Flow Chart
Diagram Blok Tahapan Perencanaan
Arsitektur Jaringan Syaraf Tiruan :
1. Masukan dan target yang ingin dicapai (berikut keterangnya)
Prakiraan suhu udara memerlukan target berupa data actual suhu hujan sebagai data target. Dan prakiraan data curah hujan juga memerlukan data target curah hujan harian. Pola data target akan di pelajari oleh jaringan syaraf tiruan dalam proses belajarnya.
Tabel 1. Variabel target yang digunakan untuk prakiraan suhu udara
Tabel 2. Variabel Input yang digunakan untuk prakiraan Suhu Udara
Tabel 3. Variabel target yang digunakan untuk prakiraan curah hujan
Tabel 4. Variabel input yang digunakan untuk prakiraan curah hujan
1. Tahapan Pembelajaran
- Untuk prakiraan suhu udara
learning rate = 0,17bobot/weight (w, v)
W11= 0,1 V11= 0,4
W12= 0,2 V12 = 0,5
W13 = 0,3 V13 = 0,6
W21 = 0,1 V21 = 0,4
W22 = 0,2 V22 = 0,5
W23 = 0,3 V23 = 0,6
W31 = 0,1
W32 = 0,2
W33 = 0,3
Iterasi = 625- Untuk prakiraan curah hujan
learning rate = 0,17
bobot/weight (w, v)
W11= 0,1 V11= 0,4
W12= 0,2 V12 = 0,5
W13 = 0,3 V13 = 0,6
W21 = 0,1 V21 = 0,4
W22 = 0,2 V22 = 0,5
W23 = 0,3 V23 = 0,6
W31 = 0,1
W32 = 0,2
W33 = 0,3
Iterasi = 1000
2. Program
% SIMULASI MULTILAYER PERCEPTRON
%=====INISIALISASI AWAL MULTILAYER PERCEPTRON=====
input = 3; %/ Jumlah input layer
hidden = 3; %/ Jumlah hidden layer
output = 2; %/ Jumlah output layer
lr = 0.5; %/ Learning Rate
miu = 1;%/Nilai miu
t1 = 0,9;% Target 1 yang diharapkan
t2 = 0,5;% Target 2 yang diharapkan
% INPUT
x1=4;
x2=5;
x3=1;
% BOBOT INPUT KE HIDDEN
w11=0.1;
w12=0.2;
w13=0.3;
w21=0.1;
w22=0.2;
w23=0.3;
w31=0.1;
w32=0.2;
w33=0.3;
% BOBOT HIDDEN LAYER KE OUTPUT
v11=0.4;
v12=0.5;
v13=0.6;
v21=0.4;
v22=0.5;
v23=0.6;
% ITERASI --------
for iterasi= 1:2;
% =====FORWARD=====
% KELUARAN HIDDEN LAYER
h1 =(x1*w11)+(x2*w12)+(x3*w13);
h2 =(x1*w21)+(x2*w22)+(x3*w23);
h3 =(x1*w31)+(x2*w32)+(x3*w33);
H1 =(1/(1+exp(-miu*h1)));
H2 =(1/(1+exp(-miu*h2)));
H3 =(1/(1+exp(-miu*h3)));
% OUTPUT HIDDEN LAYER
y1 =(H1*v11)+(H2*v12)+(H3*v13)
y2 =(H1*v21)+(H2*v22)+(H3*v23)
Y1 =(1/(1+exp(-miu*y1)))
Y2 =(1/(1+exp(-miu*y2)))
% =====BACKPROPAGATION=====
% EROR
e1=t1-Y1;
e2=t2-Y2;
% UPDATE BOBOT OUTPUT KE HIDDEN DENGAN e1
dv11 = lr*e1*Y1*(1-Y1)*H1;
dv12 = lr*e1*Y1*(1-Y1)*H2;
dv13 = lr*e1*Y1*(1-Y1)*H3;
v11 = v11 + dv11;
v12 = v12 + dv12;
v13 = v13 + dv13;
% UPDATE BOBOT OUPUT KE HIDDEN DENGAN e2
dv21 = lr*e2*Y2*(1-Y2)*H1;
dv22 = lr*e2*Y2*(1-Y2)*H2;
dv23 = lr*e2*Y2*(1-Y2)*H3;
v21 = v21 + dv21;
v22 = v22 + dv22;
v23 = v23 + dv23;
% UPDATE BOBOT HIDDEN KE INPUT
dW11 = lr*((e1*Y1*(1-Y1)*v11) + (e2*Y2*(1-Y2)*v21))*H1*(1-H1)*x1
dW12 = lr*((e1*Y1*(1-Y1)*v11) + (e2*Y2*(1-Y2)*v21))*H2*(1-H2)*x2
dW13 = lr*((e1*Y1*(1-Y1)*v11) + (e2*Y2*(1-Y2)*v21))*H3*(1-H3)*x3
dW21 = lr*((e1*Y1*(1-Y1)*v12) + (e2*Y2*(1-Y2)*v22))*H1*(1-H1)*x1
dW22 = lr*((e1*Y1*(1-Y1)*v12) + (e2*Y2*(1-Y2)*v22))*H2*(1-H2)*x2
dW23 = lr*((e1*Y1*(1-Y1)*v12) + (e2*Y2*(1-Y2)*v22))*H3*(1-H3)*x3
dW31 = lr*((e1*Y1*(1-Y1)*v13) + (e2*Y2*(1-Y2)*v23))*H1*(1-H1)*x1
dW32 = lr*((e1*Y1*(1-Y1)*v13) + (e2*Y2*(1-Y2)*v23))*H2*(1-H2)*x2
dW33 = lr*((e1*Y1*(1-Y1)*v13) + (e2*Y2*(1-Y2)*v23))*H3*(1-H3)*x3
end;
3. Hasil Program
t1 = 0t2 = 0
y1 = 1.2683
y2 = 1.2683
Y1 = 0.7805
Y2 = 0.7805
dW11 = -0.0240
dW12 = -0.0300
dW13 = -0.0060
dW21 = -0.0310
dW22 = -0.0387
dW23 = -0.0077
dW31 = -0.0380
dW32 = -0.0475
dW33 = -0.0095
y1 =1.1249
y2 =1.1249
Y1 = 0.7549
Y2 = 0.7549
dW11 = -0.0208
dW12 =-0.0259
dW13 = -0.0052
dW21 = -0.0281
dW22 = -0.0351
dW23 = -0.0070
dW31 = -0.0353
dW32 = -0.0442
dW33 = -0.0088
>>
4. Kesimpulan
- Pola data target akan di pelajari oleh jaringan syaraf tiruan dalam proses belajarnya.
- Semakin kecil learning rate, semakin lama proses pembelajarannya.
- Hal yang sama terjadi pada penambahan node yang berada pada hidden layer akan terjadi penambahan kempleksitas jaringan yang menyebabkan penambahan waktu pelatihan.
Tidak ada komentar:
Posting Komentar