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

layer dengan menggunakan persamaan :

mendapatkan

keluaran output

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.