Jaringan Fungsi Basis Radial

Jaringan Fungsi Basis Radial merupakan salah satu model feed forward neural network. Jaringan Fungsi Basis Radial dikenalkan oleh Broomhead dan Lowe, dengan penerapan utamanya pada fungsi perkiraan dan prediksi data time series, seperti penggunaan dalam klasifikasi dan klustering.


Struktur Dasar Jaringan Fungsi Basis Radial


Jaringan Fungsi Basis Radial disusun oleh 3 layer, yaitu input, hidden layer, dan output layer. Strukur dasar Jaringan Fungsi Basis Radial dapat dilihat pada gambar dibawah ini.




pada artikel ini input layer menerima masukan dari keluaran PCA yang berjumlah 180 neuron yang dilambangkan dengan X. 180 neuron tersebut diteruskan ke layer berikutnya yaitu hidden layer yang dilambangkan dengan . Terdapat 30 node pada hidden layer dimana jumlah node tersebut menyatakan jumlah kelas yang diinginkan saat pengklasifikasian data latih. Jaringan Fungsi Basis Radial tidak memproses data masukan pada layer input, tetapi inputan tersebut diteruskan sebagai masukan fungsi Basis Radial pada hidden layer. Fungsi gaussian merupakan salah satu fungsi Basis Radial yang memberikan hasil terbaik dalam pengenalan pola,




µi = fungsi gaussian neuron ke-i

x(t) = inputan

ci = center vektor neuron ke-i

r = radius

Terdapat beberapa pendekatan dalam mendapatkan nilai center dari tiap cluster, yaitu :



· Semua data masukan : salah satu cara yang mudah dalam memilih nilai center pada fungsi basis radial adalah dengan estimasi menggunakan data itu sendiri.


 Data Latih Random : yakni dengan cara memilih data latih secara acak dan menetapkannya sebagai nilai center.



 Menggunakan K-means Clustering.


Pada artikel ini digunakan pendekatan pertama untuk memilih nilai center dengan radius = 1

Untuk mendapatkn bobot dari fungsi basis radial ini digunakan metode least square, dengan persamaan sebagai berikut :










Pada persamaan ini y adalah nilai keluaran dari jaringan fungsi basis radial. W adalah bobot, awalnya bernilai sama dengan keluaran yang diinginkan. Kemudian didapat nilai error dengan mengurangkan nilai keluaran yang diinginkan dengan nilai keluaran aktual. Untuk mendapatkan error yang minimal, maka dilakukan pendekatan dengan persamaan berikut :







d = keluaran yang diinginkan