Part5# Scribs / Sintaksis Matlab Metode Back Propagation: Fungsi Aktivasi 'tansig', 'tansig', 'tansig', 'purelin'

Salah satu cabang dari Articfiial Intelligence (AI) adalah Artificial Neural Network (ANN) atau Jaringan Syaraf Tiruan (JST). Kemudian salah satu metode dari ANN adalah Back Propagation. Metode ini merupakan multilayer inputan data dengan ukuran matrik m x n. Di Matlab sudah disediakan NNTools untuk ANN sebagai media prediksi data (training dan testing). Berikut adalah scribs atau sintaksis yang digunakan untuk prediksi data time series menggunakan Back Propagation.

Catatan: 

• Arsitektur ini menggunakan 4 layer: layer input, layar hidden 1, layar hidden 2, dan layar output. 
• Fungsi aktivasi: 'tansig', 'tansig', 'tansig', 'tansig'

        a1=str2double(get(handles.edit1,'String'));

        a2=str2double(get(handles.edit2,'String'));

        a3=str2double(get(handles.edit3,'String'));

        a4=str2double(get(handles.edit4,'String'));

        a5=str2double(get(handles.edit6,'String'));

        a6=str2double(get(handles.edit7,'String'));

        a7=str2double(get(handles.edit8,'String'));

        a8=str2double(get(handles.edit9,'String'));

        a9=get(handles.edit5,'String');

        a=get(handles.uitable1,'Data');

        [m,n]=size(a)

        b=a(1,:);

        for i=2:m

            b=[b a(i,:)];

        end

        [r,s]=size(b)

        set(handles.listbox1,'UserData',b);

        set(handles.listbox1,'string',num2str(b));

        %Menyusun Data 

        pola=b(1:n+1);

        for i=2:(m-1).*n

            pola=[pola;b(i:i+n)];

        end

        %Normalisasi Data

        c=((0.8.*(pola-min(b)))./(max(b)-min(b)))+0.1;

        %Data Pembelajaran

        x=c(1:(m-1).*n,1:n);

        %Target Data

        t=c(:,n+1);

        %Membangun jaringan syaraf feedforwd

        net=newff(minmax(x'),[a1 a2 a3 a4],{'tansig' 'tansig' 'tansig' 'purelin'},a9)

        %Set max epoch, goal, learning rate, show step

        net.trainParam.epochs=a5;

        net.trainParam.goal=a6;

        %net.trainParam.max_perf_inc=1.04;

        net.trainParam.lr=a7;

        net.trainParam.lr_inc=1.05;

        net.trainParam.lr_dec=0.7;

        net.trainParam.mc=0.9;

        net.trainParam.show=a8;

        %melakukan peembelajaran

        net=train(net,x',t')

        %melihat bobot-bobot awal input,lapisan, dan bias

        [k,l]=size(x)

        W1=[net.IW{1,1} net.b{1,1}];

        Z1=1./(1+exp(-([x ones(k,1)]*W1')));

        W2=[net.LW{2,1} net.b{2,1}];

        Z2=1./(1+exp(-([Z1 ones(k,1)]*W2')));

        W3=[net.LW{3,2} net.b{3,1}];

        Z3=1./(1+exp(-([Z2 ones(k,1)]*W3')));

        W4=[net.LW{4,3} net.b{4,1}];

        Z4=1./(1+exp(-([Z3 ones(k,1)]*W4'))) %Z4 merupakan data pembelajaran terhadap data aktual

        %prediksi

        for i=1:n

            [p,q]=size(c)

            y0=c(p,2:q)

            y1=logsig([y0 1]*W1');

            y2=logsig([y1 1]*W2');

            y3=logsig([y2 1]*W3');

            y4=logsig([y3 1]*W4');

            Z4=[Z4;y4];  % data pembelajaran dan prediksi

            c=[c;[y0 y4]];

        end

        Z4

        %Normalisasi data Prediksi

        H=((Z4-0.1).*(max(b)-min(b))./0.8)+min(b)

        [u,v]=size(H);

        b1=b';

        [a4,b4]=size(b1);

        %Data prediksi

        P=H((((m-1).*n)+1):u,1)

        %Evaluasi Jaringan

        ME=sum((b1(n+1:(m.*n))-H(1:((m-1).*n)))./((m-1).*n));

        MSE=sum(((b1(n+1:(m.*n))-H(1:((m-1).*n))).^2)./((m-1).*n));

        MDA=sum((abs(b1(n+1:(m.*n))-H(1:((m-1).*n))))./((m-1).*n));

        RMSE=sqrt(MSE);

        PE=((b1(n+1:(m.*n))-H(1:((m-1).*n)))./b1(n+1:(m.*n)))*100 

        MPE=sum(PE./(m-1).*n);

        MAPE=sum(abs(PE./((m-1).*n)));

        set(handles.uitable2,'Data',P)

        set(handles.edit10,'string',ME)

        set(handles.edit11,'string',MSE)

        set(handles.edit12,'string',MDA)

        set(handles.edit13,'string',RMSE)

        set(handles.edit14,'string',MPE)

        set(handles.edit15,'string',MAPE)

        figure(4)

        title('Grafik Prediksi Curah Hujan')

        plot([1:((m.*n))],b(1,1:(r.*s)),'-o')

        hold on

        plot([n+1:((m.*n)+n)],H(1:(u.*v),1),'-*r')

        title('Forecasting Charts, Actual Data (o), Approach Data and Prediction (*)');

        grid on;