Anda di halaman 1dari 13

JARINGAN SARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK MEMPREDIKSI FAKTOR DOMINAN INJURY SEVERITY PADA KECELAKAAN LALU LINTAS

SKRIPSI

TIKA YUNITA 071402008

PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2012

Universitas Sumatera Utara

JARINGAN SARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK MEMPREDIKSI FAKTOR DOMINAN INJURY SEVERITY PADA KECELAKAAN LALU LINTAS

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Teknologi Informasi

TIKA YUNITA 071402008

PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA 2012

Universitas Sumatera Utara

ii PERSETUJUAN

Judul

Kategori Nama Nomor Induk Mahasiswa Program Studi Departemen Fakultas

: JARINGAN SARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK MEMPREDIKSI FAKTOR DOMINAN INJURY SEVERITY PADA KECELAKAAN LALU LINTAS : SKRIPSI : TIKA YUNITA : 071402008 : SARJANA (S1) TEKNOLOGI INFORMASI : TEKNOLOGI INFORMASI : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI (Fasilkom-TI) UNIVERSITAS SUMATERA UTARA Diluluskan di Medan, Juni 2012

Komisi Pembimbing Pembimbing II

: Pembimbing I

Mohammad Fadly Syahputra, M.Sc.IT. NIP 198301292009121003

Drs. Suyanto, M.Kom. NIP 195908131986011002

Diketahui/Disetujui oleh Program Studi S1 Teknologi Informasi Ketua,

Prof. Dr. Opim Salim Sitompul, M.Sc. NIP. 196108171987011001

Universitas Sumatera Utara

iii

PERNYATAAN

JARINGAN SARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK MEMPREDIKSI FAKTOR DOMINAN INJURY SEVERITY PADA KECELAKAAN LALU LINTAS

SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, Juni 2012

Tika Yunita 071402008

Universitas Sumatera Utara

iv

PENGHARGAAN

Alhamdulillah, puji dan syukur penulis panjatkan kehadirat Allah SWT serta shalawat dan salam senantiasa terlimpah curah kepada Rasulullah Muhammad SAW, karena atas berkah, rahmat dan hidayahNya penulis dapat menyelesaikan penyusunan skripsi ini. Rasa terima kasih yang tidak terhingga kepada Allah SWT yang selalu menuntun dan mengajarkan penulis makna dari tanggung jawab, pengorbanan, keikhlasan dan kesabaran yang sesungguhnya selama penyusunan skripsi ini.

Dalam penulisan skripsi ini, penulis banyak mendapat bantuan moril maupun materil dari berbagai pihak. Dalam kesempatan ini dengan segala kerendahan hati penulis ingin mengucapkan rasa terimakasi kepada: 1. Orang tua penulis yaitu Ibunda Wagini. Terima kasih yang tidak pernah terhenti penulis ucapkan kepada ibunda atas segala doa, kesabaran, pengertian dan pengorbanan moril dan materil yang telah ibunda berikan selama ini. Serta kakak-kakak penulis Lia Aprina, S.Pd., Supriyanto Sahputra, S.E.,Yuni Darmawani, S.Sos., Juliani P, S.IK., yang selalu memberikan motivasi dan bantuan moril maupun materil kepada penulis selama ini, serta seluruh keluarga besar atas segala perhatian yang selalu diberikan kepada penulis. 2. Ketua Program Studi Teknologi Informasi, Bapak Prof. Dr. Opim Salim Sitompul, M.Sc dan Sekretaris Program Studi Teknologi Informasi Bapak Sawaluddin, M.IT, Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi, Seluruh dosen pada Program Studi Teknologi Informasi beserta para staf tata usaha Teknologi Informasi. 3. Bapak Drs. Suyanto, M.Kom dan Bapak M. Fadly Syahputra, B.Sc., M.Sc.IT selaku dosen pembimbing penulis yang telah meluangkan waktu dan pikiran dalam membimbing penulis dengan penuh kesabaran hingga penulis dapat menyelesaikan skripsi ini.

Universitas Sumatera Utara

v 4. Bapak M. Anggia Muchtar, ST.MM.IT dan Bapak Dedy Arisandi, S.T.M.Kom selaku dosen pembanding yang telah memberikan banyak masukan berupa saran maupun kritik yang membangun dalam menyelesaikan skripsi ini . 5. Sahabat-sahabat saya Putri Liyoni Suci, S.Ked., Anna Kesuma Daulay, S.TI., Guntur Alamsyah, S.Sos., Siska Budiarti S.Pd., Harfai dan Seluruh rekan mahasiswa Teknologi Informasi angkatan 2007 khususnya Nurul Hayati, Shifa Sihotang, Maspin Sahputra, Adinda Reni, Boy Utomo Manalu, Andreni Menovita Ginting, dan Faisal Amri atas segala bentuk bantuan baik diskusi, masukan, doa, semangat maupun hiburan selama proses penyelesaian skripsi ini.

Penulis menyadari bahwa masih banyak kekurangan dalam penyusunan skripsi ini, untuk itu penulis mengharapkan saran dan kritik yang bersifat membangun dari semua pihak demi kesempurnaan skripsi ini. Akhir kata penulis mengharapkan semoga skripsi ini dapat bermanfaat dan membantu semua pihak yang memerlukannya.

Universitas Sumatera Utara

vi

ABSTRAK

Kecelakaan lalu lintas merupakan suatu kejadian yang sering sekali terjadi disekitar kita. Kecelakaan lalu lintas dapat menyebabkan berbagai risiko dan juga kerugian baik materi maupun jiwa. Besarnya risiko kecelakaan yang dialami tiap orang berbedabeda dalam setiap kejadian. Hal tersebut dapat dibedakan dalam beberapa kategori risiko kecelakaan lalu lintas atau lebih sering dikenal dengan injury severity. Oleh karena itu pada penulisan ini penulis akan menjelaskan pengaplikasian metode Jaringan Saraf Tiruan Resilient Backpropagation untuk memprediksi injury severity tersebut. Metode ini digunakan untuk menghindari perubahan gradien yang terlalu kecil selama proses update dengan fungsi aktivasi Sigmoid yang menyebabkan pembentukan jaringan menjadi lambat. Hasil dari penelitian ini menunjukkan bahwa proses pembelajaran yang dihasilkan lebih baik dan cepat memprediksi faktor dominan injury severity kecelakaan lalu lintas.

Kata kunci: Injuri Severity, Jaringan Saraf Tiruan, Backpropagation, Resilient Backpropagation.

Universitas Sumatera Utara

vii

NEURAL NETWORK RESILIENT BACKPROPAGATION FOR PREDICT DOMINANT FACTOR INJURY SEVERITY OF TRAFFICT ACCIDENT

ABSTRACT

Traffic accidents is an event that often occure around us. Traffic accident cause a variety of risks. The risks of accidents experienced by each person is different in each event. It can be divided into several categories of risk of traffic accidents or commonly known as the injury severity. In this study explains about the application of the method Resilient Backpropagation Neural Network to predict the severity of injury. This method is used to avoid a small gradient changes during the update process with Sigmoid activation function that causes the formation of a slow network. The result of this paper are resulting learning process more faster and better to predict the dominant factor of injury severity of traffic accidents.

Keywords: Injury Severity, Neural Network, Backpropagation, Resilient Propagation.

Universitas Sumatera Utara

viii

DAFTAR ISI

Halaman Persetujuan Pernyataan Penghargaan Abstrak Abstract Daftar Isi Daftar Tabel Daftar Gambar ii iii iv vi vii viii xi xii

Bab 1 PENDAHULUAN 1.1. 1.2. 1.3. 1.4. 1.5. 1.6. 1.7. Latar Belakang Rumusan Masalah Batasan Masalah Tujuan Penelitian Manfaat Penelitian Metode Penelitian Sistematika Penulisan 1 3 3 3 4 4 5

Bab 2 LANDASAN TEORI 2.1. 2.2. Jaringan Saraf Biologi Jaringan Saraf Tiruan 2.1.1. Arsitektur Jaringan Saraf Tiruan 2.2.2. Fungsi Aktivasi 2.2.3. Bias 2.2.4. Laju Pembelajaran / learning rate () 2.3. Metode Backpropagation 2.3.1. Arsitektur Backpropagation 2.3.2. Algoritma Pelatihan Backpropagation 7 8 8 11 12 12 13 14 16

Universitas Sumatera Utara

ix 2.3.3. Inisialisasi Bobot Awal dan Bias 2.3.3.1. Inisialisasi Acak 2.3.3.2. Inisialisasi Nguyen-Widrow 2.3.4. Momentum () 2.3.5. Perhitungan Error 2.3.6. Penggantian bobot 2.3.7. Testing 2.3.8. Metode Resilient Backpropagation 29 30 30 31 32 33 34 35

Bab 3 ANALISIS DAN PERANCANGAN SISTEM 3.1. 3.2. 3.3. 3.4. 3.5. 3.6. 3.7. 3.8. Rancangan Sistem Pemilihan Variabel Input Pemilihan Variabel Output Normalisasi Data Arsitektur Jaringan Saraf Tiruan Training Perhitungan Error Testing 37 38 41 41 43 45 47 47

Bab 4 IMPLEMENTASI DAN PENGUJIAN SISTEM 4.1. 4.2. Lingkungan Implementasi Pencarian Arsitektur Jaringan Terbaik 4.2.1. Variasi Jumlah Hidden Layer 4.2.2. Variasi Jumlah Neuron 4.2.3. Pengujian Jaringan 4.2.4. Pengujian Menggunakan Data yang Pernah Dilatih 4.2.5. Hasil Prediksi Mengunakan Data yang Pernah Dilatih 4.2.6. Pengujian Menggunakan Data yang Belum Pernah Dilatih 50 51 51 53 54 54 57 58

4.2.7. Hasil Prediksi Menggunakan Data yang Belum Pernah Dilatih 61 4.2.8. Analisis Faktor Dominan Berdasarkan Hasil Prediksi Jaringan 62

Bab 5 PENUTUP 5.1. Kesimpulan 71

Universitas Sumatera Utara

x 5.2. Saran 71

DAFTAR PUSTAKA LAMPIRAN A LAMPIRAN B

72 75 78

Universitas Sumatera Utara

xi

DAFTAR TABEL

Halaman Tabel 2.1 Bobot dari input layer ke hidden layer Tabel 2.2 Bobot dari hidden layer ke output layer Tabel 2.3 Suku Perubahan Bobot Hidden Neuron Tabel 2.4 Perubahan Bobot Hidden Neuron Tabel 3.1 Variabel Input Jaringan Saraf Tiruan Tabel 3.2 Variabel Output Jaringan Saraf Tiruan Tabel 3.3 Pembagian data kecelakaan lalu lintas Tabel 3.4 Contoh Data Normalisasi Tabel 4.1 Menggunakan Satu Hidden Layer Tabel 4.2 Percobaan Beberapa Variasi Neuron Tabel 4.3 Hasil Pengujian Data yang Pernah Dilatih Tabel 4.4 Hasil Prediksi Menggunakan Data yang Pernah Dilatih Tabel 4.5 Hasil Pengujian Data yang Belum Pernah Dilatih Tabel 4.6 Hasil Prediksi Menggunakan Data yang Belum Pernah Dilatih

25 25 28 29 38 39 42 42 51 53 55 57 58 61

Universitas Sumatera Utara

xii

DAFTAR GAMBAR

Halaman Gambar 2.1 Gambar 2.2 Gambar 2.3 Gambar 2.4 Gambar 2.5 Gambar 2.6 Gambar 2.7 Gambar 2.8 Gambar 2.9 Sel Saraf Biologi Single Layer Network Multilayer Network Competitive layer network Arsitektur Backpropagation Propagasi Sinyal ke Neuron Pertama Pada Input Layer Propagasi Sinyal ke Neuron Kedua Pada Input Layer Propagasi Sinyal ke Neuron Ketiga Pada Input Layer Propagasi Sinyal ke Neuron Pertama Pada Hidden Layer 7 9 10 10 15 17 17 17 18 18 18 19 20 20 20 21 22 22 22 22 23 23 23 24

Gambar 2.10 Propagasi Sinyal ke Neuron Kedua Pada Hidden Layer Gambar 2.11 Propagasi Sinyal ke Neuron Output Gambar 2.12 Perbandingan Sinyal Keluaran dan Target Gambar 2.13 Propagasi Sinyal Error Ke F4(E) Gambar 2.14 Propagasi Sinyal Error Ke F5(E) Gambar 2.15 Propagasikan Sinyal Error Ke f1(E) Gambar 2.16 Propagasikan Sinyal Error Ke f2(E) Gambar 2.17 Propagasikan Sinyal Error Ke f3(E) Gambar 2.18 Modifikasi Bobot 1 Gambar 2.19 Modifikasi Bobot 2 Gambar 2.20 Modifikasi Bobot 3 Gambar 2.21 Modifikasi Bobot 4 Gambar 2.22 Modifikasi Bobot 5 Gambar 2.23 Modifikasi Bobot 6 Gambar 2.24 Contoh Arsitektur Backpropagation

Universitas Sumatera Utara