Home > Ilmu Komputer > Ektraksi Aturan Fungsi Perkiraan Jaringan Saraf Tiruan (Rule Extraction from Function Approximating Neural Network / REFANN)

Ektraksi Aturan Fungsi Perkiraan Jaringan Saraf Tiruan (Rule Extraction from Function Approximating Neural Network / REFANN)

January 21, 2010 Leave a comment Go to comments

Jaringan syaraf Tiruan (Neural Network) telah berhasil digunakan untuk memecahkan beragam masalah aplikasi termasuk klasifikasi dan sebagai alat fungsi perkiraan. Hal ini sangat bermanfaat untuk fungsi perkiraan karena  tidak membutuhkan pengetahuan distribusi data input sebelumnya, dan telah diketahui sebagai alat prakiraan yang universal. Dalam beberapa aplikasi, sangat diperlukan mengambil sari pengetahuan yang dapat menjelaskan bagaimana masalah-masalah dipecahkan oleh jaringan-jaringan. Sebagian besar pendekatan yang ada telah memfokuskan pada pengambilan sari aturan-aturan simbolis untuk klasifikasi. Beberapa metode telah dirancang untuk mengambil sari aturan-aturan dari Jaringan Saraf Tiruan yang dideretkan untuk regresi. Untuk menyajikan sebuah pendekatan dalam mengambil sari aturan-aturan dari Jaringan Saraf Tiruan yang terderetkan untuk regresi. Tiap aturan dalam rangkaian aturan yang disarikan sama dengan sub daerah ruang input, dan sebuah fungsi linier yang melibatkan atribut-atribut input relevan data memperkirakan output jaringan untuk seluruh sampel data dalam sub daerah tersebut.

Sebagian besar penelitian telah memfokuskan pada pengambilan sari aturan-aturan simbolis untuk memecahkan masalah-masalah klasifikasi (Andrews,1998). Beberapa metode telah dirancang untuk mengambil sari aturan-aturan dari jaringan-jaringan syaraf yang dideretkan untuk regresi (Tickle,1998).

Aturan-aturan yang dihasilkan dari jaringan-jaringan syaraf cukup mudah bagi pengguna untuk dipahami. Aturan-aturan untuk perkiraan fungsi lazimnya berbentuk : jika (kondisi terpenuhi), maka memprediksikan y=¦(c), dimana ¦(c) adalah sebuah konstanta, atau sebuah fungsi linier c, atribut-atribut data. Tipe-tipe aturan ini dapat diterima karena kemiripannya pada pendekatan statistik tradisional untuk regresi parametik.

Aturan tunggal tidak dapat memperkirakan pemetaan penelitian linier yang dijalankan oleh jaringan secara baik. Sebuah solusi yang dimungkinkan adalah dengan membagi ruang input data ke dalam sub-sub area. Prediksi untuk seluruh sampel dalam sub area yang sama akan dijalankan oleh persamaan linier tunggal yang koefisien-koefisiennya ditentukan oleh bobot sambungan-sambungan atau hubungan jaringan. Dengan pembagian yang lebih halus untuk ruang input, lebih banyak aturan dihasilkan dan tiap aturan dapat memperkirakan output jaringan secara lebih akurat. Pada umumnya, sejumlah besar aturan, masing-masing hanya berlaku pada sejumlah kecil sampel, tidak memberikan pengetahuan yang berarti atau bermanfaat untuk para pengguna. Jadi sebuah keseimbangan harus dicapai antara akurasi aturan dan kesederhanaan aturan.

Ekstraksi aturan dari fungsi perkiraan jaringan-jaringan syaraf atau REFANN (Rule Extraction from Function Approximating Neural Network) bertujuan untuk mengambil sari aturan-aturan dari jaringan-jaringan syaraf tiruan untuk regresi atau perkiraan fungsi non linier. REFANN menghasilkan aturan-aturan yang hampir sama akuratnya dengan jaringan-jaringan semula yang darinya aturan-aturan diambil. REFANN berfungsi pada sebuah jaringan dengan sebuah lapisan tersembunyi tunggal dan satu unit output linier.

Untuk mengurangi jumlah aturan, unit-unit tersembunyi yang berlebihan dan atribut-atribut input yang tidak relevan akan ditanggalkan dengan metode pemangkasan yang disebut pemangkasan Neural Network untuk fungsi perkiraan (N2PRA) sebelum REFANN digunakan. Fungsi aktifasi berkelanjutan untuk unit yang tersembunyi, kemudian diperkirakan baik oleh sebuah fungsi linier tiga bagian (Three-Piece Linear Approximation) atau fungsi linier lima bagian (Five-Piece Linear Approximation). Berbagai kombinasi lingkup fungsi linier per bagian membagi ruang input ke dalam sub-sub area sehingga nilai-nilai fungsi untuk seluruh input dalam sub area yang sama dapat dihitung sebagai sebuah fungsi linier input.

Categories: Ilmu Komputer Tags: , ,
  1. June 10, 2010 at 9:09 am

    makasih banget nih ilmunya, jadi rada kebayang sekarang.

  1. March 4, 2010 at 4:55 am
  2. December 12, 2012 at 4:28 am

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s

%d bloggers like this: