PENDAHULUAN
1.1 Latar Belakang
Kebutuhan
akan
piranti
pengenal/pendeteksi
yang
handal
sangat
cukup ampuh untuk pengenalan gejala-gejala yang terlihat secara fisik di daun
tembakau dan cengkeh dengan menggunakan pola kusus dan perhitungan
matematis yang akan kita buat untuk proses sample dan testing. Metode ini
nantinya yang akan kita pakai untuk mengenali atau mengidentifikasi penyakit
daun berupa cacar daun dan bercak daun dari gejala fisik yang ditimbulkan oleh
daun itu sendiri. Salah satu penerapan metode perceptron ini yaitu pengenalan
penyakit daun pada tanaman tembakau dan tanaman cengkeh. Disini identifikasi
kita tujukan pada bagian daun, seperti permukaan daun, warna daun, pola daun
dll. Pemilihan daun tembakau dan daun cengkeh disini didasarkan atas manfaat
yang dihasilkan oleh kedua daun tersebut yang bermanfaat untuk kebutuhan
manusia itu sendiri beberapa diantaranya seperti daun tembakau untuk pembuatan
rokok, kemudian yang terbaru ini yaitu tembakau mempunyai kasiat sebagai
reaktor protein anti kangker. Selanjutnya yaitu daun cengkeh mempunyai manfaat
banyak manfaat diantaranya adalah untuk penyedap makanan dibidang kesehatan
untuk pengobatan seperti mual, muntah-muntah, melancarkan pencernaan, kolera,
asma, sakit gigi dan lain-lain.
Pemilihan kedua daun tersebut didasarkan pada manfaat yang dimilikinya.
Daun ini sangat bermanfaat untuk kehidupan manusia dan merupakan hal yang
tidak rahasia lagi bagi umum mengenai manfaat kedua daun tersebut yaitu daun
tembakau dan cengkeh. Disini dengan adanya manfaat yang besar dari kedua daun
tersebut maka dengan menggunakan metode perceptron ini diharapkan bisa
menjadi referensi untuk mengetahui cara menentukan apakah kedua daun tersebut
terkena penyakit bercak daun dan cacar daun atau tidak sama sekali.
berikut :
a. Pengenalan pola (pattern recognition)
Jaringan syaraf tiruan dapat dipakai untuk mengenali pola (misal huruf,
angka, suara atau tanda tangan) yang sudah sedikit berubah. Hal ini mirip
dengan otak manusia yang masih mampu mengenali orang yang sudah
beberapa waktu tidak dijumpainya (mungkin wajah/bentuk tubuhnya sudah
sedikit berubah). Jurnal yang pernah membahas tentang pengenalan pola
diantaranya yaitu :
o Pemrosesan dan pengenalan suatu gambar dengan menggunakan
jaringan syaraf tiruan (Egmont-Petersen M, de Ridder & Handels,
2002)
o Pengenalan suatu pola yang terjadi dalam suatu kegiatan industri
(Bhagat, 2005)
b. Pemrosesan sinyal
Jaringan syaraf tiruan model ADALINE dapat dipakai untuk menekan
suatu noise yang terdapat dalam saluran telepon. Aplikasi pemrosesan sinyal
ini telah digunakan dalam beberapa jurnal, salah satunya adalah jurnal
pemrosesan sinyal dan gambar dengan menggunakan jaringan syaraf tiruan
(Masters & Timothy, 1994).
c. Peramalan
Jaringan syaraf tiruan juga dapat dipakai untuk meramalkan apa yang
akan terjadi di masa yang akan dating berdasarkan pola kejadian yang telah
ada di masa lampau. Ini dapat dilakukan mengingat kemampuan jaringan
syaraf tiruan untuk mengingat dan membuat generalisasi dari apa yang sudah
ada sebelumnya. Beberapa jurnal yang pernah membahas tentang penggunaan
jaringan syaraf tiruan dalam peramalan ini diantaranya adalah :
o Proses prediksi menggunakan jaringan syaraf tiruan recurrent (Mandic &
Chambers, 2001)
o Pendekatan suatu pola kejadian dengan fungsi aktivasi sigmoid Cybenko,
1989)
o Implementasi jaringan syaraf tiruan untuk memprediksi kadar gula dalam
darah (Suwarno, 2010)
Disamping bidang-bidang yang telah disebutkan di atas, jaringan syaraf
tiruan juga dapat menyelesaikan permasalahan di dalam bidang kontrol,
kedokteran, ekonomi dan lain-lain.
2.1.3
Fungsi Aktivasi
Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf
Proses Pembelajaran
Ada 2 jenis proses pembelajaran, yaitu :
Perceptron
Perceptron termaksud salah satu bentuk jaringan syaraf yang sederhana.
+ daerah positif
- daerah
negatif
-
daerah nol
X1
(untuk sederhananya atur semua bobot dan bobot bias sama dengan
nol ). Atur learning rate : ( 0 < 1 ).
2. Selama kondisdi herhenti bernilai false, lakukan langkah-langkah
berikut :
(i). Untuk setiap pasangan pembelajaran s-t, kerjakan :
a. Atur input dengan nilai sam dengan vektor input :
Xi = Si
b. Hitung respon untuk unit output :
Xi Wi
y_in = b + i
y=
>
1,
0, jika y jika y jika y <
1,
Geja
la A
Geja
la B
Geja
la C
Geja
la D
Geja
la E
Gejal
aF
Geja
la G
Geja
la H
Targe
t
+
+
+
+
-
+
+
+
+
-
+
+
+
+
+
-
+
+
+
+
+
-
+
+
+
-
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
-
+
+
+
+
-
1
1
1
1
1
1
1
1
1
-1
-1
-1
-1
-1
Keterangan :
Target / Output :
o Bercak Daun = 1
o Cacar Daun = -1
Input :
o Ada Gejala (+) = 1
o Tidak Ada Gejala (-) = 0
3.2 Perancangan Motor Inferensi
Deteksi penyakit pada daun tembakau dengan menerapkan algoritma
Artificial Neural Network dengan menggunakan metode pembelajaran terawasi
yaitu Perceptron. Data daun yang akan digunakan dalam proses JST, sebelumnya
akan dikonversi ke dalam bentuk nilai-nilai bipolar [1, -1] dan biner [1, 0], dengan
memiliki komposisi perbandingan 9 : 5 terhadap jumlah daun dan penyakit dari
kedua jenis daun tersebut. Dengan nilai ambang (threshold) sebesar 0 dan
learning rate sebesar 0,5. Dari tabel 3.1 diperoleh tabel 3.2 Sampel data pelatihan
pada daun tembakau.
Tabel 3.2 Sampel Data Pelatihan Pada Daun Tembakau.
Dau
n
ke1
2
3
4
5
6
7
8
9
10
11
12
13
14
Geja
la A
Geja
la B
Geja
la C
Geja
la D
Geja
la E
Gejal
aF
Geja
la G
Geja
la H
Targe
t
1
1
1
1
0
0
0
0
0
0
0
0
0
0
1
1
0
1
0
0
1
0
0
0
0
0
0
0
1
0
1
0
1
1
0
1
0
0
0
0
0
0
1
1
0
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
0
0
0
0
0
1
0
0
1
0
1
1
1
1
0
1
1
1
1
1
0
0
0
0
0
0
1
1
0
1
1
0
0
0
0
0
0
1
0
0
0
0
1
1
0
1
0
1
1
1
1
1
1
1
1
1
-1
-1
-1
-1
-1
Bobot awal
Bobot bias awal
Learning rate (alfa)
Threshold (tetha )
:
:
:
:
Epoh
o Data 1
y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 = 0
Hasil aktivasi = 0 (- y_in )
10
Target = 1
Bobot baru:
W1 = 0,0 + 0,7 * 1,0 * 1,0 = 0,7
W2 = 0,0 + 0,7 * 1,0 * 1,0 = 0,7
W3 = 0,0 + 0,7 * 1,0 * 1,0 = 0,7
W4 = 0,0 + 0,7 * 1,0 * 1,0 = 0,7
W5 = 0,0 + 0,7 * 1,0 * 0,0 = 0,0
W6 = 0,0 + 0,7 * 1,0 * 1,0 = 0,7
W7 = 0,0 + 0,7 * 1,0 * 1,0 = 0,7
W8 = 0,0 + 0,7 * 1,0 * 0,0 = 0,0
Bias baru:
b = 0,0 + 0,7 * 1,0 = 0,7
o Data 2
y_in = 0,7 + 0,7 + 0,7 + 0,0 + 0,7 + 0,0 + 0,0 + 0,0 + 0,0 = 2,8
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 3
y_in = 0,7 + 0,7 + 0,0 + 0,7 + 0 + 0 + 0 + 0 + 0 = 2,1
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 4
y_in = 0,7 + 0,7 + 0,7 + 0 + 0,7 + 0 + 0,7 + 0 + 0 = 3,5
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 5
y_in = 0,7 + 0 + 0 + 0 + 0,7 + 0,7 + 0 + 0 + 0 + 0 = 2,1
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 6
y_in = 0,7 + 0 + 0 + 0,7 + 0,7 + 0 + 0,7 + 0 + 0 = 2,8
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 7
y_in = 0,7 + 0 + 0,7 + 0 + 0 + 0 + 0,7 + 0 + 0 = 2,1
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 8
y_in = 0,7 + 0 + 0 + 0,7 + 0 + 0 + 0,7 + 0,7 + 0 = 2,8
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 9
11
12
BAB II
BACK PROPAGATION
memiliki dasar matematis yang kuat, obyektif dan algoritma ini mendapatkan
bentuk persamaan dan nilai koefisien dalam formula dengan meminimalkan
jumlah kuadrat galat error melalui model yang dikembangkan (training set)
1.
4.
unit masukkan
unit layer tersembunyi
unit keluaran
Vp0
X1
V20
V10
W20
Wm0
Z1
V11
Wm1
V12
Z2
V22
W12
Wm2
Vm2
V1n
Xn
Y1
W11
W21
Vp1 V21
X2
W10
Y2
W22
W1p
W2p
V2m
Vpn
Layer Masukan
Zp
Ym
Wmp
Layer Tersembunyi
Layer Keluaran
I.3. Fungsi Aktifasi
Fungsi aktifasi yang digunakan pada backpropagation yaitu sigmoid biner
dan sigmoid bipolar.
14
15
X1
Vp0
V11
V20
V10
W20
Z1
Vp1 V21
X2
V12
Z2
V22
Vm2
V1n
Xn
V2m
W10
Wm0
W11
W2
Wm1
1
W12
W22
Wm2
Y1
Y2
W1p
Vpn
Zp
W2p
Wmp
Ym
Langkah 5
Hitung semua jaringan di unit keluaran (yk).
16
; k=1,2,3,,m ; j=0,1,2,,p
Langkah 7
Hitung factor unit tersembunyi berdasarkan kesalahan di setiap unit
tersembunyi zj (j=1,2,3,,p)
; j=1,2,,p ; i=0,1,2,,n
17
I.6. Epoch
Epoch yaitu satu siklus pelatihan yang melibatkan semua pola
Misal jika suatu arsitektur JST terdapat 4 pola masukkan dan 1 target,
maka pelatihan 4 pola masukkan tersebut adalah 1 epoch
I.7. Implementasi JST Backpropagation
1. Untuk Pengenalan Pola
Contoh : Implementasi Jaringan Saraf Tiruan Backpropagation Pada
Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda, Metode Jaringan
Saraf Tiruan Backpropagation untuk Pengenalan Huruf Cetak pada Citra
Digital.
2. Untuk Peramalan / Perkiraan
Contoh : Implementasi Jaringan Saraf Tiruan Backpropagation Untuk
Meramalkan Harga Penjualan Crude Palm Oil, Aplikasi Jaringan Syaraf
Tiruan sebagai Metode Alternatif Prakiraan Beban Jangka Pendek.
II.
Penutup
a. Kesimpulan
1. Pada JST Backpropagation, menggunakan hidden layer,supervised,
dan memiliki kemampuan pembelajaran.
2. Penerapan JST Backpropagation biasanya digunakan untuk
pengenalan pola & untuk peramalan atau perkiraan.
3. JST Backpropagation menggunakan fungsi aktifasi sigmoid biner
dan sigmoid bipolar.
4. Keunggulan utama JST adalah kemampuan komputasi yang pararel
dengan cara belajar dari pola-pola yang diajarkan
b. Saran
1. Harus teliti saat menghitung keluaran yang akan dihasilkan.
2. Jumlah epoch harus sesuain dengan input dan output yang
dihasikan.
III.
Daftar Pustaka
1. Sri Kusumadewi. Buku ajar Kecerdasan Buatan, Teknik Informatika UII,
Yogyakarta, 2002.
2. Sutikno., 2010. Algoritma JST Backpropagation & implementasinya
[online]
http://sutikno.blog.undip.ac.id/files/.../2.1-Algoritma-JSTbackpropagation, diakses tanggal 23 Mei 2011).
18
3. NN., 2009. Aplikasi Jaringan Syaraf Tiruan sebagai Metode Alternatif Prakiraan
Beban Jangka Pendek [online]
http://www.elektroindonesia.com/elektro/ener29.html , diakses 23 Mei 2011).
4. NN., 2011. JST Backprogagation Project [online]
(http://simplyknowledge.wordpress.com/2011/01/22/jst-backproaation/,
diakses tanggal 23 Mei 2011).
LAPORAN
MODEL JARINGAN HEBB DAN BACK PROPAGATION
19
Disusun Oleh :
Aryo Ganda Pakpahan
NIM : 1402033
20