MENINGKATKAN KEMAMPUAN PENGENALAN POLA SINYAL DENGAN OPTIMALKAN RULES PADA FUZZY NEURAL NETWORK

Transkripsi

1 Semar Nasoal Iformata 2013 (semasif 2013) ISSN: UPN Vetera Yogyaarta, 18 Me 2013 MENINGKATKAN KEMAMPUAN PENGENALAN POLA SINYAL DENGAN OPTIMALKAN RULES PADA FUZZY NEURAL NETWORK Muhtar Haaf Program Stud Te Iformata Uverstas Muhammadyah Magelag Jl. Mayed Bambag Soegeg Km.5 Mertoyuda, Magelag Telp (0293) E-mal: Abstra Fuzzy Neural Networ (FNN) merupaa suatu model yag dlath megguaa arga syaraf, amu strutur argaya dtepretasa dega seelompo atura-atura (rules) fuzzy. Mespu loga fuzzy dapat meeremaha pegetahua paar secara lagsug melalu atura-atura dega label-label lgust, tap umumya membutuha watu yag lama utu medsa da meyesuaa fugs eaggotaa yag dapat membera defs secara uattatf label-label lgust. Hal mead sebh sult lag maaala rules yag ada sagat terbatas. Selautya, bagamaa megoptmala eterbatasa rules utu megata emampua FNN dalam proses pembelaaraya. Tuua dar peelta adalah utu megetahu pegaruh peambaha fuzzy rules dalam proses pembelaara pada FNN, serta pegata emampuaya dalam megeal pola syal yag dlatha. Pegua dlaua dega megguaa model arga FNN empat layer, algortma pembelaara bac propagato da tga rule base fuzzy, yatu dega 9, 25 da 49 rules. Pada peelta, utu megembaga rule base fuzzy dar 9 rules mead 25 da 49 rules adalah dega cara peambaha fugs eaggotaa masua error (e) da perubaha error (de). Hasl pegua meuua, dega peambaha umlah rules, emampua FNN dalam megeal pola syal mead lebh ba. Sema baya rules yag dguaa, emampuaya dalam pegeal pola mead sema ba aa tetap proses belaar yag dlaua uga sema lama. Kata Kuc : Fuzzy Neural Networ, fuzzy rules, rule base 1. PENDAHULUAN Loga fuzzy da arga syaraf trua merupaa model yag salg melegap dalam membagu suatu sstem cerdas. Jarga syaraf meml strutur omputas sederhaa yag meml emampua yag ba eta berhadapa dega dereta data, sedaga loga fuzzy meml emampua pealara yag lebh tgg, megguaa formas lgust yag dperoleh dar paar. Perpadua sstem fuzzy da arga syaraf trua aa megombas omputas sederhaa yag bersfat paralel da emampua belaar dar arga syaraf dega represetas pegetahua sepert mausa da emampua explaato dar system fuzzy. Fuzzy Neural Networ (FNN) merupaa suatu model yag dlath megguaa arga syaraf, amu strutur argaya dtepretasa dega seelompo atura-atura (rules) fuzzy (Fuller, 1995). Mespu loga fuzzy dapat meeremaha pegetahua paar secara lagsug melalu atura-atura dega label-label lgust, tap umumya membutuha watu yag lama utu medsa da meyesuaa fugs eaggotaa yag dapat membera defs secara uattatf label-label lgust. Hal mead sebh sult lag maaala rules yag ada sagat terbatas. 2. TINJAUAN PUSTAKA Peelta yag berhubuga dega peetua da peagaa atura-atura (rules) fuzzy dlaua oleh Nazarudd da Yamata (Nazarudd da Yamata, 1999). Pada peelta dembaga adaptve etwor yag berbass atura fuzzy utu sstem suspes. Atura-atura (rules) fuzzy yag dguaa devaluas megguaa arga syaraf dega proses pelatha, sehgga dperoleh strutur arga yag palg optmal. Peelta la yag berhubuga dega peagaa atura-atura (rules) fuzzy megguaa FNN, dlaua oleh L, Roopae da Che (L d, 2010). Dalam peelta L d, megguaa Idrect Adaptve Iterval Type-2 pada Fuzzy Neural Networ Cotroller utu meaga adaya atura-atura (rules) fuzzy yag tda past yag dapat mempegaruh era pegotrola suspes. Ketdapasta atura-atura fuzzy dapat mucul abat tda legapya data pelatha atau adaya gaggua (ose) selama proses pelatha sehgga proses pegeala pola syal cotrol dapat tergaggu. Dega Idrect Adaptve Iterval Type-2, muculya etdapasta atura fuzzy tersebut dapat datas D-29

2 Semar Nasoal Iformata 2013 (semasif 2013) ISSN: UPN Vetera Yogyaarta, 18 Me FUZZY NEURAL NETWORK Fuzzy eural etwor (FNN) merupaa arga syaraf trua dega bass atura fuzzy (fuzzy rule base), sehgga memuga adaya pemetaa atara atesede da oseue dalam betu IF-THEN e dalam arga syaraf, da utu megmplemetasa atura fuzzy edalam arga syaraf trua dperlua level tambaha yag berupa level atura-atura fuzzy (fuzzy rules level). Bayaya ut tersembuy (hdde uts) pada FNN dtetua oleh bayaya rule, sedaga bayaya lapsa tersebuy (hdde layer) dtetua oleh level dalam suatu hrar atura. Msalya utu suatu atura: IF A AND B THEN X, secara hrar atura, terdr dar tga level yatu put pada cotoh adalah A da B, peghubug (coucto) yag berupa AND da output yatu X yag merupaa olus (Fu, 1994). Sepert dlustasa pada Gambar 1a, fuzzy eural etwor terdr dar lma lapsa: lapsa put lapsa put fuzzy, lapsa peghubug (coucto), lapsa output fuzzy da lapsa output. Fugs atvas dar ut put adalah la suatu varabel masua yag sesua dega la yag dbera. Nla put dlewata dalam utut hmpua fuzzy, yag aa merubah la edalam suatu deraat eaggotaa sebaga fugs atfas dar ut hmpua fuzzy (fuzzy set ut). Ut peghubug (coucto ut) aa megambl m dar put (deraat eaggotaa) yag dterma dar masua ut fuzzy set sebelumya. Fuzzy Rules : Z R1: If X s X1 ad Y s Y2 The Z s Z1 R: If X s X2 ad Y s Y3 The Z s Z2 Z1 Z2 Z3 R1 R X1 X2 Y2 Y3 X Y a). lma lapsa/layer b). empat lapsa/layer Gambar 1. Strutur FNN Sebaga Jarga Syaraf Berbass Atura Model lebh sederhaa dar FNN dtuua pada Gambar 1b. FNN terdr terdr dar empat lapsa. Pada FNN tda dguaa lapsa ouput_fuzzy da dar fuzzy rule yag dguaa fugs eaggotaa eluara Z1 da Z2 adalah sgletos yag meyerta bobot oes pada lapsa terahr (Kasabov, 1998). Utu meetua besarya eluara atau output z rumus yag dguaa sebaga berut, z m 1 m... (1) 1 dmaa z adalah level atvas dar ut output, da berturut-turut adalah fugs eaggotaa da alur terbobot ut e pada lapsa atara output fuzzy e output. 2.2 ALGORITMA BACKPROPAGATION Algortma bacpropagato meml dasar matemats yag uat da obyetf. Algortma medapata betu persamaa da la oefse dalam formula dega memmala umlah uadrat galat error atau Mea Squared Error (MSE) melalu model yag dembaga (trag set). Pelatha suatu arga dega algortma bacpropagato melput dua tahap, yatu perambata mau da perambata mudur. Utu lagah selegapya adalah : (Fausset, 1994) Tahap perambata mau melput : 1. Tap ut masua (x, = 1,, ) meerma syal x da meghatara syal e semua ut lapsa d atasya (ut tersembuy), 2. Setap ut tersembuy (x,=1,,p) dumlaha bobot syal masuaya dega, D-30

3 Semar Nasoal Iformata 2013 (semasif 2013) ISSN: UPN Vetera Yogyaarta, 18 Me 2013 z _ v x v (2) o 1 v o = bas pada ut tersembuy megaplasa fugs atvasya utu meghtug syal eluaraya, z = f (z_ ), da megrma syal eseluruh ut pada lapsa datasya (ut eluara). 3. Tap ut eluara (y, = 1,, m) dumlaha bobot syal masuaya dega, y _ w o 1 z w.(3) w o = bas pada ut eluara da megaplasa fugs atvasya utu meghtug syal eluaraya, y = f (y_ ). Sedaga tahap perambata mudur melput: 1. Tap ut eluara (y, = 1,, m) meerma pola target yag salg berhubuga pada masua pola pelatha, meghtug esalaha formasya dega, ( t y ) f ( y _ )..(4) meghtug ores bobotya (dguaa utu memperbaharu w atya), w z (5) meghtug ores basya (dguaa utu memperbaharu w o atya), da megrma δ e utut pada lapsa dbawahya, 2. Setap ut lapsa tersembuy (z, = 1,, p) dumlaha hasl perubaha masuaya (dar ut-ut lapsa datasya) dega, m _ w (6) 1 dala dega turua fugs atvasya utu meghtug formas esalahaya, _ f ( z _ ).(7) meghtug ores bobotya (dguaa utu memperbaharu v o at), 3. Tap ut eluara (y, = 1,,m) megupdate bas da bobotya ( = 0,, p) dega: w ( baru) w ( lama) w..(8) Tap ut lapsa tersembuy (z, =1,,p) megupdate bas da bobotya v ( baru) v ( lama) v..(9) (I = 0,,) dega: Utu mempercepat proses pembelaara, bacpropagato stadar dmodfas dega meambaha mometum. Peambaha mometum bertuua utu meghdar perubaha bobot yag terlalu besar abat adaya data outler atau data yag sagat berbeda dega yag la. Dega peambaha mometum, bobot baru pada watu e (t+1) ddasara atas bobot pada watu t da (t-1). Ja adalah ostata ( 0 1) yag meyataa parameter mometum, maa bobot baru dapat dhtug dega persamaa: (Fausset, 1994) w ( t 1) w ( t) w ( w ( t) w ( t 1))..(10) dega w z, maa persamaa (3.13) dapat dtulsa embal dega w ( t 1) w ( t) z ( w ( t) w ( t 1)).(11) dmaa α adalah learg factor da β adalah mometum factor. 3. METODE PENELITIAN Pada peelta semua model da proses dsmulasa dega megguaa software Matlab. Pola syal yag dguaa adalah pola syal otrol u yag dhasla oleh FNN Cotroller yag blo dagramya sepert yag terlhat pada Gambar 2. Syal masua atau put yag dterma oleh FNN adalah syal error (e) da perubaha error (de) yag terad pada plat/proses G(s). Syal tersebut emuda dfuzzfas edalam betu fuzzy utu selautya dolah dega arga syaraf, haslya ddefuzzas embal e dalam betu scrpt mead syal otrol u sebaga output yag dguaa utu megedala plat G(s). Oleh sebab tu, etepata syal otrol u sagat berpegaruh terhadap hasl ahr proses pegotrola sstem secara eseluruha. D-31

4 Semar Nasoal Iformata 2013 (semasif 2013) ISSN: UPN Vetera Yogyaarta, 18 Me 2013 Gambar 2. Blo dagram FNN Cotroller Semua proses pegambla eputusa pada pegotrol FNN dduug oleh bass pegetahua. Bass pegetahua yag ada pada sstem terdr dar tga baga, yatu: formas tetag defs da parameter fugs-fugs eaggotaa dar hmpua fuzzy, bass pegetahua (rule base) da bobot oes dar arga syaraf. Bobot oes dar arga syaraf ds dperoleh melalu proses pelatha yag dlaua secara terpsah atau off-le megguaa algortma bacpropagato. 3.1 Meetua Fugs Keaggotaa da Rules Fugs eaggotaa yag dguaa pada peelta adalah fugs eaggotaa segtga utu masua e da de. Utu medapata varas fugs eaggotaa masua sebaga baha pegua, dlaua modfas terhadap fugs eaggotaa put tersebut. Modfas dlaua dega megembaga fugs eaggotaa masua error (e), dar 3 fugs eaggotaa yatu: postf (p), egatf () da zero (ze) sepert pada Gambar 3a, mead 5 fugs eaggotaa yatu: postf besar (pb), postf ecl (p), zero (ze), egatf ecl () da egatf besar (b) sepert yag terlhat pada Gambar 3b. Kemuda dar 5 fugs eaggotaa dembaga lag mead 7, yatu postf besar (pb), postf sedag (ps), postf ecl (p), zero (ze), egatve besar (b), egatf sedag (s) da egatf ecl () sepert pada Gambar 3c. a) tga fugs eaggotaa b) lma fugs eaggotaa c) tuuh fugs eaggotaa Gambar 3. Fugs Keaggotaa error ( e ) Sela fugs eaggotaa error (e), dega cara yag sama modfas dlaua uga pada fugs eaggotaa perubaha error (de). Haslya sepert terlhat pada Gambar 5a,b da c. a) tga fugs eaggotaa b) lma fugs eaggotaa c) tuuh fugs eaggotaa Gambar 4. Fugs Keaggotaa perubaha error ( de ) Selautya, pada arga FNN dlapsa etga yag merupaa lapsa coucto, aa dguaa seumlah euro utu merealsasa rule base fuzzy. Dega megguaa peghubug AND pada fugs eaggotaa D-32

5 Semar Nasoal Iformata 2013 (semasif 2013) ISSN: UPN Vetera Yogyaarta, 18 Me 2013 fuzzy masua e da de da dega megguaa arga FNN empat lapsa, dmaa pada model arga tda dguaa lapsa ouput_fuzzy da dar fuzzy rule yag dguaa fugs eaggotaa eluara adalah sgletos yag meyerta bobot oes w pada lapsa terahr, maa dperoleh matr rules utu masgmasg fugs eaggotaa sepert terlhat pada Tabel 1 da Tabel 2. Tabel 1 adalah matr 9 rule yag dperoleh dar hasl ombas dega coucto AND dar 3 fugs eaggotaa e da 3 fugs eaggotaa de. Sedaga matr 25 rules pada Tabel 2 dperoleh dar ombas 5 fugs eaggotaa e da 5 fugs eagotaa de. Dema uga utu 49 rules dperoleh dar ombas 7 fugs eaggotaa e da 7 de. Table 1. Matr 9 rules Table 2. Matr 25 da 49 rules e e ze p de de b ze p pb s ps 1.w 1.w 1.w ze 1.w 1.w 1.w 1.w 1.w 1.w 1.w ze 1.w 1.w 1.w 1.w 1.w 1.w 1.w 1.w 1.w 1.w p 1.w 1.w 1.w p 1.w 1.w 1.w 1.w 1.w 1.w 1.w p 1.w 1.w 1.w 1.w 1.w 1.w 1.w pb 1.w 1.w 1.w 1.w 1.w 1.w 1.w s 1.w 1.w 1.w 1.w 1.w 1.w 1.w ps 1.w 1.w 1.w 1.w 1.w 1.w 1.w 3.2 Strutur Jarga FNN Model strutur arga syaraf berbass fuzzy atau FNN yag dguaa adalah model arga FNN 4 lapsa/layer, sepert dtuua pada Gambar 5 berut, Gambar 5. Strutur Jarga FNN Lapsa pertama dar strutur FNN datas merupaa lapsa put yag aa dguaa utu melewata varabel masua da output dar lapsa pertama adalah: y1, e da y2, de. Kemuda pada lapsa edua aa dlaua proses fuzzas dega memetaa la put yag dlewata (e da de) edalam suatu deraat eaggotaa fuzzy, output dar lapsa edua adalah: y ( y ) da y ( y ). (1) (1) (2) (1) 1, 1, (2) (1) 2, 1, Selautya, pada lapsa etga yag merupaa lapsa coucto, aa dguaa seumlah euro utu merealsasa rule base fuzzy. Dega megguaa peghubug AND pada fugs eaggotaa fuzzy masua e da de, maa fugs atfas yag dguaa pada lapsa adalah m( ( e ), ( de )) atau (2) (2), 1, 2,, m( ( y ), ( y )), Sehgga eluaraya dapat drumusa dega : y,,. Lapsa eempat (3) D-33

6 Semar Nasoal Iformata 2013 (semasif 2013) ISSN: UPN Vetera Yogyaarta, 18 Me 2013 merupaa lapsa output, dmaa pada lapsa aa dlaua defuzzas atas hasl eluara dar euroeuro pada lapsa sebelumya. Pada lapsa dlaua pembobota dega w pada setap masua. Output dar lapsa dhtug dega persamaa: y (4), 1 y, 1 (3), y. w (3),,. w, 1, dega adalah bayaya rules. sehgga: u. 3.3 Pelatha da Pegua Proses pelatha yag dlaua pada FNN megguaa algortma bacpropagato. Algortma aa megubah bobot-bobot oes w dega metode perambata mudur error eluara dar lapsa output. Proses pelatha haya utu melath bobot oes lapsa e 4, utu lapsa yag la bobot oes dset dega la satu. Ja Error atara eluara FNN yag sebearya ( u (t) ) dega eluara yag dga ( ud (t) ), dtetua dega rumusa (Fu,1994): E 1 ( ud( t) u( t )) 2 2, 1, da utu modfas bobot oes arga dguaa persamaa (Fausset,1994): w ( t 1) w ( t) Z ( w ( t) w ( t 1)), dmaa ) f ( y _ ). Maa modfas bobot oes pada lapsa e 4 pada arga FNN yag dracag ( t y E dlaua dega persamaa: w4 ( t 1) w4 ( t) ( ) ( w 4 ( t) w4 ( t 1)), dmaa adalah w learg factor, adalah mometum factor da E w 4 4 E u u w 4 ( ud( t) u( t)) Pegua dlaua dega megguaa dua ombas la learg factor da mometum factor yatu : α = 0.35, β = 0.2 da α = 0.5, β = Dega batasa teras atau epoh masmalya HASIL DAN PEMBAHASAN Proses belaar FNN dlaua dega algortma bacpropagato. Graf proses belaar dar FNN dega megguaa ombas learg factor da mometum factor dtuua oleh Gambar 6 da Gambar 7. Pada Gambar 6 proses belaar dar FNN megguaa α = 0.35 da β = 0.2, sedaga pada Gambar 7, la α yag dguaa 0.35 da β = 0.2. a) epoh 0 30 b) epoh Gambar 6. Proses belaar FNN dega α = 0.35 β = 0.2 Graf pada Gambar 6a meuua araterst proses belaar dar epoh 0 sampa epoh 30. Pada graf tersebut dtuua bahwa etga rule base yag dguaa yatu 9, 25 da 49 rules membera respo yag ba selama proses yatu dega sema meuruya la MSE dsetap eaa epohya. Semetara tu utu graf pada Gambar 6b, dar epoh e 30 sampa epoh e 200 meuua bahwa FNN dega 9 rule sudah membera respo yag urag ba dega aya la MSE. Nla teredah MSE utu FNN dega 9 rules adalah pada epoh e-20 sepert yag terlhat pada Tabel 3. Setelah tu la MSE terus bertambah besar. D-34

7 Semar Nasoal Iformata 2013 (semasif 2013) ISSN: UPN Vetera Yogyaarta, 18 Me 2013 Walaupu meml la α da β yag berbeda yatu α = 0.5 da β = 0.25, tetap graf pada Gambar 7 a da b meuua araterst yag hampr sama dega graf pada Gambar 6. Proses belaar pada FNN dega 9 rules megalam proses a turu pada la MSEya terutama pada epoh-epoh awal. a) epoh 0 30 b) epoh Gambar 7. Proses belaar FNN dega α = 0.5 β = 0.25 Data proses belaar selegapya dtuua pada Tabel 3. Utu FNN dega rule terbaya yatu 49 rules meml la MSE yag hampr sama pada la α da β yag berbeda. Da la MSE teredah dperoleh pada epoh terbesar. MSE teredah pada epoh e-200 dperoleh bua area terecl tap area telah mecapa batas terasya yatu 200. Hal meuua bahwa sema baya rule yag dguaa proses belaarya uga aa sema lama. Tabel 3. Proses Belaar FNN Nla α da β Bayaya rule MSE terecl #Epoh MSE terecl α = 0.35 β = 0.2 α = 0.5 β = rule rule rule * 9 rule rule rule * Ket. * : batas teras Setelah dlaua proses belaar pada masg-masg FNN dega umlah rules yag berbeda serta la α da β yag berbeda uga, emuda dlaua pegua terhadap emampuya dalam megeal pola syal yag dlatha. Haslya dtuua pada Gambar 8 da Gambar 9. Gambar 8 a,b da c meuua hasl pegeala pola syal utu FNN dega 9, 25 da 49 rules. Graf pada Gambar 8 tersebut meuua perbadga atara pola syal yag dhasla oleh FNN dega syal target yag dharapa. Pola syal yag dhasla oleh FNN dega 49 rules adalah pola syal yag palg det dega pola syal target (Gambar 8c) dbadga dega pola syal dar FNN dega umlah rule yag lebh sedt. D-35

8 Semar Nasoal Iformata 2013 (semasif 2013) ISSN: UPN Vetera Yogyaarta, 18 Me 2013 a) 9 rules b) 25 rules c) 49 rules Gambar 8. Hasl pegeala pola dega α = 0.35 β = 0.2 Kemampua pegeala pola syal dar FNN yag dlath dega la α = 0.5 da β = 0.25 dtuua pada Gambar 9 a,b da c. a) 9 rules b) 25 rules c) 49 rules Gambar 9. Hasl pegeala pola dega α = 0.5 β = 0.25 D-36

9 Semar Nasoal Iformata 2013 (semasif 2013) ISSN: UPN Vetera Yogyaarta, 18 Me 2013 Graf pada Gambar 9 datas uga meuua bahwa emampua megeal pola terba dml oleh FNN dega umlah rule terbaya yatu 49 (Gambar 9c). 5. KESIMPULAN Kemampua FNN yag merupaa arga syaraf trua dega bass atura fuzzy dapat dtgata dega megoptmala rules yag dguaa. Megoptmala rules FNN dega 4 layer dapat dlaua dega peambaha umlah rules. Dega cara tersebut emampua FNN dalam pegeal pola syal mead sema ba, aa tetap sema baya rule yag dguaa proses belaar yag dlaua uga sema lama. DAFTAR PUSTAKA Fausset, L., 1994, Fudametal of Neural Networ, Pretce-Hall. Fu, L.M., 1994, Neural Networ Computer Itellgece, Iteratoal Edto, McGraw Hll. Fuller, R., 1995, Neural Fuzzy Systems, Abo Aadem Uversty, Abo, Tur. Kasabov, N.K., 1998, Foudatos of Neural Networs, Fuzzy Systems, ad Kowledge Egeerg, Massachusetts Isttute of Techology, Eglad. L, T.C., Roopae, M., ad Che, M.C., 2010, Car Suspeso Cotrol By Idrect Adaptve Iterval Type-2 Fuzzy Neural Networ Cotrol, World Appled Sceces Joural 8 (5): Nazarudd, Y.Y., Yamata, M., 1999, Neuro-fuzzy based modelg of vehcle suspeso system, Cotrol Applcato Proceedgs of the 1999, IEEE Iteratoal Coferece. D-37