Laporan Jaringan Telekomunikasi, JST & PLC Eva

LAPORAN LENGKAP
PRAKTIKUM
“ JARINGAN TELEKOMUNIKASI,
JARINGAN SARAF TIRUAN
DAN
PROGRAMMABLE LOGIC CONTROLLER “
OLEH :
EVA SYAMROSBANIA LELANA
E1D1 14 009
JURUSAN TEKNIK ELEKTRO

FAKULTAS TEKNIK
UNIVERSITAS HALU OLEO
KENDARI
2017
KATA PENGANTAR
Assalamualaikum Warahmatullahi Wabarakatu

Dengan menyebut nama Allah SWT yang maha pengasih lagi maha penyayang,
penyusun panjatkan puja dan puji syukur atas kehadirat-nya yang telah melimpahkan
rahmat, hidayah dan inayah-nya kepada penyusun sehingga penyusun dapat
menyelesaikan laporan tentang “ Jaringan Telekomunikasi, JST & PLC “.
Laporan ini telah disusun dengan maksimal dan mendapatkan bantuan dari
berbagai pihak sehingga dapat memperlancar pembuatan laporan ini. Untuk itu
penyusun menyampaikan banyak terima kasih kepada semua pihak yang telah
berkontribusi dalam pembuatan laporan ini.
Terlepas dari semua itu, penyusun menyadari sepenuhnya bahwa masih ada
kekurangan baik dari segi susunan kalimat maupun tata bahasanya. Oleh karena itu
dengan tangan terbuka penyusun menerima segala saran dan kritik dari pembaca agar
penyusun dapat memperbaiki laporan ini.
Akhir kata penyusun berharap semoga laporan ini dapat memberikan manfaat
maupun inspirasi terhadap pembaca. AMIN.
Kendari, 3 Agustus 2017
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
1.1 Landasan Teori

Jaringan saraf tiruan (JST) sebagai salah satu sistem pengolah informasi yang
memiliki karakteristik kinerja menyerupai jaringan saraf biologis berkembang
sangat pesat. Perkembangan ini seiring dengan munculnya berbagai masalah yang
tidak dapat diselesaikan secara efisien oleh proses komputasi konvensional, karena
algoritma yang ada tidak dapat diformulasikan secara eksplisit dan embutuhkan
informasi dalam jumlah yang besar. (Kristanto, 2004)
Ada beberapa metode dalam jaringan saraf tiruan, salah satunya adalah metode
backpropagation. Backpropagation merupakan algoritma terbaik di antara algoritma
lainnya, seperti perceptron dan delta rule (Mutasem, 2009). Backpropagation juga
merupakan metode yang sangat baik dalam proses klasifikasi mengingat
kemampuannya dalam mengadaptasikan kondisi jaringan dengan data yang
diberikan dengan proses pembelajaran (Kristanto, 2004). Ciri dari metode ini adalah
meminimalkan error ada output yang dihasilkan oleh jaringan. Dengan kata lain,
backpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya
dalam dua arah yaitu arah mundur (backward) dan perambatan maju (forward
propagation), ini memungkinkan pembentukan jaringan yang lebih baik dari metode
yang lain. Namun dibalik kelebihannya tersebut, backpropagation memiliki
kelemahan yang sangat menonjol, yaitu membutuhkan waktu yang cukup lama
dalam proses pembelajaran (Haykin, 2008).
Untuk itu diperlukan pengembangan pada metode backpropagation, yakni untuk
mempercepat proses pembelajaran mencapai error terkecil. Salah satu
pengembangan yang dapat dilakukan adalah penggunaan teknik adaptive learning
rate, dimana parameter learning rate atau tingkat pembelajaran akan selalu berubah-
ubah sesuai dengan rumus tertentu. (Moreira & Fiesler, 1995).
Backpropagation adalah algoritma pembelajaran untuk memperkecil tingkat
error dengan cara menyesuaikan bobotnya berdasarkan perbedaan output dan target
yang diinginkan. Backpropagation juga merupakan sebuah metode sistematik untuk
pelatihan multilayer JST. Backpopagation dikatakan sebagai algoritma pelatihan
multilayer karena Backpropagation memiliki tiga layer dalam proses pelatihannya,
yaitu input layer, hidden layer dan output layer, dimana backpropagation ini
merupakan perkembangan dari single layer network (Jaringan Layar Tunggal) yang
memiliki dua layer, yaitu input layer dan output layer. Dengan adanya hidden layer
pada backpropagation dapat menyebabkan besarnya tingkat error pada
backpropagation lebih kecil dibanding tingkat error pada single layer network. Hal
tersebut dikarenakan hidden layer pada backpropagation berfungsi sebagai tempat
untuk mengupdate dan menyesuaikan bobot, sehingga didapatkan nilai bobot yang
baru yang bisa diarahkan mendekati dengan target output yang diinginkan.
Gambar 1.1 Arsitektur Back Propagtion Secara Horizontal

Arsitektur algoritma backpropagation terdiri dari tiga layer, yaitu input layer,
hidden layer dan output layer. Pada input layer tidak terjadi proses komputasi,
namun pada input layer terjadi pengiriman sinyal input X ke hidden layer. Pada
hidden dan output layer terjadi proses komputasi terhadap bobot dan bias dan
dihitung pula besarnya output dari hidden dan output layer tersebut berdasarkan
fungsi aktivasi tertentu. Dalam algoritma backpropagation ini digunakan fungsi
aktivasi sigmoid biner, karena output yang diharapkan bernilai antara 0 sampai 1.
1.2 MATLAB
MATLAB adalah sebuah bahasa dengan kinerja tinggi untuk komputasi masalah
teknik. 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. Penggunaan
Matlab meliputi :
• Matematika dan komputasi
• Pembentukan algoritma
• Akusisi data
• Pemodelan, simulasi, dan pembuatan prototype
• Analisa data, explorasi, dan visualisasi
• Grafik keilmuan dan bidang rekayasa
Nama MATLAB merupakan singkatan dari matrix laboratory. Dalam
lingkungan perguruan tinggi teknik, Matlab merupakan perangkat standar untuk
memperkenalkan dan mengembangkan penyajian materi matematika, rekayasa
dan kelimuan. Di industri, MATLAB merupakan perangkat pilihan untuk penelitian
dengan produktifitas yang tingi, pengembangan dan analisanya. Fitur-fitur
MATLAB sudah banyak dikembangkan, dan lebih kita kenal dengan nama toolbox.
Sangat penting bagi seorang pengguna MATLAB, toolbox mana yang mandukung
untuk learn dan apply technology yang sedang dipelajarinya. Toolbox ini
merupakankumpulan dari fungsi-fungsi MATLAB (M-files) yang telah
dikembangkan ke suatu lingkungan kerja MATLAB untuk memecahkan masalah
dalam kelas particular. Area-area yang sudah bisa dipecahkan dengan toolbox
saat ini meliputi pengolahan sinyal, system kontrol, neural networks, fuzzy logic,
wavelets, dan lain-lain.
Sebagai sebuah system, MATLAB tersusun dari 5 bagian utama:
1. Development Environment, merupakan sekumpulan perangkat dan
fasilitas yang membantu kita untuk menggunakan fungsi-fungsi dan file-
file MATLAB. Beberapa perangkat ini merupakan sebuah Graphical User
Interfaces (GUI). Termasuk didalamnya adalah MATLAB desktop dan
Command Window, Command History,sebuah editor dan debugger, dan
browsers untuk melihat help, workspace, files, dan search path.
2. MATLAB Mathematical Function Library, merupakan sekumpulan
algoritma komputasi mulai dari fungsi fungsi dasar seperti: sum, sin, cos,
dan complex arithmetic, sampai dengan fungsi-fungsi yang lebih kompek
seperti matrix inverse, matrix eigenvalues, Bessel functions, dan fast Fourier
transforms.
3. MATLAB Language, merupakan suatu high-level matrix/array
language dengan control flow statements, functions, data structures,
input/output, dan fitur-fitur object-oriented programming. Ini
memungkinkan bagi kita untuk melakukan kedua hal baik “pemrograman
dalam lingkup sederhana ” untuk mendapatkan hasil yang cepat, dan
“pemrograman dalam lingkup yang lebih besar” untuk memperoleh hasil-
hasil dan aplikasi yang komplek.
4. Graphics, MATLAB memiliki fasilitas untuk menampilkan vector dan
matrices sebagai suatu grafik. Didalamnya melibatkan high-level functions
(fungsi-fungsi level tinggi) untuk visualisasi data dua dikensi dan data
tiga dimensi, image processing, animation, dan presentation graphics. Ini
juga melibatkan fungsi level rendah yang memungkinkan bagi kita untuk
membiasakan diri untuk memunculkan grafik mulai dari benutk yang
sederhana sampai dengan tingkatan graphical user interfaces pada aplikasi
MATLAB.
5. MATLAB Application Program Interface (API), merupakan suatu library
yang memungkinkan program yang telah kita tulis dalam bahasa C dan
Fortran mampu berinterakasi dengan MATLAB. Ini melibatkan fasilitas
untuk pemanggilan routines dari MATLAB (dynamic linking),
pemanggilan MATLAB sebagai sebuah computational engine, dan untuk
membaca dan menuliskan MAT-files.
Panduan untuk mengetahui perintah-perintah dalam Matlab . Beberapa
perintah dasar matlab yang sering dipakai antara lain :
Untuk mengetahui direktori instruksi di dalam Matlab
>>help : Untuk mengetahui instruksi apa saja dalam suatu direktori instruksi
>>what <nama direktori>
Jika instruksi what dipakai tanpa diikuti nama direktori maka yang akan
muncul adalah M-file (source) yang disimpan pada direktori aktif. Untuk
mengetahui syntax penulisan suatu perintah dapat digunakan perintah help:
>>help <instruksi/perintah>
MATLAB mempunyai berbagai jendela tampilan yang bermacam macam
sebagai berikut :
1. Matlab Command Window
MATLAB Command window adalah jendela yang muncul ketika kita
akan membuka pertama kali setiap kita menjalankan aplikasi MATLAB.
Pada jendela tampilan ini kita dapat melakukan akses-akses ke
command-command MATLAB dengan cara mengetikkan algoritma-
algoritma pada MATLAB, seperti mengakses help window dan lain-lainnya.
Command Window (layar perintah) dapat kita gunakan untuk
menjalankan program/perintah yang dibuat pada jendela tampilan editor
matlab. Pada jendela tampilan/window ini kita dapat menelusuri perintah
dengan memasukkan algoritma maupun komponen pendukung (help file, dll)
yang ada di matlab secara langsung. Salah satu karakteristik dari
command windows ditandai dengan tanda prompt (>>). Dan juga
merupakan window yang digunakan untuk mengeksekusi instruksi perbaris.
Command window siap digunakan jika sudah muncul prompt sebagai
berikut:
>>Setiap akan mengeksekusi baris instruksi, harus menekan tombol enter
pada keyboard
Gambar 1.2 Matlab Command Window

2. Matlab Edittor/Debugger(Editor M-File/Pencarian Kesalahan)
Jendela ini adalah alat yang disediakan oleh Matlab versi 5 ke atas.
Berfungsi sebagai editor script Matlab (M-file). Walaupun sebenarnya
script ini untuk pemrograman Matlab dapat saja menggunakan editor
yang lain seperi notepad, notepad ++, maupun word.
Untuk mengakses jendela tampilan m-file ini dapat kita lakukan dengan
cara sebagai berikut:
1. Pilih menu File - kemudian pilih New
2. Pilih m-file, maka MATLAB akan menampilkan editor window :
Gambar 1.3 Editor M-File

Selain dengan cara di atas untuk menampilkan editor pada M-file
tersebut, kita dapat juga melakukanya dengan cara :
>> edit
3. Figure Windows
Jendela tampilan ini merupakan hasil visualisasi dari script Matlab.
Namun Matlab member kemudahan bagi programmer untuk mengedit
jendela tampilan ini sekaligus memberikan program khusus untuk itu.
Sehingga jendela tampilan ini selain berfungsi sebagai visualisasi output
dapat juga sekaligus menjadi media input yang interaktif.
Gambar 1.4 Figure Windows
4. Matlab Help Windows
MATLAB juga menyediakan sistem help yang dapat diakses dengan
perintah help. Misalnya, untuk memperoleh informasi tentang fungsi elfun,
if, for, dll. Yang merupakan bagian dari fungsi untuk trigonometri,
eksponensial, complex dan lain-lain.
Gambar 1.5 Matlab Help Windows
1.3 Gerbang Logika AND

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.
Gerbang Logika beroperasi berdasarkan sistem bilangan biner yaitu bilangan yang
hanya memiliki 2 kode simbol yakni 0 dan 1 dengan menggunakan Teori Aljabar
Boolean.
Gerbang AND memerlukan 2 atau lebih Masukan (Input) untuk menghasilkan
hanya 1 Keluaran (Output). 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.
Simbol yang menandakan Operasi Gerbang Logika AND adalah tanda titik (“.”)
atau tidak memakai tanda sama sekali. Contohnya : Z = X.Y atau Z = XY.
Gambar 1.6 Simbol dan Tabel Kebenaran Gerbang AND
1.4 Klasifikasi Iris

Iris adalah jenis dari spesies bunga yang memiliki warna yang cukup
menarik. Iris berasal dari bahasa yunani yang artinya adalah pelangi. Dataset iris
merupakan data umum yang biasa digunakan dalam eksperimen klasifikasi. Dataset
ini pertama kali dikenalkan oleh Sir Ronald Aylmer Fisher pada tahun 1936 sebagai
contoh dari permasalahan analisis diskriminan [Wikipedia].
Dataset iris ini memiliki empat atribut yang menjadi feature dalam
klasifikasi tiga kelas yang berbeda. Keempat feature tersebut adalah sepal length,
sepal width, petal length, dan petal width. Sementara tiga kelas yang menjadi dasar
klasifikasi adalah species yaitu setosa, versicolor, dan virginica.
1.5 Pengolahan Citra Digital

Tanda tangan adalah tulisan tangan yang diberi gaya tertentu dari nama
seseorang atau tanda identifikasi lainnya. Tanda tangan merupakan salah satu
keunikan yang dimiliki setiap orang sehingga seringkali dipakai dalam menentukan
keabsahan dari suatu dokumen ataupun transaksi (Sutikno, 2003). Pada umumnya,
pengenalan tanda tangan dilakukan secara offline dan manual yaitu dengan
mencocokkan tanda tangan pada saat transaksi dengan tanda tangan yang sah.
Namun cara manual ini memiliki resiko terjadinya kesalahan untuk transaksi yang
banyak dan berulang.
Selain itu, pada kenyataannya tanda tangan seseorang tidak selalu persis sama
antara tanda tangan yang satu dengan yang lain. Oleh karena itu, diperlukan sebuah
sistem yang mampu menganalisa tanda tangan seseorang sehingga mempermudah
proses pengenalan. Dalam pembuatan sistem ini diterapkan pengolahan citra digital
berupa teknik grayscale, thresholding, segmentation, size normalization, thinning,
dan region serta pengunaan metode jaringan saraf tiruan Radial Basis Function
sehingga diharapkan sistem dapat melakukan pengenalan tanda tangan secara offline
dengan tepat.
1.6 Tujuan Percobaan

Adapun tujuan dari pelaksanaan percobaan ini antara lain ialah :
1. Dapat mengoperasikan software matlab dengan baik dan benar
2. Dapat menggunakan jarigan saraf tiruan backpropagation pada matlab untuk
memastikan masukan atau input dari sebuah gerbang logika sesuai dengan target
yang telah ditentukan atau tidak
menentukan berapa error yang terjadi dari suatu data lengkap dengan targetnya
yang telah ada sebelumnya
mengenali suatu pola tanda tangan untuk mengetahui apakah tanda tangan itu
asli atau palsu
BAB II
METODE PRAKTIKUM
2.1 Waktu Dan Tempat

Adapun waktu dan tempat diadakan Praktikum JaringanTelekomunikasi, JST
& PLC yaitu :
Hari/Tanggal : Jum’at, 02 Juni 2017
Pukul : 10.00 WITA sampai selesai
Tempat : Laboratorium Komputasi dan Pemrograman
Fakultas Teknik
Universitas Halu Oleo Kendari
2.2 Alat Dan Bahan

Adapun alat dan bahan yang digunakan dalam praktikum ini yaitu berupa :
1. Operating System :
Microsoft Office Word 2007 Windows 7 Ultimate
2. Computational Tools :
MATLAB Version 7.8.0.347 R2009a 64-bit (win64)
3. Processor :
Intel (R) Core (TM) i3-4030U CPU @1.90 Ghz
4. RAM :
2000 MB
2.3 Langkah Percobaan

2.3.1 Percobaan Pertama
1. Menyiapkan atau membuat data yang akan diproses
2. Membuka software matlab sehingga muncul tampilan sebaga berikut
3. Menuliskan kalimat help newff pada command window kemudian tekan
enter lalu akan muncul tampilan seperti ini
4. Klik tulisan doc newff sehingga muncul tampilan
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
8. Me running program sekaligus menyimpan program dengan mengklik icon

kotak yang didalamnya ada segitiga hijau
9. Amati hasilnya sesuai target atau tidak yang dapat dilihat melalui command
window dengan menulis T kemudian enter dan Y kemudian enter seperti
berikut
2.3.2 Percobaan Ke Dua

1. Menyiapkan atau membuat data yang akan diproses
6. Kopi paste program pada percobaan pertama tadi ke editor kemudian
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, learning rate, momentum constant,
performFcn, dan transpose seperti berikut

8. Amati hasilnya sesuai target atau tidak serta berapa persen erornya yang
dapat dilihat melalui command window dengan menulis T kemudian enter
dan Y kemudian enter serta T-Y > enter > (mean(ans) / jumlah ans) * 100 >
enter seperti berikut
2.3.3 Percobaan Ke Tiga
1. Menyiapkan atau membuat data yang akan diproses dalam hal ini tanda
tangan asli dan tanda tangan tiruan
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
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
3.1 Desain Eksperimen

Adapun data yang akan dipakai atau diproses pada percobaan pertama ini
yaitu table kebenaran gerbang logika AND (gerbang masing-masing) dengan 2
masukan seperti ini :
A B T
0 0 0
0 1 0
1 0 0
1 1 1

Adapun data yang akan dipakai atau diproses pada percobaan kedua ini
yaitu table deta set iris seperti ini :
DATA LATIH
Klasifikasi I
5.1 3.5 1.4 0.2 1
4.9 3 1.4 0.2 1
4.7 3.2 1.3 0.2 1
Klasifikasi II
7 3.2 4.7 1.4 2
6.4 3.2 4.5 1.5 2
6.9 3.1 4.9 1.5 2
Klasifikasi III
5.8 2.7 5.1 1.9 3
7.1 3 5.9 2.1 3
6.3 2.9 5.6 1.8 3
DATA UJI
Klasifikasi I
4.6 3.1 1.5 0.2 1
5 3.6 1.4 0.2 1
Klasifikasi II
5.5 2.3 4 1.3 2
6.5 2.8 4.6 1.5 2
Klasifikasi III
6.5 3 5.8 2.2 3
7.6 3 6.6 2.1 3

Catatan ; tanda tangan dibuat sendiri-sendiri sesuai keinginan
DATA PELATIHAN
NO Nama Citra
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
3.2 Hasil Eksperimen

Adapun hasil eksperimen terbagi menjadi dua bagian yaitu yang dilatih
(menggunakan program train pada programnya) dan tidak dilatih
(menggunakan program train pada programnya) seperti berikut :
A. Dilatih
Programnya :
Catatan ganti nilai P,T,net= newff,epochs.
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#
Iterasi Jumlah Neuron

Akurasi Goal
(Epoch) (Hidden Layer)
1(50 Epoh) 12 3 0.0001
1 (20 Epoh) 10 3 0.0001
1 (20 Epoh) 9 1 0.0001
1 (50 Epoh) 13 4 0.0001
2 (50 Epoh) 15 4 0.0001
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);
plot(P,T,P,Y,'o')
clc
% #and 2 masukan#
Iterasi Jumlah Neuron

Akurasi Goal
(Epoch) (Hidden Layer)
- 15 1 -
- 5 0 -
- 10 0 -
- 20 0 -
- 9 1 -
Dapat dilihat pada table bahwa hasil akurasi tertinggi terdapat pada
baris kolom ke 1 dan baris kolom ke 5. Untuk lebih jelasnya dapat dilihat
pada gambar berikut :
Adapun hasil eksperimen terbagi menjadi dua bagian yaitu yang dilatih
(menggunakan program train pada programnya) dan tidak dilatih
(menggunakan program train pada programnya) seperti berikut :
A. Dilatih
Programnya :
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,9);
net.trainParam.lr = 0.01;
net.trainParam.mu = 0.2;
net.performFcn = 'mse';
net = train(net,P,T);
Y2 = round(sim(net,Puji));
Clc
Ganti nilai epochs,net=newff
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
Akurasi Goal
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 = train(net,P,T);
Y2= round(sim(net,Puji));
DATA LATIH
Jumlah
Akurasi Goal
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
Akurasi Goal
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 :
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)
%membangun jaringan saraf feedforward%

net=newff(J2,target,[64 24
8],{'logsig','logsig','logsig'},'trainlm');
%Set max epoh, goal, learning rate, momentum%

net.trainParam.mu = 0.85;
%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
A. Asli dengan asli

1. Struktur Jaringan Saraf tiruan
Input Hidden Layer Output
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
2. Hasil Pemrograman Matlab

B. Asli dengan palsu
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

CITRA TANDA TANGAN KE DUA
A. Asli dengan asli

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

CITRA TANDA TANGAN KE TIGA
A. Asli dengan asli

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

Tabel Hasil Pengujian Jaringan Terhadap Data Citra Asli
Nama Citra Hasil
Z2 Teridentifikasi
T2 Teridentifikasi
A2 Teridentifikasi
Tabel Hasil Pengujian Jaringan Terhadap Data Citra Bukan Asli
Nama Citra Hasil
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.
Sutikno, S. Aplikasi Pengenalan Tanda Tangan Dengan Metode Learning Vector

Quantization Dan Backpropagation. Jurnal Teknik Informatika, 2010: 1-4.
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

Laporan Jaringan Telekomunikasi, JST &amp; PLC Eva

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Laporan Jaringan Telekomunikasi, JST &amp; PLC Eva

Diunggah oleh

Hak Cipta:

Format Tersedia

LAPORAN LENGKAP

EVA SYAMROSBANIA LELANA

JURUSAN TEKNIK ELEKTRO

Assalamualaikum Warahmatullahi Wabarakatu

Kendari, 3 Agustus 2017

1.1 Landasan Teori

Gambar 1.1 Arsitektur Back Propagtion Secara Horizontal

Gambar 1.2 Matlab Command Window

Gambar 1.3 Editor M-File

Gambar 1.5 Matlab Help Windows

1.3 Gerbang Logika AND

Gambar 1.6 Simbol dan Tabel Kebenaran Gerbang AND

1.4 Klasifikasi Iris

1.5 Pengolahan Citra Digital

1.6 Tujuan Percobaan

2.1 Waktu Dan Tempat

2.2 Alat Dan Bahan

2.3 Langkah Percobaan

4. Klik tulisan doc newff sehingga muncul tampilan

8. Me running program sekaligus menyimpan program dengan mengklik icon

2.3.2 Percobaan Ke Dua

7. Me running program sekaligus menyimpan program dengan mengklik icon

3.1 Desain Eksperimen

3.1.2 Percobaan Ke Dua

3.1.3 Percobaan Ke Tiga

3.2 Hasil Eksperimen

Iterasi Jumlah Neuron

Iterasi Jumlah Neuron

Ganti nilai epochs,net=newff

%membangun jaringan saraf feedforward%

%Set max epoh, goal, learning rate, momentum%

A. Asli dengan asli

Input Hidden Layer Output

2. Hasil Pemrograman Matlab

Input Hidden Layer Output

2. Hasil Pemrograman Matlab

A. Asli dengan asli

2. Hasil Pemrograman Matlab

2. Hasil Pemrograman Matlab

A. Asli dengan asli

2. Hasil Pemrograman Matlab

2. Hasil Pemrograman Matlab

Nama Citra Hasil

Nama Citra Hasil

Sutikno, S. Aplikasi Pengenalan Tanda Tangan Dengan Metode Learning Vector

Anda mungkin juga menyukai

Laporan Jaringan Telekomunikasi, JST & PLC Eva

Laporan Jaringan Telekomunikasi, JST & PLC Eva