Aplikasi Matlab untuk

Jaringan Syaraf Tiruan

Contoh Penggunaan Multi Layer Perceptron (MLP)
Kegunaan JST
• JST bisa digunakan untuk menyelesaikan berbagai
masalah, seperti:
• klasifikasi,
• optimasi,
• kompresi,
• peramalan (forecasting),
• sistem kontrol,
• sistem pendeteksian kecurangan dsb.
Contoh masalah
I. Membuat Jaringan (Network) dengan MLP-JST
1. Menentukan matrik input dan matrik target
 Masukan Input data dan target
Data
• Input data merupakan beberapa himpunan observasi
yang bisa terdiri dari beberapa inputan. Pada contoh
ini ada 3 input data (IPK, Psikologi, Wawancara).
• Target data merupakan himpunan data yang
merupakan keputusan dari hasil inputan data. Pada
contoh ini berupa keputusan diterima atau ditolak.
• Proses data input dan target dimasukan seperti
gambar berikut.
Langkah di Matlab
(Menentukan matrik input dan matrik target)
• Ketik nntool di command window, kemudian enter.
Maka akan muncul:
2. Menentukan parameter JST
pada Jaringan
• Setelah menentukan matrik masukan (matrik P) dan
matrik target (matrik T). Kemudian menentukan
parameter belajar dan menjalankan proses belajar
terhadap JST, yakni:

➢Implementasi jenis JST yang digunakan Multilayer Perceptron

(MLP), dengan metode Feed forward backpropagation.

➢Arsitektur yang digunakan 3-2-1, artinya 3 node masukan

(psikotes, ipk, wawwancara), 2 neuron pada hidden layer dan 1
neuron pada output layer.

➢Sebagai kondisi berhenti adalah nilai ambang Mean Square Error

(MSE) sebesar 10-5 atau maksimum iterasi sebanyak 5000 epoch.
Langkah di Matlab
(Menentukan parameter JST)

Klik Rekrutmen pada kolom

networks dua kali
 3. Pelatihan Jaringan (Network
Training)
• Pelatihan jaringan menggunakan algoritma propagasi
balik (back forward backpropagation) untuk melatih
model Multi Layer Perceptron (MLP).
• Hasil pelatihan jaringan dilakukan sampai dihasilkan
Mean Square Error (MSE) yang diharapkan kecil dan
nilai R mendekati 1.
• Setelah nilai MSE dan R sudah didapatkan sesuai
kriteria, maka pelatihan jaringan (Network training)
dihemtikan. Sehingga akan dihasilkan nilai bobot
sinaptik dari proses pelatihan adalah matrik W1
(bobot sinaptik antara input dengan hidden neuron)
dan W2 (bobot sinaptik antara hidden neuron dengan
output.
Langkah di Matlab
(Pelatihan Jaringan)

Klik train network

Perhitungan mendapatkan output berdasarkan bobot
sipnastik dan bias yang didapatkan dari model MLP
JST diatas
II.Contoh aplikasi MLP-JST pada
peramalan (regression)
• Ketik nftool
Hasil plot regression

Nilai koeefisien
determinasi (R)
cukup bagus = 0,769
Persamaan :
Output=0,67*Target + 0,33
Kriteria model peramalan bagus
dapat dilihat dari hasil sbb

Nilai Mean Square Error = 10-15 ,

mendekati nol ( sangat kecil)
II.Contoh aplikasi MLP-JST pada
pengklasifikasian
• Masih menggunakan input data tes calon karyawan dan hasilnya akan
diklasifikasikan diterima atau tidak diterima.

• 1. Ketik nprtool pada comand window, akan muncul toolbox sbb:

%E = 0, menunjukan tidak ada
salah dalam pengklasifikasian
nya ( not misclassification)