Professional Documents
Culture Documents
2
disebut dengan mekanisme Reset. Lapisan naskah ini akan digunakan JST ART-1 yang
F1 terdiri atas dua bagian : bagian masukan beroperasi pada domain digital 0 dan 1 untuk
dan bagian antarmuka (interface). Bagian implementasi pada perangkat digital FPGA.
antarmuka mengkombinasikan sinyal-sinyal
dari bagian masukan dan lapisan F2 , yang B. Arsitektur Jaringan
nantinya digunakan dalam membandingkan Arsitektur JST-ART1 terdiri dari dua bagian,
kemiripan sinyal masukan dengan vektor yaitu unit-unit komputasional dan unit-unit
bobot untuk unit cluster yang telah dipilih pelengkap (suplemental).
sebagai calon yang diperbolehkan untuk
mempelajari pola masukan yang dimasukkan. 1) Unit-unit Komputasional. Unit
Untuk memudahkan pemahaman, pada
komputasional terdiri dari lapisan F1 (bagian
lapisan F1 , bagian masukan diberi notasi
masukan dan antarmuka), lapisan F2 , dan
F1 ( a ) dan bagian antarmuka diberi notasi
unit reset. Setiap unit di dalam lapisan
F1 ( b ) . masukan, F1 ( a ) , dihubungkan ke setiap unit
di dalam lapisan antarmuka, F1 ( b ) , yang
Untuk mengontrol kemiripan pola-pola agar
ditempatkan pada cluster yang sama, terdapat berkaitan. Setiap unit di dalam lapisan
dua buah jalur masing-masing bersama F1 ( a ) dan F1 ( b ) dihubungkan ke unit
dengan bobot-bobotnya, di antara setiap unit reset yang untuk selanjutnya dihubungkan ke
di dalam bagian antarmuka lapisan masukan setiap unit di lapisan F2 . Setiap unit di
dengan setiap unit cluster. Unit-unit ke- i
dalam lapisan F1 ( b ) dihubungkan ke setiap
lapisan F1 dihubungkan ke unit-unit ke- j
lapisan F2 oleh bobot-bobot bottom-up, bij , unit di dalam lapisan F2 oleh dua jalur
bobot. Unit X i di dalam lapisan F1 ( b )
sedangkan unit-unit ke- j lapisan F2
dihubungkan ke unit-unit ke- i lapisan F1 dihubungkan ke unit Y j lapisan F2 oleh
oleh bobot-bobot top-down, t ji . Lapisan F2 bobot-bobot bottom-up, bij . Sedangkan unit
adalah lapisan kompetitif, artinya unit cluster Y j pada lapisan F2 dihubungkan ke unit
dengan jumlah masukan terbesar menjadi X i pada lapisan F1 ( b ) oleh bobot-bobot
calon kuat yang diperbolehkan mempelajari
pola masukan. Aktivasi semua unit lapisan top-down, t ji . Lapisan F2 adalah lapisan
F2 dibuat nol. Unit-unit antarmuka kompetitif dan hanya simpul yang
selanjutnya mengkombinasikan informasi mempunyai nilai net masukan yang terbesar
dari unit masukan dan unit cluster. Suatu yang mempunyai aktivasi yang tidak sama
unit cluster diperbolehkan mempelajari pola dengan nol.
masukan tergantung kepada kemiripan vektor
top-down-nya dengan vektor masukan. Hal
ini diatur oleh unit reset berdasarkan pada
sinyal-sinyal yang diterimanya dari bagian
masukan F1 ( a ) dan bagian antarmuka
F1 ( b ) pada lapisan F1 . Jika unit cluster
tersebut tidak diperbolehkan untuk
mempelajari pola masukan yang masuk, ia
dinon-aktifkan dan satu unit cluster baru
dipilih sebagai calon kuat lainnya.
3
2) Unit-unit Pelengkap (Suplemental). • Tahap 6
Unit-unit pelengkap menyediakan suatu
mekanisme sehingga komputasi yang o Untuk setiap simpul F2 yang tidak
dilakukan oleh algoritma ART1 dapat dihambat :
dilaksanakan dengan menggunakan prinsip- Jika y j ≥ −1 , maka
prinsip JST. Unit-unit tersebut disebut juga
dengan unit-unit Gain Control, G1 dan G2 . yj = ∑b x ij i
Arsitektur JST-ART1 selengkapnya i
diperlihatkan pada Gambar 1. • Tahap 7
• Tahap 3 • Tahap 11
• Tahap 12
• Tahap 5
o Perbaharui bobot-bobot untuk simpul
o Kirim sinyal masukan dari F1 ( a ) ke J :
F1 ( b ) . Lxi
bij ( baru ) =
x i = si . L−1+ x
4
t ji ( baru ) = xi .
• Tahap
p 13
III. FIEL
LD PROGRAMMMABLE GAT
TE
ARRAY (FPGA)
A. nsep Dasar
Kon
Gambar 2. F
FPGA dengan 4-LUT
4 dimana
FPGA adaalah suatu array unit-unit T mempunyai 3 input dan 1
setiap LUT
pengolahan bit yangg fungsi and output[14].
interkoneksinnya dapat diprogram
d settelah
fabrikasi. Seebagian besar tradisional FP PGA
menggunakaan Lookup Taable (LUT) kkecil IV. EVOLVA
ABLE RECON
NFIGURABLE
E
untuk melayani elemen-eleemen HARDWARE
E
komputasionnal terprogram m. LUT-LUT ini
dihubungkan n (wired) satu u dengan lainnnya A.
A Evolvabble dan Reconfigurabble
melalui suatuu interkoneksii terprogram yyang Hardware
H
cukup memaakan tempat dii setiap sel FP PGA.
Pada um
mumnya peerangkat-peranngkat Di
D dalam definnisinya, EHW adalah
a perangkkat
komersial menggunakan
m 4 LUT kaarena keras
k yang ddapat merubaah arsitekturnnya
menghemat tempat [14]. FPGA ddapat secara
s dinamiss dan mandirii seiring denggan
diprogram paada tiga level yang
y berbeda yyakni perubahan
p linggkungannya [17]. RCHW paada
fungsi dari sel-sel atauu gerbang (ggate) dasarnya
d adaalah perangkaat keras yanng
logikanya, innterkoneksi anttara sel-selnyaa dan berbasiskan
b pada logika-logiika
input dan ouutput-nya. Kettiga level terssebut terkonfigurasi.
t Kedua tipe perangkat kerras
dikonfigurasii melalui satu urutan (stringg) bit tersebut
t diimpplementasikan pada perangkkat
yang dimasuukkan dari suumber luar. Biit-bit yang
y sama yakkni FPGA. Perrbedaan tegas di
konfigurasi ini keemudian akan antara
a keduanyya adalah EHW W menggunakkan
memberitahuukan kepada setiap sel atau konsep
k evolussi untuk menndapatkan suaatu
gerbang daan interkonek ksinya bagaim mana perangkat
p keraas yang optim mal untuk suaatu
harus bertinggkah laku. Konfigurasi ini ddapat aplikasi
a atau ooptimisasi, seddangkan RCH HW
dilakukan beberapa
b kali hingga diperroleh menggunakan
m prosedur staandar di dalaam
suatu rangk kaian seperti yang diharappkan. perancangan
p ssuatu perangkkat keras untuuk
Oleh sebab itu, FPGA dikatakan sebbagai aplikasi
a tertentuu.
device yang reconfigurable
r e [13].
Sifat reconfi
figurable ini memberikan
m saarana
yang sangat tepat uuntuk
mengimplem mentasikan JS ST ART yyang
memiliki kaarakteristik addaptif atau ddapat
merekonstrukksi arsitektur jaringannya
j seecara
mandiri. P
Perubahan arsitektur akan
berdampak pada penambahan atau
pengurangann cluster seiring denngan
penambahan atau pengurrangan pola yyang
telah diajarkaan padanya.
Gambar 3. Bidang EHW muncul dari
pertemuan tiga ilmu penggetahuan [4].
5
Gambar 4. Kerangka umum EA.
6
Gam
mbar 6. Algorittma pengevoluusian perangkatt keras.
7
Gambar 8. Mekanisme
M evollusi EHW [7].
akan menyelesaikan
m perancanngan hardware
h secaara langsung. Oleh
O karena ittu,
rangkaiannyaa. Satu populasi yyang perancang
p hharus mengeetahui perilakku
merepresentaasikan rangkaaian dibangkiitkan rangkaian
r yangg tepat pada lin
ngkunga dimaana
secara acak. Tingkah lakuu setiap rangkkaian ia akan diaplikaasikan.
dievaluasi dan ranngkaian terrbaik
dikombinasik kan untuk menndapatkan generasi EHW
E dapat diikategorikan berdasarkan
b paada
baru dan dihharapkan menjaadi rangkaian yyang lokasi simulassi, ekstrinsik dan instrinsiik.
lebih baik daari pendahulunyya. Setelah meelalui EHW
E ekstrinnsik mensimuulasikan prosses
serangkaian iterasi, rangkkaian yang paaling evolusi
e padaa software dan hannya
layak (fitteest) akan bertingkah laku memasukkan
m konfigurasi terbaik kepaada
sebagaimanaa spesifikasi aw wal yang diberrikan hardware
h padda setiap generasi.
g EH
HW
padanya. Prroses ini daapat dilihat ppada intrinsik langsuung melakukann proses evoluusi
Gambar 7. Bagiaan yang saangat di
d dalam harddware yakni setiap kromosoom
membutuhkaan komputasi di dalam GA digunakan
d untuuk merekonfig gurasi hardwaare
adalah evaluuasi setiap ranggkaian atau dissebut atau
a dengan kata lain, hardware akkan
dengan kom mputasi nilai fitness.
f Prosess ini dikonfigurasi
d ssebanyak jumlaah populasi paada
melibatkan pemasukan data ke seetiap setiap
s generasi. Mode ini daapat juga disebbut
rangkaian dan penghituungan kesalahan dengan
d mengevvolusikan harddware secara of off-
karena deviasi dari ouutput yang ttelah line
l EHW (OF FL) dan on-lin
ne EHW (ONL L).
dispesifikasikkan. Proses
P ini dipreesentasikan pad
da Gambar 8.
me Evolusi Haardware
D. Mekanism V. SELF-ORGA
ANIZING
HARDWAREE
Masih ada beda
b pendapat mengenai E EHW
yakni masih adanya ketidak yakinan prroses Telah
T disingggung pada Bagian I bahw wa
evolusi pada harrdware y
yakni menggabungka
m an teknologi JST dan EH HW
mengevolusikan ranngkaian atau akan
a memunnculkan isu-issu baru yanng
mengevolusikan perilaaku rangkaaian. menarik
m yakni mengapa harrus digabungkkan
Mengevolusiikan hardware sangat kkecil padahal
p merekka telah memmpunyai domaain
kemungkinannnya karena akan berdam mpak masing-masing
m g dan sudah banyak JST yanng
fatal bagi hardware
h itu sendiri, sehinngga telah
t di-hardwware-kan. Lalu dimana sisi
yang dievaluuasi adalah perilaku rangkaaian. menariknya
m ?
Dengan kataa lain, EHW dapat dipanddang
dekatan evolusii dalam merancang
sebagai pend Dalam
D suatu pperancangan raangkaian setellah
perilaku harrdware dan bukan merancang ia selesai diranncang dan kem
mudian ditransffer
8
ke bentuk hardware-nya, ia akan melakukan perbedaan pola yang tipis ini dapat
fungsi sebagaimana requirement yang berdampak fatal bagi proses selanjutnya.
diberikan kepadanya. Bila pada suatu ketika Oleh karena itu pada fase pengenalan JST
paska produksi ditemukan bahwa terdapat ART1 harus tetap mampu menerima pola
requirement yang belum dipenuhi atau input baru yang belum pernah dikenalnya dan
diperlukan pengembangan lebih lanjut, dapat menciptakan cluster baru untuk pola tersebut.
dibayangkan betapa besar upaya yang Untuk dapat memenuhi kebutuhan ini
dilakukan untuk mengatasi hal ini terlebih diperlukan hardware yang mampu
bila produk tersebut dalam bentuk mengadaptasi perubahan arsitektur jaringan
Application Specific Integrated Circuits JST ini.
(ASICs). EHW memberikan satu solusi
untuk mengatasi permasalahan tersebut 2) EHW. Pada dasarnya karakteristik
khususnya untuk produk-produk paska utama EHW adalah “kecerdasannya” dalam
produksi dan salah satu diantaranya adalah merespon perubahan lingkungan dengan cara
produk-produk rangkaian berbasiskan pada memodifikasi arsitektur dan perilakunya
JST. Oleh karena itu konsep SOHW ini secara mandiri dengan mengadopsi konsep
diharapkan memberikan alternatif lain untuk evolusi alami atau evolvable. Dengan
mengimplementasikan JST ke hardware. kemampuannya dalam berevolusi ini
Namun untuk menggabungkan kedua rangkaian berbasis EHW dapat
teknologi tersebut agar menjadi SOHW yang direkonfigurasi berulang kali yang pada
saling melengkapi, diperlukan pemahaman akhirnya akan diperoleh rangkaian terbaik
terhadap karakteristik keduanya dan yang telah memenuhi requirement
bagaimana konsep evolusi hardware selaras sebagaimana dispesifikasikan sebelum proses
dengan evolusi JST pada fase pelatihan dan pembangunan rangkaian dimulai.
fase pengenalan.
Sebagaimana disampaikan pada Bagian IV,
A. Karakteristik JST ART1 dan EHW bagian yang sangat membutuhkan komputasi
tinggi di dalam GA adalah evaluasi setiap
1) ART1. Telah disampaikan pada rangkaian untuk memperoleh nilai fitness.
bagian sebelumnya bahwa sifat JST adalah Ukuran fitness menentukan apa yang harus
adaptif yakni mampu merespon perubahan dikerjakan dan merupakan mekanisme untuk
lingkungannya dengan dinamis dengan cara berkomunikasi dengan requirement pada
memodifikasi bobotbobot sambungannya, level yang lebih tinggi. Oleh karena itu
arsitekturnya atau aturan pembelajarannya. diperlukan modifikasi algoritma JST ART1
JST melakukan respon dengan melakukan agar ia dapat diimplementasikan dengan
perubahan topologi dengan menambah atau mudah ke hardware dan menghasilkan
mengurangi cluster kategori pola yang pemetaan input-ouput yang lebih sederhana
dipelajarinya dengan mekanisme winner- untuk meminimalkan waktu dalam proses
takes-all. Proses perubahan topologi ini evolusi di dalam EHW.
dilakukan secara otomatis tanpa adanya
intervensi dari manusia sehingga dapat B. Cara Kerja SOHW
dikatakan JST ART1 melakukan self-
organizing pada dirinya sendiri agar jumlah Dengan memanfaatkan karakteristik kedua
cluster selaras dengan jumlah pola yang teknologi tersebut di atas, SOHW dapat
dikenalnya. ditinjau dari dua perspektif yakni evolusi
penuh dan evolusi tidak penuh dengan
Pada fase pengenalan, JST ART melakukan kelebihan dan kekurangan masing-masing.
proses pengenalan pola secara langsung atau
on-line dan bila ada pola baru yang belum 1) Evolusi Tidak Penuh. Pada
pernah ia kenal, pola tersebut akan perspektif evolusi tidak penuh, ART1 dan
“dipaksakan” masuk ke dalam salah satu EHW melakukan proses evolusi baik pada
kategori yang telah dikenalnya. Oleh karena fase pelatihan maupun pada fase pengenalan.
itu pada fase pengenalan, nilai parameter Pada fase pelatihan, ART1 akan melakukan
vigilance diturunkan di bawah 1 agar JST proses pengenalan pola dan
ART tidak begitu sensitif terhadap perbedaan mengelompokkannya ke dalam cluster yang
pola yang tipis. Dalam aplikasi kritis berbeda berdasarkan karakteristik pola-pola
9
tersebut. Setelah fase pelatihan selesai, proses pembelajaran ulang untuk membentuk
dilakukan ekstraksi pemetaan input-output cluster baru untuk pola tersebut. Peta input-
ART1 dan selanjutnya dikirimkan ke GA output yang baru kemudian dikirimkan ke
untuk melakukan proses sintesa rangkaian. GA untuk disintesa mendapatkan konfigurasi
Setelah rangkaian terbaik diperoleh, bit baru. Konfigurasi baru ini kemudian
konfigurasi ini kemudian disalinkan ke dalam disalinkan ke FPGA untuk membentuk
FPGA menjadi bentuk hardware. rangkaian baru. Proses yang sama akan
berulang bila ditemukan pola baru.
Persyaratan utama di sini adalah parameter
vigilance ߩ harus diatur sama dengan 1.
Mekanisme ini lebih menekankan pada mode
operasi EHW off-line atau ekstrinsik karena
evolusi dilakukan dengan bantuan software
dan hanya keturunan dengan konfigurasi
rangkaian terbaik yang akan disalinkan pada
FPGA. Proses ini dipresentasikan pada
Gambar 9.
Gambar 9. Mode evolusi tidak penuh SOHW. Gambar 10. (a) Algoritma ART1m.
Pada fase pengenalan, bila ART1 2) Evolusi Penuh. Pada mekanisme ini,
memperoleh pola input yang belum pernah ART1 dan EHW melakukan proses evolusi
dikenalnya maka ART1 harus melakukan baik pada fase pelatihan maupun pada fase
pengenalan untuk menghasilkan rangkaian
10
terbaik. Perbedaan penting dengan C. Keterbatasan
mekanisme evolusi penuh adalah pada fase
pengenalan hanya EHW yang melakukan Adaptasi on-line mensyaratkan bahwa EHW
proses evolusi untuk merekonfigurasi mampu merubah arsitektur rangkaiannya
rangkaiannya menyesuaikan dengan pola ketika beroperasi pada lingkungan nyata. Di
baru yang belum dikenal pada fase pelatihan. samping itu, adaptasi on-line juga merupakan
Artinya EHW yang melakukan pengenalan proses incremental sehingga EHW harus
sebagai backup ketika ART1 gagal mampu menyimpan informasi rangkaian
melakukan tugasnya. sebelumnya untuk menurunkan keturunan
berikutnya tanpa arus mengulang proses dari
Agar mekanisme SOHW ini dapat dicapai, awal sebagaimana karakteristik EA yang
digunakan algoritma ART1 yang telah digunakan untuk mengevolusikan rangkaian.
dimodifikasi oleh [12] menjadi ART1m atau Hal ini disebut juga dengan stability-
ART1-modified sebagaimana ditampilkan plasticity dilemma, permasalahan yang
pada Gambar 10(a). Mekanisme evolusi tidak pernah dihadapi JST sebelum ditemukannya
penuh ini menampilkan mode operasi EHW ART.
on-line atau instrinsik dimana evolusi
disimulasikan langsung pada hardware, Dengan keterbatasan tersebut, proses evolusi
artinya EHW beradaptasi selaras dengan hardware pada umumnya dilakukan secara
perubahan lingkungan secara dinamis dan off-line karena belum ditemukan suatu
mandiri. Proses ini ditampilkan pada mekanisme untuk mencegah munculnya
Gambar 10(b). keturunan baru yang tidak lebih baik dari
induknya. Keturunan yang tidak baik akan
berdampak fatal pada rangkaian yang
diproduksinya atau lingkungan fisik dimana
ia dievolusikan secara on-line.
VI. KESIMPULAN
11
Referensi [14] Trimberger S., Field Programmable Gate
Arrays, Kluwer Academic, Norwell, Mass., USA,
[1] Busque, Martin, and Parizeau, Marc, A 1992.
Comparison of Fuzzy ARTMAP and Multilayer [15] Torresen, Jim, Evolvable Hardware as a New
Perceptron for Handwritten Digit Recognition, 31 Computer Architecture, http://folk.uio.no/jimtoer/
October 1997, Computer Vision and Systems ssgrr2002_2.pdf, download tanggal 4 Desember
Laboratory Universit e Laval, Sainte-Foy 2006, jam 15.36 WIB.
(Quebec), Canada. [16] Yao, X., Evolving Artificial Neural
[2] Carpenter, Gail A., and Grossberg, Stephen, A Networks, Proceedings of the IEEE, 7(9):1423-
Massively Parallel Architecture for a Self- 1447, September 1999.
Organizing Neural Pattern Recognition Machine, [17] Yao, Xin and Higuchi, Tetsuya, Promises and
Computer Vision, Graphics, and Image Challenges of Evolvable Hardware, IEEE
Processing,1987, Volume 37, pp.54-115. Transactions on Systems, Man, and Cybernetics—
[3] Fausset, Laurene, Fundamentals of Neural Part C: Applications and Reviews, Vol. 29, No. 1,
Networks: Architectures, Algorithms and February 1999.
Applications, Prentice-Hall, New Jersey, USA, [18] Zhu, J. and Shutton, Peter, FPGA
1994, pp. 226-229. Implementations of Neural Networks – a Survey of
[4] Gordon, Timothy W., and Bentley, Peter J., On a Decade of Progress, http://cat.inist.fr/
Evolvable Hardware, download tanggal 5 ?aModele=afficheN&cpsidt=15509745, download
Desember 2006, pukul 13.28 WIB. tanggal 4 Desember 2006, jam 15.35 WIB.
[5] Haykin, Simon, “Neural Networks: A
Comprehensive Foundation”, IEEE Computer Arwin D.W.
Society Press, USA, 1994. Sumari meraih gelar S-
[6] Iba, Hitoshi; Iwata, Masaya and Higuchi, 1 dari Teknik Elektro,
Tetsuya, Gate-level Evolvable Hardware: Institut Teknologi
Empirical Study and Application, Evolutionary Bandung (ITB),
Algorithms in Engineering Applications, pp.259- Bandung, Indonesia
276, Springer-Verlag, 1997. pada tahun 1996 dan
[7] Kim, Jin Hyung, “Neural Networks sekarang sedang
Introduction”, CS679 Lecture Notes, Computer mengejar gelar S-2
Science Department, KAIS, Korea, 2003. bidang Teknik
[8] Lindsey, Clark S., Neural Networks in Komputer di Sekolah
Hardware: Architectures, Products and Teknik Elektro dan
Applications, http://www.particle.kth.se/~lindsey/ Informatika (STEI), ITB, Bandung.
HardwareNNWCourse/home.html, download Dia juga seorang Perwira TNI AU lulusan
tanggal 24 Nopember 2006, pukul 16.15 WIB. Akademi TNI Angkatan Udara (AAU),
[9] Pérez-Uribe, Andrés and E. Sanchez, FPGA Yogyakarta, Indonesia tahun 1991 dengan pangkat
Implementation of an Adaptable-Size Neural terakhir Mayor Elektronika (Lek). Saat ini
Network, Proceeding of Sixth International berdinas di AAU sebagai Dosen di Departemen
Conference on Artificial Neural Networks, 1996, Elektronika (Deplek) setelah sebelumnya
pp. 382-388, Springer-Verlag. menangani Full Mission Simulator F-16A di
[10] Pérez-Uribe, Andrés and Sanchez, E., “Neural Lanud Iswahjudi, Magetan, Jawa Timur antara
network structure optimization through online tahun 1998-2005.
hardware evolution,” Proceedings of the World Mayor Lek Arwin pernah menjadi In Plant
Congress on Neural Networks (WCNN’96), 1996, Team Leader dan Software Engineer Simulator F-
San Diego, CA, pp. 1041–1044. 16A di Thomson Training and Simulation Ltd.
[11] Schurmann, Felix; Steffen Hohmann; (TT&SL), Crawley, United Kingdom pada tahun
Johannes Schemmel, and Karlheinz Meier, 1996-1997. Dia memegang beberapa kualifikasi
Towards an Artificial Neural Network Framework, Simulator F-16A untuk System Administrator
Proceedings of the 2002 NASA/DOD Conference (SA), Flight Simulator Maintenance Engineer
on Evolvable Hardware (EH’02), 2002. (FSME), Flight Simulator Instructor (FSI) dan
[12] Serrano-Gotarredona, Teresa and Linares- Visual Database Modeling Engineer (VDBM).
Barrancon, Bernabé, A Modified ART1 Dia juga pernah menjadi anggota Himpunan Ahli
Algorithms more suitable for VLSI Intelejensia Artifisial Indonesia (HAIAI) pada
Implementations, Neural Networks, 13 November tahun 1996. Mayor Lek Arwin D.W. Sumari
1995. dapat dihubungi melalui alamat email
[13] Sipper M., Goeke M, Mange D., Stauffer A., daemon00idaf@yahoo.com dan
Sanchez E., and Tomassini M., The firefly then.must.win@hotmail.com atau kunjungi situs
machine: Online evolware, Proceeding 1997 IEEE pada alamat http://arwin91.tripod.com dan
Conference Evolutionary Computation (ICEC’97). http://simulator-tempur.tripod.com.
1997, Piscataway, NJ: IEEE, pp. 181–186.
12