tugas 2 jaringan syaraf tiruan
TRANSCRIPT
-
Prediksi Penjualan Mobil di Indonesia Menggunakan Jaringan Syaraf
Tiruan dengan Metode RBF (Radial Basis Function)
Disusun Oleh:
1. FARID ULFA FAAZA (L200110056)
2. ARIF YANUAR W (L200110058)
3. HASNA FATHINA (L200110097)
4. YUDHA ADI PERMANA (L200110147)
JURUSAN TEKNIK INFORMATIKA
FAKULTAS KOMUNIKASI DAN INFORMATIKA
UNIVERSITAS MUHAMMADIYAH SURAKARTA
2014
JARINGAN SYARAF TIRUAN
-
A. Deskripsi Masalah
Pertumbuhan penduduk Indonesia dari tahun ke tahun terus meningkat, dan
Indonesia masih tetap menduduki urutan ke empat terbanyak di dunia setelah Cina, India
dan Amerika Serikat. Sedangkan penyebaran penduduk Indonesia masih belum merata,
dimana sebanyak 107 juta dari 245 juta jiwa (sekitar 44% persen) masih berdomisili di
pulau Jawa. Adapun kepadatan penduduk di pulau didominasi di sekitar Jakarta, Bogor,
Tangerang, dan Bekasi (Jabodetabek).
Dengan tingginya angka jumlah penduduk ini menjadikan kebutuhan akan moda
transportasi khususnya transportasi darat cukup besar, hal ini tercermin dari data
penjualan kendaraan dalam kurun waktu lima tahun terakhir.
Berdasarkan data dari Gabungan Industri Kendaraan Indonesia (Gaikindo) pada
tahun 2009 untuk penjualan kendaraan kategori merek kendaraan masih dikuasai
oleh Toyota, selanjutnya Daihatsu di posisi ke dua, Mitsubitshi di posisi ke tiga,
Suzuki dan Honda masing-masing menduduki posisi ke empat dan ke lima.
Penjualan mobil nasional ini juga merupakan salah satu cermin makin cerahnya
pertumbuhan ekonomi Indonesia, yang saat ini semakin memperlihatkan gairahnya. Hal
ini ditandai dengan meningkatnya volume penjualan kendaraan pada triwulan pertama
tahun 2010 yang mencapai angka 173.969 unit kendaraan. dibandingkan dengan periode
yang sama pada tahun 2009 yaitu sebesar 96.552 unit maka terdapat peningkatan sebesar
80,18 persen.
Tekanan inflasi pada triwulan I 2010 cenderung rendah ditandai oleh deflasi pada
Maret 2010 sebesar 0,14% (mtm), sehingga secara tahunan inflasi mencapai 3,43%
(yoy). Terkendalinya inflasi pada tingkat yang relatif rendah sejalan dengan
kecenderungan penguatan nilai tukar rupiah dan kecukupan pasokan merespons kenaikan
permintaan. Selain itu, rendahnya inflasi di bulan Maret 2010 juga didukung oleh
meredanya tekanan inflasi yang bersumber dari volatile food (terutama beras) karena
mulainya musim panen di beberapa daerah.
-
Rendahnya tingkat inflasi dan suku bunga kredit menyebabkan naiknya daya beli
konsumen. Di samping itu, adanya program-program menarik yang ditawarkan
oleh masing-masing perusahaan otomotif, membuat penjualan juga terus meningkat.
B. Prediksi yang diselesaikan
el 1.1.1 Penjualan Otomotif Indonesia periode 2005 - 2009
Sumber : Statistik Data Gaikindo 2010
Mengacu pada data penjualan periode bulan Januari - Maret 2010, Toyota masih
berada di puncak dengan total penjualan sebesar 68.773 unit atau pencapaian
dengan porsi sebesar 39,5 persen dari total pasar nasional. Posisi kedua diduduki
oleh Mistubishi dengan menggeser Daihatsu yang berhasil menjual 24.169 unit
(13,9 persen). Daihatsu pada kurun waktu yang sama berhasil menjual sebanyak
23.904 unit (13,7 persen) dan menempati posisi ke tiga. Kemudian diikuti oleh
Suzuki 15.656 unit (9,0 persen) pada posisi ke empat, Honda menjual sebanyak
13.365 unit (7,7 persen) dan Nissan sebanyak 8.788 unit (5,1 persen) berada
diposisi ke lima dan ke enam.
No Merek Mobil 2005 2006 2007 2008 2009
1 Toyota 182,765 123,703 150,631 211,909 186,687
2 Daihatsu 48,762 33,021 51,957 78,041 77,513
3 Mitshubishi 89,158 47,023 61,547 87,524 61,735
4 Suzuki 87,274 44,760 58,095 73,067 44,689
5 Honda 53,750 30,000 40,000 52,500 39,570
6 Nissan 10,551 4,006 19,030 31,879 21,440
7 Isuzu 25,010 16,605 18,270 25,325 15,238
8 Hino 6,145 4,193 8,224 14,227 11,390
9 Ford 5,727 3,515 6,405 7,999 6,348
10 Mercedes Benz 2,443 914 2,022 2,872 3,450
11 BMW 1,257 600 1,000 720 901
-
C. RBF (Radial Basis Function)
Fungsi radial basis (RBF) merupakan salah satu bentuk multilayer
perceptron yang unsupervised. Arsitektur dari RBF adalah fungsi basis
ebagai fungsi aktivasi pada hidden layer dan linier pada output layer. Fungsi
radial basis biasanya membutuhkan neuron lebih banyak jika dibandingkan
dengan jaringan feedforward. Jaringan ini akan bekerja dengan baik apabila
data input yang diberikan cukup banyak. Tidak seperti pada jaringan syaraf
sebelumnya, pada jaringan basis radial ini, input yang akan diolah oleh fungsi
bukan merupakan hasil penjumlahan terbobot dari data input, namun
berupa vektor jarak antara vektor bobot dan vektor input yang dikalikan
dengan bobot bias.
Jaringan RBF terdiri atas 3 layer yaitu layer input, hidden layer /
kernel layer (unit tersembunyi) dan layer output. Masing masing unit
tersembunyi merepresentasikan fungsi aktivasi yang berupa fungsi basis
radial. Fungsi basis radial ini diasosiasikan oleh lebar dan posisi center dari
fungsi basis tersebut.
-
Setiap input dari jaringan ini akan mengaktifkan semua fungsi aktivasi
pada hidden layer. Setiap unit dari hidden layer merupakan fungsi aktivasi
tertentu yang disebut sebagai fungsi basis. Di dalam hidden layer terdapat
sejumlah fungsi basis yang sejenis sesuai dengan perancangan. Setiap fungsi
basis akan menghasilkan sebuah keluaran dengan bobot tertentu. Output
jaringan ini merupakan jumlah dari seluruh output fungsi basis dikalikan
dengan bobot masing masing.
Setiap masukan akan mengaktifkan setiap fungsi basis pada
jaringannnya sendiri. Misalkan pada operasi masukan [x1 x2]. Masukan x1
akan mengaktifkan setiap fungsi basis pada jaringan RBF pertama, sehingga
masukan x1 akan mengaktifkan fungsi basis 11, 12 sampai dengan
1nMasukan x2 akan mengaktifkan setiap fungsi basis pada jaringan RBF
kedua, sehingga masukan x2 akan mengaktifkan fungsi basis 21. 22 sampai
dengan 2n. Langkah selanjutnya adalah melakukan korelasi silang antara
setiap keluaran fungsi basis pada jaringan pertama dengan setiap keluaran
fungsi basis pada jaringan kedua. Masing masing hasil korelasi silang antar
fungsi basis ini kemudian diboboti dengan bobot tertentu.
Pada jaringan RBF fungsi basis ini identik dengan dengan fungsi
gaussian yang diformulasikan sebagai berikut :
-
Tahapan Penelitian penelitian tersebut dapat dijabarkan sebagai berikut :
1. Langkah 1 : Inisialisasi center data input matriks normalisasi dan centre
hasil perhitungan KMeans Clustering.
2. Langkah 2 : Melakukan inisialisasi nilai spread yang akan digunakan pada
perhitungan matriks Gaussian.
3. Langkah 3 : Menentukan sinyal input ke hidden layer dan menghitung
nilai fungsi aktivasinya pada tiap hidden layer menggunakan rumus berikut:
m = 1,2,3,... Sesuai dengan jumlah training pattern
j = 1,2,3 sesuai dengan jumlah hidden unit
X =vektor input
t =vektor data sebagai center
4. Langkah 4 : Menghitung bobot baru (W) dengan mengalikan pseudo
inverse dari matriks G dengan vector target (d) dari data training dengan
menggunakan rumus pada persamaan berikut:
-
5. Langkah 5 : Menghitung nilai output jaringan Y(n) menggunakan rumus
pada persamaan berikut:
6. Langkah 7 : Simpan nilai hasil training. Hasil training yang disimpan
adalah data center 1, center 2, nilai output dan nilai spread yang digunakan
dalam proses training jaringan syaraf.
Uji coba atau testing pada aplikasi digunakan untuk melakukan validasi apakah
telah memberikan output sesuai dengan yang diharapkan. Berikut langkah-
langkah dalam melakukan uji coba:
1. Langkah 1 : Inisialisasi center hasil perhitungan algoritma K-Means,
dengan memanggil centroid 1 dan centroid 2 iterasi terakhir.
2. Langkah 2 : Inisialisasi range output target hasil perhitungan RBF
(spread value, W1, W2 dan bias).
3. Langkah 3 : Menghitung nilai output jaringan Y(x).
4. Langkah 4 : Melakukan pengecekan terhadap nilai Y(x) apakah lebih kecil
dari batas atas Y normal.
D. Listing program
Dalam hal ini menggunakan matlab
Source Code :
clear all
clc
p = -2:.1:2;
a = radbas(p);
-
figure(01)
plot(p,a)
%Proses data sebelum di masuk hump function
x = 0: .1 : 3;
y=humps(x);
P=x;
T=y;
%goal menggunakan 0.011 dan spread 0.1
goal=0.011;
spread= 0.1;
net1 = newrb(P,T,goal,spread);
%Simulasi dan plot hasil
a= sim(net1,P);
figure(02)
plot(P,T-a,P,T,'*',P,a,'ro')
xlabel('Waktu (s)');
ylabel('Output dan error');
title('Prediksi pengunjung')
% Test with different data pairs
x2=0:.1:1.93; % persiapan rentan data baru
y2=humps(x2); % Menghitung fungsi bukit yang baru
P2=x2; % (input)
T2=y2; % (output)
a2=sim(net1,P2); % simulasi dengan data baru
figure(03)
plot(P2,T2-a2,P2,T2,'x',P2,a2,'ro') % Plot output,
target dan error
xlabel('Waktu (s)');
ylabel('Output dan error');
title('Prediksi Pengunjung ')
-
E. Hasil eksekusi program
Gambar 1 : NewRB
Gambar 2 : Figure 1
-
Gambar 3 : Figure 2
-
Gambar 4 : Figure 3
Gambar 5 : Epouch
-
F. Daftar Pustaka
Fachrudin Pakaja, Agus Naba dan Purwanto . Peramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor . From
http://jurnaleeccis.ub.ac.id/index.php/eeccis/article/download/162/140 2 Juni 2014
Suryono, Yohannes Tanjung (2012). Aplikasi Model Jaringan Syaraf Tiruan dengan RadialBasis Function Untuk Mendeteksi Kelainan Otak. From
http://library.binus.ac.id/eColls/eThesisdoc/Bab1/Bab%201__10-121.pdf 28 Juni
2014
Wahyudi, Hariyanto, Iwan Setiawan (2007) . APLIKASI JARINGAN SYARAF TIRUAN RBF PADA SISTEM KONTROLVALVE UNTUK PENGENDALIAN TINGGI MUKA AIR .
from http://journal.uii.ac.id/index.php/Snati/article/viewFile/1673/1455, 23 Mei 2014