PRAKTIKUM
“ JARINGAN TELEKOMUNIKASI,
JARINGAN SARAF TIRUAN
DAN
PROGRAMMABLE LOGIC CONTROLLER “
OLEH :
E1D1 14 009
Penyusun
DAFTAR ISI
Halaman Judul…………………………………………………………………………
Kata Pengantar…………………………………………………………………………
Daftar Isi………………………………………………………………………………..
Bab I Pendahuluan…………………………………………………………………….
1.1 Landasan Teori…………………………………………………………………..
1.2 Klasifikasi Iris……………………………………………………………………
1.3 Gerbang Logika AND……………………………………………………………
1.4 Tujuan Peercobaan……………………………………………………………….
Bab II Metode Praktikum………………………………………………………………
2.1 Waktu Dan Tempat………………………………………………………………
2.2 Alat Dan Bahan…………………………………………………………………..
2.3 Langkah Percobaan………………………………………………………………
Bab III Analisa Data……………………………………………………………………
3.1 Desain Eksperimen………………………………………………………………
3.2 Hasil Eksperimen………………………………………………………………..
Bab IV Penutup………………………………………………………………………..
4.1 Kesimpulan……………………………………………………………………...
4.2 Saran…………………………………………………………………………….
BAB I
PENDAHULUAN
5. Kemudian klik file > new > blank M-file lalu akan muncul tampilan editor
6. Kopi paste program yang tampil pada doc newff tadi ke editor seperti ini
7. Menganti nilai input atau nilai P, nilai target atau nilai T, nilai jumlah
hidden layer atau nilai net dan nilai epoch dengan nilai yang diinginkan
serta menambahkan program goal seperti berikut
3. Kemudian klik file > new > blank M-file lalu akan muncul tampilan editor
4. Menuliskan program pada matlab seperti dibawah ini. Pada kolom
deprogram pembacaan gambar atau imread diisikan dengan nama file yang
tanda tangan yang telah disiapkan sebelumnya. Dalam contoh dibawah ini
yaitu T1 dan T2. Langkah berikutnya mengganti nilai imresize, nilai hidden
layernya atau newffnya, dan menuliskan batas nilai threshold pengolahan
citra digital yaitu 255
5. Me running program sekaligus menyimpan program dengan mengklik icon
kotak yang didalamnya ada segitiga hijau
6. Amati hasilnya sesuai target atau tidak dapat dilihat pada layar workspace
matlab serta bandingkan apabila tanda tangannya berbeda lalu amati apa
yang terjadi
BAB III
ANALISA DATA
1 Z1
2 T1
3 A1
DATA UJI
Citra
NO Nama
Asli Palsu
1 Z2 dan Z3
2 T2 dan T3
3 A2 dan A3
P = [0 0 1 1; 0 1 0 1 ];
T = [0 0 0 1];
net = newff(P,T,15);
Y = sim(net,P);
plot(P,T,P,Y,'o')
net.trainParam.epochs = 50;
net.trainParam.goal = 0.0001;
net = train(net,P,T);
Y = round(sim(net,P));
plot(P,T,P,Y,'o')
clc
% #and 2 masukan#
Dapat dilihat pada table bahwa hasil akurasi tertinggi terdapat pada baris
kolom ke 4 dan baris kolom ke 5. Untuk lebih jelasnya dapat dilihat pada
gambar berikut :
B. Tidak Dilatih
Adapun programnya sama dengan yang dilataih hanya ada sebagian
program yang di nonaktifkan dengan menyorotnya kemudian klik kanan
comment atau ctrl + R yang jadinya seperti ini :
P = [0 0 1 1; 0 1 0 1 ];
T = [0 0 0 1];
net = newff(P,T,9);
Y = sim(net,P);
plot(P,T,P,Y,'o')
%net.trainParam.epochs = 50;
%net.trainParam.goal = 0.0001;
%net = train(net,P,T);
Y = round(sim(net,P));
plot(P,T,P,Y,'o')
clc
% #and 2 masukan#
DATA LATIH
Jumlah
Iterasi Neuron Learning Momentum Kinerja
Akurasi Goal
(Epoch) (Hidden Rate Constant (100 %)
Layer)
2 (1000) 9 6 0.0001 0.01 0.2 80 (3.8)
2 (1000) 33 8 0.0001 0.01 0.2 90 (1.23)
2 (1000) 37 5 0.0001 0.01 0.2 79 (3.7)
2 (500) 9 9 0.0001 0.01 0.2 100 (0)
2 (500) 33 5 0.0001 0.01 0.2 60 (6.2)
DATA UJI
Jumlah
Iterasi Neuron Learning Momentum Kinerja
Akurasi Goal
(Epoch) (Hidden Rate Constant (100 %)
Layer)
2 (1000) 9 5 0.0001 0.01 0.2 80 (2.8)
2 (1000) 33 2 0.0001 0.01 0.2 10 (14)
2 (1000) 37 4 0.0001 0.01 0.2 70 (3.2)
2 (500) 9 5 0.0001 0.01 0.2 80 (2.8)
2 (500) 33 3 0.0001 0.01 0.2 30 (8.3)
Dapat dilihat pada table bahwa hasil akurasi tertinggi pada data
latih terdapat pada baris kolom ke 4 dan hasil akurasi tertinggi pada data uji
terdapat pada baris kolom ke 2 dan baris kolom ke 4. Untuk lebih jelasnya
dapat dilihat pada gambar berikut :
B. Tidak Dilatih
Adapun programnya sama dengan yang dilataih hanya ada sebagian
program yang di nonaktifkan dengan menyorotnya kemudian klik kanan
comment atau ctrl + R yang jadinya seperti ini :
clc
P = [5.1 3.5 1.4 0.2;4.9 3 1.4 0.2;4.7 3.2 1.3 0.2;7 3.2 4.7
1.4;6.4 3.2 4.5 1.5;6.9 3.1 4.9 1.5;5.8 2.7 5.1 1.9;7.1
3 5.9 2.1;6.3 2.9 5.6 1.8];
Puji = [4.6 3.1 1.5 0.2;5 3.6 1.4 0.2;5.5 2.3 4 1.3;6.5 2.8
4.6 1.5;6.5 3 5.8 2.2;7.6 3 6.6 2.1];
P =transpose(P);
Puji =transpose(Puji);
T = [1 1 1 2 2 2 3 3 3];
Tuji=[1 1 2 2 3 3];
net = newff(P,T,4);
% net.trainParam.epochs = 10;
% net.trainParam.goal = 0.0001;
% net.trainParam.lr = 0.01;
% net.trainParam.mu = 0.2;
net.performFcn = 'mse';
% net = train(net,P,T);
Y = round(sim(net,P));
Y2= round(sim(net,Puji));
DATA LATIH
Jumlah
Iterasi Neuron Learning Momentum Kinerja
Akurasi Goal
(Epoch) (Hidden Rate Constant (100 %)
Layer)
- 33 0 - - - 1(26)
- 9 2 - - - 50 (5)
- 7 4 - - - 77 (3.7)
- 5 4 - - - 89 (1.23)
- 3 2 - - - 78 (1.23)
DATA UJI
Jumlah
Iterasi Neuron Learning Momentum Kinerja
Akurasi Goal
(Epoch) (Hidden Rate Constant (100 %)
Layer)
- 33 0 - - - 0.5 (33)
- 9 1 - - - 45 (5.5)
- 7 1 - - - 30 (13.9)
- 5 3 - - - 46 (5.6)
- 3 2 - - - 70 (3.8)
Dapat dilihat pada table bahwa hasil akurasi tertinggi pada data
latih terdapat pada baris kolom ke 3 dan baris kolom ke 4. Hasil akurasi
tertinggi pada data uji terdapat pada baris kolom ke 4. Untuk lebih jelasnya
dapat dilihat pada gambar berikut :
3.2.3 Percobaan Ke Tiga
Adapun hasil eksperimen dari dua tiga tanda tangan yang terdiri dari
tanda tangan asli dan tanda tangan palsu yang dijadikan data uji. Untuk lebih
jelasnya dapat dilihat dibawah ini bentuk penulisan program yang dipakai pada
matlab.
clc
%data pelatihan%
d=imread('Z1.jpg'); figure, imshow(d);
J2= rgb2gray(d);
J2=imresize(J2,[8 8]);
J2=transpose(J2);
J2=J2<255;
J2=im2double(J2);
target=[0 0 0 0 0 0 0 1];
%data uji%
d=imread('Z2.jpg'); figure, imshow(d);
K2= rgb2gray(d);
K2=imresize(K2,[8 8]);
K2=transpose(K2);
K2=K2<255;
K2=im2double(K2);
imshow(J2)
%Melakukan pembelajaran%
net=train(net,J2,target);
%Melakukan pengujian%
an1=round(sim(net,J2));
an_uji=round(sim(net,K2));
Permodelan Input
Input Target Citra Tanda Tangan Subyek
Z1 0000 0001
T1 0000 0010
A1 0000 0100
CITRA TANDA TANGAN PERTAMA
0 1 1 1 0 1 1 0 0
1 1 1 1 1 1 1 0 0
1 1 1 1 1 1 0 0 0
64
1 1 1 1 1 1 0 0 0
24
1 1 1 1 1 1 0 0 0
8
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 1
0 0 0 0 1 1 1 0 0
1 1 1 1 1 1 0 0 0
1 1 1 1 1 1 0 0 0
64
0 0 1 1 1 1 0 0 0
24
0 0 1 1 1 1 0 0 0
8
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 1
0 0 0 0 0 0 0 0 1
0
0 0 0 0 0 0 0 0
0
0 1 1 1 1 1 1 0
0
0 1 1 1 1 1 1 0 64
0
0 0 0 1 1 1 1 0 24
0
0 0 0 0 1 1 1 0 8
0
0 0 0 0 1 1 1 0
1
0 0 0 0 1 1 1 0
0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
0 0 1 1 1 1 0 0 1
0 1 1 1 1 1 1 0 1
64
0 1 1 1 1 1 1 0 1
24
0 0 0 1 1 1 0 0 1
8
0 0 1 1 1 1 0 0 1
0 0 0 0 0 0 0 0 1
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
0 0 0 1 1 1 0 0 0
64 0
0 1 1 1 1 1 0 0
24 0
0 1 1 1 1 0 0 0
8 0
0 0 1 1 1 1 0 0
0 1 1 1 1 1 0 0 1
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
0 0 0 0 1 1 0 0 0
0 0 1 1 1 1 0 0 0
0 1 1 1 1 0 0 0 0
64
0 0 1 1 1 1 0 0 0
24
0 1 1 1 1 1 0 0 0
8
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
Z2 Teridentifikasi
T2 Teridentifikasi
A2 Teridentifikasi
Tabel Hasil Pengujian Jaringan Terhadap Data Citra Bukan Asli
Tidak
Z3
Teridentifikasi
Tidak
T3
Teridentifikasi
Tidak
A3
Teridentifikasi
BAB IV
PENUTUP
4.1 Kesimpulan
Adapun kesimpulan dari percobaan ini adalah sebagai berikut :
a. Jaringan saraf tiruan (JST) sebagai salah satu sistem pengolah informasi
yang memiliki karakteristik kinerja menyerupai jaringan saraf biologis
berkembang sangat pesat.
b. Backpropagation adalah algoritma pembelajaran untuk memperkecil tingkat
error dengan cara menyesuaikan bobotnya berdasarkan perbedaan output dan
target yang diinginkan.
c. MATLAB mengintegrasikan komputasi, visualisasi, dan pemrograman
dalam suatu model yang sangat mudah untuk pakai dimana masalah-masalah
dan penyelesaiannya diekspresikan dalam notasi matematika yang familiar.
d. Gerbang Logika atau dalam bahasa Inggris disebut dengan Logic Gate
adalah dasar pembentuk Sistem Elektronika Digital yang berfungsi untuk
mengubah satu atau beberapa Input (masukan) menjadi sebuah sinyal Output
(Keluaran) Logis.
e. Gerbang AND akan menghasilkan Keluaran (Output) Logika 1 jika semua
masukan (Input) bernilai Logika 1 dan akan menghasilkan Keluaran
(Output) Logika 0 jika salah satu dari masukan (Input) bernilai Logika 0.
f. Dataset iris merupakan data umum yang biasa digunakan dalam eksperimen
klasifikasi.
g. Tanda tangan merupakan salah satu keunikan yang dimiliki setiap orang
sehingga seringkali dipakai dalam menentukan keabsahan dari suatu
dokumen ataupun transaksi.
4.2 Saran
Adapun saran dari laporan praktikum ini adalah untuk lebih diajari lagi
cara membuat program, sehingga para praktikan dapat menyelesaikan laporan
ini tanpa hambatan.
DAFTAR PUSTAKA
Irawati, Indrarini Dyah. Analisa Kinerja Jaringan Syaraf Tiruan Back Propagation.
Jurnal Teknik Informatika, 2011: 378-386.
Kristanto, Andri. Jaringan Syaraf Tiruan (Konsep Dasar, Algoritma, dan Aplikasi).
Yogyakarta: Gava Media, 2004.
Qur’ani, Difla Yustisia, dan Safrina Rosmalinda. Jaringan Syaraf Tiruan Learning
Vector Quantization Untuk Aplikasi. Jurnal Teknik Infromatika, 2010: 6-10.
Russel, Stuart, dan Peter Norvig. Artificial Intelligence: a Modern Approach. New
Jersey: Prentice Hall, 2003.
Sudana, Oka. Sistem Verifikasi Citra Tandatangan. Jurnal Teknik Eletro, 2006: 38-44.
Wijaya, Marvin Ch., dan Agus Prijono. Pengolahan Citra Digital Menggunakan
Matlab. Bandung: Informatika,2000
http://teknikelektronika.com/pengertian-gerbang-logika-dasar-simbol/
https://novikaginanto.wordpress.com/2012/11/14/backpropogation/
https://id.wikipedia.org/wiki/Jaringan_saraf_tiruan