Home >Documents >Tugas Prak JST

Tugas Prak JST

Date post:03-Oct-2015
Category:
View:24 times
Download:2 times
Share this document with a friend
Description:
Tugas JST
Transcript:
  • Pendahuluan Jaringan syarat tiruan atau artificial neural network adalah jaringan dari sekelompok

    unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. Jaringan

    syaraf tiruan merupakan sistem adaptif yang dapat mengubah strukturnya untuk

    memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir

    melalui jaringan tersebut [Wikipedia].

    Tujuan Tujuan dari praktikum jaringan syaraf tiruan ini adalah untuk mengetahui dan

    mempelajari inplementasi dari konsep jaringan syaraf tiruan yang diterapkan pada dua

    masalah dunia nyata yaitu klasifikasi iris dan prediksi nilai tukar mata uang dollar

    amerika terhadap rupiah.

    Permasalahan Ada dua permasalahan yang akan diselesaikan dalam praktikum ini. Permasalahan

    pertama adalah klasifikasi iris dan permasalahan yang kedua adalah prediksi nilai tukar

    mata uang dollar amerika terhadap rupiah. Kedua permasalahan ini akan diselesaikan

    dengan jaringan syaraf tiruan bertipe feed forward back propagation.

    Tools yang akan digunakan dalam praktikum ini adalah MATLAB dengan dua

    pendekatan, GUI dan non-GUI. Permasalahan klasifikasi iris akan diselesaikan dengan

    pendekatan non-GUI (source code akan dilampirkan) sementara permasalahan prediksi

    nilai tukar mata uang dollar amerika terhadap rupiah akan diselesaikan dengan

    pendekatan GUI.

    Software dan Hardware Berikut ini adalah tabel dari software dan hardware yang digunakan dalam praktikum

    jaringan syaraf tiruan

    Tabel 1. Spesifikasi Software dan Hardware yang digunakan

    Software Hardware

    Operating System: Microsoft Windows XP Professional Version 2002 Service Pack 3 Computational Tools: MATLAB Version 7.8.0.347 R2009a 32-bit (win32)

    Processor: Intel Core Duo Processor T2300E (1.66 GHz, 667 MHz, 2 MB L2 Cache) RAM: 1526 MB

  • Permasalahan I: Klasifikasi Iris Iris adalah genus dari spesies bunga yang memiliki warna yang cukup menarik. Iris

    berasal dari bahasa yunani yang artinya adalah pelangi. Dataset iris merupakan data

    umum yang biasa digunakan dalam eksperimen klasifikasi. Dataset ini pertama kali

    dikenalkan oleh Sir Ronald Aylmer Fisher pada tahun 1936 sebagai contoh dari

    permasalahan analisis diskriminan [Wikipedia].

    Dataset iris ini memiliki empat atribut yang menjadi feature dalam klasifikasi tiga kelas

    yang berbeda. Keempat feature tersebut adalah sepal length, sepal width, petal length,

    dan petal width. Sementara tiga kelas yang menjadi dasar klasifikasi adalah species yaitu

    setosa, versicolor, dan virginica.

    Desain Eksperimen Praktikum klasifikasi iris ini menggunakan feed forward back propagation yang berbasis

    non-GUI. Data iris yang digunakan sudah tersedia pada MATLAB. Dataset iris yang ada

    diproses pada bagian spesies sehingga tiga jenis klasifikasi tersebut diubah menjadi

    bentuk numerik. Berikut ini adalah contoh tabel berisi dataset iris yang belum diproses

    dan yang sudah diproses

    Tabel 2. Dataset Iris (sebelum preprocessing)

    Sepal Length Sepal Width Petal Length Petal Width Species

    5,1 3,5 1,4 0,2 setosa 4,9 3 1,4 0,2 setosa 4,7 3,2 1,3 0,2 setosa 4,6 3,1 1,5 0,2 setosa 5 3,6 1,4 0,2 setosa 7 3,2 4,7 1,4 versicolor

    6,4 3,2 4,5 1,5 versicolor 6,9 3,1 4,9 1,5 versicolor 5,5 2,3 4 1,3 versicolor

    6,5 2,8 4,6 1,5 versicolor 5,8 2,7 5,1 1,9 virginica 7,1 3 5,9 2,1 virginica 6,3 2,9 5,6 1,8 virginica 6,5 3 5,8 2,2 virginica 7,6 3 6,6 2,1 virginica

  • Tabel 2. Dataset Iris (setelah preprocessing)

    Sepal Length Sepal Width Petal Length Petal Width Species

    5,1 3,5 1,4 0,2 1 4,9 3 1,4 0,2 1 4,7 3,2 1,3 0,2 1 4,6 3,1 1,5 0,2 1 5 3,6 1,4 0,2 1 7 3,2 4,7 1,4 2

    6,4 3,2 4,5 1,5 2 6,9 3,1 4,9 1,5 2

    5,5 2,3 4 1,3 2 6,5 2,8 4,6 1,5 2 5,8 2,7 5,1 1,9 3 7,1 3 5,9 2,1 3 6,3 2,9 5,6 1,8 3 6,5 3 5,8 2,2 3

    7,6 3 6,6 2,1 3

    Untuk praktikum ini digunakan beberapa parameter dan skenario. Berikut ini adalah

    beberapa parameter yang digunakan dalam praktikum

    Tabel 3. Parameter yang digunakan dalam praktikum

    Parameter Nilai/Tipe Epochs (max iteration) 1000

    Learning rate 0.00001 / 10-5 Hidden layer 4

    Momentum constant 0.95 Output function logsig dan purelin

    Training function trainlm Performance function mse dan sse

    Ada beberapa skenario yang digunakan dalam praktikum ini. Pada setiap skenario

    dilakukan lima kali percobaan. Berikut ini adalah skenario yang digunakan dalam

    pelatihan

    1. TF trainlm menggunakan PF mse dan OF logsig (hasil pada tabel 4).

    2. TF trainlm menggunakan PF sse dan OF logsig (hasil pada tabel 5).

    3. TF trainlm menggunakan PF mse dan OF purelin (hasil pada tabel 6).

    4. TF trainlm menggunakan PF sse dan OF purelin (hasil pada tabel 7).

  • Source Code

    data1=load('data_iris.txt'); data2=data1; dataTrain=data1(:,1:size(data1,2)-1); dataTest=data2(:,1:size(data1,2)-1); target = ind2vec(data1(:,size(data1,2))); target = full(target)'; targetT = ind2vec(data2(:,size(data1,2))); targetT = full(targetT)';

    hid=4; iter=1000; alva=0.00001;

    %=====================train backpropagation=============% NewdataTarget=target'; [pn,meanp,stdp]=prestd(dataTrain');

    net=newff(minmax(pn),[hid 3],{'logsig' 'logsig'},'traingdx'); net.trainParam.epochs=iter; net.trainParam.min_grad=0; net.inputWeights{1,1}.initFcn = 'initzero'; net.layerWeights{2,1}.initFcn = 'initzero'; net.performFcn = 'sse';

    net.trainParam.lr=alva; net.trainParam.mc=0.95;

    tic; net=train(net,pn,NewdataTarget); training=sim(net,pn); [ind classobj]=max(training); [a tcls]=max(NewdataTarget);

    toc; traintime=toc

    %=====================test backpropagation=============% testn=dataTest'; tTest=targetT'; [d N]=size(testn);

    dataTesting=testn; tic; dataTesting=trastd(dataTesting,meanp,stdp); testing=sim(net,dataTesting); [maxHasil classObj]=max(testing); toc; testime=toc

  • Hasil Eksperimen Berikut ini adalah tabel hasil praktikum yang telah dijalankan dengan skenario yang

    sudah disusun pada bagian sebelumnya

    Tabel 4. Hasil praktikum dengan skenario 1

    Percobaan Epoch Time Setosa Versicolor Virginica miss Kinerja

    1 1000 12.1325+0.0194 50 50 50 0 100% 2 1000 12.0631+0.0238 50 50 50 0 100% 3 1000 13.9405+0.0249 50 50 50 0 100% 4 1000 12.4070+0.0243 50 50 50 0 100% 5 1000 13.0486+0.0237 50 50 50 0 100%

    Rata-rata 1000 12.71684+0.02322 50 50 50 0 100%

    Tabel 5. Hasil praktikum dengan skenario 2

    Percobaan Epoch Time Setosa Versicolor Virginica miss Kinerja

    1 1000 12.4954+0.0243 50 50 50 0 100% 2 1000 12.9861+0.0245 50 50 50 0 100% 3 1000 12.9865+0.0245 50 50 50 0 100% 4 1000 13.9683+0.0240 50 50 50 0 100% 5 1000 12.5963+0.0237 50 50 50 0 100%

    Rata-rata 1000 13.00652+0.121 50 50 50 0 100%

    Tabel 6. Hasil praktikum dengan skenario 3

    Percobaan Epoch Time Setosa Versicolor Virginica miss Kinerja

    1 9 1.1347+0.0237 50 34 43 23 84.7% 2 8 0.4341+ 0.0105 50 34 43 23 84.7% 3 13 0.4978+0.0101 50 34 43 23 84.7% 4 8 1.1089+0.0239 50 34 43 23 84.7% 5 8 1.1228+0.0244 50 34 43 23 84.7%

    Rata-rata 7.92 0.85966+0.01852 50 34 43 23 84.7%

    Tabel 7. Hasil praktikum dengan skenario 4

    Percobaan Epoch Time Setosa Versicolor Virginica miss Kinerja

    1 7 0.4270+ 0.0107 50 34 43 23 84.7% 2 10 0.4255+ 0.0096 50 34 43 23 84.7% 3 7 0.3984+ 0.0158 50 34 43 23 84.7% 4 10 0.4323+ 0.0098 50 34 43 23 84.7% 5 8 0.4100+ 0.0098 50 34 43 23 84.7%

    Rata-rata 8.4 0.41864+0.01114 50 34 43 23 84.7%

  • Permasalahan II: Prediksi Kurs USD Rp Salah satu implementasi dari jaringan syaraf tiruan adalah dalam permasalahan

    forecasting. Permasalahan forecasting yang akan dijadikan salah satu contoh pada

    praktikum ini adalah prediksi kurs mata uang dollar amerika terhadap rupiah.

    Pada praktikum ini akan digunakan data kurs mata uang dollar amerika terhadap

    rupiah pada bulan februari 2011 yang diambil dari kurs resmi Bank Indonesia yang

    akan digunakan untuk memprediksi kurs mata uang dollar amerika terhadap rupiah

    pada tanggal 1 maret 2011.

    Desain Eksperimen Praktikum forecasting kali ini masih menggunakan feed forward back propagation

    namun dengan pendekatan GUI. Data kurs mata uang ini diambil dari

    http://www.ortax.org/ yang mengacu kepada kurs resmi yang dikeluarkan oleh Bank

    Indonesia.

    Berikut ini adalah tabel kurs mata uang dollar amerika terhadap rupiah

    Tabel 8. Tabel kurs dollar amerika terhadap rupiah

    Tanggal Nilai Jual Nilai Beli Nilai Tengah

    1 Februari 2011 9542 8542 9042 2 Februari 2011 9517 8517 9017 4 Februari 2011 9530 8530 9030 7 Februari 2011 9475 8475 8975 8 Februari 2011 9417 8417 8917 9 Februari 2011 9417 8417 8917

    10 Februari 2011 9424 8424 8924 11 Februari 2011 9431 8431 8931 14 Februari 2011 9421 8421 8921 16 Februari 2011 9404 8404 8904 17 Februari 2011 9377 8377 8877 18 Februari 2011 9358 8358 8858 21 Februari 2011 9345 8345 8845 22 Februari 2011 9373 8373 8873 23 Februari 2011 9357 8357 8857 24 Februari 2011 9357 8357 8857 25 Februari 2011 9358 8358 8858 28 Februari 2011 9323 8323 8823

    1 Maret 2011 9312 8312 8812

    Untuk praktikum ini hanya digunakan data nilai tengah sebagai representasi dari kurs

    dollar amerika terhadap rupiah. Berikut ini adalah desain input dan target serta

    parameter yang digunakan dalam praktikum

    http://www.ortax.org/

  • Tabel 9. Desain input dan target praktikum

    Input Target

    Tanggal Nilai Tengah Tanggal Nilai Tengah 1 Februari 2011 9042 2 Februari 2011 9017 2 Februari 2011 9017 4 Februari 2011 9030 4 Februari 2011 9030 7 Februari 2011 8975 7 Feb

Click here to load reader

Reader Image
Embed Size (px)
Recommended