Algoritma jaringan syaraf tiruan Hopfield untuk prakiraan cuaca di Wilayah Malang

INDONESIA :

Penelitian ini bertujuan untuk mengetahui nilai fungsi satlins (symetric saturating linear) jaringan Hopfield pada prakiraan cuaca dan mengetahui model algoritma jaringan syraf tiruan Hopfield pada prakiraan cuaca.

Jaringan syaraf tiruan merupakan sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel syaraf biologis di dalam otak, yang merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba menstimulasi proses pembelajaran pada otak manusia tersebut. Jaringan syaraf tiruan dapat digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi non linear, klasifikasi dan cluster, dan regresi non parametrik atau sebuah simulasi dari koleksi model syaraf biologi. Jaringan Hopfield merupakan suatu metode jaringan syaraf tiruan yang terhubung penuh (fully connected), yaitu bahwa setiap unit terhubung dengan unit lainnya. Jaringan ini memiliki bobot-bobot yang simetris. Pada jaringan Hopfield, setiap unit tidak memiliki hubungan dengan dirinya sendiri, dengan demikian nilai bobot matrik model Hopfield memakai bobot matrik berdiagonal nol (0). Unsur-unsur adalah faktor terpenting dalam pengamatan prakiraan cuaca antara lain kecepatan angin, suhu udara, kelembaban udara dan tekanan udara. Pada jaringan Hopfield, neuron input yang digunakan adalah unsur-unsur cuaca tersebut yang diubah dalam bentuk fungsi satlins (symetric saturating linear) diproses sampai mencapai stabil/konvergen dengan fungsi aktivasi bipolar threshold.

Berdasarkan hasil penelitian fungsi satlins (symetric saturating linear) didapatkan berdasarkan nilai-nilai dari keempat unsur cuaca tersebut. Model jaringan yang optimal adalah model jaringan dengan empat neuron input yang terhubung dengan bobot-bobot lapisan yang simetris dan dua nilai output jaringan, yaitu kriteria cerah dengan nilai [-1 1 -1 1] dan kriteria hujan dengan nilai [1 -1 1 -1].

ENGLISH:

This study aims to determine the value of the function satlins (symetric linear saturating) the Hopfield network on the weather forecasting and identify model Hopfield neural network algorithm on the weather forecast.

Artificial neural networks are computing systems in which the architecture and operation inspired from the knowledge of biological nerve cells in the brain, which is one of the artificial representation of the human brain that is always trying to stimulate the learning process in the human brain. Neural network can be described as a mathematical and computational model for non- linear function approximation, classification and cluster and non- parametric regression or a simulation of a collection of biological neural models. Hopfield network is a neural network that is fully connected, namely that each unit is connected to the other units. These networks have symmetric weights. In the Hopfield network, each unit does not have a relationship with itself, thus the value of the weight matrix Hopfield models using diagonal matrix weighting of zero (0). The elements are the most important factor in weather observations include wind speed, air temperature, air humidity and air pressure. In neurons Hopfield network inputs are the elements of the weather that is converted into function satlins (symetric saturating linear) processed to achieve a stable/convergent with bipolar threshold activation function.

Based on the research results function satlins (symetric saturating linear) obtained based on the values of the four elements of the weather. Optimal network model is a network model with four input neurons are connected with weights and two symmetrical layers of network output value, which is criteria of bright with value [-1 1 -1 1] and the criteria of the rain with the value [1 -1 1 - 1].