PAPER

JARINGAN SYARAF TIRUAN

IDENTIFIKASI TINGKAT PENCEMARAN UDARA
MENGGUNAKAN
SISTEM JARINGAN SYARAF TIRUAN
DENGAN MODEL ADALINE

DISUSUN OLEH :
ELY DESYANAWATI (M0512017)
HAMZAH (M0512021)

JURUSAN INFORMATIKA
FAKULTAS MATEMATIKA DAN ILMU
PENGETAHUAN ALAM
SURAKARTA
2013
I. PENDAHULUAN
Udara sebagai komponen lingkungan yang pentng dalam kehidupan perlu
dipelihara san ditingkatkan kualitasnya sehingga dapat memberikan dukungan bagi
makhluk hidup untuk hidup secara optimal. Pencemaran udara merupakan salah satu
permasalahan yang sering dijumpai di berbagai kota besar. Pencemaran udara dewasa ini
semakin menampakkan kondisi yang sangat memprihatinkan. Sumber pemcemaran
udara dapat bersal dari berbagai kegiatan antara lain industri, transportasi, dan
perumahan. Sumber pencemaran udara jga dapat disebabkan oleh berbagai kegiatan
alam, seperti kebakaran hutan, gunung meletus, gas alam beracun, dan lain-lain.
Dampaknya adalah menyebankan penurunan kualitas udara dan mengganggu kesehatan
manusia.
Terdapat beberapa indikator atau parameter pencemaran udara yaitu Konsentrasi
gas karbonmonoksida (CO) dan Tingkat keasaman Hujan (SO2). Konsentrasi CO dan
SO2 meningkat seiring dengan meningkatnya jumlah kendaraan di kota besar yang
menggunakan bahan bakar fosil, meningkatnya daerah industri yang otomatis akan
membuang limbah gasnya ke udara, dan berbagai kegiatan manusia lainnya.
Pada paper ini akan dilakukan prediksi terhadap kualitas udara. Parameter udara
yang digunakan adalah Konsentrasi gas CO dan Tingkat keasaman hujan. Metode yang
digunakan untuk melakukan prediksi adalah Jaringan Syaraf Tiruan dengan metode
Adaline. Melalui metode ini diharapkan dapat memberikan hasil prediksi yang baik dan
dapat dijadikan sebagai salah satu upaya untuk meningkatkan sistem kualitas udara di
kota-kota besar.

II. DASAR TEORI
A. Jaringan Syaraf Tiruan
Artificial Neural Network (ANN) merupakan kecerdasan buatan yang menyerupai
otak manusia dalam hal :
1. Pengetahuan diperoleh melalui proses belajar.
2. Kekuatan hubungan antar sel syaraf (neuron) yang dikenal sebagai bobot sinaptik
(weight) untuk menyimpan pengetahuan.
Model dasar Neural Network seperti sel neuron biologis manusia, oleh karena itu
disebut model neuron. Mengadopsi esensi dasar dari system syaraf biologi, syaraf
tiruan digambarkan sebagai berikut : Menerima input atau masukan (baik dari data
yang dimasukkan atau dari output sel syaraf pada jaringan syaraf. Mengadopsi
esensi dasar dari system syaraf biologi, syaraf tiruan digambarkan sebagai berikut :
Menerima input atau masukan (baik dari data yang dimasukkan atau dari output sel
syaraf pada jaringan syaraf. Input ini akan diproses oleh suatu fungsi yang akan
menjumlahkan nilai-nilai bobot yang ada. Hasil penjumlahan kemudian akan
dibandingkan dengan suatu nilai ambang (threshold) tertentu melalui fungsi aktivasi
setiap neuron. Apabila input melewati nilai ambang tertentu, maka neuron tersebut
diaktifkan dan akan mengirimkan output melalui setiap pola informasi input dan
output diproses dalam neuron. Neuron-neuron tersebut terkumpul dalam lapisan-
lapisan (neuron layers), yaitu :
1. Lapisan input, menerima pola inputan dari luar.
2. lapisan tersembunyi (Hidden), lapisan tersembunyi yang outputnya tidak
dapat secara langsung diamati.
3. Lapisan Output, merupakan solusi neural network terhadap suatu
permasalahan.

Model Neuron

Model JST
B. Model Pelatihan Adaline
Model Adaline (Adaptive Linear Neuron) ditemukan oleh Widrow dan Hoff (1960).
Arsitekturnya mirip dengan perceptron. Perbedaan dengan Perceptron adalah dalam
hal cara mememodifikasi bobotnya. Bobot dimodisikasi dengan aturan Delta yaitu
Leasr Mean Square. Adaline adalah unit tunggal (neuron) yg menerima input dari
beberapa unit.

Arsitektur sebuah Adaline
Algoritma Training Adaline
Langkah 0 : inisialisasi bobot (biasanya nilai acak yg kecil). Set nilai learning rate a
Langkah 1 : selama kondisi berhenti bernilai salah, lakukan langkah 2 6
Langkah 2 : untuk setiap pasangan pola pelatihan bipolar s : t kerjakan langkah 3 5
Langkah 3 : set aktivasi unit input , i = 1,2,,n
x
i
= s
i

Langkah 4 : tentukan input jaringan pada unit output :
y _in = b+x
i
w
i

Langkah 5 : perbaiki nilai bias dan bobot :
w(baru) = w(lama) + a(t y_in)x
i

b(baru) = b(lama) + a(t y_in)

Langkah 6 : tes kondisi berhenti. Jika perubahan bobot tertinggi yg terjadi pada
langkah 2 nilainya lebih kecil dari toleransi tertentu maka hentikan jika tidak
lanjutkan.

ALGORITMA APLIKASI
Setelah dilakukan pelatihan, maka Adaline dapat sudah dapat digunakan. Urutan
penggunaanya adalah :
Inisialisasi bobot berdasarkan hasil trainning (proses belajar) sebelumnya.
Lakukan proses untuk masing-masing input
Hitung nilai :
Y_in = b + wi*xi
Hitung output fungsi aktivasi :
y = 1, jika y_in >= 0
y= -1, jika y_in < 0

C. Konsep LMS
Pada algoritma trainning tersebut diperoleh persamaan update bobot :
W= *(t-y_in)*x
i

Persamaan tersebut diperoleh dengan menggunakan konsep LMS yang intinya adalah
semakin kecil total kuadrat perbedaan target dengan output untuk semua pola maka
trainning semakin bagus. Konsep tersebut ditunjukkan dengan persamaan :

m
j
j in j
y t E
1
2
) (


III. PEMBAHASAN
Arsitektur Adaline

Pada identifikasi pencemaran udara ini diberikan 2 parameter input yaitu tingkat
konsentrasi CO yg diberi nama variabel x
1
, dan tingkat keasaman hujan yang diberi nama
variabel x
2.
Tabelnya adalah sebagai berikut
X1 X2 Target (t)
1 1 1
1 -1 1
-1 1 1
-1 -1 -1

Algoritma Adaline:
Inisialisasi nilai bobot dan learning rate.
Nilai bobot 1 (W
1
) dan nilai bobot 2 (W
2
) diberi nilai awal 0, sedangkan learning
rate () di set 0,2.
Fungsi aktivasi yang digunakan adalah :
(Fungsi Threshold bipolar)

Kemudian menentukan input jaringan y_in = b+x
i
w
i

Memperbaiki nilai bias dan bobot
w(baru) = w(lama) + a(t y_in)x
i
b(baru) = b(lama) + a(t y_in)
Menentukan W
1
, W
2
, dan b
Hasil perhitungannya adalah sebagai berikut:
Epoh 1

Epoh 2
Epoh x1 x2 t
b w1 w2
y_in W1 W2 b
0,1 0 0 0
Epoh 1
1 1 1 0,1
0.1 0.1 0.1 0 0.1 0.1 0.1
1 -1 1 0,1
0.19 0.19 0.01 0.1 0.09 -0.09 0.09
-1 1 1 0,1
0.289 0.091 0.109 0.01 -0.099 0.099 0.099
-1 -1 -1 0,1
0.1801 0.1999 0.2179 0.089 0.1089 0.1089 -0.1089
Epoh x1 x2 t
b w1 w2
y_in W1 W2 b
0,1
0.1801 0.1999 0.2179
Epoh 2
1 1 1 0.1
0.22031 0.24011 0.25811 0.5979 0.04021 0.04021 0.04021
1 -1 1 0,1
0.300079 0.319879 0.178341 0.20231 0.079769 -0.079769 0.079769
-1 1 1 0,1
0.384225 0.235733 0.262487 0.158541 -0.08415 0.0841459 0.0841459
-1 -1 -1 0,1
0.295624 0.324334 0.351087 -0.114 0.0886 0.0886005 -0.0886

Toleransi yang digunakan = 0,2 , sehingga karena W terbesar yaitu 0,162877 pada epoh
kedua lebih kecil dari toleransi 0,2 maka iterasi adaline berhenti pada epoh kedua.
Hasil yang didapatkan dan akan digunakan adalah 0,162877, 0,1628774, -0,162877

Penggunaan Adaline
x1 x2 t y_in
y= -1 Jika x< 0
Y hasil=t
y= 1 jka x 0
1 1 1 1,552945 1 TRUE
1 -1 1 0,364239 1 TRUE
-1 1 1 0,51446 1 TRUE
-1 -1 -1 -0,67425 -1 TRUE




















Source Code
Hitung.java





Adaline.java ( Class Main )












Hasil Running
Input Nilai

Input Bias, Learning Rate, Tolerance dan bobot



Hasil perhitungan


IV. KESIMPULAN
Penggunaan arsitektur Adaline untuk pembelajaran pada