PENERAPAN PARTIAL LEAST SQUARES REGRESSION PADA MODEL FUZZY NEURAL NETWORK

Havid Risyanto, Prof. Drs. Subanar, Ph.D.

2013 | Tesis | S2 Matematika

Dalam pembentukan model hubungan antara variabel respon dan variabel prediktor biasanya harus memenuhi asumsi-asumsi yang ketat seperti normalitas data, jumlah data yang banyak, dan tidak ada multikolinearitas. Partial Least Squares Regression adalah suatu metode multivariate yang powerfull dan merupakan salah satu metode pendekatan terbaik dalam pembentukan model tersebut yang tidak harus memenuhi asumsi yang ketat. Selain dapat menyelesaikan masalah prediksi, Partial Least Squares Regression juga dapat digunakan untuk membantu metode Fuzzy Neural Network dalam memberikan hasil yang maksimum dalam performa prediksi. Dalam tesis ini, proses perhitungan model Fuzzy Neural Network dilakukan menggunakan variabel masukan (input) berupa komponenkomponen utama Partial Least Squares Regression yang dihasilkan dari proses mengekstrak variabel-variabel prediktor menggunakan algoritma NIPALS, sehingga dapat menyederhanakan banyaknya aturan fuzzy yang digunakan dalam sistem inferensi fuzzy dan juga dapat mengoptimalkan performa prediksi. Namun untuk mengetahui performa prediksi yang terbaik dan terakurat dilakukan perbandingan antara ke dua metode tersebut, yang hasilnya metode Fuzzy Neural Network memberikan hasil prediksi yang lebih akurat sehingga dapat dijadikan sebagai salah satu alternatif pilihan terbaik untuk melakukan prediksi.

In modeling the relationship between the response variable and the predictor variables usually must meet strict assumptions such as the normality of the data, the amount of data that a lot, and no multicollinearity. Partial Least Squares Regression is a powerfull multivariate method and is one of the best approach in the creation of a model that does not have to meet the strict assumptions. Besides being able to solve the problem of prediction, Partial Least Squares Regression can also be used to assist the method of Fuzzy Neural Network to provide maximum results in performance prediction. In this thesis, the model calculations performed using Fuzzy Neural Network input variables (input) form the major components of Partial Least Squares Regression extract resulting from the predictor variables using NIPALS algorithm, so as to simplify the number of fuzzy rules used in the fuzzy inference system and can also optimize the performance prediction. But to know the performance of the best and most accurate predictions were compared between the two methods, which result Fuzzy Neural Network method gives results more accurate predictions that can be used as one of the best alternatives to make predictions.

Kata Kunci : Partial Least Squares Regression, Fuzzy Neural Network, algoritma Backpropagation, sistem inferensi fuzzy