Nama MatakuIiah
:
Teknik Neuro Fuzzy
Kode/SKS
:
TEL 212/2
Prasyarat
:
-
Status Mata Kuliah
:
Wajib Umum
Deskripsi Singkat Mata Kuliah
:
Mata kuliah Teknik Neuro Fuzzy mempelajari penerapan kecerdasan dan pengetahuan manusia pada sistem, serta mengadaptasikan basis pengetahuan dengan teknik optimasi Stokastik. Materi Teknik Neuro Fuzzy meliputi : Pengantar Jaringan Neural Biologis, Jaringan Neural Sederhana untuk Kiasifikasi Pola, Asosiasi Pola, Jaringan Neural Berbasis Kompetisi, Teori Resonans Adaptif, Jaringan Perambatan Balik, Teori Himpunan Fuzzy, Aturan dan Penalaran Fuzzy, Sistem Inferensi Fuzzy, dan Pemodelan Neuro Fuzzy. Mata kuliah Teknik Neuro Fuzzy diberikan di Semester 6 dan bersifat Wajib Umum. Mata Kuliah prasyarat tidak ada. Sebagai mata kuliah wajib umum maka sebagian besar materi kuliah diberikan dalam bentuk ceramah. Sedangkan mengingat perkembangan teknik neuro fuzzy, maka sebagian materi diberikan dalam bentuk diskusi.
Tujuan Pembelajaran Setelah menyelesaikan mata kuliah ini mahasiswa dapat memahami konsep serta latar belakang jaringan neural, logika fuzzy, aplikasi sitem Neuro Fuzzy termasuk pemodelan dan kendali neuro fuzzy..
Materi Pembelajaran 1. Pengantar 1.1 Jaringan Neural Biologis 1.2 Sifat Jaringan Neural 1.3 Aplikasi Jaringan Neural 2. Jaringan Neural Sederhana untuk Klasifikasi Pola 2.1 Pembahasan Umum 2.2 Jaringan Hebb 2.3 Perceptron 2.4 Adaline 3. Jaringan Asosiatif 3.1 Algoritma Pelatihan untuk Asosiasi Pola 3.2 Jaringan Neural Heteroasosiatif 3.3 Jaringan Autoasosiatif 3.4 Jaringan Neural Memori Asosiatif Bidireksional
Universitas Gadjah Mada
1
4. Jaringan Neural Berbasis Kompetisi 4.1 Jaringan KompetitifBerbobot Tetap 4.2 Pemetaan Swaorganisasi Kohonen 4.3 Kuantisasi Vektor Pelatihan 4.4 counter Propagation 5. Teori Resonans Adaptif (Adaptive Resonans Theory, ART) 5.1 Motivasi, Dasar arsitektur dan operasi 5.2 ART1 5.3 ART2 6. Jaringan Neural Perambatan Balik (Back Propagation, BP) 6.1 Arsitektur dan Algoritma 6.2 Variasi jaringan BP 7. Teori Himpunan Fuzzy 7.1 Himpunan Fuzzy 7.2 Operasi Fuzzy 7.3 Aturan Fuzzy dan Penakaran Fuzzy 8. Inferensi Fuzzy 8.1 Model Fuzzy Mamdani 8.2 Model Fuzzy Sugeno 8.3 Model Fuzzy Tsukamoto 9. Optimisasi 9.1 Metode Least Square Estimator (LSE) 9.2 Meode Derivatif 9.3 Algoritma Genetik 10. Adaptive Neuro Fuzzy Iiference System (ANFIS) 10.1 Arsitektur ANFlS 10.2 Algoritma ANFIS 10.3 Aplikasi ANFIS
Universitas Gadjah Mada
2
Outcome Pembelajaran: 1. Menjelaskan
jaringan
neural
sebagai
inspirasi
dan
jaringan
neural
biologis;
menjelasperkembangan dan aplikasi arsitektur dan algoritma pelatihan jaringan neural; menjelaskan sejarah jaringan neural. 2. Menjelaskan bagaimana jaringan neural dapat dilatih untuk klasifikasi pola; menjelaskan tiga metode pelatihan jaringan neural sederhana: aturan Hebb, aturan pelatihan Perceptron, dan aturan delta (digunakan oleh Widrow padajaringan neural Adaline). 3. Menjelaskan
bagaimana
jaringan
neural
memori
asosiatif
dapat
menyimpan
sehimpunasosiasi pola yang merupakan pasangan masukan-keluaran; menjelaskan dua de pelatihan : aturan Hebb dan aturan delta; menjelaskan arsitektur jaringan heteroasosiatif umpan maju dan autoasosiatif umpan maju. 4. Menjelaskan bentuk kompetisi yang ekstrim antar kelompok neuron yang disebut Winner Take All (Maxnet, Mexican Hat); menjelaskan pelatihan tak terbimbing (unsupervised) yang
dengan
mencari
regularitas
dalam
data
masukan
misalnya
pemetaan
swaorganisasi (SOM) yang dikembangkan oleh Kohonen: menjelaskan jaringan pelatihan terbimbing
(supervised)
dengan
kuantisasi
vektor
pelatihan
(Learning
Vector
Quantization, LVQ) dan jaringan Counter Propagation (CP). 5. Menjelaskan
jaringan tak
terbimbing
ART
(Adaptive
Resonans Theory)
yang
mengguguskan vector biner dan kontinyu. ; menjelaskan pemilihan unit gugus (cluster) setiap diberikan pola masukan, dan pengaturan bobot unit gugus tersebut menjadi eksemplar (vector sandi) bagi pola yang ditempatkan pada gugus tersebut. 6. Menjelaskan algoritma pelatihan jaringan perambatan balik yang terdiri atas tiga langkah : umpan maju pola pelatihan, perhitungan dan perambatan balik galat, pengaturan bobot; menjelaskan penurunan matematis algoritma pelatihan. 7. Menjelaskan formulasi dan parameterisasi himpunan fuzzy; menjelaskan operasi fuzzy; menjelaskan aturan fuzzy dan penalaran fuzzy. 8. Menjelaskan tiga sistem inferensi fuzzy ( Mamdani, Sugeno, dan Tsukamoto); menjelaskan tiga macam partisi ruang masukan (partisi grid, tree, dan scatter); menjelaskan pemodelan fuzzy. 9. Menjelaskan identifikasi parameter sysfem model linear dan statis (memoryless); menjelaskan teknik optimisasi berbasis derivatif dengan metode berbasis gradien untuk model neuro fuzzy nonlinear; menjelaskan optimisasi tanpa derivatifdengan algoritma genetik 10. Menjelaskan arsitektur ANFTS Sugeno dan Tsujcarnoto; menjelaskan algoritma pelatihan hybrid yang terdiri ats LSE dan penurunan gradient ; menjelaskan contohcontoh aplikasi ANFIS.
Universitas Gadjah Mada
3
Rencana Kegiatan Pembelajaran Mingguan (RKBM) Minggu ke 1
Topik (Pokok Bahasan)
Metode Pembelajaran
1. Pengantar Teknik Neuro Fuzzy 1.1 Jaringan neural biologis
Ceramah
1.2 Sifat Jaringan Neural
Menggunakan media
1.3 Aplikasi Jaringan Neural
OHP, papan tulis, notebook dan Infokus
2
2. Jaringan Neural Sederhana untuk Klasifikasi Pola
3
4
2.1 Pelatihan jaringan neural
Ceramah
2.2 Jaringan Flebb
Menggunakan media
2.3 Peceptron
OHP, papan tulis,
2.4 Adaline
notebook dan Infokus
3. Jaringan Asosiatif 3.1 Algoritma Pelatihan Asosiasi Pola
Ceramah
3.2 Jaringan Neural Heteroasosiatif
Menggunakan media
3.3 Jaringan Autoasosiatif
OHP, papan tulis,
3.4 Jaringan AsosiatifBidireksional
notebook dan Infokus
4. Jaringan Neural Berbasis Kompetisi 4.1 Jaringan Kompetitif Berbobot tetap
Ceramah
4.2 Pemetaan swaorganisasi Kohonen
Menggunakan media OHP, papan tulis, notebook dan Infokus
5
4.2 Kuantisasi Vektor Pelatihan
Ceramah
4.3 Jaringan Counter Propagation
Menggunakan media OHP, papan tulis, notebook dan Infokus
6
5. Jaringan ART 5.1 Motivasi, Dasar, Arsitektur dan
Ceramah
Menggunakan media
Operasi
OHP, papan tulis,
5.2 ART 1 7
notebook dan Infokus
5.4 ART 2
Ceramah
5.5 Tugas
Menggunakan media OHP, papan tulis, notebook dan Infokus
Universitas Gadjah Mada
4
Minggu ke 8
Topik (Pokok Bahasan)
Metode Pembelajaran
6. Jaringan Perambatan Balik (BP)
Ceramah
6.1 Arsitektur dan Algoritma
Menggunakan media
6.2 Variasi Jaringan BP
OHP, papan tulis, notebook dan Infokus
9
7. Teori Himpunan Fuzzy 7.1 Himpunan Fuzzy
Ceramah
Menggunakan media
7.2 Operasi Fuzzy
OHP, papan tulis, notebook dan Infokus
10
7.4 Aturan dan Penalaran Fuzzy
Ceramah
7.5 Pengendali Logika Fuzzy
Menggunakan media OHP, papan tulis, notebook dan Infokus
11
8. Inferensi Fuzzy 8.1 Model Fuzzy Mamdani
12
Ceramah
Menggunakan media
8.2 Model Fuzzy Sugeno
OHP, papan tulis,
8.3 Model Fuzzy Tsukamoto
notebook dan Infokus
9. Optimisasi 9.1 Metode LSE
Ceramah
Menggunakan media
9.2 Metode Derivatif
OHP, papan tulis, notebook dan Infokus
13
9.3 Metode Algoritma Genetik
Ceramah
9.4 Tugas
Menggunakan media OHP, papan tulis, notebook dan Infokus
14
10. ANFIS 10.1 Arsitektur ANFIS
Ceramah
Menggunakan media
10.2 Algoritma ANFIS
OHP, papan tulis,
10.3 Aplikasi ANFIS
notebook dan Infokus
PENJABARAN RKBM 1. Kuliah Minggu 1 Menjelaskan jaringan neural sebagai inspirasi dan jaringan neural biologis; menjelaskan perkembangan dan aplikasi arsitektur dan algoritma pelatihan jaringan neural; menjelaskan sejarah jaringan neural.
Universitas Gadjah Mada
5
2. Kuliah Minggu 2 Menjelaskan bagaimana jaringan neural dapat dilatih untuk klasifikasi pola; menjelas tiga metode pelatihan jaringan neural sederhana: aturan Hebb, aturan pelatihan Perceptron, dan aturan delta (digunakan oleh Widrow pada jaringan neural Adaline). 3. Kuliah Minggu 3 Menjelaskan bagaimana jaringan neural memori asosiatif dapat menyimpan sehimpunan asosiasi pola yang merupakan pasangan masukan-keluaran; menjelaskan dua metode pelatihan aturan Hebb dan aturan delta; menjelaskan arsitektur jaringan heteroasosiatif umpan maju dan autoasosiatif umpan maju.
4. Kuliah Minggu 4 Menjelaskan bentuk kompetisi yang ekstrim antar kelompok neuron yang disebut Winner Take All (Maxnet, Mexican Hat); menjelaskan pelatihan tak terbimbing (unsupervised) dengan mencari regularitas dalam data masukan misalnya pemetaan swaorganisasi (SOM) yang dikembangkan oleh Kohonen: menjelaskan jaringan 5. Kuliah Minggu 5 Menjelaskan jaringan pelatihan terbimbing dengan kuantisasi vektor pelatihan (Learning Vector Quantization, LVQ) dan jaringan Counter Propagation (CP).
6. Kuliah Minggu 6 Menjelaskan jaringan tak terbimbing ART 1 yang mengguguskan vector biner; menjelaskan pemilihan unit gugus (cluster) setiap diberikan pola masukan, dan pengaturan bobot unit gugus tersebut menjadi eksemplar (vektor sandi) bagi pola yang ditempatkan pads gugus tersebut. 7. Kuliah Minggu 7 Menjelaskan jaringan tak terbimbing ART 2 yang mengguguskan vektor kontinyu; menjelaskan pemilihan unit gugus (cluster) setiap diberikan pola masukan, dan pengauran bobot unit gugus tersebut menjadi eksemplar (vektor sandi) bagi pola yang ditempatkan pada gugus tersebut. (Tugas)
8. Kuliah Minggu 8 Menjelaskan algoritma pelatihan jaringan perambatan balik yang terdiri atas tiga langkah : umpan maju pola pelatihan, perhitungan dan perambatan balik galat, pengaturan bobot; menjelaskan penurunan matematis algoritma pelatihan. Universitas Gadjah Mada
6
9. Kuliah Minggu 9 Menjelaskan formulasi dan parameterisasi himpunan fuzzy; menjelaskan operasi fuzzy; menjelaskan aturan fuzzy dan penalaran fuzzy. 10. Kuliah Minggu 10 Menjelaskan aturan dan penalaran fuzzy ; menjelaskan pengendali logika fuzzy
11. Kuliah Minggu 11 Menjelaskan tiga sistem inferensi fuzzy ( Mamdani, Sugeno, dan Tsukamoto); menjelaskan tiga macam partisi ruang masukan (partisi grid, tree, dan scatter); menjelaskan pemodelan fuzzy. 12. Kuliah Minggu 12 Menjelaskan identifikasi parameter system model linear dan statis (memoryless); menjelaskan teknik optimisasi berbasis derivatif dengan metode berbasis gradien untuk model neuro fuzzy nonlinear; menjelaskan optimisasi tanpa derivatif dengan ritma genetik 13. Kuliah Minggu 13 Menjelaskan optimisasi tanpa derivatif dengan Algoritma Genetik: Tugas sistem Fuzzy
14. Minggu 14 Menjelaskan arsitektur ANFTS Sugeno dan Tsukamoto; menjelaskan algoritma pelatihan hybrid yang terdiri atas LSE dan penurunan gradient ; menjelaskan contohcontoh aplikasi ANFIS. EVALUASI 1. Pemahaman Janngan Neural 2. Pemahaman Logika Fuzzy 3. Pemahaman ANFIS 4. Hasil diskusi pertemuan terakhir
Universitas Gadjah Mada
7
BAHAN, SUMBER INFORMASI DAN REFERENSI 1. Chen C. H., 1996, Fuzzy Logic and Neural Network Handbook, Mc Graw Hill Inc 2. Chester M., 1993, Neural Networks, Prentice Hall, New Jersey. 3. Fausett L., 1994, Fundamentals of Neural Networks, Prentice Hall, Englewood Cliffs. 4. Jamshidi M., Nader V.,. Ross T. J., 1993, Fuzzy Logic and Control, Prentice Hall 5. Jang 3. S. R., Mizutani E., 1997, NeuroFuzzy and Soft Computing, Prentice Hall 6. Jun Yan, Ryan M., Power J., 1994, Using Fuzzy Logic, Prentice Hall N Y. 7. Kartalopoulos S. V., 1996, Understanding Neural Networks and Fuzzy Logic, IEEE Press, New York 8. Kung S. Y., 1993, Digital Neural Networks, Prentice Hall International, Inc. 9. Li-Xin Wang, 1994, Adaptive Fuzzy Systems and Control, Prentice Hall N.J. 10. Zeinberg M., 1991, Neural Networks in Artificial Intelligence, Simon & Schuster International Group.
Universitas Gadjah Mada
8