INVESTIGASI KOMPUTASIONAL METODE LU, QR, SVD, DAN LMS DALAM PENENTUAN BOBOT CMAC

Abstract

Penentuan bobot merupakan salah satu tahap penting dalam implementasi Cerebellar Model Articulation Controller (CMAC), karena bobot menentukan keluaran yang dihasilkan berdasarkan pola masukan yang diberikan. Berbagai pendekatan dapat digunakan untuk memperoleh bobot CMAC, baik melalui penyelesaian sistem persamaan secara langsung maupun melalui pembelajaran iteratif. Penelitian ini bertujuan melakukan investigasi komputasional terhadap karakteristik solusi bobot CMAC yang diperoleh menggunakan metode LU, QR, Singular Value Decomposition (SVD), dan Least Mean Square (LMS). Eksperimen dilakukan menggunakan aplikasi demonstrasi berbasis Delphi 7 pada dataset citra sekuensial berukuran 40 × 32 piksel dengan 20 bingkai sehingga diperoleh 25.600 data. Struktur CMAC menggunakan generalisasi (G=5) dan displacement vector ([1,2,4]), menghasilkan 1.529 bobot. Metode LMS menggunakan parameter (µ=0,02). Perbandingan solusi dilakukan berdasarkan norma perbedaan vektor bobot terhadap solusi SVD dan Mean Squared Error (MSE) keluaran CMAC. Hasil menunjukkan bahwa norma perbedaan solusi LU, QR, dan LMS terhadap SVD masing-masing sebesar 2302,983421, 980,6251922, dan 38,91992 pada epoch ke-8047. Sementara itu, MSE SVD, LU, QR, dan LMS masing-masing sebesar 189,06238163, 189,06238877, 189,06238159, dan 193,61979177. Proses pembelajaran LMS menurunkan MSE dari 14.699,23164062 menjadi 193,61979177 atau sekitar 98,68%. Hasil investigasi menunjukkan bahwa kedekatan vektor bobot terhadap solusi SVD tidak selalu berbanding langsung dengan performa keluaran CMAC berdasarkan MSE. Pada epoch ke-8047, LMS menghasilkan vektor bobot yang paling dekat terhadap SVD, sedangkan LU, QR, dan SVD menghasilkan MSE yang hampir identik. Temuan ini menunjukkan bahwa norma vektor dan MSE memberikan dua perspektif evaluasi yang berbeda dalam membandingkan solusi bobot CMAC.