan pembobotan dapat dhtung sebaga berkut: N = C m µ A )[ y µ ) µ A )] = E () e. Penyederhanaan bagan konsekuen (bagan THEN) menggunakan metode elmnas backward. Dar m varabel nput yang berpartspas pada jarngan syaraf, tdak semuanya memlk konstrbus yang cukup bak. Kta dapat mencoba dengan mengelmnas salah satu varabel, dan kemudan melath jarngan kembal untuk P mendapatkan E ( E ) sebaga berkut: m N P = [ C m y µ ˆ ) µ Aˆ )] = E ; p=,,...,m. () dengan ( ; ; ; ; L; ) =., L,p,p+ elanjutnya bandngkan persamaan dengan persamaan, jka: E m > E () P m maka p dapat dhlangkan. Proses n dulang hngga, persamaan benar-benar dpenuh. f. Penentuan output akhr. Nla y akhrnya dapat dperoleh sebaga berkut: m IV-

3 y r µ A = = r = ) µ ) ; =,,...,N () µ A ) Proses pembelajaran dlakukan dengan semua nput (Gambar ), mengelmnas varabel (Gambar ), mengelmnas varabel (Gambar ), mengelmnas varabel (Gambar ), dan mengelmnas varabel (Gambar ).. MODEL YANG DIUULKAN. Pemlhan varabel nput-output dan data pelathan. Kusumadew (00), memberkan 0 sampel data untuk dbentuk sstem nferens fuzzy dalam varabel nput,,,, dan sebagamana terlhat pada Tabel. ke- sampa akan dgunakan sebaga data pelathan (TRD), sedangkan data ke- sampa 0 akan dgunakan sebaga data pengujan (CHD). Tabel -data ada sstem. varabel nput ke- 0, 0, 0, 0, 0, 0, 0, 0, 0,0 0, 0, 0,0 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0 0, 0, 0, 0, 0,0 0, 0, 0, 0, 0, 0,0 0, 0, 0,0 0 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0 0, 0, 0, 0, target output (y) 0, 0, 0, 0, 0, 0, 0,0 0,,00 0, 0,0 0, 0, 0, 0, 0,0 0, 0, 0, 0, 0, 0,0 0,00 0, 0, 0, 0, 0, 0, 0,0 Dengan menggunakan data-data pada Tabel, akan dbangun aturan-aturan pada sstem nferens fuzzy dengan nput (bagan anteseden),,,, dan output (konsekuen) y.. Proses pembelajaran pada bagan nput Proses pembelajaran dlakukan dengan nput,, dan serta target output y menggunakan backpropagaton levenberg marquardt (Jang, ) dengan lapsan tersembuny (dengan neuron). Parameter-parameter: maksmum epoh = 00; laju pembelajaran = ; dan tolerans error =. Tranng-Blue Goal-Black - Performance s.e-00, Goal s e Epochs Gambar Hasl pembelajaran dengan semua nput. Tranng-Blue Goal-Black - Performance s , Goal s e Epochs Gambar Hasl pembelajaran dengan elmnas. Tranng-Blue Goal-Black - Performance s.0e-00, Goal s e Epochs Gambar Hasl pembelajaran dengan elmnas. IV-

4 Tranng-Blue Goal-Black 0 - Performance s , Goal s e Epochs Gambar Hasl pembelajaran dengan elmnas. Tranng-Blue Goal-Black 0 - Performance s , Goal s e Epochs Gambar Hasl pembelajaran dengan elmnas. E dhtung terhadap semua data (pelathan dan pengujan) dan mendapatkan nla sepert terlhat pada Tabel. Dar sn terlhat bahwa, E yang terjad pada saat varabel delmnas cukup kecl, sehngga apabla varabel dhlangkan, tdak terlalu berpengaruh. ehngga varabel nput yang akan berpartspas pada bagan anteseden (bagan IF) adalah,, dan saja. Tabel Tabel E bagan nput. emua varabel dgunakan Varabel delmnas Varabel delmnas Varabel delmnas Varabel delmnas E 0,00 0,0 0,00 0,000 0,0. Pengelompokan data pelathan pelathan (TRD) dkelompokkan (cluster) sebanyak jumlah aturan yang dngnkan. Msalkan dngnkan sebanyak aturan, maka TRD akan dbag menjad kelas ( aturan). Algortma pengelompokkan FCM (Pal, 00) (Ross, 00) (Yan, ) dgunakan untuk proses tersebut. Dar hasl clusterng, dperoleh nla keanggotaan setap data pada setap cluster, dan kecenderungan suatu data masuk ke suatu cluster sepert terlhat pada Tabel. ke- 0 Tabel Hasl clusterng TRD. Matrks Parts Kecenderungan masuk cluster µ ) µ ) Kelas- Kelas- 0, 0, 0, 0,0 0, 0, 0,0 0, 0, 0,0 0, 0, 0, 0, 0,0 0, 0, 0,0 0, 0,0 0,0 0, 0, 0, 0, 0, 0, 0, 0,0 0,0. Pembelajaran jarngan syaraf yang berhubungan dengan bagan anteseden (bagan IF) pada aturan-aturan nferens fuzzy Untuk setap vektor nput pada TRD harus dtentukan terlebh dahulu nla keanggotaan m, berdasarkan persamaan, haslnya terlhat pada Tabel. Tabel Nla keanggotaan setap cluster (m). ke- 0 Kecenderungan masuk cluster Nla keanggotaan Kelas- Kelas- m m 0, 0, 0 0, 0,0 0 0, 0, 0 0,0 0, 0 0, 0,0 0 0, 0, 0 0, 0, 0 0,0 0, 0 0, 0,0 0 0, 0,0 0 0,0 0, 0 0, 0, 0 0, 0, 0 0, 0, 0 0,0 0,0 0 elanjutnya jarngan syaraf dengan nput,, dan target output m, kta lath dengan menggunakan jarngan backpropagaron levenberg marquardt dengan lapsan tersembuny (dengan neuron). Parameter-parameter: maksmum epoh = 00; laju pembelajaran = ; dan tolerans error =. Proses pembelajaran terlhat pada Gambar. IV-

5 Tranng-Blue Goal-Black 0 0 Performance s 0.000, Goal s Epochs Gambar Hasl pembelajaran pada setap cluster. Kemudan derajat keanggotaan, µ A, setap data dapat dperoleh sebaga output dar jarngan yang telah dlath, sebagamana terlhat pada Tabel. Tabel Nla keanggotaan pada bagan IF (µ A ) TRD & CHD. ke Nla keanggotaan µ A µ A 0, 0,0 0, 0,0 0,0 0,00 0,0 0, 0, 0,000 0,00 0, 0,00 0,0 0,00 0, 0,00 0, 0,00 0,0 0,00 0, 0,00 0, 0, 0,000 0, 0,000 0,0 0, 0, 0,00 0, 0,0 0, 0, 0,00 0, 0, 0,,0000 0,0000 0,00 0, 0, 0,00 0,0 0, 0, 0,0 0,0 0,,0000 0,0000 0,0 0,0 0,000 0,0 0, 0,00. Pembelajaran jarngan syaraf yang berhubungan dengan bagan konsekuen (bagan THEN) pada aturan-aturan nferens fuzzy Pada bagan n akan dlakukan pembelajaran jarngan syaraf pada bagan THEN dar R dengan = m dan target output y, =,,...,; s=,. TRD yang akan dlath pada R (NN ) sepert terlhat pada Tabel, sedangkan TRD yang akan dlath pada R (NN ) sepert terlhat pada Tabel. nput (,, L, ) Tabel -data yang akan dlath pada R (NN ). varabel nput ke- 0, 0, 0,0 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0 0, 0, 0, target output (y) 0, 0, 0, 0, 0, 0, Berasal dar data ke- Tabel -data yang akan dlath pada R (NN ). varabel nput ke- 0, 0, 0, 0, 0,0 0, 0, 0, 0, 0, 0, 0,0 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0 0, 0, 0, 0, target output (y) 0, 0, 0,0 0,,00 0, 0,0 0, 0, Berasal dar data ke 0 elanjutnya hasl pelathan akan dujkan pada CHD, dengan nput = (,, L, m ), =,,..., untuk mendapatkan E berdasarkan persamaan.. Penyederhanaan bagan konsekuen (bagan THEN) menggunakan metode elmnas backward. Jarngan syaraf NN kemudan dlath dengan menggunakan jarngan backpropagaron levenberg marquardt dengan lapsan tersembuny (dengan neuron). Parameter-parameter: maksmum epoh = 000; laju pembelajaran = ; dan tolerans error =. elanjutnya kta akan melakukan elmnas backward untuk varabel nput. Kemudan melath P jarngan kembal untuk mendapatkan ME ( E m ) berdasarkan persamaan. Pengujan pada NN : Dengan melakukan beberapa elmnas pada varabel nput, dan dengan menggunakan persamaan dperoleh E sepert terlhat pada Tabel. Proses pembelajaran dlakukan dengan semua nput (Gambar ), mengelmnas varabel (Gambar ), mengelmnas varabel (Gambar ), dan mengelmnas varabel (Gambar 0). Tabel Tabel E untuk NN teras pertama. E emua varabel dgunakan, IV-

6 Varabel delmnas Varabel delmnas Varabel delmnas,,, 0 0 Performance s.0e-00, Goal s e Karena nla E dengan mengelmnas varabel lebh kecl darpada E dengan menggunakan semua varabel, maka varabel dapat dhlangkan. Performance s.e-00, Goal s e-00 Tranng-Blue Goal-Black Tranng-Blue Goal-Black Epochs Gambar Hasl pembelajaran dengan elmnas pada NN. 0 0 Performance s.0e-00, Goal s e Epochs Gambar Hasl pembelajaran dengan semua varabel pada NN. Performance s.00e-00, Goal s e-00 Tranng-Blue Goal-Black 0 - Tranng-Blue Goal-Black Epochs Gambar 0 Hasl pembelajaran dengan elmnas pada NN Epochs Gambar Hasl pembelajaran dengan elmnas pada NN. Kemudan, dengan setelah dhlangkan, NN dlath kembal dengan mengelmnas atau. Nla E dapat dlhat pada Tabel. Proses pembelajaran dlakukan dengan mengelmnas varabel (Gambar ), dan mengelmnas varabel (Gambar ). Tabel Tabel E untuk NN teras kedua. Varabel delmnas Varabel delmnas E,,0 Karena nla E dengan mengelmnas varabel maupun varabel tdak ada yang lebh kecl darpada, (menggunakan semua varabel, lhat Tabel ), maka tdak ada varabel nput yang dapat dhlangkan. IV-

7 Tranng-Blue Goal-Black Performance s.e-00, Goal s e emua varabel dgunakan Varabel delmnas Varabel delmnas Varabel delmnas E,,,, Karena nla E dengan mengelmnas varabel lebh kecl darpada E dengan menggunakan semua varabel, maka varabel dapat dhlangkan. Performance s.e-00, Goal s e Epochs Gambar Hasl pembelajaran dengan elmnas pada NN. 0 0 Performance s 0.00, Goal s e-00 Tranng-Blue Goal-Black Tranng-Blue Goal-Black Epochs Gambar Hasl pembelajaran dengan semua varabel pada NN. Performance s.00e-00, Goal s e Epochs Gambar Hasl pembelajaran dengan elmnas pada NN. ehngga format untuk aturan pertama R adalah: R : IF =,, ) THEN y = NN, ). Tranng-Blue Goal-Black Pengujan pada NN : Jarngan syaraf NN dlath dengan menggunakan jarngan backpropagaron levenberg marquardt dengan lapsan tersembuny (dengan neuron). Parameter-parameter: maksmum epoh = 000; laju pembelajaran = ; dan tolerans error =. elanjutnya, dengan melakukan beberapa elmnas pada varabel nput, dan dengan menggunakan persamaan dperoleh E sepert terlhat pada Tabel 0. Proses pembelajaran dlakukan dengan semua nput (Gambar ), mengelmnas varabel (Gambar ), mengelmnas varabel (Gambar ), dan mengelmnas varabel (Gambar ). Tabel 0 Tabel E untuk NN teras pertama Epochs Gambar Hasl pembelajaran dengan elmnas pada NN. IV-0

8 0 0 Performance s.0e-00, Goal s e-00 Performance s.e-00, Goal s e Tranng-Blue Goal-Black Tranng-Blue Goal-Black Epochs Gambar Hasl pembelajaran dengan elmnas pada NN. 0 0 Performance s.0e-00, Goal s e Epochs Gambar Hasl pembelajaran dengan elmnas pada NN. 0 0 Performance s 0.00, Goal s e Tranng-Blue Goal-Black Tranng-Blue Goal-Black Epochs Gambar Hasl pembelajaran dengan elmnas pada NN. Kemudan, dengan setelah dhlangkan, NN dlath kembal dengan mengelmnas atau. Nla E dapat dlhat pada Tabel. Proses pembelajaran dlakukan dengan mengelmnas varabel (Gambar ), dan mengelmnas varabel (Gambar ). Tabel Tabel E untuk NN teras kedua. Varabel delmnas Varabel delmnas E,,00 Karena nla E dengan mengelmnas varabel maupun varabel tdak ada yang lebh kecl darpada, (menggunakan semua varabel, lhat Tabel ), maka tdak ada varabel nput yang dapat dhlangkan Epochs Gambar Hasl pembelajaran dengan elmnas pada NN. ehngga format untuk aturan pertama R adalah: R : IF =,, ) THEN y = NN, ).. Pengujan Terakhr, nla y dapat dperoleh dengan menggunakan persamaan, dan haslnya dapat dlhat pada Tabel. Tabel Hasl pelathan akhr. Input jarngan ke- 0 0, 0, 0,0 0, 0, 0, 0, 0, 0,0 0, 0, 0, 0, 0, 0, 0, 0, 0,0 0, 0, 0, 0, 0, 0, 0,0 0, 0, 0, 0, 0, 0,0 0, 0, Target output (y) 0, 0, 0, 0, 0, 0, 0,0 0,,00 0, 0,0 Output jarngan (y) 0, 0, 0, 0, 0, 0, 0,0 0,,0000 0, 0,0 IV-

9 Input jarngan ke , 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, Target output (y) 0, 0, 0, 0, 0,0 0, 0, 0, 0, 0, 0,0 0,00 0, 0, 0, 0, 0, 0, 0,0 Output jarngan (y) 0, 0, 0,0 0, 0, 0, 0,,0000 0,0 0, 0, 0, 0, 0,0 0, 0, 0,0,0000 0,0 [] Kusumadew, r; dan Hartat, r. 00. Neuro- Fuzzy: Integras Jarngan yaraf & stem Fuzzy. Graha Ilmu, Yogyakarta [] Kusumadew, r. 00. Membangun Jarngan yaraf Truan Menggunakan MATLAB dan EcelLnk. Graha Ilmu, Yogyakarta [] Ln, Chn-Teng; dan Lee, George.. Neural Fuzzy ystems. London: Prentce-Hall. [] Pal, Nkhl, P.; Pal, Kuhu; Keller, James, M.; dan Bezdek, James, C. 00. A Possblstc Fuzzy C-Means Clusterng Algorthm. IEEE Transactons on Fuzzy ystems, Vol. No.. [] Ross, Tmothy J. 00. Fuzzy Logc wth Engneerng Applcatons. Eds ke-. John Wley & ons Inc. Inggrs. [] Yan, Jun; Ryan, Mchael; dan Power, James.. Usng Fuzzy Logc Towards Intellgent ystems. Prentce Hall. New York. Jumlah kuadrat error (E) antara target output dengan output jarngan adalah 0,; dan koefsen korelas sebesar 0,. Berdasarkan hasl tersebut dapat dsmpulkan bahwa sstem nferens fuzzy yang terbentuk berdasarkan pembelajaran jarngan syaraf memlk valdtas yang cukup tngg.. IMPULAN Dar hasl peneltan, dapat dsmpulkan bahwa:. jarngan syaraf dengan algortma pembelajaran backpropagaton dapat dgunakan untuk membangun sstem nferens fuzzy berdasarkan data-data yang dberkan;. tdak semua varabel yang dberkan berpengaruh dalam pembentukan sstem nferens fuzzy;.. hasl peneltan menghaslkan aturan fuzzy sebaga berkut: R : IF =,, ) THEN y = NN, ). R : IF =,, ) THEN y = NN, ).. E antara target output dengan output jarngan adalah 0,; dan koefsen korelas sebesar 0,; yang berart bahwa sstem nferens fuzzy yang terbentuk berdasarkan pembelajaran jarngan syaraf memlk valdtas yang cukup tngg. PUTAKA [] Co, Earl.. The Fuzzy ystems Handbook (A Prscttoner s Gude to Buldng, Usng, and Mantanng Fuzzy ystems). Massachusetts: Academc Press, Inc [] Fausett, Laurence.. Fundamentals of Neural Networks (Archtectures, Algorthms, and Applcatons). New Jersey: Prentce-Hall. [] Jang, J,, R; un, C.T; dan Mzutan, E.. Neuro-Fuzzy and oft Computng. London: Prentce-Hall. IV-