Pembangkit Fungsi Keanggotaan Fuzzy Otomatis Menggunakan Neural Network

Abstract

In this study the author used an algorithm Backpropagation Neural Network (BPNN) to generate automatically fuzzy membership functions, in order to obtain a more precise membership functions according to the data provided. Backpropagation neural network algorithm is one of the algorithm supervised learning, this learning need supervision in the learning process. One of the important factor in BPNN learning is the number of input variables. To get the better result we have to used more input variables. In this study, only one initial input variables have to be used, according to the dataset used, so as to get the better result added two new initial input variables, namely x ABSTRACT 2 and x3. Variable x2 be obtained by using the algorithm additional. It’s called Kohonen algorithm (SOM). The variable x3 be obtained by using the formula (x2 - index (i)). Moreover than, the Kohonen algorithm is also used to get the output value will be used as input process to the algorithm BPNN training. From the results of research by the author, the BPNN algorithm have to automatically generate membership functions at the beginning of one variable, using the Kohonen algorithm to obtain additional initial input variables. Keywords : Fuzzy, Membership Function, BPNN, Kohonen (SOM).

Dalam penelitian ini penulis menggunakan algoritma Backpropagation Neural Network (BPNN) untuk membangkitkan fungsi keanggotaan fuzzy secara otomatis, agar didapatkan fungsi keanggotaan yang lebih tepat sesuai dengan data yang diberikan. Algoritma backpropagation neural network merupakan salah satu algoritma pembelajaran supervised learning, yaitu pembelajaran yang membutuhkan pengawasan dalam proses pembelajarannya. Salah satu faktor penting dalam pembelajaran BPNN adalah jumlah variabel input. Semakin banyak variabel input yang digunakan, maka akan semakin bagus target yang didapatkan. Dalam penelitian ini, variabel input awal yang digunakan hanya satu variabel, sesuai dengan dataset yang digunakan, sehingga untuk mendapatkan hasil target yang lebih baik ditambahkan dua variabel input awal yang baru, yaitu x2 dan x3. Variabel x2 didapatkan dengan menggunakan algoritma tambahan yaitu algoritma kohonen (SOM), sedangkan variabel x3 didapatkan dengan menggunakan rumus x2 – indeks (i). Selain itu algoritma kohonen juga digunakan untuk mendapatkan nilai output yang akan dijadikan sebagai input proses pelatihan pada algoritma BPNN. Dari hasil penelitian yang penulis lakukan, algoritma BPNN dapat membangkitkan fungsi keanggotaan secara otomatis pada satu variabel awal, dengan menggunakan algoritma kohonen untuk mendapatkan variabel input awal tambahan. Kata Kunci : Fuzzy, Fungsi Keanggotaan, BPNN, Kohonen (SOM).