Anda di halaman 1dari 13

Program Pilihan Ganda Sederhana dengan Java

Posted by Lita Nurlaelati | 1:25 PM | Programming

Kali ini admin berbagi tentang membuat program Java GUI menggunakan Netbeans. Berikut langkah - langkahnya :

Buat project baru dengan mengklik icon New Project

Pada tahap Choose Project, pilih Java Application

Disini admin memberi nama project dengan nama PilihanGanda. Jangan centang bagian Create Main Class. Karena untuk saat ini kita hanya akan bermain di bagian form saja.

Kemudian kita buat Java Package-nya. Untuk langkah - langkahnya lihat gambar dibawah ini.

Beri nama Utama pada Package Name.

Buat JFrame Form dengan cara klik kanan pada Package Utama > pilih New > pilih JFrame Form

Untuk nama Formnya, admin beri nama SoalPilihanGanda.

Di tutorial ini, admin konsentrasikan untuk menggunakan fitur - fitur Palette berikut :

Adapun fungsinya yaitu :

1. Scroll Pane untuk menscroll bagian penampil soal. 2. Label untuk memberikan atribut nama agar memudahkan user. 3. Button untuk mengeksekusi setiap pilihan yaitu button OK dan button Lihat Hasil. 4. Radio Button untuk memilih jawaban. Terdiri dari A, B, C. 5. Combo Box untuk memilih materi yang akan dijawab soalnya. Terdiri dari -Pilih-, Jaringan, Pemrograman.

Buat design form seperti berikut. Ubah nama variabelnya seperti yang ada pada bagian Navigator.

Untuk penulisan soalnya, tuliskan tepat dibawah public class SoalPilihanGanda extends javax.swing.JFrame { . Perhatikan gambar!

! ! ! Perlu diketahui, untuk menulis soal - soalnya kita dapat mengkombinasikan dengan bahasa HTML agar tulisan yang muncul lebih rapi dan lebih bagus tentunya.

Agar button yang kita buat dapat bekerja dengan baik, buat parameter ButtonGroupseperti berikut.

Kenapa harus dibuat seperti itu? Jawabannya, agar user hanya dapat memilih 1 jawaban pada setiap soal. Selain itu, agar program dapat berada di tengah - tengah layar saat pertama kali dirun, maka kita set SetLocationRelativeTo(null); dan agar jendela program tidak dapat di Maximaze atau Resize maka kita set menjadi false [setResizable (false);]

Klik 2x pada button OK dan ketikkan kode - kode berikut.

Fungsinya yaitu menampilkan soal yang sesuai pilihan materinya.

Lalu klik button Lihat Hasil dan insert kode dibawah ini yang berfungsi untuk menentukan jawaban yang benar diberi nilai 10, jawaban yang salah diberi nilai 0 kemudian hasilnya dikali 2 dan ditampilkan dengan MessageDialog.

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49

private void hasilActionPerformed(java.awt.event.ActionEvent evt) { if(pilihan.getSelectedItem().equals("Jaringan")) { int poin1 = 0; if (a1.isSelected()){ poin1 = 10; } if (b1.isSelected()){ poin1 = 0; } if (c1.isSelected()){ poin1 = 0; } int poin2 = 0; if (a2.isSelected()){ poin2= 0; } if (b2.isSelected()){ poin2 = 0; } if (c2.isSelected()){ poin2 =10; } int poin3 = 0; if (a3.isSelected()){ poin3 = 0; } if (b3.isSelected()){ poin3 = 10; } if (c3.isSelected()){ poin3 = 0; } int poin4 = 0; if (a4.isSelected()){ poin4 = 10; } if (b4.isSelected()){ poin4 = 0; } if (c4.isSelected()){ poin4 = 0; } int poin5 = 0; if (a5.isSelected()){ poin5 = 0; } if (b5.isSelected()){ poin5 = 10; } if (c5.isSelected()){ poin5 = 0; } int jumlah1 = (poin1+poin2+poin3+poin4+poin5)*2; javax.swing.JOptionPane.showMessageDialog( SoalPilihanGanda.this, "Nilai An } if(pilihan.getSelectedItem().equals("Pemrograman")) { int poin1 = 0; if (a1.isSelected()){ poin1 = 0; }

50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99

if (b1.isSelected()){ poin1 = 10; } if (c1.isSelected()){ poin1 = 0; } int poin2 = 0; if (a2.isSelected()){ poin2= 10; } if (b2.isSelected()){ poin2 = 0; } if (c2.isSelected()){ poin2 =0; } int poin3 = 0; if (a3.isSelected()){ poin3 = 0; } if (b3.isSelected()){ poin3 = 10; } if (c3.isSelected()){ poin3 = 0; } int poin4 = 0; if (a4.isSelected()){ poin4 = 0; } if (b4.isSelected()){ poin4 = 10; } if (c4.isSelected()){ poin4 = 0; } int poin5 = 0; if (a5.isSelected()){ poin5 = 0; } if (b5.isSelected()){ poin5 = 0; } if (c5.isSelected()){ poin5 = 10; } int jumlah1 = (poin1+poin2+poin3+poin4+poin5)*2; javax.swing.JOptionPane.showMessageDialog( SoalPilihanGanda.this, "Nilai An } }

100 101 102 103 104 105 106 107 108 109 110

Jalankan aplikasinya dan silakan mencoba memodifikasinya.

Contoh Algoritma Backpropagation


Jika kita mempunyai pola matriks X :

Dan bobot awal dan bias awal yang dipilih secara acak adalah : Nilai bobot dari layer input ke hidden layer
Vij= 0.1207690864390194, 0.18121937900400642, 0.5373979583380004, 0.6958370793063979, 0.7315162285625711, 0.19241284706221817, 0.618297402969798, 0.5254289914600393

Nilai bobot dari hidden layer ke output layer


Wk = 0.3338186565232477, 0.04331653473021879, 0.27610812619466973, 0.5946077987374927

bias 1
b1 = 0.5500964441249149, 0.28941827642665174, 0.4615712532796826, 0.8149000001760573

bias 2
b2= 0.6109600864128633

Topologi jaringan yang kita gunakan adalah menggunakan jaringan MLP Backpropagation dengan 1 layer input (2 neuron masukan), 1 hiden layer (4 neurron) dan 1 output layer (1 neuron). Fungsi aktivasi yang kita gunakan pada hidden layer adalah fungsi sigmoid dan pada output layer, fungsi aktivasi yang kita gunakan adalah fungsi linear.

Gb1. Jaringan MLP Backpropagation Karena pola data adalah matriks berukuran 6x4, maka kita bagi 3 vector pertama sebagai learning set, kemudian 3 vector sisanya kita gunakan sebagai test set. yaitu :

Pada data test set dan learning set, kolom ketiga dari kedua data kita set sebagai target keluaran jaringan. Pada proses inisialisasi parameter jaringan, kita beri nilai maximum epoch = 1000, target error = 0.00001, MSE = 0 dan learning rate = 0,4. Output Program : ******************Epoch ke-0 MSE = 4.758556221656486 ******************Epoch ke-1 MSE = 1.3080030484094292 ******************Epoch ke-2 MSE = 1.085172838222893 ******************Epoch ke-3 MSE = 1.0549847659147695 ******************Epoch ke-4 MSE = 1.046603613669597 ******************Epoch ke-5 ********************** ********************** ********************** ********************** ********************** **********************

MSE = 1.0338336469898246 Pada 5 epoch awal, MSE mempunyai nilai yang tinggi, kemudian pada epoch setelahnya, MSE mengalami penurunan.

Gb2. Grafik MSE ddi 200 epoch pembelajaran Jaringan akan terus menerus melakukan iterasi hingga epoch = maximum epoch atau MSE = target error. Pada kasus ini, iterasi akan berhenti pada epoch = 1000 dan jaringan akan memberhentikan proses dengan hasil output :

******************Epoch ke-999 ********************** MSE = 0.023784991619496897 ******************Epoch ke-1000 ********************** MSE = 0.0237919057577512 Dari sini bisa kita lihat bahwa nilai MSE di epoch ke-999 lebih kecil daripada epoch ke1000, bisa diartikan bahwa jaringan tidak convergent pada saat maximum epoch tercapai, jika diteruskan ke epoch selanjutnya, kemungkinan MSE bergerak menjauhi target error akan semakin besar, oleh karena itu kita harus mencari titik epoch dimana MSE berada pada nilai paling minimum. Dan nilai MSE paling minimum berada pada epoch ke-140 : ******************Epoch ke-139 ********************** MSE = 0.018681322162804544 ******************Epoch ke-140 ********************** MSE = 0.018681208923667793 ******************Epoch ke-141 ********************** MSE = 0.01868149867843059 Nilai bobot dan bias di epoch ke-140 adalah : ***Final weights and bias value at mininum MSE on epoch : 140**** V1[] = -0.7011998774720427 -0.3689790140738511

0.8046512685396908 1.7505551804252213 V2[] = 1.3100784790048718 0.7668952387082638 0.4267333271027457 -1.2177481267024133 b1[] = 0.3066897306561537 0.31370227499483994 0.5372604876143215 0.12644098313242658 W[] = -1.4092041090128564 0.821117168346266 0.26580529638614636 2.241329804694944 b2 = -0.33554834261466654 Kemudian, kita implementasikan bobot dan bias tersebut untuk test set dengan menggunakan perhitungan maju (feedforward) saja di jaringan yang sama. ***************TEST SET****************** minimum MSE = 0.018681208923667793 The weights and bias which used at this test function are from the minimum MSE at epoch :140 out put = -1.0586077904900728 out put = 0.1293472169464956 out put = -0.9036426039696852 out put = 0.28431240346688297 Jika kita merubah fungsi aktivasi pada output layer, dari fungsi linier menjadi fungsi Hardlimit atau sigmoid, menjadi : ***************TEST SET****************** minimum MSE = 0.018681208923667793 The weight and bias which used at this test function are from the minimum MSE at epoch :140 out put = -1.0586077904900728 hardlimit(y)= 0.0 sigmoid= 0.25757559762379123 out put = 0.1293472169464956 hardlimit(y)= 1.0 sigmoid= 0.5322917947514457 out put = -0.9036426039696852 hardlimit(y)= 0.0 sigmoid= 0.2883025167191984 out put = 0.28431240346688297 hardlimit(y)= 1.0 sigmoid= 0.5706031484804999 Dengan fungsi Hardlimit pada output layer, hasil output program adalah : 0 1 0 1, yang berarti jaringan sudah mengenali pola dari learning set dengan baik dan mampu menghasilkan output yang sesuai pada test set.

Algoritma Pembelajaran Backpropagation


Sesuai dengan namanya, algoritma ini melakukan dua tahap komputasi yaitu : perhitungan maju (feedforward) dan perhitungan mundur (backward), dalam setiap iterasinya, jaringan akan memperbaiki nilai-nilai bobot dan bias pada semua neuron yang ada di jaringan. Algoritma Backpropagation adalah salah satu algoritma yang menggunakan metode terawasi (supervised learning), dan termasuk jaringan MLP (Multi Layer Perceptron).

Gb.1 Jaringan Multi Layer Perpceptron Algoritma Pembelajaran Backpropagation : Inisialisasi semua input, target, bobot awal, bias awal dan target keluaran. Inisialisasi Epoch. Inisialisasi learning rate, maximum error. Feedforward: Hitung nilai masukan dengan formula :

pada

tiap

pasangan

elemen

input

pada

hidden layer

Jika kita menggunakan fungsi aktivasi sigmoid, hitung output dengan :

Hitung sinyal keluaran dari hidden layer untuk output layer dengan menggunakan persamaan :

mendapatkan

keluaran

Jika kita menggunakan fungsi aktivasi sigmoid, hitung output dengan :

Kemudian, keluaran jaringan dibandingkan dengan target, hitung error E dengan :

Hitung MSE (Mean Square Error) :

dengan n adalah jumlah input masukan.

Backpropagation : Pada tiap unit output, gunakan formula ini untuk memperbaiki nilai bobot dan bias :

Perbaiki nilai bobot dan bias dengan menggunakan formula :

Hitung sinyal balik dari output layer pada tiap unit di hidden layer

Pada tiap unit hidden layer, hitung delta_1 untuk memperbaiki nilai bobot dan bias :

Perbaiki nilai bobot dan bias dengan menggunakan formula :

Untuk semua layer, perbaiki bobot dan bias :

Hitung MSE (Mean Square Error) dengan menggunakan formula :

dengan n adalah jumlah input masukan. Jika (Epoch < maximum Epoch) atau (MSE < Target Error), ulangi langkah pelatihan.