bahan perbaikan UAS

1. REVISI
UJIAN AKHIR SEMESTER
MATAKULIAH
JARINGAN SYARAF TIRUAN
DOSEN: Drs. Widodo Prijodiprodjo, M.Sc., EE
Oleh:
Asih Pujiastuti (310742)
UNIVERSITAS GAJAH MADA
FAK. MATEMATIKA DAN ILMU PENGETAHUAN ALAM
2011

2. 1. Back Propogation dan Recurrent dalam Jaringan Syaraf Tiruan (JST).
a) Bandingkan kedua hal tersebut!
b) Kemukakan manfaat masing-masing!
Jawab:
a) Perbandingan:
Back propagation Recurrent
a. Mempunyai struktur feedforward; a. Mempunyai struktur feedback,
dimana signal bergerak melewati mempunyai koneksi kembali dari
lapisan tersembunyi dan akhirnya output ke input
mencapai unit output
b. Struktur perilakunya stabil b. Struktur perilakunya stabil dan
menghasilkan dinamika yang
sangat komplek
c. Tidak mempnyai loop c. Memiliki loop, lapisan output akan
member input bagi lapisan input
d. Contoh: single layer perceptron, multi d. Contoh: LVQ (linier vector
layer perceptron, radial basis function quanification), SOM (Self
organizing map)
b) Manfaat:
Back propagation Recurrent
Manfaat : Manfaat :
Backpropagation, untuk memprediksi Recurrent, kasus identifikasi dan
suatu system dalam waktu yang pemodelan system non linier
berbeda
2. Supervised dan Unsupervised Learning.
a) Bandingkan kedua hal tersebut, kemukakan dalam hal apa/kapan Supervised
learning lebih cocok dan dalam hal apa / kapan Unsupervised learning lebih
cocok!
b) Berikan contoh aplikasi riilnya!
Jawab:
Belajar dengan pengawasan (Supervised Learning )

3. Pada metode supervised learning jaringan diberikan vektor target yang harus
dicapai sebagai dasar untuk mengubah hubungan interkoneksi atau bobot pada
jaringan. Contoh jaringan yang belajar dengan pengawasan adalah
Backpropagation dan Perceptron.
Cocok digunakan untuk pengenalan pola.
Metode unsupervised learning
Melatih jaringan terhadap suatu inputan tanpa adanya pengawasan,dimana vektor
target tidak ditentukan. Vektor masukan dimasukkan ke dalam jaringan,kemudian
sistem akan mengatur dirinya sendiri sedemikian rupa sehingga
dihasilkankeluaran yang konsisten bilamana pola yang menyerupai vektor
masukan tersebut diberikan. Contoh : kohonen, Hebbian.
Cocok untuk pengelompokan dan klasifikasi pola.
Supervised Learning Unsupervised Learning
Kumpulan input berusaha JST mengorganisasikan dirinya
membentuk target output yang sudah untuk membentuk vektor-vektor
diketahui sebelumnya input yang serupa tanpa
Perbedaan antara output yang masih menggunakan data atau contoh-
salah dengan output yang diharapkan contoh pelatihan, biasanya ke
harus sekecil mungkin dalam suatu kategori/kelompok2
Biasanya lebih baik daripada tertentu
unsupervised
Kelemahan: pertumbuhan waktu
komputasi eksponensial, data bnyk
berarti semakin lambat
3. Optimasi (optimalisasi).
a) Jelaskan peran / kegunaan JST dalam hal ini!
b) Jelaskan jenis JST yang mana / apa saja yang cocok untuk melaksanakan peran
tersebut!
Jawab:
a) Optimasi, menemukan suatu jawaban terbaik sehingga mampu meminimalisasi
fungsi biaya.
b) Model yang biasa digunakan untuk aplikasi ini antara lain: ADALINE, Hopfield,
Bolztman, Backpropagation, dll. Contoh: aplikasi JST dalam optimasi pemilihan
komponen elektronik

4. 4. Jaringan Hopfield, Boltzmann, Elman, dan Jordan.
a) Jelaskan persamaan / kemiripan dan perbedaan diantara hal-hal tersebut!
b) Jelaskan manfaat / kegunaan masing-masing!
Jawab:
a) Hopfield : jaringan ini dapat berfungsi sebagai jaringan memori asosiatif dan
dapat juga digunakan untuk memecahkan masalah kepuasan terbatasi. Contohnya
: TSP (traveling salesman problem).
Boltzman : jaringan syaraf tiruan yang bobot atau aktifasi-aktifasinya berubah
berdasarkan sebuah fungsi densitas probabilitas. Contoh : simulated annealing
dan teori keputusan Bayesian.
Jaringan Elman adalah sebuah jaringan rekurens sederhana yang memiliki
umpan balik nilai sehingga dapat menangani memori jangka pendek. Masukan
jaringan tidak hanya nilai masukan dari luar jaringan, tetapi ditambah dengan
nilai keluaran dari neuron tersembuyi dari propagasi sebelumnya .
Jordan : koneksi dengan dirinya sendiri, context sebagai pengingat pada outptnya
dan lebih kecil, daya ingat kecil dan sebaliknya. Jordan merupakan suatu
pengenal pola runtunan (sequence recognition & generation).

6. 5. Jaringan Kohonen (Kohonen Net)
a) Jaringan ini dikenal pula dengan istilah Self Organizing Map (SOM). Jelaskan
apa yang dimaksud dengannya!
b) Berikan contoh aplikasinya!
Jawab:
a) Jaringan syaraf self organizing, yang sering disebut juga topology
preserving maps, mengansumsikan sebuah struktur topologi antar unit-unit
cluster. Jaringan syaraf self organizing ini pertama kali diperkenalkan oleh
Tuevo Kohonen dari University of Helsinki pada tahun 1981. Algoritma dari
kohonen self organizing map adalah sebagai berikut :
Langkah 1. Inisialisasikan bobot 𝑤 𝑖𝑗 . Set parameter-parameter tetangga dan
set parameter learning rate.
Langkah 2. Selama kondisi berhenti masih bernilai salah, kerjakan langkah-
langkah berikut ini :
a. Untuk masing-masing vektor input x, lakukan :
b. Untuk masing-masing j, lakukan perhitungan :
c. Tentukan J sampai D ( j) bernilai minimum.
d. Untuk masing-masing unit j dengan spesifikasi tetangga tertentu
pada j dan untuk semua I, kerjakan :
e. Perbaiki learning rate.
f. Kurangi radius tetangga pada waktu-waktu tertentu.
g. Tes kondisi berhenti.
b) Peramalan beban listrik, Optimasi Travelling Salesman Problem, sistem
pengenalan pola.

7. 6. Fuzzy Set dan Fuzzy Logic (FL).
a) Secara umum apa manfaat dari sistem ini? Jelaskan!
b) Ada beberapa metode dalam FL, seperti metode Mamdani, Sugeno dan
Tsukamoto. Apa ciri utama perbedaanya? Kemukakan aplikasinya?
Jawab:
a) Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang
input ke dalam suatu ruang output. Fuzzy secara bahasa diartikan sebagai
kabur atau samar-samar. Suatu nilai dapat bernilai besar atau salah secara
bersamaan. Dalam fuzzy dikenal derajat keanggotaan yang memiliki rentang
nilai 0 (nol) hingga 1(satu). Berbeda dengan himpunan tegas yang memiliki
nilai 1 atau 0 (ya atau tidak). Logika Fuzzy merupakan seuatu logika yang
memiliki nilai kekaburan atau kesamaran (fuzzyness) antara benar atau
salah. Dalam teori logika fuzzy suatu nilai bias bernilai benar atau salah
secara bersama. Namun berapa besar keberadaan dan kesalahan suatu
tergantung pada bobot keanggotaan yang dimilikinya. Logika fuzzy memiliki
derajat keanggotaan dalam rentang 0 hingga 1. Berbeda dengan logika
digital yang hanya memiliki dua nilai 1 atau 0. Logika fuzzy digunakan
untuk menterjemahkan suatu besaran yang diekspresikan menggunakan bahasa
(linguistic), misalkan besaran kecepatan laju kendaraan yang diekspresikan
dengan pelan, agak cepat, cepat, dan sangat cepat. Dan logika fuzzy
menunjukan sejauh mana suatu nilai itu benar dan sejauh mana suatu nilai itu
salah. Tidak seperti logika klasik (scrisp)/ tegas, suatu nilai hanya mempunyai
2 kemungkinan yaitu merupakan suatu anggota himpunan atau tidak. Derajat
keanggotaan 0 (nol) artinya nilai bukan merupakan anggota himpunan dan 1
(satu) berarti nilai tersebut adalah anggota himpunan. Logika fuzzy adalah suatu
cara yang tepat untuk memetakan suatu ruang input kedalam suatu ruang output,
mempunyai nilai kontinyu. Fuzzy dinyatakan dalam derajat dari suatu
keanggotaan dan derajat dari kebenaran. Oleh sebab itu sesuatu dapat
dikatakan sebagian benar dan sebagian salah pada waktu yang sama
(Kusumadewi. 2004) Logika Fuzzy memungkinkan nilai keanggotaan antara 0
dan 1, tingkat keabuan dan juga hitam dan putih, dan dalam bentuk
linguistik, konsep tidak pasti seperti "sedikit", "lumayan" dan "sangat" (Zadeh
1965). Kelebihan dari teori logika fuzzy adalah kemampuan dalam proses
penalaran secara bahasa (linguistic reasoning). Sehingga dalam
perancangannya tidak memerlukan persamaan matematik dari objek yang akan
dikendalikan.

8. b) Metode Tsukamoto
Pada Metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-Then
harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi
keanggotaan yang monoton . Sebagai hasilnya, output hasil inferensi dari
tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan α-predikat (fire
strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot.
Metode Mamdani
Metode Mamdani sering juga dikenal dengan nama Metode Max-Min. Metode
ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk
mendapatkan output, diperlukan 4 tahapan:
1. Pembentukan himpunan fuzzy
2. Aplikasi fungsi implikasi (aturan)
3. Komposisi aturan
4. Penegasan (deffuzy)
Metode Sugeno
Penalaran dengan metode SUGENO hampir sama dengan penalaran
MAMDANI, hanya saja output (konsekuen) sistem tidak berupa himpunan
fuzzy, melainkan berupa konstanta atau persamaan linear. Metode ini
diperkenalkan oleh Takagi-Sugeno Kang pada tahun 1985.
Catatan:
Metode yang paling sering digunakan adalah metode Mamdani dan metode
Sugeno.Metode Mamdani menggunakan himpunan fuzzy sebagai konsekuen relu,
Metode Sugeno menggunakan fungsi matematik atau konstanta. Mamdani:
komputasi lebih berat, human-like inference, Sugeno: komputasi lebih efisien tapi
kehilangan interpretabilitas linguistik.