Jaringan Syaraf Tiruan

On June 30, 2010, in Digital, by Herlambang

Jaringan syaraf tiruan merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba mensimulasikan proses menyimpan, belajar, dan mengambil kembali pengetahuan yang tersimpan dalam sel syaraf atau neuron pada otak manusia tersebut. Jaringan syaraf tiruan ini pada dasarnya adalah fungsi pemetaan masukan keluaran sistem yang bebas model matematis atau dikenal dengan istilah estimator bebas model. Sistem ini memetakan kondisi ke aksi, dalam hal ini sistem-sistem dinamis yang dimodelkan tidak diekspresikan secara matematis menggunakan fungsi alih tetapi direpresentasikan dengan menggunakan kotak fungsional yang mengestimasi fungsi-fungsi dari data pelatihan.

Seperti halnya otak manusia, jaringan syaraf tiruan juga terdiri dari beberapa neuron dimana tiap-tiap neuron dengan neuron yang lainnya saling berhubungan. Neuron tersebut akan memproses tiap informasi yang diterima kemudian dimodelkan dalam suatu bentuk model neuron.

Pada jaringan syaraf tiruan, setiap neuron akan dikumpulkan dalam lapisan-lapisan (layers) yang disebut dengan lapisan neuron (neuron layers). Setiap neuron pada suatu lapisan neuron akan dihubungkan dengan neuron pada suatu lapisan neuron yang lainnya. Hubungan antar neuron tersebut diasosiasikan dengan suatu nilai bobot (w) tertentu. Nilai bobot ini akan menentukan derajat pengaruh dari sebuah neuron ke neuron lainnya. Pengaruh dari neuron ke neuron lainnya merupakan hasil kali antara nilai keluaran dari suatu neuron dengan nilai bobot (w) yang menghubungkan neuron tadi.

Jaringan syaraf tiruan memiliki kemampuan untuk belajar terhadap suatu kondisi lingkungan dan meningkatkan performansinya melalui pembelajaran. Proses pembelajaran jaringan dilakukan melalui proses iterasi terhadap nilai bobot dan idealnya jaringan menjadi adaptif setelah proses pembelajaran.


Algoritma Least Mean Square (LMS)

Algoritma LMS (Least Mean Square) merupakan salah satu algoritma yang digunakan untuk pembelajaran atau update bobot jaringan. Algoritma ini banyak digunakan karena kesederhanaan prosesnya dan kemudahan dalam komputasi. Algoritma LMS akan meminimalkan fungsi rata–rata kuadrat error.[5] Secara matematis algoritma LMS dituliskan sebagai berikut :

w(k+1) = w(k) + ?.[d(k)-y(k)].x(k)

dengan :

w(k+1) = Bobot pada cacah ke k+1

w(k) = Bobot pada cacah ke k

? = Laju konvergensi ( 0 < ? < 1)

x(k) = Masukan yang diboboti

d(k) = Keluaran yang diinginkan

y(k) = Keluaran aktual

d(k)-y(k) = Sinyal error yang merupakan data latih

Struktur Kendali Fixed Stabilising Controller

Fixed Stabilising Controller merupakan salah satu arsitektur kendali adaptif. Arsitektur kendali ini diusulkan oleh Kraft G pada tahun 1990. Blok diagram fixed stabilising controller merupakan blok diagram sistem kontrol adaptif langsung dengan keluaran kontroler umpan balik penstabil digunakan untuk melatih model inverse.[8] Tujuan dari pembelajaran model inverse adalah memformulasikan sebuah pengendali, sehingga blok diagram kontrol plant secara keseluruhan memiliki fungsi alih satuan. Blok diagram kontrol fixed stabilising controller memiliki dua buah kalang, kalang pertama adalah kalang umpan balik penstabil dan kalang kedua adalah kalang pembelajaran model inverse. Pembelajaran model inverse dapat dilakukan menggunakan jaringan syaraf tiruan dan sebagai kontrol umpan balik penstabil dapat digunakan gain proporsional.


Jaringan Syaraf Tiruan B-Spline

B-Spline adalah salah satu jenis jaringan syaraf tiruan (JST) yang dapat digolongkan dalam kelas AMN (Associative Memory Network) yang dapat menyimpan informasi secara lokal. Hal ini menyebabkan laju pembelajaran berlangsung relatif lebih cepat dan secara efisien dapat digunakan sebagai komponen pengendali plant secara online. Seperti halnya jaringan syaraf tiruan jenis AMN lainnya, keluaran jaringan B-Spline merupakan kombinasi bobot-bobot adaptif dari jumlah fungsi basis yang diaktifkan oleh masukan tertentu.

Secara historis B-spline telah digunakan secara umum sebagai algoritma pencocokan fungsi (surface fitting) didalam bidang visualisasi grafis selama 20 tahun belakangan ini. Penggunaan pertama B-spline pertama kali digunakan pada tahun 1972 oleh Cox (1972) dan DeBoor (1972). Ketika B-Spline digunakan sebagai model set data terdapat kemungkinan memodifikasi data secara lokal, dan juga perubahan yang terjadi secara bersamaan pada respon jaringan lokal. Hal ini menjadi salah satu kemampuan yang menjadikan B-spline menarik untuk model adaptif dan kontrol.[4]

B-spline telah digunakan pada beberapa bidang yang berbeda dalam riset robotik. Penerapannya adalah pada pembangkitan lintasan (jalan) dimana kehalusan lintasan yang dihasilkan. Penggunakan lainnya adalah algoritma pemarkiran mobil secara otomatis, kompensasi non-linier robotik, dan pemodelan aktuator robotik. Kemampuan utama algoritma B-spline adalah nilai outputnya yang halus yang disebabkan oleh bentuk fungsi basis. Keluaran dari fungsi basis secara otomatis ditentukan oleh algoritmanya.


 

Leave a Reply

Your email address will not be published. Required fields are marked *

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>

[+] kaskus emoticons