ARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET

Transkripsi

1 Prosiding SNaPP2012 : Sains, Tenologi, dan Kesehatan ISSN ARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET 1 John Maspupu 1 Pussainsa LAPAN, Jl Dr Dundunan No 133 Bandung 40173, Tlp Pes 106 Fax ohn_mspp@yahoocom Abstra Maalah ini membahas suatu arsitetur serta algoritma JST atau aringan syaraf tiruan yang menggunaan umpan mau dan propagasi mundur (feedforward and bacpropagation) dengan satu lapisan tersembunyi (hidden layer) untu menduung sistem predisi gangguan geomagnet Untu mendapatan tingat gangguan geomagnet ita perlu mengetahui variasi hari tenang geomagnet Dengan demiian untu mempredisi tingat gangguan geomagnet, cuup dipredisi variasi hari tenangnya dan emudian dibanding an dengan hasil-hasil pemantauan variasi harian geomagnet di SPD (Stasiun Pengamat Dirgantara) tertentu Adapun tuuan dari pembahasan maalah ini adalah mengonstrusi algoritma JST sebagai alat (tools) omputasi untu mempredisi tingat gangguan geomagnet Sedangan ontribusi dari hasil-hasil aian maupun onstrusi algoritma JST ini adalah sebagai suatu perangat luna (software) yang dapat diterapan pada sistem predisi tingat gangguan geomagnet Kata unci : Arsitetur, Algoritma, JST, Gangguan, Geomagnet 1 Pendahuluan Jaringan syaraf tiruan atau singatnya JST adalah teremahan dari ANN (artificial neural networ) dan merupaan model sistem omputasi yang dapat meniruan cara era aringan syaraf biologis (lihat Bruna,S and Lautrup, B, (1990)) JST uga telah diembangan sebagai generalisasi model matematia dari human cognition atau aringan syaraf biologis dengan asumsi-asumsi tertentu (lihat Feldman, J etal, (1988)) Algoritma propagasi mundur ini pertama ali diperenalan dan diembangan oleh Rumelhart, et al, ( lihat Rumelhart, et al, (1988)) Sedangan beberapa apliasi lainnya pada pengembangan model variasi harian geomagnet regional dan predisi badai geomagnet dapat dilihat di referensi Sutcliffe, PR, (2000) dan Kugblenu, S, et al, (1999) Dari beberapa informasi pada referensi di atas, timbul pemiiran untu membangun arsite dan algoritma JST sebagai alat (tools) omputasi untu mempredisi tingat gangguan geomagnet Dengan demiian tuuan pembahasan maalah ini adalah elas menentuan algoritma JST Selain itu variasi harian geomagnet merupaan hasil penumlahan dari variasi hari tenang dan gangguan geomagnet Atau dengan perataan lain gangguan geomagnet adalah selisih antara variasi harian geomagnet dengan variasi hari tenang Dengan demiian omponen masuan yang digunaan dalam sistem JST ini adalah watu loal (local time), posisi lintang, nomor variasi hari tenang (quiet time daily variations number) dan bilangan binti matahari (sunspot number) Sedangan yang menadi target adalah data variasi hari tenang dari SPD (Stasiun Pengamat Dirgantara) Lapan Namun yang menadi masalah adalah 173

2 174 John Maspupu bagaimana membangun atau membentu arsitetur propagasi mundur maupun prosedur penentuan bobot awal dari JST tersebut? Kemudian bagaimana menyusun algoritma pelatihan umpan mau (feedforward) dan perambatan mundur dari galat (bacpropagation of error)? Serta bagaimana menyusun algoritma untu memperbaii bobot dan bias sistem tersebut? Manfaat dari hasil-hasil aian maupun onstrusi algoritma JST ini adalah sebagai suatu perangat luna (software) yang dapat diterapan pada sistem predisi tingat gangguan geomagnet 2 Pembahasan Pada pembahasan ini ditampilan suatu arsitetur propagasi mundur (bac propagation) dengan satu lapisan tersembunyi (hidden layer) yang dapat dilihat pada Gambar 1, serta penelasan nomenlaturnya Begitu uga aan dibahas algoritma penentuan bobot awal, algoritma pelatihan dengan umpan mau (feedforward), algoritma perambatan mundur dari galat (bacpropagation of error) serta algoritma perbaii bobot dan bias (lihat Poggio, T and Girosi, F (1990) dan Simon Hayin (1999)) 21 Arsitetur Propagasi Mundur Arsitetur propagasi ini dinyataan dalam bentu diagram sebagai beriut : Keluaran Y y 1 y y m w 01 w pm c 1 Tersembunyi Z z 1 z z p v 01 v np b 1 Masuan X x 1 x i x n Gambar 1 JST propagasi mundur dengan satu lapisan tersembunyi Prosiding Seminar Nasional Penelitian dan PKM : Sains, Tenologi dan Kesehatan

3 Arsitetur dan Algoritma JST untu Menduung Predisi Nomenlatur X = (x 1,, x i,, x n ) masuan sebagai vetor pelatihan T = (t 1,, t i,, t m ) eluaran sebagai vetor target adalah galat (error) pada unit y sebagai oresi bobot w z y ) ( w adalah galat (error) pada unit z sebagai oresi bobot v i x i z ) α adalah tingat pembelaaran ( 0 < α 1 ) X i adalah unit masuan e i v 0 adalah bias pada unit tersembunyi e Z adalah unit tersembunyi e z -in artinya aringan dari masuan sinyal x i e unit Z z artinya sinyal eluaran (ativasi) dari unit Z, adi z = f(z -in ) w 0 adalah bias pada unit eluaran e Y adalah unit eluaran e y -in artinya aringan dari masuan sinyal z e unit Y y artinya sinyal eluaran (ativasi) dari unit Y, adi y = f(y -in ) ( v i 23 Algoritma Penentuan bobot Awal Lebih dahulu aan diperenalan suatu relasi empiris antara fator sala (scale factor), banyanya unit masuan (input unit) dan banyanya unit tersembunyi (hidden unit) Relasi tersebut dinyataan dalam bentu persamaan matematis beriut: 1 n n 0,7 p 0,7( p) yang dienal sebagai formulasi Nguyen-Widrow (lihat Nguyen, D and Widrow, B, (1989) dan Fausett, L, (1994)) Dalam hal ini, β adalah fator sala, n adalah banyanya unit masuan dan p adalah banyanya unit tersembunyi Selanutnya bobot awal v 0 (dimulai dari unit masuan e unit tersembunyi) merupaan bilangan aca (random number) yang dipilih antara fator - β dan β L 1 : Tentuan v0 ( lama) yaitu pilihan bilangan aca antara - β dan β ( atau antar -0,5 dan 0,5 atau antara -1 dan 1 ) L 2 : Hitung norm v (lama) atau ditulis: v ( lama) L 3 : Iterasi bobot awal v i vi ( lama) untu = 1,, p dan i = 1,, n v ( lama) ISSN: Vol 3, No1, Th, 2012

4 176 John Maspupu Selanutnya diperenalan uga suatu relasi antara aurasi (e ), banyanya pola latihan(p) dan banyanya bobot yang digunaan untu pelatihan (w) Relasi tersebut dinyataan dalam bentu persamaan matematis beriut: w e (1) p Buti dari relasi (1) ini dapat dibaca pada referensi Baum, EB and Haussler, D, (1989) Jia p = 800 dengan aurasi yang diharapan sebesar 0,1 maa diperluan banyanya bobot sebesar Algoritma Pelatihan dengan umpan mau ( feedforward ) L 0 : Penentuan bobot awal (himpunan nilai-nilai aca yang ecil dari -0,5 s/d 0,5) L 1 L 2 L 3 : Setiap unit masuan ( X i, i = 1,, n ) menerima sinyal x i dan menerusan e semua unit tersembunyi ( Z, = 1,, p ) : Hitung z -in = v 0 + x i v i n i 1 : Gunaan fungsi ativasi untu menghitung sinyal eluaran z = f(z -in )Terusan sinyal tersebut e semua unit eluaran dalam lapisan eluaran L 4 : Setiap unit tersembunyi ( Z, = 1,, p ) menerima sinyal z dan Menerusan e semua unit eluaran ( Y, = 1,, m ) L 5 : Hitung y -in = w 0 + z w p 1 L 6 : Gunaan fungsi ativasi untu menghitung sinyal eluaran y = f(y -in ) 25 Algoritma Perambatan Mundur dari galat ( bacpropagation of error) L 7 L 8 L 9 : Setiap unit eluaran ( Y, = 1,, m ) menerima suatu pola target yang bero-respondensi dengan masuan pola pelatihan Hitung galat informasinya ' dalam bentu ( t y ) f ( y ) in : Hitung oresi bobotnya (digunaan untu memperbaii w terahir) Jadi w z : Hitung oresi biasnya (digunaan untu memperbaii w 0 terahir) Jadi w 0, emudian terusan e unit-unit di lapisan tersembunyi L 10 : Hitung L 11 in m w, untu setiap unit tersembunyi ( Z, = 1,, p) 1 : Kemudian alian dengan turunan fungsi ativasinya untu menghitung galat ' informasinya dalam bentu in f ( z in ) Prosiding Seminar Nasional Penelitian dan PKM : Sains, Tenologi dan Kesehatan

5 Arsitetur dan Algoritma JST untu Menduung Predisi 177 L 12 L 13 : Hitung oresi bobotnya (digunaan untu memperbaii v i terahir) Jadi v x i i : Hitung oresi biasnya (digunaan untu memperbaii v 0 terahir) Jadi v 0 26 Algoritma Perbaii Bobot dan Bias L 14 L 15 : Perbaii bobot dan bias ( = 0,, p) untu setiap unit eluaran (Y, =1,, m) Jadi w ( baru) w ( lama) w : Perbaii bobot dan bias ( i = 0,, n) untu setiap hidden unit (Z, =1,, p) Jadi v ( baru) v ( lama) v i L16 : Selesai (Test Stopping Condition)!!! i i 3 Kesimpulan Algoritma JST yang telah dirancang ini perlu diui eandalannya dengan data-data variasi harian geomagnet terdahulu untu mengetahui seberapa besar aurasi hasil predisinya Selain itu eempat algoritma yaitu: algoritma penentuan bobot awal, algoritma pelatihan dengan umpan mau (feedforward), algoritma perambatan mundur dari galat (bacpropa gation of error) serta algoritma perbaii bobot dan bias yang telah dielasan dalam butir pembahasan (butir 2), ini perlu diteremahan e dalam program omputer sehingga dapat diimplementasian pada data-data masuan gangguan geomagnet yang siap dipaai (real time data or near real time data) Hal ini dimasudan untu mempermudah dan mempercepat hasil perhitungan nilai-nilai predisi gangguan geomagnet Dengan demiian hasil-hasil predisinya dapat digunaan sebagai duungan informasi dalam program-program cuaca antarisa nasional(national space weather programs) di Indonesia 4 Daftar Pustaa Baum, EB and Haussler, D, (1989) What size net gives valid generalzation?, Neural Computation Journal 1, pp Bruna,S and Lautrup, B, (1990) Neural Networ Computers with Instuition,World Scientific, Singapore Fausett, L, (1994) Fundamentals of Neural Networs : Architectures, Algorithms and Applications, Prentice Hall, Englewood Cliffs, New Jersey Feldman, J etal, (1988) Computing with Structured Neural Networs, Journal of Computer, Vol 21, No3, pp Kugblenu, S, et al, (1999) Prediction of the geomagnetic storm associated Dst index using ANNalgorithm, Journal EPS, 51, pp Nguyen, D and Widrow, B, (1989) The truc bacer-upper: An example of self learning in neural networs, International Joint Conference on neural Networs, Vol 2, pp , Washington, DC ISSN: Vol 3, No1, Th, 2012

6 178 John Maspupu Poggio, T and Girosi, F (1990)"Networs for approximation and learning," Proc IEEE 78(9), Rumelhart, DE and Mc Clelland, JL,(1988) Parallel Distributed Processing: Microstructure of Cognition, MIT Press, Cambridge, Mass Simon Hayin (1999) Neural Networs: A Comprehensive Foundation (2nd River, NJ: Prentice Hall Exploration in the edition), Upper Saddle Sutcliffe, PR, (2000) The development of a regional geomagnetic daily variation model using neural networs, Ann Geophys,18, pp Prosiding Seminar Nasional Penelitian dan PKM : Sains, Tenologi dan Kesehatan