1

PENDAHULUAN

Para ahli pada disiplin ilmu kecerdasan buatan mendefinisikan metode JST ini dengan
nama artificial neural network (ANN) adalah sebagai model matematika maupun model
komputasi yang cara kerjanya merupakan penyederhanaan dari model jaringan biologi otak
manusia. Hal ini dikarenakan pada prinsipnya JST merupakan suatu program komputer yang
dibuat berdasarkan cara kerja jaringan biologi otak manusia. JST yang telah dilatih (melakukan
proses belajar dari suatu contoh kejadian) dapat melakukan fungsi-fungsi kompleks di berbagai
bidang, antara lain identifikasi, pengenalan pola, klasifikasi, restorasi citra, termasuk juga untuk
sistem kendali.
Secara umum, langkah pembuatan JST untuk suatu aplikasi adalah :
Kumpulkan data
Pisahkan data untuk pelatihan (training) dan pengujian
Desain
Tentukan struktur jaringan, Metode untuk menentukan bobot penghubung (disebut
metode trainning / learning / algoritma) dan Fungsi aktivasi.
Coding
Inputkan data pelatihan, pendeklarasian penciptaan struktur jaringan, Inisialisasi
parameter jaringan, Pelatihan (perbarui bobot), plot hasil berupa grafik, pengujian.
JST Backpropagation merupakan salah satu algoritma yang sering digunakan dalam
menyelesaikan masalah-masalah yang rumit. Metode ini merupakan metode yang sangat baik
dalam menangani masalah pengenalan pola-pola kompleks. Hal ini dimungkinkan karena
jaringan dengan algoritma ini dilatih dengan menggunakan metode belajar terbimbing
(Supervised Learning).
Matlab menyediakan fungsi untuk membuat JST Backpropagation dengan struktur
sintaks :
net= newff(PR, [S1 S2. Sn],{TF1 TF2TFn},BTF,BLF,PF)
PR = matriks ordo Rx2 (berisi nilai minimum dan maksimum data input)
S1 = jumlah unit pada layer ke I
TF1 = fungsi aktivasi yang digunakan pada layer I
BTF = fungsi latihan jaringan (default trainlm)
BLF = fungsi perubahan bobot/bias , default learngdm
PF = fungsi error, default mse


2

CONTOH KASUS

Misalkan diberikan data mahasiswa.
No A B C
1. 3 3 1
2. 2.5 4 1
3. 2.5 3 1
4. 2.7 2 0
5. 2 2 0
6. 3 2 0
7. 4 2 1
8. 3.5 3 1
9. 3 1 0
10. 4 1 0
11. 2.8 3 1
12. 2.8 2 0
13. 3.8 1 0
14. 3.8 4 1

Dalam kasus ini, sebanyak 10 sampel data akan dipakai untuk training dan 4 data
digunakan untuk testing termasuk jumlah sampel training. Data input yaitu kolom A (Indeks
Prestasi Mahasiswa (IPK)) dan kolom B (tingkat kemiskinan) akan dilatih untuk basis
pengetahuan menghasilkan output sama atau mendekati target mendapat beasiswa atau tidak,
kolom C (dapat beasiswa = 1, tidak dapat = 0).
Penyelesaian :
Desain
Input : 2 dengan 10 pola.
Output : 1
Struktur jaringan : Feedforward backprop, dengan 2 layer. Layer pertama terdiri 5 hidden
layer, 1 layer pada lapisan output.
Fungsi pembelajaran : Trainlm (Levenberg-Marquardt).
Fungsi aktivasi : Logsig (Sigmoid biner), logsig.



3





Coding
%data input"p" dan target yang diinginkan "t" dari input
p=[3 2.5 2.5 2.7 2 3 4 3.5 3 4; 3 4 3 2 2 2 2 3 1 1];
t=[1 1 1 0 0 0 1 1 0 0];
%bangun jaringan
net = newff(minmax(p), [5 1], {'logsig', 'logsig'}, 'trainlm');
%melihat hasil desain jaringan
view(net)
%jumlah iterasi maksimum yang diinginkan
net.trainParam.epochs = 100;
%jumlah learning rate yang diinginkan
net.trainParam.lr=0,01;
%jumlah error minimum yang diinginkan
net.trainParam.goal=1e-3;
%jumlah epoch dimana penampilan grafik error akan di-update
net.trainParam.show=2;
%melakukan training data
net = train(net, p, t);
%uji hasil training menggunakan data input
a=sim(net, p)
%data error yang terjadi
t-sim (net,p)
%menampilkan bobot hasil iterasi
disp (net.IW{1,1})
disp (net.b{1,1})
disp (net.LW{2,1})
disp (net.b{2,1})
%menampilkan grafik hasil
plot(p,t,'*',p,a,'o');
title ('Hasil pengujian dengan Data Pelatihan: Target (*), Output (o)');
xlabel('Data ke-');
ylabel('Target/Output');
%uji hasil training menggunakan data testing
b=sim(net,[2.8 2.8 3.8 3.8; 3 2 1 4])
4

HASIL










Dari grafik di atas, menyatakan jika hasil pelatihan sudah pintar. Ini ditandai dengan
tanda output yang semakin dekat dengan koordinat tanda target. Berikut hasil output (a) dan
error yang terjadi terhadap target (t) :




t = 1 1 1 0 0 0 1 1 0 0
Keterangan :
IW = bobot dari input ke lapisan hidden layer
b1 = bias ke hidden layer
LW = bobot dari hidden layer ke lapisan
output
b2 = bias ke lapisan output


5



Hasil 4 data testing (b) terhadap 10 sampel data yang sudah di-training, menunjukkan
output sesuai target. Berikut grafik analisa hasil training :













Plot Performance
Jika garis train menurun sampai pada goal (jumlah error minimum yang diinginkan),
maka berhasil. Grafik di atas menyatakan Goal tercapai pada Epoch (iterasi) ke-12.

Plot Regression
Dari grafik di atas diketahui, gradient garis hasil regresi linear bernilai 0.98 (mendekati
1), titik perpotongan dengan sumbu Y bernilai 0.0065 (mendekati 0) dan koefisien
korelasi bernilai 0.99985 (mendekati 1), menunjukkan hasil yang baik untuk kecocokan
output jaringan dengan target.






6

KESIMPULAN

JST yang dibangun mampu mengenali pola data latih dengan baik.
Agar JST kita lebih pintar, kita harus melatihnya lebih banyak lagi dengan cara kita
naikkan nilai epoch dan selanjutnya kita latih dan simulasikan lagi.
Metode pembelajaran Trainlm menghasilkan waktu komputasi yang cepat.
Penentuan parameter training menentukan hasil output, dan performansi.
Jika bobot dan bias diset random, maka akan mengahasilkan hasil output yang berbeda
disetiap running source code.
Semakin banyak sampel data yang akan di-training, maka semakin akurat juga data yang
akan diuji
Perlu pemilihan sampel data training yang cukup mewakili data yang akan diuji.