PEMBANGKIT FUNGSI KEANGGOTAAN FUZZY OTOMATIS MENGGUNAKAN NEURAL NETWORK TESIS. Oleh ZARA YUNIZAR /TINF

Transkripsi

1 PEMBANGKIT FUNGSI KEANGGOTAAN FUZZY OTOMATIS MENGGUNAKAN NEURAL NETWORK TESIS Oleh ZARA YUNIZAR /TINF PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2012

2 PEMBANGKIT FUNGSI KEANGGOTAAN FUZZY OTOMATIS MENGGUNAKAN NEURAL NETWORK TESIS Diajukan sebagai salah satu syarat untuk memperoleh gelar Magister Komputer dalam Program Studi Magister Teknik Informatika pada Program Pascasarjana Fakultas Ilmu Komputer dan Teknologi Informasi Oleh ZARA YUNIZAR /TINF PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2012

3 PENGESAHAN Judul Tesis : PEMBANGKIT FUNGSI KEANGGOTAAN FUZZY OTOMATIS MENGGUNAKAN NEURAL NETWORK Nama Mahasiswa : ZARA YUNIZAR Nomor Induk Mahasiswa : Program Studi Fakultas : MAGISTER TEKNIK INFORMATIKA : FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA Menyetujui Komisi Pembimbing Prof. Dr. Opim Salim Sitompul Anggota Prof. Dr. Herman Mawengkang Ketua Ketua Program Studi, Dekan, Prof. Dr. Muhammad Zarlis Prof. Dr. Muhammad Zarlis NIP : NIP :

4 PERNYATAAN ORISINALITAS PEMBANGKIT FUNGSI KEANGGOTAAN FUZZY OTOMATIS MENGGUNAKAN NEURAL NETWORK TESIS Dengan ini saya nyatakan bahwa saya mengakui semua karya tesis ini adalah hasil kerja saya sendiri kecuali kutipan dan ringkasan yang tiap satunya telah dijelaskan sumbernya dengan benar. Medan, 18 Juli 2012 Zara Yunizar NIM

5 PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS Sebagai sivitas akademika, saya yang bertanda tangan di bawah ini : Nama : Zara Yunizar NIM : Program Studi : Teknik Informatika Jenis Karya Ilmiah : Tesis Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalty Free Right) atas Tesis saya yang berjudul : PEMBANGKIT FUNGSI KEANGGOTAAN FUZZY OTOMATIS MENGGUNAKAN NEURAL NETWORK Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non- Eksklusif ini, berhak menyimpan, mengalih media, memformat, mengelola dalam bentuk data-base, merawat dan mempublikasikan Tesis saya tanpa meminta izin dari saya selama tetap mencantumkan nama saya sebagai penulis dan sebagai pemegang dan atau sebagai pemilik hak cipta. Demikan pernyataan ini dibuat dengan sebenarnya. Medan, 18 Juli 2012 Zara Yunizar NIM

6 Telah diuji pada Tanggal : 30 Juli 2012 PANITIA PENGUJI TESIS Ketua : Prof. Dr. Herman Mawengkang Anggota : 1. Prof. Dr. Opim Salim Sitompul 2. Prof. Dr. Muhammad Zarlis 3. Prof. Dr. Tulus 4. Dr. Erna Budhiarti Nababan, MIT

7 RIWAYAT HIDUP DATA PRIBADI Nama lengkap berikut gelar : Zara Yunizar, S.Kom, M.Kom Tempat dan Tanggal Lahir : Medan, 18 Oktober 1983 Alamat Rumah : Jalan Rel Kereta Api, Dusun Barat Geulanggang teungoh Bireuen Telepon/Faks/HP : rara @gmail.com Instansi Tempat Bekerja : Universitas Almuslim Alamat Kantor : Jalan Universitas Almuslim Bireuen DATA PENDIDIKAN SD : Inpress Kutablang Lhokseumawe Tamat : 1996 SLTP : Negeri 2 Lhokseumawe Tamat : 1999 SLTA : Negeri 1 Lhokseumawe Tamat : 2002 D3 : STMIK AMIKOM Yogyakarta Tamat : 2005 S1 : STMIK AMIKOM Yogyakarta Tamat : 2008 S2 : Teknik Informatika USU Tamat : 2012

8 KATA PENGANTAR Bismillahirrahmanirahim, Pertama-tama penulis panjatkan puji syukur kehadirat Allah SWT, atas segala limpahan rahmat dan karunia-nya karena atas izin-nya, penulis dapat menyelesaikan tesis ini dengan baik. Tesis penulis yang berjudul Pembangkit Fungsi Keanggotaan Fuzzy Otomatis Menggunakan Neural Network merupakan salah satu syarat akademik penulis sebagai mahasiswa S2, program studi Teknik Informatika, Fakultas Ilmu Komputer dan Teknologi Informasi (Fasilkom-TI), Universitas Sumatra Utara (USU), Medan dalam menyelesaikan jenjang pendidikan S2. Dengan selesainya tesis ini, perkenanlah saya mengucapkan terima kasih yang sebesar-besarnya kepada : Rektor, Prof. Dr. dr. Syahril Pasaribu, DTM&H, M.Sc (CTM), Sp. A(K) atas kesempatan yang diberikan kepada saya untuk mengikuti dan menyelesaikan pendidikan Program Magister. Dekan Fakultas Ilmu Komputer sekaligus Ketua Program Studi Magister (S2) Teknik Informatika, Prof. Dr. Muhammad Zarlis dan sekretaris Program Studi Magister (S2) Teknik Informatika M. Andri Budiman, S.T, M.Comp, M.E.M beserta seluruh staf pengajar pada program Studi Teknik Informatika, Fakultas Ilmu Komputer dan Teknologi Informasi (Fasilkom-TI). Terimakasih yang tak terhingga dan penghargaan setinggi-tingginya saya ucapkan kepada Prof. Dr. Herman Mawengkang, selaku pembimbing utama dan kepada Prof. Dr. Opim Salim Sitompul selaku pembimbing lapangan yang dengan penuh kesabaran membimbing saya hingga selesainya tesis ini dengan baik. Terimakasih yang tak terhingga dan penghargaan setinggi-tingginya saya ucapkan kepada Prof. Dr. Tulus dan Dr. Erna Budhiarti Nababan, sebagai

9 pembanding yang telah memberikan saran dan masukan serta arahan yang baik demi penyelesaian tesis ini. Staf pegawai dan administrasi pada Program Studi Teknik Informatika, Fakultas Ilmu Komputer dan Teknologi Informasi (Fasilkom-TI) Universitas Sumatera Utara yang telah memberikan bantuan dan pelayanan terbaik kapada penulis selama mengikuti perkuliahan hingga saat ini. Kepada Ayahanda Zainal Arifin, Ibunda Zuraidah selaku orang tua, kepada suamiku tersayang Zulfikar, A.Md dan adik-adikku Zola Fitriana, S.Pd, Zalfie Ardian, S.Kom, Zuriana Yulizar, Zulfikar M. Rizki serta kepada seluruh keluarga besar yang tidak dapat saya sebutkan satu persatu, terimakasih atas segala pengorbanannya, baik moril maupun materil budi baik ini tidak dapat dibalas hanya diserahkan kepada Allah SWT. Rekan mahasiswa/i angkatan kedua tahun 2010 pada Program Pascasarjana Fakultas Ilmu Komputer yang telah banyak membantu penulis baik berupa dorongan semangat dan doa selama mengikuti perkuliahan. Seluruh pihak yang tidak dapat penulis sebutkan satu persatu dalam tesis ini, terimakasih atas segala bantuan dan doa yang diberikan. Dengan segala kekurangan dan kerendahan hati, sekali lagi penulis mengucapkan terimakasih. Semoga kiranya Allah SWT membalas segala bantuan dan kebaikan yang telah kalian berikan. Medan, Agustus 2012 Zara Yunizar NIM

10

11 PEMBANGKIT FUNGSI KEANGGOTAAN FUZZY OTOMATIS MENGGUNAKAN NEURAL NETWORK ABSTRAK Dalam penelitian ini penulis menggunakan algoritma Backpropagation Neural Network (BPNN) untuk membangkitkan fungsi keanggotaan fuzzy secara otomatis, agar didapatkan fungsi keanggotaan yang lebih tepat sesuai dengan data yang diberikan. Algoritma backpropagation neural network merupakan salah satu algoritma pembelajaran supervised learning, yaitu pembelajaran yang membutuhkan pengawasan dalam proses pembelajarannya. Salah satu faktor penting dalam pembelajaran BPNN adalah jumlah variabel input. Semakin banyak variabel input yang digunakan, maka akan semakin bagus target yang didapatkan. Dalam penelitian ini, variabel input awal yang digunakan hanya satu variabel, sesuai dengan dataset yang digunakan, sehingga untuk mendapatkan hasil target yang lebih baik ditambahkan dua variabel input awal yang baru, yaitu x 2 dan x 3. Variabel x 2 didapatkan dengan menggunakan algoritma tambahan yaitu algoritma kohonen (SOM), sedangkan variabel x 3 didapatkan dengan menggunakan rumus x 2 indeks (i). Selain itu algoritma kohonen juga digunakan untuk mendapatkan nilai output yang akan dijadikan sebagai input proses pelatihan pada algoritma BPNN. Dari hasil penelitian yang penulis lakukan, algoritma BPNN dapat membangkitkan fungsi keanggotaan secara otomatis pada satu variabel awal, dengan menggunakan algoritma kohonen untuk mendapatkan variabel input awal tambahan. Kata Kunci : Fuzzy, Fungsi Keanggotaan, BPNN, Kohonen (SOM).

12 AUTOMATICALLY GENERATING FUZZY MEMBERSHIP FUNCTIONS USING NEURAL NETWORK ABSTRACT In this study the author used an algorithm Backpropagation Neural Network (BPNN) to generate automatically fuzzy membership functions, in order to obtain a more precise membership functions according to the data provided. Backpropagation neural network algorithm is one of the algorithm supervised learning, this learning need supervision in the learning process. One of the important factor in BPNN learning is the number of input variables. To get the better result we have to used more input variables. In this study, only one initial input variables have to be used, according to the dataset used, so as to get the better result added two new initial input variables, namely x2 and x 3. Variable x 2 be obtained by using the algorithm additional. It s called Kohonen algorithm (SOM). The variable x 3 be obtained by using the formula (x 2 - index (i)). Moreover than, the Kohonen algorithm is also used to get the output value will be used as input process to the algorithm BPNN training. From the results of research by the author, the BPNN algorithm have to automatically generate membership functions at the beginning of one variable, using the Kohonen algorithm to obtain additional initial input variables. Keywords : Fuzzy, Membership Function, BPNN, Kohonen (SOM).

13

14 DAFTAR ISI KATA PENGANTAR vii ABSTRAK ix ABSTRACT x DAFTAR ISI xi DAFTAR TABEL xiii DAFTAR GAMBAR xv BAB I PENDAHULUAN Latar Belakang Perumusan Masalah Batasan Masalah Tujuan Penelitian Manfaat Penelitian 4 BAB II TINJAUAN PUSTAKA Logika Fuzzy Fuzzyfikasi (Fuzzyfication) Linguistic Variable Membership Function Aturan Dasar Defuzzyfication Neural Networks Backpropagation Neural Network (BPNN) Algoritma Kohonen Map Normalisasi Data Smoothing Grafik Riset Terkait Perbedaan Dengan Riset Yang Lain Kontribusi Riset. 31 BAB III METODOLOGI PENELITIAN Pendahuluan Data Yang Digunakan 32

15 3.3 Proses Penyelesaian Masalah Perancangan Jaringan Backpropagation Neural Network Prosedur Kerja Jaringan BPNN Pra Prosesing Proses Penentuan Target Awal dan Bobot Pada Algoritma Kohonen Proses Pelatihan Data Pada BPNN Proses Smoothing Grafik Proses Pengujian Data Pada BPNN 44 BAB IV HASIL DAN PEMBAHASAN Pendahuluan Hasil Uji Coba Proses Pelatihan Set Target Dan Bobot Grafik Hasil Proses Pelatihan Bobot Hasil Pelatihan Proses Pengujian 77 BAB V KESIMPULAN DAN SARAN Kesimpulan Saran 93 DAFTAR PUSTAKA 94 LAMPIRAN A 96 LAMPIRAN B 124 LAMPIRAN C 142

16 DAFTAR TABEL No Tabel Halaman 2.1 Contoh matriks aturan dasar perancangan kontrol logika fuzzy Riset terkait Input 1 proses clusterisasi data target awal potongan grafik mf Input hasil normalisasi data target awal potongan grafik mf Hasil target data target awal potongan grafik mf Input 2 proses clusterisasi data target awal potongan grafik mf Input hasil normalisasi data target awal potongan grafik mf Hasil target data target awal potongan grafik mf Input 3 proses clusterisasi data target awal potongan grafik mf Input hasil normalisasi data target awal potongan grafik mf Hasil target data target awal potongan grafik mf Input 4 proses clusterisasi data target awal potongan grafik mf Input hasil normalisasi data target awal potongan grafik mf Hasil target data target awal potongan grafik mf Input 5 proses clusterisasi data target awal potongan grafik mf Input hasil normalisasi data target awal potongan grafik mf Hasil target data target awal potongan grafik mf Nilai y 1 y 100 hasil pelatihan untuk output 1 dataset nilai Nilai y 1 y 100 hasil pelatihan untuk output 2 dataset nilai Nilai y 1 y 100 hasil pelatihan untuk output 3 dataset nilai Nilai y 1 y 100 hasil pelatihan untuk output 4 dataset nilai Nilai y 1 y 100 hasil pelatihan untuk output 5 dataset nilai Bobot hasil pelatihan. 75

17 4.22 Input 1 proses clusterisasi data pengujian potongan grafik mf Input hasil normalisasi data pengujian potongan grafik mf Input 2 proses clusterisasi data pengujian potongan grafik mf Input hasil normalisasi data pengujian potongan grafik mf Input 3 proses clusterisasi data pengujian potongan grafik mf Input hasil normalisasi data pengujian potongan grafik mf Input 4 proses clusterisasi data pengujian potongan grafik mf Input hasil normalisasi data pengujian potongan grafik mf Input 5 proses clusterisasi data pengujian potongan grafik mf Input hasil normalisasi data pengujian potongan grafik mf Hasil y 1 y Hasil sigma w, y in dan y. 88

18 DAFTAR GAMBAR No Gambar Halaman 2.1 Diagram blok pengendali logika fuzzy Ilustrasi fuzzy dan crisp set Fungsi keanggotaan suhu Fungsi keanggotaan kelompok umur Fungsi keanggotaan linear naik Fungsi keanggotaan linear turun Fungsi keanggotaan segitiga (triangle) Fungsi keanggotaan trapesium (trapezoidal) Fungsi keanggotaan gaussian σ = standar deviasi, c = pusat Fungsi keanggotaan bell Letak parameter a,b dan c pada fungsi keanggotaan Bell Fungsi keanggotaan sigmoid membuka ke kanan Fungsi keanggotaan sigmoid membuka ke kiri Proses komunikasi antar neuron Lapis dan aliran sinyal dalam algoritma BPNN Arsitektur jaringan BPNN Diagram alir prosedur kerja jaringan BPNN Algoritma penentuan nilai batas grafik Grafik linear turun Algoritma pembentukan grafik linear turun Grafik segitiga Algoritma pembentukan grafik segitiga Grafik linear naik Algoritma pembentukan grafik linear naik Algoritma pembentukan variabel x Algoritma penentuan nilai target grafik Algoritma penentuan nilai target grafik 2, grafik 3 dan grafik Algoritma penentuan nilai target grafik Diagram alir proses pelatihan data pada BPNN Diagram proses smoothing grafik Diagram proses pengujian data pada BPNN Tampilan program set target dan bobot 47

19 4.2 Tampilan program pelatihan ke 3 pada maxepoch Tampilan program smoothing pelatihan ke 3 pada maxepoch Tampilan program pengujian saat data input Tampilan program pengujian saat input data bobot Tampilan program pengujian saat proses pengujian data 86