Forward selection untuk penentuan model radial basis function neural network (RBFNN) pada data time series

KHASANAH, Uswatun, Prof. Drs. H. Subanar, Ph.D

2008 | Tesis | S2 Matematika

RBFNN merupakan kelas yang besar dari model NN dimana jarak antara vektor input dan vektor prototype merupakan input fungsi aktivasi dari suatu unit tersembunyi (hidden unit). Fungsi aktivasi yang digunakan adalah fungsi basis Gaussian. Secara umum dari berbagai penelitian hanya sebatas membahas bagaimana mendapatkan model RBFNN yang sesuai untuk suatu data. Dalam tesis ini mempelajari prosedur secara umum untuk menentukan arsitektur optimal pada model RBFNN dengan menggunakan metode forward selection. Di dalam Forward selection setiap langkah melibatkan pertumbuhan network dengan satu fungsi basis. Penambahan fungsi basis mulai dihentikan ketika nilai SSE yang dimonitoring oleh kriteria seleksi (dalam tesis ini UEV) mulai naik.Jumlah fungsi basis itulah yang menunjukkan jumlah unit hidden. Selain jumlah unit hidden, dengan metode kuadrat terkecil diperoleh bobot optimal dari masing-masing unit hidden.

RBFNN is a big class of NN model in wich the distance between input vector and prototype vector is the activation function input from a hidden unit. Activation function used is Gaussian basis function.Generally, some research only discuss how to get RBFNN model which is fitted in a data. This thesis discusses the general procedure to determine the optimal architecture for RBFNN model by using forward selection method. In forward selectin every step covers the network growth with one basis function. The addition of basis function start to stop when the SSE value monitorizedby selection criteria ( in this thesis is UEV) starting to increase. Te amount of basis function shows the amount of hidden unit. Beside the amount of hidden unit, with the least square methode achieved optimal weight of each hidden unit.

Kata Kunci : NEural network,Radial basis function neural network, Neural Network,Radial basis function neural networks, forward selection, leats square method, K-Means cluster