Seminar asinal Aplikasi Teknlgi Infrmasi 28 (SATI 28) ISS: 197-22 KOMUTASI ARALEL ASIKRO ADA JARIGA SARAF TIRUA Agus Virgn Departemen Teknik Elektr rdi Teknik Kmputer Institut Teknlgi Telkm Jl. Telekmunikasi 1, Dayeuh Klt Bandung 27 Telepn Kantr : 22-79, Telpn ribadi : 22-7979 Email : agv@stttelkm.ac.id ABSTRAK Jaringan Saraf Tiruan (JST) merupakan suatu mdel matematis yang mengambil sifat-sifat kmputasi Jaringan Saraf Manusia. Selama ini untuk memudahkan pemdelan, pada JST waktu prses tiap sel saraf manusia yang disebut neurn dianggap sama/sinkrn (Synchrnus aralel rcessing/s). enelitian ini menganalisa JST bila waktu prses tiap neurn tidak sama (Asynchrnus aralel rcessing/a) dan membandingkan perfrmansi antara JST A dan JST S. Sebagai studi kasus, diambil salah satu algritma JST yaitu rpagasi Balik (Back rpagatin/b). Simulatr digunakan untuk menghasilkan data rata-rata jumlah kuadrat errr (Eav) dan jumlah pla uji yang dikenali dengan benar. Dari data Eav tersebut dapat dihasilkan grafik Eav, dan dari jumlah pla uji yang dikenali dengan benar dapat ditentukan Tingkat Generalisasi (TG). Data dan grafik Eav serta Tingkat Generalisasi dijadikan parameter perfrmansi. Setelah dilakukan penelitian diperleh hasil bahwa pada beberapa jaringan JST rpagasi Balik A (JST B A) memiliki perfrmansi lebih baik dibanding JST rpagasi Balik S (JST B S). Hal ini membuka kemungkinan untuk memperleh bbt yang lebih baik pada suatu aplikasi yang telah memperleh bbt terbaik hasil JST B S. 1. EDAHULUA enelitian ini bertujuan untuk mengamati prses kmputasi paralel JST (umumnya dilakukan secara serial di sebuah kmputer sehingga hasil dari kmputasi setiap sel JST selalu sinkrn) jika digunakan metda asinkrn dimana setiap sel akan mengeluarkan hasil sesuai dengan kecepatan kmputasinya sendiri-sendiri, sehingga akan didapatkan prses kmputasi yang asinkrn. 2. LADASA TEORI Ditinjau dari sudut bahasa, paralel adalah kemampuan melakukan beberapa kegiatan dalam satu waktu. Sedangkan beberapa defenisi prses paralel antara lain adalah melakukan beberapa kegiatan berbeda dalam satu waktu, membagi satu kegiatan menjadi beberapa bagian yang bekerja secara bersamaan, penggunaan k resurce (sumberdaya) untuk menyelesaikan n pekerjaan, penggunaan k resurce untuk menyelesaikan satu pekerjaan. Beberapa kendala timbul akibat mekanisme yang harus dijalani leh prses paralel. Idealnya bila suatu aplikasi dijalankan pada n buah prsesr unifrm (seragam) secara paralel, maka kecepatan kmputasi untuk aplikasi tersebut akan meningkat sebesar n kali. amun keadaan ini jarang dicapai karena beberapa hal berikut : Sangat sulit menjaga tiap prsesr berjalan secara terus menerus pada kecepatan maksimumnya. Ketergantungan data suatu prsesr terhadap prsesr lainnya. Sebuah prsesr harus menunggu data hasil dari prsesr lain sebelum menjalankan prsesnya. emakaian recurse (sumber daya) secara bersama. Biasanya prsesr-prsesr yang bekerja secara paralel menggunakan recurse-recurse secara bergantian dimana pada satu saat hanya bleh ada satu prsesr yang menggunakan satu recurse. Hal ini menyebabkan sebuah prsesr harus menunggu sebuah sumber daya yang akan dipakai bila sumber daya tersebut sedang dipakai leh prsesr lain. JST merupakan mdel matematis yang mengambil inspirasi dari struktur dan sistem kerja JSM yang mempunyai ciri []: Terdiri dari sejumlah besar elemen prses sederhana yang disebut neurn. Antar neurn dihubungkan leh synapses yang berisi bbt sebagai dasar pengetahuan Bekerja secara massive parallelism Mampu belajar dari pengalaman Secara garis besar pada JST terdapat dua tahap kmputasi yaitu : Tahap Belajar ada tahap ini prses dimulai dengan memasukkan pla-pla belajar kedalam jaringan. Dengan menggunakan pla-pla ini jaringan akan mengubah-ubah bbt yang menjadi penghubung antara nde. Satu peride C-1
Seminar asinal Aplikasi Teknlgi Infrmasi 28 (SATI 28) ISS: 197-22 dimana seluruh pla belajar telah diprses yang disebut 1 (satu) iterasi. ada setiap 1 iterasi dilakukan evaluasi terhadap keluaran jaringan. Tahap ini berlangsung pada beberapa iterasi dan berhenti setelah jaringan menemukan bbt yang sesuai dimana suatu keadaan yang diinginkan telah terpenuhi. Selanjutnya bbt ini menjadi knwledge base (dasar pengetahuan) pada tahap pengenalan. Tahap engenalan ada tahap ini dilakukan pengenalan terhadap suatu pla masukan dengan menggunakan bbt hasil tahap belajar. Dalam memprses infrmasi ditinjau dari ada tidaknya umpan balik, secara garis besar terdapat dua arsitektur JST, yaitu : Arsitektur Umpan Maju (Feed frward) Aliran infrmasi masuk melalui lapisan input diteruskan ke lapisan hidden dan selanjutnya ke lapisan Output. ada lapisan hidden dan Output dilakukan penglahan infrmasi tanpa umpan balik. Arsitektur Balik Maju (Back frward) ada arsitektur ini penglahan infrmasi berlawanan dengan arsitektur umpan maju dimana keluaran dari suatu nde diumpan balikkan menjadi nilai masukan bagi nde lain. JST rpagasi Balik A erbedaan waktu prses tiap nde dalam menghitung keluaran, menyebabkan perbedaan keluaran yang digunakan JST B A dan JST B S. Bila pada JST B S keluaran yang digunakan selalu yang terbaru, maka pada JST B A keluaran terbaru dipakai bila sebuah nde telah menghasilkan, sedangkan untuk yang belum digunakan keluaran lama. rses yang terjadi pada tahap belajar dijelaskan dengan mengamati aliran infrmasi selama tw past cmputatin. Frward pass ada langkah ini dilakukan perhitungan keluaran lapisan demi lapisan. rses pada suatu lapisan akan dimulai bila Jumlah de Selesai (JS) suatu lapisan telah memenuhi. Bila t adalah saat perhitungan keluaran suatu lapisan dimulai, maka keluaran suatu nde pada lapisan tersebut dirumuskan dengan h h ( a + 1 ) j sigmid () t i ij i = 1 h ( a + 1 ) k sigmid ( t) j jk j = 1 y = f ( ( C w ) + ) φ...(2.1) y = f ( ( y w ) + φ k )(2.2) Setelah dilakukan perhitungan keluaran, selanjutnya dilakukan perhitungan errr ek( n) = dk( n) y () t k ( n) (2.) Backward pass h j ada JSM perubahan bbt disebabkan leh adanya sinyal keluaran dari suatu neurn ke neurn lain. Hal ini menunjukkan bahwa kmputasi perubahan bbt pada JST keluaran suatu nde digunakan sama dengan keluaran yang digunakan pada perhitungan keluaran. hal ini menyebabkan gradien errr lkal yang dirumuskan dengan EO = y.( 1 y ). e (2.) k () t k () t k k EH = y.( 1 y ). E w j h h () t j () t j k kj k = 1 Q (2.) dan perubahan bbt dirumuskan dengan h w ( a + 1 ) jk = w ( a) jk + α. EOk. y ( t) j (2.) w + 1 = w + α. EH. C (2.7) h ( h a ) ij ( aij ) j () t i ilai C (t)i, y h (t)j, y (t)k sama dengan C (a+1)i, y h (a+1)j, y (a+1)k untuk nde-nde yang berstatus 1 dan C (a)i, y h (a), y (a)k untuk yang berstatus. Metda Batas emberhentian Tahap Belajar Secara matematis makna dari keluaran nde berstatus adalah nde tersebut dihubungkan dengan nde pada lapisan sebelumnya melalui bbt lama atau bbt pada pla ke a (w a ) dan nde berstatus 1 dihubungkan melalui bbt terbaru atau pada pla ke a+1 (w a+1 ). Sedangkan untuk menghitung nilai E(n) yang digunakan adalah w a+1. Hal ini menyebabkan seluruh perhitungan untuk menghasilkan E(n) (perhitungan keluaran dan errr) harus menggunakan nilai terbaru atau dengan kata lain dilakukan secara S.. ERACAGA SIMULATOR Gambar dibawah ini memperlihatkan flw chart (diagram alir) simulasi. Masukkan Bbt Awal Masukkan la Algritma Belajar JST B A -Data Eav -Bbt A JS= 1,..,p,q Mulai -Stuktur Jaringan - Delta Eav dan Jumlah Iterasi Belajar S S Inisialisasi Bbt Awal Masukkan la Algritma Belajar JST B S -Data Eav -Bbt S -Bbbt Awal Jaringan Baru Selesai Masukkan Bbt S Masukkan la Algritma engenalan JST B S Jumlah data yang dikenal degan benar la Baru Masukkan Bbt A Masukkan la Masukan JS atau Urutan Algritma engenalan JST B A Jumlah data yang dikenal dengan benar JS atau Urutan Baru la Baru Gambar.1 Flw chart Simulasi Secara garis besar simulasi ini dibagi kedalam langkah yaitu Masukan Simulasi, Bbt Awal, la Masukan, Algitma dan Hasil Simulasi. C-2
Seminar asinal Aplikasi Teknlgi Infrmasi 28 (SATI 28) ISS: 197-22 a. Masukan Simulasi ada langkah ini dilakukan pembentukan struktur jaringan. Khusus pada tahap belajar dimasukkan Eav dan jumlah iterasi. b. Bbt Awal ada langkah ini dimasukkan bbt yang akan digunakan pada algritma JST B. Bbt yang digunakan tergantung pada tahap kmputasi (belajar atau pengenalan) dan jenis prses paralel (S atau A). ada tahap belajar digunakan bbt awal dan pada tahap pengenalan digunakan bbt hasil belajar jaringan tersebut. Bbt awal berasal dari inisialisai bbt bila jenis prses paralelnya S, sedangkan bila A digunakan bbt awal yang dihasilkan pada simulasi tahap belajar JST B S untuk jaringan yang sama. Tahap kmputasi dan jenis prses paralel ditentukan setelah langkah masukan simulasi dan sebelum langkah bbt awal. c. la Masukan ada langkah ini dimasukkan pla yang akan digunakan pada tahap belajar atau pengenalan. d. Algritma JST B ada prses ini dijalankan algritma JST B sesuai dengan tahap kmputasi dan jenis prses paralelnya. Algritma pengenalan dapat diulangulang untuk pla yang berbeda. Khusus untuk JST B A pada tahap belajar dilakukan berulang-ulang dari JS 1,..,1,1 sampai 1,..,, Q. Sedangkan pada tahap pengenalan untuk pla yang sama dapat diulang pada JS yang berbeda. e. Hasil Simulasi ada langkah ini dilakukan penyimpanan keluaran simulasi. Keluaran simulasi ini digunakan sebagai data yang dianalisa.. AALISA DATA ercbaan dan analisa dilakukan pada tahap belajar dan pengenalan JST rpagasi Balik S dan A. Beberapa bentuk jaringan yang ditentukan secara sembarang, pada tahap belajar dilatih mengenali 1 pla belajar dan pada tahap pengenalan di uji mengenali pla uji. la belajar dan pla uji terdapat pada pla percbaan dalam lampiran B halaman 1-. Setiap jaringan menggunakan knstanta belajar sebesar. [], e av 1 -,1 iterasi dan tleransi errr (ε) sebesar, (ptimalisasi pengenalan). Bentuk-bentuk jaringan yang digunakan adalah 7, 8,,, 7, 7 untuk jaringan dengan 1 lapisan hidden dan,,,, 8, 7, 7 untuk 2 lapisan hidden. Setiap satu pla input dipasangkan dengan satu pla utput. Untuk itu pada percbaan ini digunakan sebanyak jenis pla utput yang masing-masing terdiri atas 1 pla. 1 Uji Simulatr Uji simulatr dilakukan untuk mengetahui kebenaran hasil simulasi. Uji simulatr dapat dilakukan dengan cara membandingkan hasil yang diperleh dengan keadaan yang diinginkan. ada JST B keadaan yang diinginkan adalah kemampuan mengenali seluruh pla belajar. Sebagai cnth diambil salah satu JST B S jaringan. ada tahap belajar diperleh hasil sebagai berikut. Tabel.1 Hasil tahap belajar JST B S Eav terkecil Iterasi Eav knvergen Iterasi,89 1,89 1 ilai Eav knvergen yang cukup kecil pada tabel.1 menunjukkan bbt yang dihasilkan jaringan tersebut cukup baik. JST rpagasi Balik A Dengan mengunakan bbt awal dan kndisi jaringan yang digunakan pada tahap belajar JST B S, dilakukan tahap-tahap percbaan sebagai berikut. Seluruh jaringan dicba satu kali. Setiap JS yang memiliki nilai Eav terkecil <1 dicba sebanyak kali. Hal ini dilakukan dengan harapan dihasilkan nilai yang lebih baik. Setiap JS yang memiliki nilai Eav terkecil <1-1 dicba sebanyak 2 kali. Hal ini dilakukan dengan harapan dihasilkan nilai yang lebih baik. Dari tahap percbaan tersebut telah dilakukan sebanyak kali percbaan. Jumlah percbaan ini dianggap cukup untuk melihat perbandingan perfrmansi. Dari data-data yang dihasilkan diperleh beberapa data yang memiliki nilai Eav terkecil dan Eav knvergen yang lebih baik dari JST B S. ada tabel.2 diperlihatkan 1 buah data dari beberapa data tiap jaringan yang memiliki perfrmansi tahap belajar JST B A lebih baik dari JST B S. C-
Seminar asinal Aplikasi Teknlgi Infrmasi 28 (SATI 28) ISS: 197-22 Tabel.2 Data hasil tahap belajar JST B A yang lebih baik dari JST B S 1 7 2 8 Jaringan JS Eav terkecil Iterasi Eav knvergen Iterasi S.17 1.17 1.8 72.97 718.18 711.18 711.821 888.9 89 7.7 912.7 912 S.12 1.12 1 7.28 99.28 99 7.219 9777.982 9779 7.91 9972.97 99 S.21.21.1 782.11 781 7 S.21 1.21 1.11 872.12 9 8 S.22 1.22 1 7.1 98.7 89 Dari tabel.2 terlihat bahwa untuk setiap jaringan selalu terdapat JS kurang 1 nde dari jumlah nde pada salah satu lapisannnya ( misal JS untuk jaringan 7). engenalan pla belajar JST B A ada percbaan pengenalan pla belajar ada jaringan yang mampu mengenali seluruh pla dan ada yang tidak. Setiap jaringan yang mampu mengenali seluruh pla belajar selanjutnya dicba untuk mengenali pla uji. Bila data tersebut dibandingkan dengan hasil JST B S maka terdapat beberapa data yang lebih baik. Data-data tersebut sebagai berikut. Tabel. Data pengenalan pla uji JST B A yang lebih baik dari JST B S ada tabel. terlihat data hasil pengenalan pla uji JST B A yang lebih baik dari JST B S. Dari 2 kali percbaan kemungkinan mendapatkan data yang lebih baik bervariasi untuk tiap jaringan. amun kemungkinan terbesar pada jaringan dengan 2 lapisan hidden selalu diperleh jaringan dengan JS kurang 1 nde dari jumlah nde pada salah satu lapisannnya. Misal JS 8, 8 dan 7 untuk jaringan 8. Sedangkan pada jaringan dengan 1 lapisan hidden dihasilkan jaringan dengan JS lapisan hidden minimal kurang 1 nde dari jumlah nde nya. Misal JS 81, 82,.., 8, 91, 92,, 9 dan 9 untuk jaringan 9. Jar J S 1 7 S 7 2 8 S 7 S S 7 S S S 2 8 Kenal Angka-angka pada klm kenal dan klm jumlah menunjukkan jumlah percbaan. Misal pada jaringan dengan JS, dari 2 kali percbaan diperleh data yang lebih baik sebanyak 1 percbaan yang terdiri dari mampu mengenali 8% sebanyak 1 percbaan, % 2 percbaan dan 2% 1 percbaan. 2 % % % % % % % % % % J 1 8 2 1 2 l h 2 2 2 1 1 1 2 1 2 9 2 2 C-
Seminar asinal Aplikasi Teknlgi Infrmasi 28 (SATI 28) ISS: 197-22. KESIMULA DA SARA.1 Kesimpulan a. JST B A lebih baik dari JST B S pada tahap pengenalan, sedangkan JST B SOO lebih baik pada tahap belajar b. engenalan pla uji menunjukkan bahwa data JST B A yang lebih baik dari JST B S dihasilkan bila. Jaringan 1 lapisan hidden JS lapisan hidden minimal kurang 1 nde dari jumlah nde lapisan hidden. Misal JS 81, 82,.., 8, 91, 92,, 9 dan 9 untuk jaringan 9. Jaringan 2 lapisan hidden JS pada salah satu lapisan kurang 1 nde dari jumlah nde nya. Misal JS 8, 8 dan 7 untuk jaringan 8.2 Saran a. Bila bbt terbaik JST B S suatu aplikasi yang memiliki 1 atau 2 lapisan hidden telah ditemukan, sebaiknya dilakukan 2 kali tahap belajar dan pengenalan JST B A pada JS tertentu.. b. ada penelitian selanjutnya perlu dilakukan penelitian tentang : JST B A untuk jaringan dengan, atau lapisan hidden sesuai dengan struktur jaringan sering digunakan. A pada algritma JST lain yang sudah ada. Algritma JST baru yang dapat menerapkan A JSM secara murni. REFERESI [1] Desiani, A. dan Arhami, M. Knsep Kecerdasan Buatan. ADI Ygyakarta, Ygyakarta, 2. [2] Hermawan, A. Jaringan Syaraf tiruan Teri dan Aplikasi. ADI ygyakarta, Ygyakarta, 2. [] Myers, Catherine E., Delay Learning in Artificial eural etwrk. Chapman & Hall Lndn, Lndn 1992. [] eilsen, F. eural etwrks algrithms and applicatins. iels Brck Business Cllege, 21. [] uspitaningrum, D. engantar Jaringan Syaraf Tiruan. ADI Ygyakarta, Ygyakarta, 2. [] Siang, J.J., Jaringan Saraf Tiruan dan emgramannya Menggunakan Matlab, ADI Ygyakarta, Ygyakarta 2. C-
Seminar asinal Aplikasi Teknlgi Infrmasi 28 (SATI 28) ISS: 197-22 C-