FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)

Transkripsi

1 Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun FUZZY BCKPROPGION UNUK KLSIFIKSI POL (Stud asus: lasfas ualtas produ) Sr Kusumadew Jurusan en Informata, Faultas enolog Industr Unverstas Islam Indonesa Yogyaarya emal: cce@ft.u.ac.d bstra Penggunaan model lasfas pola secara las aan cuup sult dterapan apabla suatu pola dmungnan untu menjad anggota dar elas atau lebh. Pada masalah lasfas ualtas produ, onds semacam n serngal muncul terutama dalam menentuan apaah suatu produ termasu dalam ualtas BIK, CUKUP, atau BURUK. Pendeatan fuzzy neural networ dmungnan untu dapat menfaomodas permasalah tersebut. Pada peneltan n aan memperenalan fuzzy bacpropagaton untu menentuan ualtas produ. Fuzzy bacpropagaton menggunaan derajat eanggotaan pada neuron output sebaga target pembelajaran. Kualtas suatu produ dgolongan menjad golongan, yatu Kualtas- (BIK), Kualtas- (CUKUP), dan Kualtas- (BURUK). Ba tdanya ualtas produ dpengaruh oleh omponen, yatu penyusutan volume, enaan derajat easaman, dan cacat emasan. da pola data yang aan dlath. Jarngan syaraf yang dgunaan adalah bacpropagaton levenberg marquardt, dengan lapsan tersembuny dan neuron pada lapsan tersembuny, masmum epoh =, tolerans error = -, laju pembelajaran =. Hasl pelathan memberan MSE sebesar, x - dan oefsen orelas antara output jarngan dan target output sebesar. Keywords: fuzzy, bacpropagaton, lasfas.. PENDHULUN. Latar Belaang Pada masalah lasfas las dengan jarngan bacpropagaton, jumlah neuron pada lapsan output sama dengan jumlah elas yang dngnan. Output neuron aan bernla ja output sesua dengan target, dan bernla apabla tda sesua, yang ddeat dengan onsep wnner tae all. Namun adaalanya, suatu pola berada pada elas, mespun ada emungnan tngat eberadaannya berbeda antara d elas pertama dengan elas edua. pabla hal n terjad, maa model lasfas las tda dapat dterapan untu asus n. Loga fuzzy yang meml ehandalan dalam mengolah data yang mengandung etdapastan dan etdatepatan, dapat dmanfaatan untu epentngan tersebut. Dengan menggunaan onsep derajat eanggotaan, suatu pola tda harus secara tegas menjad anggota pada suatu elas, namun bsa menjad anggota dar elas atau lebh dengan derajat eanggotaan yang berbeda. eanggotaan yang lebh besar pada suatu elas mengndasan bahwa pola data tersebut lebh cenderung untu masu e dalam elas tersebut. Pada masalah lasfas ualtas produ, teradang ta dhadapan pada permasalahan sultnya menentuan apaah suatu produ termasu dalam ualtas BIK, CUKUP, atau BURUK. Suatu produ dataan BIK, apabla produ tersebut meml araterst tertentu yang dberan oleh pengambl eputusan. turan-aturan yang dberan oleh pengambl eputusan untu menentuan ualtas produ dapat dhmpun pada suatu bass pengetahuan. Dengan ddasaran pada bass pengetahuan tersebut, apabla detahu suatu produ dengan cr-cr tertentu, maa aan dapat dtentuan ualfas dar produ tersebut.. ujuan ujuan peneltan n adalah membangun suatu model pengamblan eputusan dengan menggunaan fuzzy bacpropagaton untu menentuan ualtas produ.. DSR EORI Pal dan Mtra () memperenalan lasfas pola secara fuzzy menggunaan algortma pembelajaran bacpropagaton. Konsep dasar dar model n adalah dengan menggunaan derajat eanggotaan pada neuron output sebaga target pembelajaran. pabla lasfas aan dlauan terhadap seelompo pola, x = {x, x,..., x n } dalam p elas, maa aan terdapat p neuron pada lapsan output. Msalan m dan v adalah mean dan devas standar dar elas e-, maa pertama-tama ta harus menghtung jara terbobot pola pelathan e-, x, terhadap elas e-, sebaga berut (Ln, ): z n x = j= j m v j j =, L, p () G-

2 Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun dengan x j adalah nla omponen e-j dar pola e-. eanggotaan pola e- pada elas C dapat dhtung sebaga berut: µ x ) = z + f ( fe d =, L, p () dengan f d dan f e adalah onstanta yang aan mengendalan tngat eaburan pada hmpunan eanggotaan elas tersebut. Dar sn, aan ddapat p vetor derajat eanggotaan [µ ), µ ),..., µ p p )]. Pada asus palng fuzzy, aan dgunaan operator IN (ntensfed) (Cox, ) sebaga berut: µ IN ) = [ µ )] [ µ )] µ ),, µ ) () Sehngga pola nput e-, x, aan meml target output e- sebaga berut: µ IN() ) d µ ) untu asus palng fuzzy yang lannya () dengan d untu setap. Selanjutnya algortma bacpropagaton (Fausett, ) (Kusumadew, ) dapat dgunaan untu melauan pembelajaran.. MODEL YNG DIUSULKN. Gambaran umum model Kualtas suatu produ dgolongan menjad n golongan. Msalan ada golongan, yatu Kualtas- (BIK), Kualtas- (CUKUP), dan Kualtas- (BURUK). Ba tdanya ualtas produ dpengaruh oleh m omponen. Msalan ada omponen, yatu penyusutan volume, enaan derajat easaman, dan cacat emasan. pabla penyusutan volume melebh, lter, maa penyusutan bernla dan ja penyusutan volume urang dar, lter, aan bernla. pabla derajat easaman na melebh %, maa enaan derajat easaman bernla dan ja derajat easaman na urang dar,%, maa enaan derajat easaman bernla. pabla cacat emasan melebh %, maa nla cacat emasan bernla dan ja cacat emasan urang dar %, maa cacat emasan bernla. Penetapan nla penyusutan volume, enaan derajat easaman, dan cacat emasan berdasaran rumus sgmod sebaga berut (Kusumadew, ): u BBX BX BBX NlaX(u) = BX u BX BBX u BB BB + B BB u BB + B u B u B () Keterangan: NlaX = Nla penyusutan atau derajat easaman, atau cacat emasan. u = nla varabel X. BBX = Batas Bawah varabel X. Untu varabel =, Kenaan derajat easaman =, (%) dan Cacat emasan =, (%). BX = Batas tas varabel X. Untu varabel =. Kenaan derajat easaman =. (%) dan Cacat emasan =. (%).. pelathan dan pengujan Pola data yang aan dlath sepert terlhat pada abel. e- abel -data aan dlath. Volume (X ) Kenaan (X ) Cacat (X ) Kelas (Kualtas),,,,,,,,,,,,,,,,,,,,,,,,,,, pabla terdapat produ dengan spesfas sebagamana terlhat pada abel, tentuanlah ualtas dar setap produ, apaah termasu golongan produ yang mash ba atau buru. G-

3 Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun abel -data aan duj. e- (lter) Kenaan (%) Cacat (%),,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, pabla dgunaan asus palng fuzzy dengan menggunaan operator IN (ntensfed), f d = dan f e =, maa pola pelathan untu lasfas fuzzy berdasaran persamaan dapat dlhat pada abel. abel Pola pelathan lasfas fuzzy. Pola Input Pola Output e- X X X,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,. Hasl pelathan Selanjutnya aan dgunaan algortma pembelajaran bacpropagaton levenberg marquardt, pada jarngan syaraf dengan lapsan dan neuron pada lapsan tersembuny tersebut, menggunaan parameter-parameter sebaga berut: Masmum epoh = olerans error mnmum = -. Laju pembelajaran = Gambar menunjuan graf error pelathan sampa epoh, dperoleh mean square error (MSE) sebesar, x -. ranng-blue Goal-Blac Performance s.e-, Goal s e Epochs Gambar Graf error pelathan. Best Lnear Ft: = (.) + (.) R =..... Ponts Best Lnear Ft Gambar Graf oefsen orelas target & ouput jarngan Kelas-. G-

4 Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun..... Best Lnear Ft: = (.) + (.) R = Ponts Best Lnear Ft Gambar Graf oefsen orelas target & ouput jarngan Kelas-. eanggotaan e-,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, arget Output Jarngan Best Lnear Ft: = () + (-.) R =..... Ponts Best Lnear Ft Gambar Graf oefsen orelas target & ouput jarngan Kelas-. Hasl ahr memberan nla yang sama perss antara target output dengan output jarngan, terlhat dengan nla oefsen orelas = (Gambar ).. Hasl pengujan.. Hasl pengujan terhadap data pelathan Pengujan jarngan syaraf dlauan terhadap data pelathan dan data pengujan. Hasl pengujan terhadap data pelathan dapat dlhat pada abel. abel Hasl pengujan data pelathan. eanggotaan e-,,,,,,,,,,,,,,,,,,,,,,,, arget Output Jarngan Output jarngan dperoleh dengan mengambl elas yang meml derajat eanggotaan terbesar. Hasl tersebut menunjuan bahwa output jarngan meml nla yang tepat sama dengan target... Hasl pengujan terhadap data pengujan Untu melauan pengujan terhadap data-data pada abel, terlebh dahulu harus dcar Nla, Nla Kenaan, dan Nla Cacat berdasaran persamaan. Msalan untu data pertama: =, lter Kenaan derajat easaman =, (%) dan Cacat emasan =, (%), maa:,, NlaPenyusu tan(,) =,,,, NlaKenaan(,) =,,,, NlaCacat(,) =,, =, =, =, Deman pula untu data-data yang lan, haslnya dapat dlhat pada abel. e- abel Nla varabel nput. Nla,,,,,,,,,,,, Nla enaan,,,,,,,,,,,, Nla cacat,,,,,,,,,,,, G-

5 Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun e- Nla,,,,,,,, Nla enaan,,,,,,,, Nla cacat,,,,,,,, Selanjutnya dengan menggunaan bobot-bobot ahr yang telah dperoleh selama proses pembelajaran, maa dhaslan lasfas terhadap data pengujan sepert terlhat pada abel. abel Hasl pengujan data pengujan. eanggotaan e-,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Kecenderungan Kualtas (Kelas e-) Dar abel tersebut dapat terlhat bahwa produ e-,,,,, dan termasu dalam ategor ualtas BIK. Produ e-,,,,,,, dan termasu dalam ategor ualtas CUKUP. Produ e-,, dan termasu dalam ategor ualtas BURUK... Perbandngan dengan jarngan probablst Kusumadew (), telah melauan lasfas terhadap data yang sama dengan menggunaan jarngan probablst. Pengujan terhadap data pelathan menunjuan hasl yang % benar, sepert layanya pada fuzzy bacpropagaton. Sedangan hasl pengujan terhadap data pengujan menggunaan jarngan probablst tersebut dapat dlhat pada abel. abel Perbandngan hasl pengujan antara fuzzy bacpropagaton & jarngan probablst e- * * * * * Hasl Jarngan Fuzzy Probablst Bacpropagaton Dar hasl tersebut, terlhat adanya perbedaan hasl, yatu data e-,,, dan.. SIMPULN Dar hasl peneltan, dapat dsmpulan bahwa:. ualtas produ dapat dlasfasan dengan menggunaan fuzzy bacpropagaton.. dengan menggunaan fuzzy bacpropagaton n, dapat detahu derajat ualtas produ dalam elas atau ategor tertentu.. hasl perbandngan data pengujan, antara fuzzy bacpropagaton dan jarngan probablst, terdapat perbedaan hasl. PUSK [] Cox, Earl.. he Fuzzy Systems Handboo ( Prscttoner s Gude to Buldng, Usng, and Mantanng Fuzzy Systems). Massachusetts: cademc Press, Inc [] Fausett, Laurence.. Fundamentals of Neural Networs (rchtectures, lgorthms, and pplcatons). New Jersey: Prentce-Hall. [] Kusumadew, Sr.. Membangun Jarngan Syaraf ruan Menggunaan MLB dan ExcelLn. Graha Ilmu, Yogyaarta [] Ln, Chn-eng dan Lee, George.. Neural Fuzzy Systems. London: Prentce-Hall G-