Wednesday, February 1, 2023

 EXTREME LEARNING MACHINE ( ELM) 

1. Pengertian Extreme Learning Machine (ELM) 

Extreme Learning Machine Merupakan Metode Pembelajaran baru dari Jaringan Syaraf Tiruan yang diperkenalkan oleh Huang Pada Tahun 2004. ELM biasa dikenal dengan Single Hidden Layer Feedforward neural Networks (SLFNs) karena merupakan metode pengembangan jaringan syaraf tiruan feedforward sederhana. Dalam ELM bobot masukkan dan bias ditentukan secara acak dalam rentang nilai tertentu, Sedangkan pada jaringan feedforward nilai bobot masukkan dan bias ditentukan secara manual. Pada arsitektur ELM terdapat satu hidden layer yang merupakan ciri khas dari algoritma ELM. ELM mempunyai beberapa kelebihan dibandingkan dengan metode SLFNs terdahulu yaitu:

a)        ELM tidak perlu melakukan proses iterasi sebagaimana yang diperlukan dalam metode SLFNs konvesional, sehingga memiliki kecepatan belajar yang jauh lebih baik.

b)        Dapat menggunakan fungsi aktivasi yang tidak terdiferensiasi. Secara umum struktur ELM dapat dilihat pada Gambar dibawah ini:


2.  Algoritma Extreme Learning Machine (ELM)

Dalam ELM ada 2 proses yang dilakukan yaitu proses pelatihan dan proses pengujian terhadap data. Sebelum masuk pada  proses pelatihan data, data masukkan dinormalisasikan terlebih dahulu dalam rentang nilai 0 sampai 1. Normalisasi data menggunakan Min-Max Normalization dengan Persamaan 3:                                               

  1. Dimana:
  2. x’             = data penelitian yang dinormalisasi
  3. x              = nilai data asli atau data awal
  4. x_max   = nilai terbesar data asli
  5. x-min      = nilai terkecil data asli

A. proses Training (Pelatihan)

Proses training bertujuan agar bisa mendapatkan output weight optimal atau yang memiliki tingkat kesalahan yang rendah. Adapun proses yang dilakukan yaitu: 



B. Proses Testing (Pengujian)
Setelah proses training, diperoleh output weight yang optimal dari jaringan syaraf tiruan metode ELM. Proses testing bertujuan untuk mengevaluasi potensi metode ELM ke dalam prediksi. Adapun proses yang dilakukan yaitu:


Catatan : Inisialisasi Input Weight dan Bias Dapat Menggunakan Inisialisasi lainnya dapat                          cari sumber di Google. untuk yang di gunakan disini inisialisasi Xavier. 



 






Previous Post
Next Post