BAB 2 LANDASAN TEORI. hyperspectral, neuro fuzzy dan soft computing, teori himpunan fuzzy meliputi himpunan
|
|
- Yohanes Setiawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB 2 LANDASAN TEORI Dalam bab ini diuraikan beberapa landasan teori yang terkait, mencakup konsep hyperspectral, neuro fuzzy dan soft computing, teori himpunan fuzzy meliputi himpunan fuzzy, sistem inferensi fuzzy (fuzzy inference system, FIS), serta fuzzy clustering, yaitu fuzzy c-means (FCM), jaringan syaraf tiruan, metode regresi penduga kuadrat terkecil (least square estimator, LSE), metode optimisasi penurunan tercuram (steepest descent, SD), Adaptive Neuro Fuzzy Inference System (ANFIS) dan Hyperspectral Neuro-Fuzzy dan Soft Computing Pengertian Neuro-Fuzzy dan Soft Computing Menurut Jang (1997, p76), neuro-fuzzy dan soft computing (SC) adalah integrasi dua pendekatan komplementer: jaringan syaraf (neural network, NN) yang mengenali pola dan beradaptasi untuk menanggulangi lingkungan yang berubah-ubah; sistem inferensi fuzzy (fuzzy inference systems, FIS) yang menggabungkan pengetahuan manusia serta melakukan inferensi dan pembuatan keputusan. Sinergi ini memungkinkan SC menggabungkan pengetahuan manusia secara efektif, menghadapi ketidaktepatan dan ketidakpastian, dan belajar beradaptasi dengan lingkungan yang tidak diketahui atau berubah ubah untuk performa yang lebih baik. 5
2 Karakteristik Neuro-Fuzzy dan Soft Computing a) Kepakaran Manusia SC menggunakan kepakaran manusia dalam bentuk aturan if-then fuzzy, sama baiknya seperti dalam representasi pengetahuan konvensional, untuk memecahkan masalah-masalah praktis. b) Model-model komputasi biologically inspired Diinspirasi oleh NN biologis, NN tiruan digunakan secara ekstensif dalam SC untuk menghadapi persepsi, pengenalan pola, dan regresi nonlinier serta masalah-masalah klasifikasi. c) Teknik-teknik optimasi baru SC mengaplikasikan metode-metode optimasi inovatif yang timbul dari berbagai sumber. d) Komputasi numeris Tidak seperti kecerdasan buatan (Artificial Intelligence / AI) yang simbolik, SC terutama bergantung pada komputasi numeris. e) Domain-domain aplikasi baru Karena komputasi numerisnya, SC telah menemukan sejumlah domain aplikasi baru disamping domain-domain dengan pendekatan AI. Domaindomain aplikasi ini membutuhkan komputasi yang intensif. f) Pembelajaran bebas model NN dan FIS adaptif mempunyai kemampuan untuk membangun model menggunakan hanya data contoh system target. Pengetahuan detil dalam sistem target menolong men-set struktur model inisial, tetapi bukan keharusan.
3 7 g) Komputasi intensif Tanpa asumsi banyak pengetahuan background masalah yang sedang diselesaikan, neuro-fuzzy dan SC sangat bergantung pada komputasi menerkah angka kecepatan tinggi untuk menemukan aturan-aturan atau keberaturan dalam himpunan data. h) Toleransi kesalahan Penghapusan sebuah neuron dalam suatu NN atau sebuah aturan dalam FIS, tidak menghancurkan system. Sistem tetap bekerja karena arsitektur parallel dan redundannya meskipun kualitas performa berangsur memburuk. i) Karakteristik goal driven Neuro-fuzzy dan SC adalah goal-driven; jalan yang memimpin state kini ke solusi tidak terlalu penting selama bergerak menuju tujuan dalam long run. Pengetahuan domain spesifik menolong mengurangi waktu komputasi dan pencarian tetapi bukan suatu kebutuhan. j) Aplikasi-aplikasi dunia riil Semua masalah dunia riil mengandung ketidakpastian built-in yang tidak dapat dielakkan, sehingga terlalu cepat menggunakan pendekatan konvensional yang memerlukan deskripsi detil masalah yang sedang dipecahkan. SC adalah pendekatan terintegrasi yang seringkali dapat menggunakan teknik-teknik spesifik dalam subtugas-subtugas untuk membangun solusi umum yang memuaskan untuk masalah dunia riil.
4 Logika Fuzzy Dalam teori logika fuzzy menjelaskan sejarah, definisi dan terminologi dasar, teori operasi himpunan fuzzy, parameter dan formulasi fungsi keanggotaan (membership function) serta konfigurasi dan desain sistem logika fuzzy. Teori logika fuzzy dikemukakan pertama kali oleh Lotfi A. Zadech tahun 1965, yaitu suatu pendekatan komputasional dalam pengambilan keputusan sesuai dengan cara berfikir manusia yang mengijinkan adanya ketidakpastian dan memperlihatkan suatu logika yang bergradasi. Seperti yang dilakukan oleh manusia dalam mengambil keputusan, pengertian pengertian yang ada di dalam pemikiran manusia diukur dengan kualitas daripada kuantitas. Dalam logika klasik hanya mengenal dua nilai kebenaran yaitu benar atau salah yang disimbolkan oleh nilai 1 dan 0, serta perubahan keanggotaan pada himpunan klasik berubah secara drastis. Tetapi pada logika fuzzy sesuatu dapat bernilai diantara 0 dan 1, serta nilai anggota himpunan diperbolehkan mempunyai gradasi diantara menjadi anggota penuh atau hanya sebagian. Sehingga perubahan keanggotaan pada logika fuzzy berlangsung secara perlahan atau memberikan nilai kebenaran yang bergradasi. Misalkan pada pengertian tinggi yang sering digunakan dalam hidup keseharian. Pada himpunan klasik hanya mengenal seseorang tinggi jika orang tersebut memiliki tinggi 180 cm, sedangkan dibawah 180 cm disebut pendek. Namun pada himpunan fuzzy, orang yang memiliki tinggi badan 2m mempunyai nilai kebenaran penuh atau 1. Sedangkan bila tingginya 175 cm maka seseorang dianggap misalnya 90 % tinggi. Gambar 2.1 dan 2.2 menunjukkan perbedaan antara himpunan klasik dan himpunan fuzzy.
5 9 µ Tinggi badan (cm) Gambar 2.1. Fungsi keanggotaan tinggi badan orang berdasarkan teori logika klasik µ Tinggi badan (cm) Gambar 2.2. Fungsi keanggotaan tinggi badan orang berdasarkan teori logika fuzzy Himpunan Fuzzy Himpunan fuzzy (kabur) adalah generalisasi konsep himpunan biasa (ordiner). Untuk semesta wacana x, himpunan fuzzy ditentukan oleh fungsi keanggotaan yang memetakan anggota x ke rentang keanggotaan dalam interval [0,1]. Sedangkan untuk himpunan biasa fungsi keanggotaan bernilai diskrit 0 dan 1. Menurut Kusumadewi (2006, p19) Fungsi keanggotaan (Membership Function / MF) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya. Berikut didefinisikan beberapa kelas Membership Function (MF) terparameter satu dimensi, yaitu MF dengan sebuah input tunggal.
6 10 MF segitiga dispesifikasikan oleh tiga parameter {a,b,c} seperti berikut: Gambar 2.3. MF segitiga Parameter {a,b,c} {dengan a<b<c} menentukan koordinat x dari ketiga corner yang mendasari MF segitiga. MF trapesium dispesifikasikan oleh empat parameter {a,b,c,d} sebagai berikut: Gambar 2.4. MF trapesium Parameter {a,b,c,d} (dengan a<b c<d) menentukan koordinat x dari keempat corner yang mendasari MF trapesium. MF Gauss dispesifikasikan oleh dua parameter {c,σ}:
7 11 µ gauss (x; c,σ) = e (2.1) dimana c merepresentasikan pusat MF dan σ mendefinisikan lebar MF. MF bel umum (atau MF bel) dispesifikasikan oleh tiga parameter {a,b,c}: Bell = (x;a,b,c) = (2.2) Dengan b selalu positif (+) MF sigmoid didefinisikan oleh Gambar 2.5. MF sigmoid sig(x;a,c) = (2.3) dengan a = pengontrol slope pada titik perpotongan x = c. MF left right (L-R) dispesifikasikan oleh tiga parameter {α, β, c}: F L ( ), x c LR(x; α,β,c) (2.4) F R ( ), x c
8 12 dengan F L (x) dan F R (x) adalah fungsi yang secara monoton berkurang pada [0, ] dengan F L (0) = F R (0) = 1 dan lim F L x = lim F R x = 0, yaitu : F L (x) = maks (0, 1 x (2.5) F L (x) = e (2.6) Konfigurasi Sistem Logika Fuzzy Sebuah proses pengambilan keputusan akan mengambil masukan-masukan yang selanjutnya akan dipetakan ke keluaran yang sesuai berdasarkan aturan-aturan tertentu dan dilakukan dengan mengikuti alur pola logika fuzzy. Secara umum, proses sistem logika fuzzy dapat dijelaskan dengan gambar berikut ini: Masukkan Fuzzifikator Inferensiator Defuzzifikator Keluaran Fungsi Keanggotaan Input Bank Aturan (Memory Asosiatif Fuzzy Fungsi Keanggotaan Output Gambar 2.6. Blok diagram konfigurasi sistem logika fuzzy Secara singkat, bagian utama dari konfigurasi system logika fuzzy sesuai dengan yang ditunjukkan Gambar 2.6. adalah : Fungsi keanggotaan input dan output adalah suatu fungsi yang memetakan tiap anggotanya dalam derajat keanggotaan. Fuzzifikator adalah bagian yang mengubah input-input crisp yang dimasukkan ke dalam himpunan fuzzy, serta menghasilkan derajat keanggotaan input pada daerah yang sesuai.
9 13 Inferensiator adalah bagian yang memproses inferensi (membangkitkan aturanaturan sesuai daerah input). Di dalamnya terdapat kumpulan aturan yang selanjutnya menghasilkan daerah output dengan derajat aktivasi. Defuzzifikator adalah proses defuzzifikasi yang menghubungkan daerah output ke output crisp. Bank Aturan (Memori Asosiatif Fuzzy) adalah bagian berisi kumpulan aturanaturan yang memetakan input terhadap output Sistem Inferensi Fuzzy (Fuzzy Inference System) Menurut Kusumadewi (2006, p34), sistem inferensi fuzzy adalah suatu kerangka komputasi berdasarkan pada konsep teori set fuzzy, fuzzy if-then rules dan pemikiran fuzzy. Sistem ini telah berhasil diaplikasikan dalam berbagai bidang yang sangat luas, seperti pengendalian otomatis, klasifikasi data, analisis keputusan, system pakar, prediksi rentetan waktu, robotic dan pengenalan pola. Oleh karena banyak diaplikasikan dalam berbagai bidang multidisiplin, maka sistem inferensi fuzzy sering disebut juga system fuzzy rule based, system pakar fuzzy, model fuzzy, memory asosiatif fuzzy, pengendalian logika fuzzy dan sistem fuzzy lainnya. Struktur dasar dari system inferensi fuzzy terdiri dari tiga komponen yaitu suatu kumpulan aturan-aturan berupa pilihan aturan-aturan fuzzy, pusat data (database) berupa fungsi-fungsi kenggotaan yang digunakan di dalam aturan-aturan fuzzy, dan mekanisme pemikiran, yang melakukan prosedur penyimpulan (umumnya pemikiran fuzzy) atas aturan-aturan dan memberikan fakta untuk mendapatkan suatu keluaran yang layak atau kesimpulan. Untuk masukkan berupa set crisp atau fuzzy dan keluarannya menghasilkan hampir selalu set fuzzy. Kadang-kadang diperlukan keluaran berupa suatu set crisp,
10 14 khususnya dalam suatu situasi dimana sistem inferensi fuzzy digunakan sebagai pengendali. Oleh karena itu, diperlukan suatu metode defuzzifikasi untuk menggali nilai crisp yang mewakili suatu set fuzzy terbaik. Rule 1 fuzzy X is A 1 Yis B 1 crisp or fuzzy Rule 2 fuzzy X X is A 2 Yis B 2 Aggregator Defuzzifier Y Rule n X is A 3 Yis B 3 Fuzzy Gambar 2.7. Diagram blok sistem inferensi fuzzy. Adapun diagram blok dari sistem inferensi fuzzy ditunjukkan dalam Gambar 2.7. Pada sistem inferensi fuzzy tersebut sebagai input adalah X yang berupa nilai crisp, beberapa aturan-aturan atau rule (rule-1, rule-2,, rule-n) yang menghubungkan input dengan pengumpul (aggregator) dan menghasilkan suatu set fuzzy, kemudian oleh pendefuzzifikasi (deffuzifier) nilai dalam set fuzzy akan diubah lagi ke nilai crisp pada output Y Fuzzy C-Means (FCM) Menurut Kusumadewi (2006, p282) FCM adalah suatu teknik pengclusteran data yang mana keberadaan tiap-tiap data dalam suatu cluster ditentukan oleh nilai keanggotaan. Konsep dasar FCM, pertama kali adalah menentukan pusat cluster yang akan menandai lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, pusat cluster ini masih belum akurat. Tiap-tiap data memiliki derajat keanggotaan untuk tiap-tiap cluster. Dengan cara memperbaiki pusat cluster dan
11 15 nilai keanggotaan tiap-tiap data secara berulang, maka akan dapat dilihat bahwa pusat cluster akan bergerak menuju lokasi yang tepat. Menurut Kusamadewi (Zimmerman, 1991, p283), algoritma FCM diberikan sebagai berikut: 1. Tentukan: a. Matriks X berukuran n x m, dengan n = jumlah data yang akan dicluster; dan m = jumlah variabel (kriteria). b. Jumlah cluster yang akan dibentuk = C ( 2). c. Pangkat (pembobot) = w ( 1). d. Maksimum iterasi. e. Kriteria penghentian = ε (nilai positif yang sangat kecil) f. Iterasi awal, t = 1, dan = Bentuk matriks partisi awal, U 0, sebagai berikut: µ 11 (x 1 ) µ 12 (x 2 ) µ 1n (x n ) µ 21 (x 1 ) µ 22 (x 2 ) µ 2n (x n ) U= µ C1 (x 1 ) µ C2 (x 2 ) µ Cn (x n ) (matriks partisi awal biasanya dipilih secara acak). 3. Hitung pusat cluster (V), untuk setiap cluster : V ij = µ µ. X (2.7) 4. Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki matriks partisi), sebagai berikut :
12 16 µ = C / (2.8) Dengan: d ik = d(x k - v i ) = x v / (2.9) 5. Tentukan criteria berhenti, yaitu perubahan matriks partisi pada iterasi sekarang dengan iterasi sebelumnya, sebagai berikut: = U U (2.10) Apabila ε maka iterasi dihentikan, namun apabila ε, maka naikkan iterasi (t=t+1) dan kembali ke langkah Jaringan Syaraf Tiruan Menurut Kusumadewi (2006, p59), jaringan syaraf tiruan adalah merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Jaringan syaraf tiruan dikembangkan sebagai model matematis dari syaraf biologis dengan berdasarkan asumsi bahwa: 1. Pemrosesan terjadi pada elemen-elemen sederhana yang disebut neuron. 2. Sinyal dilewatkan antar neuron melalui penghubung. 3. Setiap penghubung memiliki bobot yang akan mengalikan sinyal yang lewat. 4. Setiap neuron memiliki fungsi aktivasi yang akan menentukan nilai sinyal output. Jaringan syaraf dapat digolongkan menjadi berbagai jenis berdasarkan pada arsitekturnya, yaitu pola hubungan antara neuron-neuron, dan algoritma trainingnya, yaitu cara penentuan nilai bobot pada penghubung.
13 Multi-Layer Perceptron Multi-Layer Perceptron adalah jaringan syaraf tiruan feedforward yang terdiri dari sejumlah neuron yang dihubungkan oleh bobot-bobot penghubung. Neuron-neuron tersebut disusun dalam lapisan-lapisan yang terdiri dari satu lapisan input (input layer), satu atau lebih lapisan tersembunyi (hidden layer), dan satu lapisan output (output layer). Menurut Riedmiller (1994, p50), lapisan input menerima sinyal dari luar, kemudian melewatkannya ke lapisan tersembunyi pertama, yang akan diteruskan sehingga akhirnya mencapai lapisan output. Setiap neuron i di dalam jaringan adalah sebuah unit pemrosesan sederhana yang menghitung nilai aktivasinya yaitu si terhadap input eksitasi yang juga disebut net input net i. net i = s w θ (2.11) dimana pred(i) melambangkan himpunan predesesor dari unit i,w ij melambangkan bobot koneksi dari unit j ke unit i, dan θ adalah nilai bias dari unit i. Untuk membuat representasi menjadi lebih mudah, seringkali bias digantikan dengan suatu bobot yang terhubung dengan unit bernilai 1. Dengan demikian bias dapat diperlakukan secara sama dengan bobot koneksi. Aktivasi dari unit i, yaitu s i, dihitung dengan memasukkan net input ke dalam sebuah fungsi aktivasi non-linear. Biasanya digunakan fungsi logistik sigmoid: s i = f net (2.12) Salah satu keuntungan dari fungsi ini adalah memiliki turunan yang mudah dihitung: f net s 1 s (2.13)
14 18 Menurut Fausett (1994, p78), nilai dari fungsi sigmoid di atas memiliki nilai output antara 0 dan 1. Jika diinginkan nilai output antara 1 dan 1, dapat digunakan fungsi bipolar sigmoid berikut : s g net 1 (2.14) Derivatif dari fungsi tersebut adalah: g net 1 s 1 s (2.15) Back Propagation adalah istilah dalam penggunaan metoda Multi Layer Perceptron untuk melakukan proses update pada nilai vektor weight dan bias. Adapun bentuk metoda weight ini memiliki beberapa macam, antara lain adalah sebagai berikut : Gradient Descent Back Propagation (GD) Metode steepest descent, juga dikenal sebagai gradient descent method, salah satu dari teknik lama untuk meminimalkan fungsi yang didefinisikan pada ruang input multidimensi. Metode ini membentuk dasar bagi banyak metode langsung yang digunakan dalam mengoptimalkan masalah yang terbatas maupun yang tidak terbatas. Walaupun metode ini konvergensinya lambat, tetapi metode ini paling sering digunakan dalam teknik optimasi nonlinier karena kesederhanaanya. Metoda ini merupakan proses update untuk nilai weight dan bias dengan arah propagasi fungsinya selalu menurunkan nilai weight sebelumnya. Bentuk vektor weight tersebut berlaku seperti metoda berikut : W k+1 = wk α. g k (2.16) Dimana α merupakan Learning rate serta g merupakan gradient yang berhubungan dengan nilai error yang diakibatkan oleh weight tersebut.
15 19 Gradient Descent Back Propagation dengan Momentum (GDM) Penggunaan Momentum pada Metoda ini memberikan nilai tambah dimana hasil update diharapkan tidak berhenti pada kondisi yang dinamakan Local Minimum, sehingga proses penelusuran hingga mencapai nilai minimum yang paling puncak dalam pengertian nilai error yang paling kecil dapat tercapai. Variable Learning Rate Back Propagation dengan Momentum (GDX) Penggunaan metoda ini bertujuan untuk mempercepat waktu penyelesaian sehingga proses mendapatkan nilai error yang paling kecil dapat tercapai dengan cepat serta penelusuran yang lebih singkat. Sebaliknya jika nilai yang digunakan dalam praktisnya maka hasil yang didapatkan biasanya akan memperlambat proses penelusuran nilai error yang paling kecil. Dalam penggunaan metoda ini para peniliti biasanya menggunakan cara memperbesar nilai dari Variabel Learning Rate saat hasil yang dicapai jauh dari target, dan sebaliknya saat hasil yang dicapai dekat dengan nilai target. Conjugate Gradient Back Propagation (CGP) Conjugate Gradient Back Propagation memiliki perbedaan dibandingkan dengan metoda GD yaitu pada saat melakukan proses update, dimana untuk metoda GD proses tersebut dilakukan setiap penggunaan rumus sedangkan pada proses CGX, update dilakukan setiap iterasi dilakukan. Quasi-Newton Back Propagation (BPGS) Metoda Newton ini merupakan improvisasi dari metoda CGX, dimana pencapaian nilai konfigurasi dapat dilakukan lebih cepat.
16 Supervised Learning Tujuan pada pembelajaran supervised learning adalah untuk menentukan nilai bobot-bobot koneksi di dalam jaringan sehingga jaringan dapat melakukan pemetaan (mapping) dari input ke output sesuai dengan yang diinginkan. Pemetaan ini ditentukan melalui satu set pola contoh atau data pelatihan (training data set). Setiap pasangan pola p terdiri dari vektor input xp dan vektor target t p. Setelah selesai pelatihan, jika diberikan masukan x p seharusnya jaringan menghasilkan nilai output t p. Besarnya perbedaan antara nilai vektor target dengan output aktual diukur dengan nilai error yang disebut juga dengan cost function: E = t s P (2.17) di mana n adalah banyaknya unit pada output layer. Tujuan dari training ini pada dasarnya sama dengan mencari suatu nilai minimum global dari E Adaptive Neuro Fuzzy Inference System (ANFIS) Menurut Kusumadewi (2006, p359), Adaptive Neuro-Fuzzy Inference System (ANFIS) adalah arsitektur yang secara fungsional sama dengan fuzzy rule base model Sugeno, dan juga sama dengan jaringan syaraf dengan fungsi radial dengan sedikit batasan tertentu. Adaptive Neuro-Fuzzy Inference System (ANFIS) merupakan jaringan adaptif yang berbasis pada sistem kesimpulan fuzzy (fuzzy inference system). Dengan penggunaan suatu prosedur hybrid learning, ANFIS dapat membangun suatu mapping input-output yang keduanya berdasarkan pada pengetahuan manusia (pada bentuk aturan fuzzy if-then) dengan fungsi keanggotaan yang tepat.
17 21 Sistem kesimpulan fuzzy yang memanfaatkan aturan fuzzy if-then dapat memodelkan aspek pengetahuan manusia yang kwalitatif dan memberi reasoning processes tanpa memanfaatkan analisa kwantitatif yang tepat. Ada beberapa aspek dasar dalam pendekatan ini yang membutuhkan pemahaman lebih baik, secara rinci: 1. Tidak ada metoda baku untuk men-transform pengetahuan atau pengalaman manusia ke dalam aturan dasar (rule base) dan database tentang fuzzy inference system. 2. Ada suatu kebutuhan bagi metoda efektif untuk mengatur (tuning) fungsi keanggotaan (Membership Function / MF) untuk memperkecil ukuran kesalahan keluaran atau memaksimalkan indeks pencapaian. ANFIS dapat bertindak sebagai suatu dasar untuk membangun satu kumpulan aturan fuzzy if-then dengan fungsi keanggotaan yang tepat, yang berfungsi untuk menghasilkan pasangan input-output yang tepat. Sistem inferensi fuzzy yang digunakan adalah sistem inferensi fuzzy model Tagaki-Sugeno-Kang (TSK) orde satu dengan pertimbangan kesederhanaan dan kemudahan komputasi. Rule 1 : if x is A 1 and y is B 1 then z 1 = ax + by + c premis konsekuen Rule 2 : if x is A 2 and y is B 2 then z 2 = px + qy + r premis konsekuen Input adalah x dan y. Konsekuen adalah z. Langkah dari fuzzy reasoning dilakukan oleh sistem kesimpulan fuzzy adalah:
18 22 Gambar 2.8. Model fuzzy Sugeno orde satu dengan dua buah input (a) feedforward 3 X X 8 4 X 2 X (a) recurrent 3 X X 8 4 X 2 X Gambar 2.9. Jaringan adaptif : Arsitektur dan algoritma pembelajaran
19 23 Sesuai dengan namanya, jaringan adaptif merupakan suatu struktur jaringan yang terdiri dari sejumlah simpul yang terhubung melalui penghubung secara langsung (directional links). Tiap simpul menggambarkan sebuah unit proses, dan penghubung antara simpul menentukan hubungan kausal antara simpul yang saling berhubungan. Semua atau sebagian simpul bersifat adaptif (bersimbol kotak) dapat dilihat pada gambar 2.8, yang artinya keluaran dari simpul tersebut bergantung pada parameter peubah yang mempengaruhi simpul itu. Layer 1 Layer 2 Layer 3 Layer 4 Layer 5 A1 x A2 Π N x y Σ y B1 Π N B2 x y Gambar Arsitektur ANFIS Simpul-simpul (neuron-neuron) pada arsitektur ANFIS (Gambar 2.10.): - Nilai-nilai (Membership function). - Aturan- aturan (T-norm yang berbeda, umumnya yang digunakan operasi produk). - Normalisasi (Penjumlahan dan pembagian aritmatika). - Fungsi-fungsi (Regresi linier dan perkalian ). - Output (Penjumlahan aljabar). Simpul-simpul tersebut dibentuk dalam arsitektur ANFIS yang terdiri dari lima lapis. Fungsi dari setiap lapis tersebut sebagai berikut
20 24 Lapis 1 Setiap simpul i pada lapis 1 adalah simpul adaptif dengan nilai fungsi simpul sebagai berikut: O 1,i = μ Ai (X) untuk i=1,2 (2.18) O 1,i = μ Ai (X) untuk j=1,2 (2.19) dengan x dan y adalah masukan simpul ke i. A i (x) dan B j (y) adalah label linguistik yang terkait dengan simpul tersebut. O 1,i dan O 1,j adalah derajat keanggotaan himpunan fuzzy A1, A2, atau B1 B2. Fungsi keanggotaan untuk A atau B dapat diparameterkan, misalnya fungsi segitiga: Gambar Fungsi Segitiga Dengan {a,b,c} adalah himpunan parameter. Parameter dalam lapis ini disebut premise parameters yang adaptif. Lapis 2 Setiap simpul pada lapis ini adalah simpul tetap berlabel dengan keluarannya adalah produk dari semua sinyal yang datang. O 2,i = μ Ai (X) x μ Bi (X), I = 1,2; (2.20) Setiap keluaran simpul dari lapis ini menyatakan kuat penyulutan (fire strength) dari tiap aturan fuzzy. Fungsi ini dapat diperluas apabila bagian premis memiliki lebih dari dua
21 25 himpunan fuzzy. Banyaknya simpul pada lapisan ini menunjukkan banyaknya aturan yang dibentuk. Fungsi perkalian yang digunakan adalah interpretasi operator and. Lapis 3 Setiap simpul pada lapis ini adalah simpul tetap berlabel N. Simpul ini menghitung rasio dari kuat penyulutan atau fungsi derajat pengaktifan aturan ke i pada lapisan sebelumnya terhadap jumlah semua kuat penyulut dari semua aturan pada lapisan sebelumnya. (2.21) Keluaran lapis ini disebut kuat penyulut ternormalisasi. Lapis 4 Setiap simpul pada lapis ini adalah simpul adaptif dengan fungsi simpul: (2.22) dengan: w i adalah kuat penyulut ternormalisasi dari lapis 3. Parameter {p i x + q i y + r i } Adalah himpunan parameter dari simpul ini. Parameter pada lapis ini disebut consequent parameters. Lapis 5 Simpul tunggal pada lapis ini adalah simpul tetap dengan label Σ yang menghitung keluaran keseluruhan sebagai penjumlahan semua sinyal yang datang dari lapisan 4. (2.23) Jaringan adaptif dengan lima lapisan diatas ekivalen dengan sistem inferensi fuzzy Takagi Sugeno Kang (TSK) atau yang lebih dikenal dengan Sugeno.
22 Algortima Pembelajaran Hybrid Pada saat premise parameters ditemukan, output yang terjadi akan merupakan kombinasi linear dari consequent parameters, yaitu : y = W W y 1 + y 2 (2.24) W W W W = w 1 (c 11 x 1 + c 12 x 2 + c 10 ) + w 2 (c 21 x 1 + c 22 x 2 + c 20 ); (2.25) = (w 1 x 1 )c 11 + (w 1 x 2 )c 12 + w 1 c 10 +(w 2 x 1 )c 21 + (w 2 x 2 )c 22 + w 2 c 20 ; (2.26) Linear terhadap parameter c ij (i = 1,2 dan j = 0,1,2). Algortima hybrid akan mengatur parameter-parameter c ij secara maju (forward) dan akan mengatur parameter-parameter {a i, b i, c i } secara mundur (backward). Pada langkah maju (forward), input jaringan akan merambat maju sampai pada lapisan keempat, dimana parameter-parameter c ij akan diidentifikasi dengan menggunakan metode least-square. Sedangkan pada langkah mundur (backward), error sinyal akan merambat mundur dan parameter-parameter { a i, b i, c i } akan diperbaiki dengan menggunakan metode gradient descent. Menurut Jang (1997, p87), menggunakan algoritma backpropagation atau gradient descent untuk mengidentifikasi paramter-parameter pada suatu jaringan adaptif biasanya membutuhkan waktu yang relatif lama untuk konvergen. Mengemukakan algoritma hybrid yang akan menggabungkan antara steepest descent (SD) dan least square estimator (LSE) untuk mengidentifikasi parameter-parameter linear Least Square Estimator (LSE) Rekursif Salah satu metode LSE adalah LSE rekursif. Pada LSE rekursif, dapat menambahkan suatu pasangan data [a T y], sehingga memiliki sebanyak (m+1) pasangan
23 27 data. Dari sini dapat dihitung kembali LSE θ k+1 dengan bantuan θ k. Bentuk semacam ini dikenal dengan LSE rekursif. Karena jumlah paramater ada sebanyak n, maka matriks m x n dapat diselelsaikan dengan menggunakan metode invers, sebagai berikut: P n = (A n T A n ) -1 (2.27) Θ n = P n A n T y n (2.28) Selanjutnya, iterasi dimulai dari data ke-(n+1), dengan nilai P k+1 dan θ k+1 dapat dihitung sebagai berikut: P k+1 = P k - P T P T (2.29) P T θ k+1 = θ k + P k+1 a k+1 (y k+1 - a θ k ) (2.30) 2.6. K-fold Cross Validation K-fold cross validation dilakukan untuk membagi data menjadi training set dan test set. Menurut Fu (1994, p95), K-fold cross validation mengulang k-kali untuk membagi sebuah himpunan contoh secara acak menjadi k subset yang saling bebas, setiap ulangan disisakan satu subset untuk pengujian dan subset lainnya untuk pelatihan Hyperspectral Menurut Smith (2006, p4), data citra hyperspectral dihasilkan oleh alat yang disebut imaging spectrometer yang melibatkan konvergensi dua teknologi yaitu spektroskopi dan pencitraan jauh. Pada umumnya, sensor mengumpulkan data secara pasif dan aktif. Sensor pasif mengumpulkan dan merekam energi elektromagnetik yang dipantulkan atau dipancarkan
24 28 oleh permukaan suatu fitur tertentu, khususnya terusan dari sebuah lensa optik. Sensor aktif menghasilkan energi pemiliknya dan kemudian mengumpulkan sinyal yang dipantulkan dari permukaan bumi. Pada citra hyperspectral sumber data memasukkan 10 atau lebih data band. Lebar band data memiliki range 1 sampai 15 nanometer, sedangkan pada multispectral lebar band berkisar antara 50 sampai 120 nanometer. Menurut Borengasser (2008), data multispectral bisa memiliki celah / renggang antara spectral band yang dikumpulkan, sedangkan data hyperspectral memiliki kumpulan band yang kontinyu. Menurut Borengasser (2008, p60), Reflectance adalah persentase cahaya yang dipantulkan oleh suatu material. Nilai reflectance bervariasi untuk setiap benda dengan bahan yang berbeda. Menurut Smith (2006, p7), Hubungan linear dari perubahan panjang gelombang dengan leaf area index (LAI) atau indeks luas permukaan daun dan kandungan klorofil gandum mengindikasikan bahwa resolusi tinggi data spektral dapat digunakan untuk memperkirakan kondisi pertumbuhan hasil panen dan mengidentifikasi tekanan hasil panen. Grafik hubungan antara panjang gelombang spektrum gandum dengan LAI dapat dilihat pada Gambar dan hubungan antara panjang gelombang spektrum gandum dengan kandungan klorofil dapat dilihat pada Gambar 2.13.
25 29
26
27
28
29
30
31
32
Neural Network (NN) Keuntungan penggunaan Neural Network : , terdapat tiga jenis neural network Proses Pembelajaran pada Neural Network
Neural Network (NN) adalah suatu prosesor yang melakukan pendistribusian secara besar-besaran, yang memiliki kecenderungan alami untuk menyimpan suatu pengenalan yang pernah dialaminya, dengan kata lain
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciJurnal Coding, Sistem Komputer Untan Volume 04, No. 3 (2016), hal ISSN: X
SISTEM PENDUKUNG KEPUTUSAN PREDIKSI CURAH HUJAN DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (Studi Kasus: Kota Pontianak) [1] Ruspina Ningsih, [2] Beni Irawan, [3] Fatma Agus Setyaningsih [1][3]
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Dalam bab ini diuraikan beberapa landasan teori yang terkait, mencakup konsep neuro-fuzzy dan soft computing, logika fuzzy, teori himpunan fuzzy, aturan fuzzy dan penalaran fuzzy,
Lebih terperinciPREDIKSI CURAH HUJAN TAHUNAN MENGGUNAKAN ANFIS DENGAN PENGELOMPOKAN DATA (Studi Kasus Pada Stasiun Meteorologi Bandara Jalaluddin Gorontalo)
PREDIKSI CURAH HUJAN TAHUNAN MENGGUNAKAN ANFIS DENGAN PENGELOMPOKAN DATA (Studi Kasus Pada Stasiun Meteorologi Bandara Jalaluddin Gorontalo) Ifan Wiranto, Wahab Musa, Wrastawa Ridwan Jurusan Teknik Elektro
Lebih terperinciPenerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih
Penerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih Niska Ramadani Dosen Universitas Dehasen Bengkulu niskaramadani@gmail.com ABSTRAK Pertumbuhan penduduk harus
Lebih terperinciPERKIRAAN BEBAN LISTRIK JANGKA PENDEK DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
ISSN : 1978-6603 PERKIRAAN BEBAN LISTRIK JANGKA PENDEK DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Sarjon Defit Fakultas Ilmu Komputer Universitas Putra Indonesia YPTK Padang, Sumatera Barat Telp.
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk prediksi Beban Daya
Lebih terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
Lebih terperinciPRAKIRAAN BEBAN PUNCAK JANGKA PANJANG PADA SISTEM KELISTRIKAN INDONESIA MENGGUNAKAN ALGORITMA ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM
ISSN 1412 3762 http://jurnal.upi.edu/electrans ELECTRANS, VOL.11, NO.2, SEPTEMBER 2012, 18-26 PRAKIRAAN BEBAN PUNCAK JANGKA PANJANG PADA SISTEM KELISTRIKAN INDONESIA MENGGUNAKAN ALGORITMA ADAPTIVE NEURO-FUZZY
Lebih terperinciBab 5 Penerapan Neural Network Dalam Klasifikasi Citra Penginderaan Jauh
Penerapan Neural Dalam Klasifikasi Citra Penginderaan Jauh Klasifikasi citra penginderaan jarak jauh (inderaja) merupakan proses penentuan piksel-piksel masuk ke dalam suatu kelas obyek tertentu. Pendekatan
Lebih terperinciJURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di:
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 31-40 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS DATA RUNTUN WAKTU DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab landasan teori bertujuan untuk memberikan penjelasan mengenai metode atau pun teori yang digunakan dalam laporan tugas akhir ini, sehingga dapat membangun pemahaman yang sama antara
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciBAB II NEURAL NETWORK (NN)
BAB II NEURAL NETWORK (NN) 2.1 Neural Network (NN) Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini merupakan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1. Analisis Analisis adalah kemampuan pemecahan masalah subjek kedalam elemen-elemen konstituen, mencari hubungan-hubungan internal dan diantara elemen-elemen, serta mengatur
Lebih terperinciANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciJurnal Elektro ELTEK Vol. 2, No. 1, April 2011 ISSN:
Perbandingan Penggunaan Metode Radial Basis Function Network () Dari Metode Fuzzy Neural Netwotk () Dalam Memperkirakan Beban Jangka Pendek di GI. Gondang Wetan Pasuruan Rory Asrial, Almizan Abdullah,
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Logika Fuzzy Logika fuzzy merupakan suatu metode pengambilan keputusan berbasis aturan yang digunakan untuk memecahkan keabu-abuan masalah pada sistem yang sulit dimodelkan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciMODEL PENENTUAN GURU BERPRESTASI BERBASIS ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS)
MODEL PENENTUAN GURU BERPRESTASI BERBASIS ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) Wanti Rahayu 1 1 Mahasiswa Universitas Indraprasta PGRI Email : 1 wanti.reiku@gmail.com Abstrak- Guru merupakan aspek
Lebih terperinciBAB III METODELOGI PENELITIAN. media cacing dengan metode adaptive neuro fuzzy inference system (ANFIS)
BAB III METODELOGI PENELITIAN 3.1 Studi Literatur Untuk memehami cara rancang bangun pengontrol suhu dan kelembaban media cacing dengan metode adaptive neuro fuzzy inference system (ANFIS) dibutuhkan studi
Lebih terperinciArtificial Intelligence. uthie 1
Artificial Intelligence uthie 1 Cabang-cabang AI 1. Logical AI Logika (matematis) yang merepresentasikan sekumpulan fakta dan tujuan ---> RUANG KEADAAN: Graph Tree uthie 2 Cabang-cabang AI 2. Search Pencarian
Lebih terperinciBAB 2 2. LANDASAN TEORI
BAB 2 2. LANDASAN TEORI Bab ini akan menjelaskan mengenai logika fuzzy yang digunakan, himpunan fuzzy, penalaran fuzzy dengan metode Sugeno, dan stereo vision. 2.1 Logika Fuzzy Logika fuzzy adalah suatu
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No. 1, Juni 2015 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan untuk Memprediksi Prestasi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciFuzzy Logic. Untuk merepresentasikan masalah yang mengandung ketidakpastian ke dalam suatu bahasa formal yang dipahami komputer digunakan fuzzy logic.
Fuzzy Systems Fuzzy Logic Untuk merepresentasikan masalah yang mengandung ketidakpastian ke dalam suatu bahasa formal yang dipahami komputer digunakan fuzzy logic. Masalah: Pemberian beasiswa Misalkan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciT 2 Aplikasi Model Neuro Fuzzy Untuk Prediksi Tingkat Inflasi Di Indonesia
T 2 Aplikasi Model Neuro Fuzzy Untuk Prediksi Tingkat Inflasi Di Indonesia Aidatul Fitriah 1, Agus Maman Abadi 2 1) Program Studi Matematika, FMIPA Universitas Negeri Yogyakarta 2) Jurusan Pendidikan Matematika,
Lebih terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih terperinciPenerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas
Penerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas Zulfikar Sembiring Jurusan Teknik Informatika, Fakultas Teknik, Universitas Medan Area zoelsembiring@gmail.com Abstrak Logika Fuzzy telah banyak
Lebih terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih terperinciBAB II LANDASAN TEORI. Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya
BAB II LANDASAN TEORI A. Logika Fuzzy Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya berada di luar model matematis dan bersifat inexact. Konsep ketidakpastian inilah yang
Lebih terperinciBAB II DASAR TEORI Jaringan Syaraf Tiruan. Universitas Sumatera Utara
BAB II DASAR TEORI Landasan teori adalah teori-teori yang relevan dan dapat digunakan untuk menjelaskan variabel-variabel penelitian. Landasan teori ini juga berfungsi sebagai dasar untuk memberi jawaban
Lebih terperinciMahasiswa mampu memformulasikan permasalahan yang mengandung fakta dengan derajad ketidakpastian tertentu ke dalam pendekatan Sistem Fuzzy.
Chapter 7 Tujuan Instruksional Khusus Mahasiswa mampu memformulasikan permasalahan yang mengandung fakta dengan derajad ketidakpastian tertentu ke dalam pendekatan. Mahasiswa mampu melakukan perhitungan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Sistem Pendukung Keputusan Sebuah aplikasi berupa Sistem Pendukung Keputusan (Decision Support System) mulai dikembangkan pada tahun 1970. Decision Support Sistem (DSS) dengan
Lebih terperinciInstitut Teknologi Sepuluh Nopember Surabaya
Aplikasi Sistem Inferensi Fuzzy Metode Sugeno dalam Memperkirakan Produksi Air Mineral dalam Kemasan Oleh Suwandi NRP 1209201724 Dosen Pembimbing 1. Prof. Dr M. Isa Irawan, MT 2. Dr Imam Mukhlash, MT Institut
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Logika Fuzzy Zadeh (1965) memperkenalkan konsep fuzzy sebagai sarana untuk menggambarkan sistem yang kompleks tanpa persyaratan untuk presisi. Dalam jurnalnya Hoseeinzadeh et
Lebih terperinciErwien Tjipta Wijaya, ST.,M.Kom
Erwien Tjipta Wijaya, ST.,M.Kom PENDAHULUAN Logika Fuzzy pertama kali dikenalkan oleh Prof. Lotfi A. Zadeh tahun 1965 Dasar Logika Fuzzy adalah teori himpunan fuzzy. Teori himpunan fuzzy adalah peranan
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA
ARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA Rima Liana Gema, Devia Kartika, Mutiana Pratiwi Universitas Putra Indonesia YPTK Padang email: rimalianagema@upiyptk.ac.id ABSTRAK
Lebih terperinciLOGIKA SAMAR (FUZZY LOGIC)
LOGIKA SAMAR (FUZZY LOGIC) 2. Himpunan Samar 2.. Himpunan Klasik dan Himpunan Samar Himpunan klasik merupakan himpunan dengan batasan yang tegas (crisp) (Jang, Sun, dan Mizutani, 24). Sebagai contoh :
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) REPRESENTASI EMOSI MENGGUNAKAN LOGIKA FUZZY PADA PERMAINAN BONNY S TOOTH BOOTH
68 REPRESENTASI EMOSI MENGGUNAKAN LOGIKA FUZZY PADA PERMAINAN BONNY S TOOTH BOOTH Septiani Nur Hasanah 1, Nelly Indriani Widiastuti 2 Program Studi Teknik Informatika. Universitas Komputer Indonesia. Jl.
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini penulis akan menjelaskan mengenai landasan teori yang digunakan pada penelitian ini. Penjabaran ini bertujuan untuk memberikan pemahaman lebih mendalam kepada penulis
Lebih terperinciJaringan syaraf dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Bab ini berisi tentang pemahaman dari logika fuzzy dan data mining. Pada bab ini juga akan dijelaskan bagian-bagian yang perlu diketahui dalam logika fuzzy dan data mining, sehingga
Lebih terperinciImplementasi Adaptive Neuro-Fuzzy Inference System (Anfis) untuk Peramalan Pemakaian Air di Perusahaan Daerah Air Minum Tirta Moedal Semarang
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Implementasi Adaptive Neuro-Fuzzy Inference System (Anfis) untuk
Lebih terperinciMODEL KONTROL PREDIKSI BERBASIS ANFIS PADA HEAT EXCHANGER
MODEL KONTROL PREDIKSI BERBASIS ANFIS PADA HEAT EXCHANGER Ruslim Jurusan Teknik Elektro, Fakultas Teknik, Universitas Borneo Tarakan ruslim_s@yahoo.co.id ABSTRAKS Model dinamik dari sistem Heat Exchanger
Lebih terperinciBAB II: TINJAUAN PUSTAKA
BAB II: TINJAUAN PUSTAKA Bab ini akan memberikan penjelasan awal mengenai konsep logika fuzzy beserta pengenalan sistem inferensi fuzzy secara umum. 2.1 LOGIKA FUZZY Konsep mengenai logika fuzzy diawali
Lebih terperinciARTIFICIAL NEURAL NETWORK TEKNIK PERAMALAN - A
ARTIFICIAL NEURAL NETWORK CAHYA YUNITA 5213100001 ALVISHA FARRASITA 5213100057 NOVIANTIANDINI 5213100075 TEKNIK PERAMALAN - A MATERI Neural Network Neural Network atau dalam bahasa Indonesia disebut Jaringan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Clustering Clustering atau analisis cluster adalah proses pengelompokan satu set benda- benda fisik atau abstrak ke dalam kelas objek yang sama (Han, 2006). Baskoro (2010) menyatakan
Lebih terperinciBAB VIII JARINGAN SYARAF TIRUAN
BAB VIII JARINGAN SYARAF TIRUAN A. OTAK MANUSIA Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiaptiap sel bekerja seperti suatu prosesor sederhana. Masing-masing
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Data runtun waktu dari fenomena real seperti data finansial biasanya bersifat nonstasioner. Tipe data runtun waktu finansial biasanya dicirikan oleh pola-pola seperti
Lebih terperinciSISTEM INFERENSI FUZZY (METODE TSUKAMOTO) UNTUK PENENTUAN KEBUTUHAN KALORI HARIAN OLEH
KECERDASAN BUATAN SISTEM INFERENSI FUZZY (METODE TSUKAMOTO) UNTUK PENENTUAN KEBUTUHAN KALORI HARIAN OLEH AMARILIS ARI SADELA (E1E1 10 086) SITI MUTHMAINNAH (E1E1 10 082) SAMSUL (E1E1 10 091) NUR IMRAN
Lebih terperinciBAB 1 PENDAHULUAN. Logika fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan
BAB 1 PENDAHULUAN 1.1. Latar Belakang Logika fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan sistem yang kompleks. Logika fuzzy memberikan rangka kerja yang kuat dalam memecahkan masalah
Lebih terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
Lebih terperinciBAB 2 LANDASAN TEORI
5 BAB 2 LANDASAN TEORI 2.1 Logika Fuzzy Logika fuzzy adalah cabang dari sistem kecerdasan buatan (Artificial Inteligent) yang mengemulasi kemampuan manusia dalam berfikir ke dalam bentuk algoritma yang
Lebih terperinciNeural Networks. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 JARINGAN SARAF SECARA BIOLOGIS Jaringan saraf adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak
Lebih terperinciBAB III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.
BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. Dengan demikian dapat disusun model Fuzzy
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Beras merupakan salah satu kebutuhan pokok manusia yang sangat penting dalam kelangsungan hidupnya. Untuk memenuhi kebutuhan beras, setiap manusia mempunyai cara-cara
Lebih terperinciALGORITMA GENETIKA UNTUK OPTIMASI STRUKTUR ANFIS
ALGORITMA GENETIKA UNTUK OPTIMASI STRUKTUR ANFIS Ariesta Damayanti 1), Rudy Cahyadi 2) 1) Teknik Informatika STMIK AKAKOM Yogyakarta, 2) Politeknik Negeri Media Kreatif Jakarta 1) Jl. Janti 143 Yogyakarta,
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih terperinciPenerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi
Penerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi Berdasarkan Data Persediaan dan Jumlah Permintaan Ria Rahmadita Surbakti 1), Marlina Setia Sinaga 2) Jurusan Matematika FMIPA UNIMED riarahmadita@gmail.com
Lebih terperinciPERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK
Jurnal POROS TEKNIK, Volume 6, No. 2, Desember 2014 : 55-10 PERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK Nurmahaludin (1) (1) Staff Pengajar Jurusan
Lebih terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Logika Fuzzy Fuzzy secara bahasa diartikan sebagai kabur atau samar yang artinya suatu nilai dapat bernilai benar atau salah secara bersamaan. Dalam fuzzy dikenal derajat keanggotan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Sekarang ini hampir semua perusahaan yang bergerak di bidang industri dihadapkan pada suatu masalah yaitu adanya tingkat persaingan yang semakin kompetitif. Hal ini
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Himpunan Himpunan adalah kata benda yang berasal dari kata himpun. Kata kerjanya adalah menghimpun. Menghimpun adalah kegiatan yang berhubungan dengan berbagai objek apa saja.
Lebih terperinci2. TINJAUAN PUSTAKA. Jumlah (AM x bobot SKS) Jumlah SKS (1) dengan AM adalah Angka Mutu SKS adalah Satuan Kredit Semester
17 2. TINJAUAN PUSTAKA 2.1 Evaluasi Keberhasilan Studi Evaluasi keberhasilan studi mahasiswa dapat ditempuh dengan beberapa tahapan, yaitu evaluasi keberhasilan belajar matakuliah, evaluasi keberhasilan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Melihat kondisi sebagian besar masyarakat Indonesia saat ini yang mengalami banyak tekanan baik dari segi ekonomi, politik, pekerjaan dan sebagainya, menyebabkan terjadinya
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tingkat kesehatan bank dapat diketahui dengan melihat peringkat
BAB IV HASIL DAN PEMBAHASAN A. Analisis Tingkat Kesehatan Bank Tingkat kesehatan bank dapat diketahui dengan melihat peringkat komposit bank tersebut. Menurut peraturan Bank Indonesia No. 13/1/PBI/2011
Lebih terperinciTAHUN AKADEMIK 2016/2017. : PENGANTAR INTELEGENSI BUATAN : Betha Nurina Sari, M.Kom. : Open Book via Google Form (90 Menit)
IFT 501 PANITIA UJIAN AKHIR SEMESTER GANJIL FAKULTAS ILMU KOMPUTER UNIVERSITAS SINGAPERBANGSA KARAWANG Jl. H.S. Ronggowaluyo Telukjambe Telp. (0267) 641177 Ex 307 Fax (0267) 641367 Karawang 41361 TAHUN
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Karyawan atau tenaga kerja adalah bagian
Lebih terperinciNEURAL NETWORK BAB II
BAB II II. Teori Dasar II.1 Konsep Jaringan Saraf Tiruan (Artificial Neural Network) Secara biologis jaringan saraf terdiri dari neuron-neuron yang saling berhubungan. Neuron merupakan unit struktural
Lebih terperinciFUZZY LOGIC CONTROL 1. LOGIKA FUZZY
1. LOGIKA FUZZY Logika fuzzy adalah suatu cara tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Teknik ini menggunakan teori matematis himpunan fuzzy. Logika fuzzy berhubungan dengan
Lebih terperinciFUZZY MULTI-CRITERIA DECISION MAKING
Media Informatika, Vol. 3 No. 1, Juni 2005, 25-38 ISSN: 0854-4743 FUZZY MULTI-CRITERIA DECISION MAKING Sri Kusumadewi, Idham Guswaludin Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas
Lebih terperinciABSTRACT. Kata kunci: Fuzzy Tsukamoto, Jaringan Syaraf Tiruan, Backpropagation 1. LATAR BELAKANG MASALAH
PERBANDINGAN PREDIKSI HARGA SAHAM DENGAN MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN DAN FUZZY TSUKAMOTO COMPARISON OF SHARE PRICE PREDICTION USING ARTIFICIAL NEURAL NETWORK AND FUZZY TSUKAMOTO ABSTRACT
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 7 NO. 2 September 2014
PERAMALAN JANGKA MENENGAH JUMLAH PELANGGAN LAYANAN SPEEDY PT. TELKOM WILAYAH SUMATERA BARAT DENGAN MENGGUNAKAN NEURO-FUZZY SYSTEM Heru Dibyo Laksono 1 Fandi Achmad 2 ABSTRACT Forecasting the number of
Lebih terperinciBAB I PENDAHULUAN. Machine learning (ML), bagian dari kecerdasan buatan (artificial
BAB I PENDAHULUAN 1. 1.1. Latar Belakang Machine learning (ML), bagian dari kecerdasan buatan (artificial intelligence), merupakan metode untuk mengoptimalkan performa dari sistem dengan mempelajari data
Lebih terperinciBAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai teori-teori yang akan digunakan untuk menunjang dalam proses pembuatan tugas akhir ini.
BAB II LANDASAN TEORI Pada bab ini akan dibahas mengenai teori-teori yang akan digunakan untuk menunjang dalam proses pembuatan tugas akhir ini. 2.1 CLUSTERING Clustering adalah proses pengelompokkan suatu
Lebih terperinciDAFTAR ISI DAFTAR GAMBAR DAFTAR TABEL INTISARI ABSTRACT
DAFTAR ISI LEMBAR PENGESAHAN HALAMAN PERNYATAAN PRAKATA DAFTAR ISI DAFTAR GAMBAR DAFTAR TABEL INTISARI ABSTRACT i vi viii ix x BAB I. PENDAHULUAN 1 1.1 Latar Belakang 1 1.2 Rumusan Masalah 3 1.3 Batasan
Lebih terperinciPerbandingan Regresi Linear, Backpropagation Dan Fuzzy Mamdani Dalam Prediksi Harga Emas
TEKNOLOGI DI INDUSTRI (SENIATI) 016 ISSN : 085-418 Perbandingan Regresi Linear, Backpropagation Dan Fuzzy Mamdani Dalam Prediksi Harga Emas Nur Nafi iyah Program Studi Teknik Informatika Universitas Islam
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Barcode Salah satu obyek pengenalan pola yang bisa dipelajari dan akhirnya dapat dikenali yaitu PIN barcode. PIN barcode yang merupakan kode batang yang berfungsi sebagai personal
Lebih terperinciBAB III LANDASAN TEORI. Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu
BAB III LANDASAN TEORI 3.1 Definisi Peramalan Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu yang akan terjadi dimasa sekarang maupun yang akan datang. dikarena masa yang akan datang
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA
ANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA Julpan 1 *, Erna Budhiarti Nababan 1 & Muhammad Zarlis 1 1 Program S2 Teknik Informatika
Lebih terperinciANALISIS & DESAIN SISTEM FUZZY. Menggunakan TOOLBOX MATLAB
ANALISIS & DESAIN SISTEM FUZZY Menggunakan TOOLBOX MATLAB ANALISIS & DESAIN SISTEM FUZZY Menggunakan TOOLBOX MATLAB Sri Kusumadewi Analisis & Desain Sistem Fuzzy Menggunakan Toolbox Matlab Oleh: Sri Kusumadewi
Lebih terperinciLOGIKA FUZZY. Kelompok Rhio Bagus P Ishak Yusuf Martinus N Cendra Rossa Rahmat Adhi Chipty Zaimima
Sistem Berbasis Pengetahuan LOGIKA FUZZY Kelompok Rhio Bagus P 1308010 Ishak Yusuf 1308011 Martinus N 1308012 Cendra Rossa 1308013 Rahmat Adhi 1308014 Chipty Zaimima 1308069 Sekolah Tinggi Manajemen Industri
Lebih terperinciBAB VIIB BACKPROPAGATION dan CONTOH
BAB VIIB BACKPROPAGATION dan CONTOH 7B. Standar Backpropagation (BP) Backpropagation (BP) merupakan JST multi-layer. Penemuannya mengatasi kelemahan JST dengan layer tunggal yang mengakibatkan perkembangan
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinci