Makalah Jaringan Syaraf Tiruan Menggunakan Metode Perceptron PDF
Makalah Jaringan Syaraf Tiruan Menggunakan Metode Perceptron PDF
PENDAHULUAN
1
yaitu metode mengenali pola dengan baik, bisa dikatakan handal karena metode
perceptron ini memiliki prosedur belajar yang dapat mengahasilkan bobot yang
konvergen sehingga memungkinkan output yang didapat sesuai dengan target
tiap input pola.
Metode perceptron ini yang akan digunakan untuk mengidentifikasi daun
apakah terkena penyakit cacar daun atau bercak daun. Metode perceptron ini
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.
2
1.2 Rumusan Masalah
Berdasarkan latar belakang, maka rumusan masalah dalam makalah ini
adalah bagaimana menganalisis dan mengimplementasikan sistem berbasis
jaringan syaraf tiruan dengan menggunakan algoritma perceptron untuk
mendeteksi penyakit pada daun tembakau.
1.3 Tujuan
Berdasarkan pada perumusan masalah yang telah dibahas, tujuan
penyusunan makalah ini adalah sebagai berikut.
1. Menganalisis basis pengetahuan yang digunakan dalam jaringan syaraf
tiruan untuk mendeteksi penyakit pada daun tembakau.
2. Mengimplementasikan basis pengetahuan dalam mendeteksi penyakit pada
tembakau dengan menggunakan algoritma perceptron.
1.4 Manfaat
Manfaat dari makalah ini dapat meningkatkan pengetahuan tentang
jaringan syaraf tiruan dengan menggunakan metode pembelajaran terawasi
yaitu perceptron dalam mendeteksi penyakit pada tembakau.
3
BAB II
TINJAUAN PUSTKA
4
b. Metode untuk menentukan bobot penghubung disebut metode
pembelajaran
c. Fungsi aktivasi. (Siang, 2005)
Ada beberapa tipe jaringan syaraf, namun demikian hampir semuanya
memiliki komponen-komponen yang sama. Seperti halnya otak manusia, JST juga
terdiri dari beberapa neuron dan terdapat penghubung antara neuron-neuron
tersebut (Arif H, 2006). Gambar 2.1 di bawah ini menunjukkan struktur neuron
jaringan syaraf tiruan.
5
2.1.2 Aplikasi jaringan syaraf tiruan
Beberapa aplikasi jaringan syaraf tiruan yang telah dilakukan adalah
sebagai 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)
6
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.
7
Gambar 2.3 Jaringan dengan Banyak Lapisan
8
Fungsi undak biner menggunakan nilai ambang sering juga disebut dengan
nama fungsi nilai ambang (threshold) atau fungsi Heaviside.
c. Fungsi Bipolar (Symetric Hard Limit)
Fungsi bipolar sebenarnya hampir sama dengan undak biner, hanya saja
output yang dihasilkan berupa 1, 0 atau -1.
d. Fungsi Bipolar (dengan threshold)
Fungsi bipolar sebenarnya hampir sama dengan undak biner dengan
threshold, hanya saja output yang dihasilkan berupa 1, 0 atau -1.
2.1.6 Perceptron
Perceptron termaksud salah satu bentuk jaringan syaraf yang sederhana.
Perceptron biasanya digunakan untuk mengklasifikasikan suatu tipe pola
tertentu yang sering dikenal dengan pemisahan secara linear. Pada dasarnya
perceptron pada jaringan syaraf dengan satu lapisan memiliki bobot yang bisa
diatur dab suatu nilai ambang (threshold). Algoritma yang digunakan oleh aturan
perceptron ini akan mengatur parameter-parameter bebasnya melalui proses
pembelajaran. Nilai threshold (Ѳ) pada fungsi aktivasi adalah non negatif. Fungsi
aktivasi ini dibuat sedemikian rupa sehingga terjadi pembatasan antara daerah
positif dan daerah negatif (Gambar 2.5).
9
X2
+
+ daerah positif
- daerah
negatif daerah nol
-
X1
10
y={
11
suatu bercak dan gelembung dipermukaannya yang lama kelamaan merusak
daun.
Hal ini didasarkan dari hasil penelitian yang dilakukan oleh seorang
ilmuwan Jerman bernama Adolf Mayer terhadap daun tembakau, yang kemudian
dikembangkan lagi penelitian tersebut oleh seorang ahli virus Amerika Serikat
bernama Wendell Stanley, yang kemudian menyimpulkan bahwa bercak dan
gelembung-gelembung yang terjadi pada permukaan daun tembakau disebabkan
oleh organisme patogen bernama Tabacco Mosaic Virus (TMV).
12
BAB III
PEMBAHASAN
13
8 - - + - + + + - 1
9 - - - - + + + - 1
10 - - - - - - - + -1
11 - - - - - + + + -1
12 - - - - - + + - -1
13 - - - - - + - + -1
14 - - - - - + - - -1
Keterangan :
Target / Output :
o Bercak Daun = 1
o Cacar Daun = -1
Input :
o Ada Gejala (+) = 1
o Tidak Ada Gejala (-) = 0
14
7 0 1 0 0 1 1 0 0 1
8 0 0 1 0 1 1 1 0 1
9 0 0 0 0 1 1 1 0 1
10 0 0 0 0 0 0 0 1 -1
11 0 0 0 0 0 1 1 1 -1
12 0 0 0 0 0 1 1 0 -1
13 0 0 0 0 0 1 0 1 -1
14 0 0 0 0 0 1 0 0 -1
Bobot awal : w = [0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0]
Bobot bias awal : b = [0,0]
Learning rate (alfa) : 0,7
Threshold (tetha Ѳ) : 0,0
Epoh ke-1
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 (-Ѳ ≤ y_in ≤ Ѳ)
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
15
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
y_in = 0,7 + 0 + 0 + 0 + 0 + 0 + 0,7 + 0,7 + 0 = 2,1
Hasil aktivasi = 1 (y_in > 0) Target = 1
16
o Data 10
y_in = 0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 = 0,7
Hasil aktivasi = 1 (y_in > 0)
Target = -1
Bobot baru:
W1 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W2 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W3 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W4 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W5 = 0,0 + 0,7 * -1,0 * 0 = 0,0
W6 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W7 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W8 = 0,0 + 0,7 * -1,0 * 1 = -0,7
Bias baru:
b = 0,7 + 0,7 * -1,0 = 0,0
o Data 11
y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,7 + 0,7 + -0,7 = 0,7
Hasil aktivasi = 1 (y_in > 0)
Target = -1
Bobot baru:
W1 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W2 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W3 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W4 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W5 = 0,0 + 0,7 * -1,0 * 0 = 0,0
W6 = 0,7 + 0,7 * -1,0 * 1 = 0,0
W7 = 0,7 + 0,7 * -1,0 * 1 = 0,0
W8 = -0,7 + 0,7 * -1,0 * 1 = -1,4
Bias baru : b = 0,0 + 0,7 * -1,0 = -0,7
17
o Data 12
y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 =- 0,7
Hasil aktivasi = -1 (y_in < 0)
Target = -1
o Data 13
y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + -1,4 = -2,1
Hasil aktivasi = -1 (y_in < 0)
Target = -1
o Data 14
y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 = - 0,7
Hasil aktivasi = -1 (y_in < 0)
Target = -1
Epoh ke-2
o Data 1
y_in = -0,7 + 0,7 + 0,7 + 0,7 + 0,7 + 0,0 + 0,0 + 0,0 + 0,0 = 2,1
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 2
y_in = -0,7 + 0,7 + 0,7 + 0 + 0,7 + 0,0 + 0,0 + 0,0 + 0,0 = 1,4
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 3
y_in = -0,7 + 0,7 + 0 + 0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 = 0,7
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 4
y_in = -0,7 + 0,7 + 0,7 + 0 + 0,7 + 0,0 + 0,0 + 0,0 + 0,0 = 1,4
Hasil aktivasi = 1 (y_in > 0) Target = 1
18
o Data 5
y_in = -0,7 + 0,0 + 0,0 + 0,7 + 0,7 + 0,0 + 0,0 + 0,0 + -1,4 = -0,7
Hasil aktivasi = -1 (y_in < 0)
Target = 1
Bobot baru:
W1 = 0,7 + 0,7 * 1,0 * 0 = 0,7
W2 = 0,7 + 0,7 * 1,0 * 0 = 0,7
W3 = 0,7 + 0,7 * 1,0 * 1 = 1,4
W4 = 0,7 + 0,7 * 1,0 * 1 = 1,4
W5 = 0,0 + 0,7 * 1,0 * 0 = 0,0
W6 = 0,0 + 0,7 * 1,0 * 0 = 0,0
W7 = 0,0 + 0,7 * 1,0 * 0 = 0,0
W8 = -1,4 + 0,7 * 1,0 * 1 = -0,7
Bias baru:
b = -0,7 + 0,7 * 1,0 = 0,0
o Data 6
y_in = 0,0 + 0,0 + 0,0 + 1,4 + 1,4 + 0,0 + 0,0 + 0,0 + 0,0 = 2,8
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 7
y_in = 0,0 + 0,0 + 0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 = 0,7
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 8
y_in = 0,0 + 0,0 + 0,0 + 1,4 + 0 + 0,0 + 0,0 + 0,0 + 0,0 = 1,4
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 9
y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0 + 0,0 + 0,0 + 0,0 + 0,0 = 0,0
19
Hasil aktivasi = 0 (-Ѳ ≤ y_in ≤ Ѳ)
Target = 1
Bobot baru:
W1 = 0,7 + 0,7 * 1,0 * 0 = 0,7
W2 = 0,7 + 0,7 * 1,0 * 0 = 0,7
W3 = 1,4 + 0,7 * 1,0 * 0 = 1,4
W4 = 1,4 + 0,7 * 1,0 * 0 = 1,4
W5 = 0,0 + 0,7 * 1,0 * 1 = 0,7
W6 = 0,0 + 0,7 * 1,0 * 1 = 0,7
W7 = 0,0 + 0,7 * 1,0 * 1 = 0,7
W8 = -0,7 + 0,7 * 1,0 * 0 = -0,7
Bias baru:
b = 0,0 + 0,7 * 1,0 = 0,7
o Data 10
y_in = 0,7 + 0,0 + 0,0 + 0,0 + 0 + 0,0 + 0,0 + 0,0 - 0,7 = 0,0
Hasil aktivasi = 0 (-Ѳ ≤ y_in ≤ Ѳ)
Target = -1
Bobot baru:
W1 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W2 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W3 = 1,4 + 0,7 * -1,0 * 0 = 1,4
W4 = 1,4 + 0,7 * -1,0 * 0 = 1,4
W5 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W6 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W7 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W8 = -0,7 + 0,7 * -1,0 * 1 = -1,4
Bias baru:
b = 0,7 + 0,7 * -1,0 = 0,0
20
o Data 11
y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0 + 0,0 + 0,7 + 0,7 + -1,4 = 0,0
Hasil aktivasi = 0 (-Ѳ ≤ y_in ≤ Ѳ)
Target = -1
Bobot baru:
W1 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W2 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W3 = 1,4 + 0,7 * -1,0 * 0 = 1,4
W4 = 1,4 + 0,7 * -1,0 * 0 = 1,4
W5 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W6 = 0,7 + 0,7 * -1,0 * 1 = 0,0
W7 = 0,7 + 0,7 * -1,0 * 1 = 0,0
W8 = -1,4 + 0,7 * -1,0 * 1 = -2,1
Bias baru:
b = 0,0 + 0,7 * -1,0 = -0,7
o Data 12
y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0 + 0,0 + 0,0 + 0,0 + 0,0 = -0,7
Hasil aktivasi = -1 ( y_in < 0)
Target = -1
o Data 13
y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0 + 0,0 + 0,0 + 0,0 - 2,1 = -2,8
Hasil aktivasi = -1 ( y_in < 0)
Target = -1
o Data 14
y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0 + 0,0 + 0,0 + 0,0 + 0,0 = -0,7
Hasil aktivasi = -1 ( y_in < 0)
Target = -1
21
Epoh ke-3
o Data 1
y_in = -0,7 + 0,7 + 0,7 + 1,4 + 1,4 + 0,0 - 0,7 - 0,7 + 0,0 = 2,1
Hasil aktivasi = 1 ( y_in > 0)
Target = 1
o Data 2
y_in = -0,7 + 0,7 + 0,7 + 0 + 1,4 + 0,0 + 0,0 + 0,0 + 0,0 = 2,1
Hasil aktivasi = 1 ( y_in > 0)
Target = 1
o Data 3
y_in = -0,7 + 0,7 + 0 + 1,4 + 0 + 0,0 + 0,0 + 0,0 + 0,0 = 1,4
Hasil aktivasi = 1 ( y_in > 0)
Target = 1
o Data 4
y_in = -0,7 + 0,7 + 0,7 + 0,0 + 1,4 + 0,0 + 0,0 + 0,0 + 0,0 = 2,1
Hasil aktivasi = 1 ( y_in > 0)
Target = 1
o Data 5
y_in = -0,7 + 0,0 + 0,0 + 1,4 + 1,4 + 0,0 + 0,0 + 0,0 - 2,1 = 0,0
Hasil aktivasi = 0 (-Ѳ ≤ y_in ≤ Ѳ)
Target = 1
Bobot baru:
W1 = 0,7 + 0,7 * 1,0 * 0 = 0,7
W2 = 0,7 + 0,7 * 1,0 * 0 = 0,7
W3 = 1,4 + 0,7 * 1,0 * 1 = 2,1
W4 = 1,4 + 0,7 * 1,0 * 1 = 2,1
W5 = 0,7 + 0,7 * 1,0 * 0 = 0,7
W6 = 0,0 + 0,7 * 1,0 * 0 = 0,0
W7 = 0,0 + 0,7 * 1,0 * 0 = 0,0
22
W8 = -2,1 + 0,7 * 1,0 * 1 = -1,4
Bias baru:
b = -0,7 + 0,7 * 1,0 = 0,0
o Data 6
y_in = 0,0 + 0,0 + 0,0 + 2,1 + 2,1 + 0,0 + 0,0 + 0,0 + 0,0 = 4,2
Hasil aktivasi = 1 ( y_in > 0)
Target = 1
o Data 7
y_in = 0,0 + 0,0 + 0,7 + 0,0 + 0,0 + 0,7 + 0,0 + 0,0 + 0,0 = 1,4
Hasil aktivasi = 1 ( y_in > 0)
Target = 1
o Data 8
y_in = 0,0 + 0,0 + 0,0 + 2,1 + 0,0 + 0,7 + 0,0 + 0,0 + 0,0 = 2,8
Hasil aktivasi = 1 ( y_in > 0)
Target = 1
o Data 9
y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,7 + 0,0 + 0,0 + 0,0 = 0,7
Hasil aktivasi = 1 ( y_in > 0)
Target = 1
o Data 10
y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 - 1,4 = -1,4
Hasil aktivasi = -1 ( y_in < 0)
Target = -1
o Data 11
y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 - 1,4 = -1,4
Hasil aktivasi = -1 ( y_in < 0)
Target = -1
o Data 12
y_in = 0,0 + 0,0 + 0 + 0 + 0 + 0,0 + 0,0 + 0,0 + 0,0 = 0,0
23
Hasil aktivasi = 0 (-Ѳ ≤ y_in ≤ Ѳ)
Target = -1
Bobot baru:
W1 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W2 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W3 = 2,1 + 0,7 * -1,0 * 0 = 2,1
W4 = 2,1 + 0,7 * -1,0 * 0 = 2,1
W5 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W6 = 0,0 + 0,7 * -1,0 * 1 = -0,7
W7 = 0,0 + 0,7 * -1,0 * 1 = -0,7
W8 = -1,4 + 0,7 * -1,0 * 0 = -1,4
Bias baru:
b = 0,0 + 0,7 * -1,0 = -0,7
o Data 13
y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 - 0,7 + 0,0 – 1,4 = -2,8
Hasil aktivasi = -1 (y_in < 0)
Target = -1
o Data 14
y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 - 0,7 + 0,0 + 0,0 = -1,4
Hasil aktivasi = -1 (y_in < 0)
Target = -1
Epoh ke-4
o Data 1
y_in = -0,7 + 0,7 + 0,7 + 2,1 + 2,1 + 0,0 - 0,7 - 0,7 + 0,0 = 3,5
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 2
y_in = -0,7 + 0,7 + 0,7 + 0,0 + 2,1 + 0,0 + 0,0 + 0,0 + 0,0 = 2,8
24
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 3
y_in = -0,7 + 0,7 + 0,0 + 2,1 + 0,0 + 0,0 + 0,0 + 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 + 2,1 + 0,0 - 0,7 + 0,0 + 0,0 = 2,1
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 5
y_in = -0,7 + 0,0 + 0,0 + 2,1 + 2,1 + 0,0 + 0,0 + 0,0 - 1,4 = 2,1
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 6
y_in = -0,7 + 0,0 + 0,0 + 2,1 + 2,1 + 0,0 + -0,7 + 0,0 + 0,0 = 2,8
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 7
y_in = -0,7 + 0,0 + 0,7 + 0,0 + 0,0 + 0,7 - 0,7 + 0,0 + 0,0 = 0,0
Hasil aktivasi = 0 (-Ѳ ≤ y_in ≤ Ѳ)
Target = 1
Bobot baru:
W1 = 0,7 + 0,7 * 1,0 * 0 = 0,7
W2 = 0,7 + 0,7 * 1,0 * 1 = 1,4
W3 = 2,1 + 0,7 * 1,0 * 0 = 2,1
W4 = 2,1 + 0,7 * 1,0 * 0 = 2,1
W5 = 0,7 + 0,7 * 1,0 * 1 = 1,4
W6 = -0,7 + 0,7 * 1,0 * 1 = 0,0
25
W7 = -0,7 + 0,7 * 1,0 * 0 = -0,7
W8 = -1,4 + 0,7 * 1,0 * 0 = -1,4
Bias baru:
b = -0,7 + 0,7 * 1,0 = 0,0
o Data 8
y_in = 0,0 + 0,0 + 0,0 + 2,1 + 0,0 + 1,4 + 0,0 - 0,7 + 0,0 = 2,8
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 9
y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 1,4 + 0,0 - 0,7 + 0,0 = 0,7
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 10
y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 - 1,4 = -1,4
Hasil aktivasi = -1 (y_in < 0)
Target = -1
o Data 11
y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + -0,7 - 1,4 = -2,1
Hasil aktivasi = -1 (y_in < 0)
Target = -1
o Data 12
y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + -0,7 + 0,0 = -0,7
Hasil aktivasi = -1 (y_in < 0)
Target = -1
o Data 13
y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 - 1,4 = -1,4
Hasil aktivasi = -1 (y_in < 0)
Target = -1
26
o Data 14
y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 = 0,0
Hasil aktivasi = 0 (-Ѳ ≤ y_in ≤ Ѳ)
Target = -1
Bobot baru:
W1 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W2 = 1,4 + 0,7 * -1,0 * 0 = 1,4
W3 = 2,1 + 0,7 * -1,0 * 0 = 2,1
W4 = 2,1 + 0,7 * -1,0 * 0 = 2,1
W5 = 1,4 + 0,7 * -1,0 * 0 = 1,4
W6 = 0,0 + 0,7 * -1,0 * 1 = -0,7
W7 = -0,7 + 0,7 * -1,0 * 0 = -0,7
W8 = -1,4 + 0,7 * -1,0 * 0 = -1,4
Bias baru:
b = 0,0 + 0,7 * -1,0 = -0,7
Epoh ke-5
o Data 1
y_in = -0,7 + 0,7 + 1,4 + 2,1 + 2,1 + 0,0 + -0,7 - 0,7 + 0,0 = 4,2
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 2
y_in = -0,7 + 0,7 + 1,4 + 0,0 + 2,1 + 0,0 + 0,0 + 0,0 + 0,0 = 3,5
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 3
y_in = -0,7 + 0,7 + 0,0 + 2,1 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 = 2,1
Hasil aktivasi = 1 (y_in > 0)
Target = 1
27
o Data 4
y_in = -0,7 + 0,7 + 1,4 + 0,0 + 2,1 + 0,0 + -0,7 + 0,0 + 0,0 = 3,5
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 5
y_in = -0,7 + 0,0 + 0,0 + 2,1 + 2,1 + 0,0 + 0,0 + 0,0 - 1,4 = 2,1
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 6
y_in = -0,7 + 0,0 + 0,0 + 2,1 + 2,1 + 0,0 - 0,7 + 0,0 + 0,0 = 2,8
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 7
y_in = -0,7 + 0,0 + 1,4 + 0,0 + 0,0 + 1,4 - 0,7 + 0,0 + 0,0 = 1,4
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 8
y_in = -0,7 + 0,0 + 0,0 + 2,1 + 0,0 + 1,4 + -0,7 - 0,7 + 0,0 = 1,4
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 9
y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 1,4 + -0,7 - 0,7 + 0,0 = -0,7
Hasil aktivasi = -1 ( y_in < 0)
Target = 1
Bobot baru:
W1 = 0,7 + 0,7 * 1,0 * 0 = 0,7
W2 = 1,4 + 0,7 * 1,0 * 0 = 1,4
W3 = 2,1 + 0,7 * 1,0 * 0 = 2,1
W4 = 2,1 + 0,7 * 1,0 * 0 = 2,1
28
W5 = 1,4 + 0,7 * 1,0 * 1 = 2,1
W6 = -0,7 + 0,7 *1,0 * 1 = 0,0
W7 = -0,7 + 0,7 * 1,0 * 1 = 0,0
W8 = -1,4 + 0,7 * 1,0 * 0 = -1,4
Bias baru:
b = -0,7 + 0,7 * 1,0 = 0,0
o Data 10
y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 - 1,4 = -1,4
Hasil aktivasi = -1 (y_in < 0)
Target = -1
o Data 11
y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 - 1,4 = -1,4
Hasil aktivasi = -1 (y_in < 0)
Target = -1
o Data 12
y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 = 0,0
Hasil aktivasi = 0 (-Ѳ ≤ y_in ≤ Ѳ)
Target = -1
Bobot baru:
W1 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W2 = 1,4 + 0,7 * -1,0 * 0 = 1,4
W3 = 2,1 + 0,7 * -1,0 * 0 = 2,1
W4 = 2,1 + 0,7 * -1,0 * 0 = 2,1
W5 = 2,1 + 0,7 * -1,0 * 0 = 2,1
W6 = 0,0 + 0,7 * -1,0 * 1 = -0,7
W7 = 0,0 + 0,7 * -1,0 * 1 = -0,7
W8 = -1,4 + 0,7 * -1,0 * 0 = -1,4
Bias baru:
b = 0,0 + 0,7 * -1,0 = -0,7
29
o Data 13
y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 - 0,7 + 0,0 – 1,4 = -2,8
Hasil aktivasi = -1 ( y_in < 0)
Target = -1
o Data 14
y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 - 0,7 + 0,0 + 0,0 = -1,4
Hasil aktivasi = -1 ( y_in < 0)
Target = -1
Epoh ke-6
o Data 1
y_in = -0,7 + 0,7 + 1,4 + 2,1 + 2,1 + 0,0 - 0,7 - 0,7 + 0,0 = 4,2
Hasil aktivasi = 1 ( y_in > 0)
Target = 1
o Data 2
y_in = -0,7 + 0,7 + 1,4 + 0,0 + 2,1 + 0,0 + 0,0 + 0,0 + 0,0 = 3,5
Hasil aktivasi = 1 ( y_in > 0)
Target = 1
o Data 3
y_in = -0,7 + 0,7 + 0,0 + 2,1 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 = 2,1
Hasil aktivasi = 1 ( y_in > 0)
Target = 1
o Data 4
y_in = -0,7 + 0,7 + 1,4 + 0,0 + 2,1 + 0,0 + -0,7 + 0,0 + 0,0 = 2,8
Hasil aktivasi = 1 ( y_in > 0)
Target = 1
o Data 5
y_in = -0,7 + 0,0 + 0,0 + 2,1 + 2,1 + 0,0 + 0,0 + 0,0 + -1,4 = 2,1
Hasil aktivasi = 1 ( y_in > 0) Target = 1
30
o Data 6
y_in = -0,7 + 0,0 + 0,0 + 2,1 + 2,1 + 0,0 + -0,7 + 0,0 + 0,0 = 2,8
Hasil aktivasi = 1 ( y_in > 0)
Target = 1
o Data 7
y_in = -0,7 + 0,0 + 1,4 + 0,0 + 0,0 + 2,1 + -0,7 + 0,0 + 0,0 = 2,1
Hasil aktivasi = 1 ( y_in > 0)
Target = 1
o Data 8
y_in = -0,7 + 0,0 + 0,0 + 2,1 + 0,0 + 2,1 + -0,7 + -0,7 + 0,0 = 2,1
Hasil aktivasi = 1 ( y_in > 0)
Target = 1
o Data 9
y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 2,1 + -0,7 + -0,7 + 0,0 = 0,0
Hasil aktivasi = 0 (-Ѳ ≤ y_in ≤ Ѳ)
Target = 1
Bobot baru:
W1 = 0,7 + 0,7 * 1,0 * 0 = 0,7
W2 = 1,4 + 0,7 * 1,0 * 0 = 1,4
W3 = 2,1 + 0,7 * 1,0 * 0 = 2,1
W4 = 2,1 + 0,7 * 1,0 * 0 = 2,1
W5 = 2,1 + 0,7 * 1,0 * 1 = 2,8
W6 = -0,7+ 0,7 * 1,0 * 1 = 0,0
W7 = -0,7+ 0,7 * 1,0 * 1 = 0,0
W8 = -1,4 + 0,7 * 1,0 * 0 = -1,4
Bias baru:
b = -0,7 + 0,7 * 1,0 = 0,0
o Data 10
y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + -1,4 = -1,4
31
Hasil aktivasi = -1 ( y_in < 0)
Target = -1
o Data 11
y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + -1,4 = -1,4
Hasil aktivasi = -1 ( y_in < 0)
Target = -1
o Data 12
y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 = 0
Hasil aktivasi = 0 (-Ѳ ≤ y_in ≤ Ѳ)
Target = -1
Bobot baru:
W1 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W2 = 1,4 + 0,7 * -1,0 * 0 = 1,4
W3 = 2,1 + 0,7 * -1,0 * 0 = 2,1
W4 = 2,1 + 0,7 * -1,0 * 0 = 2,1
W5 = 2,8 + 0,7 * -1,0 * 0 = 2,8
W6 = 0,0 + 0,7 * -1,0 * 1 = -0,7
W7 = 0,0 + 0,7 * -1,0 * 1 = -0,7
W8 = -1,4 + 0,7 * -1,0 * 0 = -1,4
Bias baru:
b = 0,0 + 0,7 * -1,0 = -0,7
o Data 13
y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + -0,7 + 0,0 + -1,4 = -2,8
Hasil aktivasi = -1 ( y_in < 0)
Target = -1
o Data 14
y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + -0,7 + 0,0 + 0,0 = -1,4
Hasil aktivasi = -1 ( y_in < 0)
Target = -1
32
Epoh ke-7
o Data 1
y_in = -0,7 + 0,7 + 1,4 + 2,1 + 2,1 + 0,0 - 0,7 - 0,7 + 0,0 = 4,2
Hasil aktivasi = 1 ( y_in > 0)
Target = 1
o Data 2
y_in = -0,7 + 0,7 + 1,4 + 0,0 + 2,1 + 0,0 + 0,0 + 0,0 + 0,0 = 3,5
Hasil aktivasi = 1 ( y_in > 0)
Target = 1
o Data 3
y_in = -0,7 + 0,7 + 0,0 + 2,1 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 = 2,1
Hasil aktivasi = 1 ( y_in > 0)
Target = 1
o Data 4
y_in = -0,7 + 0,7 + 1,4 + 0,0 + 2,1 + 0,0 + -0,7 + 0,0 + 0,0 = 2,8
Hasil aktivasi = 1 ( y_in > 0)
Target = 1
o Data 5
y_in = -0,7 + 0,0 + 0,0 + 2,1 + 2,1 + 0,0 + 0,0 + 0,0 + -1,4 = 2,1
Hasil aktivasi = 1 ( y_in > 0)
Target = 1
o Data 6
y_in = -0,7 + 0,0 + 0,0 + 2,1 + 2,1 + 0,0 + -0,7 + 0,0 + 0,0 = 2,8
Hasil aktivasi = 1 ( y_in > 0)
Target = 1
o Data 7
y_in = -0,7 + 0,0 + 1,4 + 0,0 + 0,0 + 2,8 + -0,7 + 0,0 + 0,0 = 2,8
Hasil aktivasi = 1 ( y_in > 0)
Target = 1
33
o Data 8
y_in = -0,7 + 0,0 + 0,0 + 2,1 + 0,0 + 2,8 + -0,7 + -0,7 + 0,0 = 2,8
Hasil aktivasi = 1 ( y_in > 0)
Target = 1
o Data 9
y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 2,8 + -0,7 + -0,7 + 0,0 = 0,7
Hasil aktivasi = 1 ( y_in > 0)
Target = 1
o Data 10
y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + -1,4 = -2,1
Hasil aktivasi = -1 ( y_in < 0)
Target = -1
o Data 11
y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + -0,7 + -0,7 + -1,4 = -3,5
Hasil aktivasi = -1 ( y_in < 0)
Target = -1
o Data 12
y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + -0,7 + -0,7 + 0,0 = -2,1
Hasil aktivasi = -1 ( y_in < 0)
Target = -1
o Data 13
y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + -0,7 + 0,0 + -1,4 = -2,8
Hasil aktivasi = -1 ( y_in < 0)
Target = -1
o Data 14
y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + -0,7 + 0,0 + 0,0 = -1,4
Hasil aktivasi = -1 ( y_in < 0)
Target = -1
34
Pada epoh ke-7 sudah tidak terjadi perubahan bobot, sehingga proses
pembelajaran dihentikan. Hasil akhir diperoleh :
Nilai bobot, W1 = 0,7; W2 = 1,4; W3 = 2,1; W4 = 2,1; W5 = 2,8; W6 = -0,7;
W7 = -0,7; dan W8 = -1,4.
Bobot bias, b = - 0,7.
Dengan demikian garis yang membatasi daerah positif dengan daerah nol
memenuhi pertidaksamaan :
0,7 X1 + 1,4 X2 + 2,1 X3 + 2,1 X4 + 2,8 X5 – 0,7 X6 – 0,7 X7 – 1,4 X8 – 0,7 > 0
Sedangkan garis yang membatasi daerah negatif dengan daerah nol
memenuhi persamaan :
0,7 X1 + 1,4 X2 + 2,1 X3 + 2,1 X4 + 2,8 X5 – 0,7 X6 – 0,7 X7 – 1,4 X8 – 0,7 < 0
3.3 Pengujian
Pada tahap ini, akan dilakukan proses pengujian akhir terhadap ke-10 data
daun yang belum diketahui output atau targetnya dengan mempergunakan hasil
bobot dari sampel data pelatihan sebelumnya. Tabel 3.3 menunjukan sampel
data pengujian untuk mendeteksi penyakit pada daun tembakau.
Tabel 3.3 Sampel Daun untuk Pengujian
Daun Gejala Gejala Gejala Gejala Gejala Gejala Gejala Gejala
ke- A B C D E F G H
1 + + - - - - + -
2 - + - + - + - -
3 - + - + - - + -
4 - - + - + - - -
5 + - + - - + - -
6 - - - - - + + -
7 - - - - - + - +
8 - - - - - + - +
9 - - - - - - + +
10 - - - - - - + +
Keterangan
Input : Ada Gejala (+) = 1; Tidak Ada Gejala (-) = 0
35
Hasil dari pengujian pada tabel 3.3 akan memiliki persentase keberhasilan
100% jika output yang dihasilkan memiliki urutan 5 daun pertama adalah bercak
daun dan 5 urutan kedua adalah cacar daun.
Daun ke-1
Xn = [ 1,0 1,0 0,0 0,0 0,0 0,0 1,0 0,0 ]
Y = 0,7 X1 + 1,4 X2 + 2,1 X3 + 2,1 X4 + 2,8 X5 – 0,7 X6 – 0,7 X7 – 1,4 X8 – 0,7
Y = 0,7*1 + 1,4*1 + 2,1*0 + 2,1*0 + 2,8*0 – 0,7*0 – 0,7*1 – 1,4*0 – 0,7
Y = 0,7 + 0,14 – 0,7 – 0,7 = 0,7
Daun ke-1 mengalami penyakit bercak daun. Hal ini ditunjukan dengan
nilai y lebih besar dari nilai threshold 0 yaitu 0,7.
Daun ke-2
Xn = [ 0,0 1,0 0,0 1,0 0,0 1,0 0,0 0,0 ]
Y = 0,7 X1 + 1,4 X2 + 2,1 X3 + 2,1 X4 + 2,8 X5 – 0,7 X6 – 0,7 X7 – 1,4 X8 – 0,7
Y = 0,7*0 + 1,4*1 + 2,1*0 + 2,1*1 + 2,8*0 – 0,7*1 – 0,7*0 – 1,4*0 – 0,7
Y = 0,14 + 2,1 – 0,7 – 0,7 = 2,1
Daun ke-2 mengalami penyakit bercak daun. Hal ini ditunjukan dengan
nilai y lebih besar dari nilai threshold 0 yaitu 2,1.
Daun ke-3
Xn = [ 0,0 1,0 0,0 1,0 0,0 0,0 1,0 0,0 ]
Y = 0,7 X1 + 1,4 X2 + 2,1 X3 + 2,1 X4 + 2,8 X5 – 0,7 X6 – 0,7 X7 – 1,4 X8 – 0,7
Y = 0,7*0 + 1,4*1 + 2,1*0 + 2,1*1 + 2,8*0 – 0,7*0 – 0,7*1 – 1,4*0 – 0,7
Y = 0,14 + 2,1 – 0,7 – 0,7 = 2,1
Daun ke-3 mengalami penyakit bercak daun. Hal ini ditunjukan dengan
nilai y lebih besar dari nilai threshold 0 yaitu 2,1.
Daun ke-4
Xn = [ 0,0 0,0 1,0 0,0 1,0 0,0 0,0 0,0 ]
36
Y = 0,7 X1 + 1,4 X2 + 2,1 X3 + 2,1 X4 + 2,8 X5 – 0,7 X6 – 0,7 X7 – 1,4 X8 – 0,7
Y = 0,7*0 + 1,4*0 + 2,1*1 + 2,1*0 + 2,8*1 – 0,7*0 – 0,7*0 – 1,4*0 – 0,7
Y = 2,1 + 2,8 – 0,7 = 4,2
Daun ke-4 mengalami penyakit bercak daun. Hal ini ditunjukan dengan
nilai y lebih besar dari nilai threshold 0 yaitu 4,2.
Daun ke-5
Xn = [ 1,0 0,0 1,0 0,0 0,0 1,0 0,0 0,0 ]
Y = 0,7 X1 + 1,4 X2 + 2,1 X3 + 2,1 X4 + 2,8 X5 – 0,7 X6 – 0,7 X7 – 1,4 X8 – 0,7
Y = 0,7*1 + 1,4*0 + 2,1*1 + 2,1*0 + 2,8*0 – 0,7*1 – 0,7*0 – 1,4*0 – 0,7
Y = 0,7 + 2,1 – 0,7 – 0,7 = 1,4
Daun ke-5 mengalami penyakit bercak daun. Hal ini ditunjukan dengan
nilai y lebih besar dari nilai threshold 0 yaitu 1,4.
Daun ke-6
Xn = [ 0,0 0,0 0,0 0,0 0,0 1,0 1,0 0,0 ]
Y = 0,7 X1 + 1,4 X2 + 2,1 X3 + 2,1 X4 + 2,8 X5 – 0,7 X6 – 0,7 X7 – 1,4 X8 – 0,7
Y = 0,7*0 + 1,4*0 + 2,1*0 + 2,1*0 + 2,8*0 – 0,7*1 – 0,7*1 – 1,4*0 – 0,7
Y = – 0,7 – 0,7 – 0,7 = - 2,1
Daun ke-6 mengalami penyakit cacar daun. Hal ini ditunjukan dengan
nilai y lebih kecil dari nilai threshold 0 yaitu -2,1.
Daun ke-7
Xn = [ 0,0 0,0 0,0 0,0 0,0 1,0 0,0 1,0 ]
Y = 0,7 X1 + 1,4 X2 + 2,1 X3 + 2,1 X4 + 2,8 X5 – 0,7 X6 – 0,7 X7 – 1,4 X8 – 0,7
Y = 0,7*0 + 1,4*0 + 2,1*0 + 2,1*0 + 2,8*0 – 0,7*1 – 0,7*0 – 1,4*1 – 0,7
Y = – 0,7 – 1,4 – 0,7 = - 2,8
Daun ke-7 mengalami penyakit cacar daun. Hal ini ditunjukan dengan
nilai y lebih kecil dari nilai threshold 0 yaitu -2,8.
37
Daun ke-8
Xn = [ 0,0 0,0 0,0 0,0 0,0 1,0 0,0 1,0 ]
Y = 0,7 X1 + 1,4 X2 + 2,1 X3 + 2,1 X4 + 2,8 X5 – 0,7 X6 – 0,7 X7 – 1,4 X8 – 0,7
Y = 0,7*0 + 1,4*0 + 2,1*0 + 2,1*0 + 2,8*0 – 0,7*1 – 0,7*0 – 1,4*1 – 0,7
Y = – 0,7 – 1,4 – 0,7 = - 2,8
Daun ke-8 mengalami penyakit cacar daun. Hal ini ditunjukan dengan
nilai y lebih kecil dari nilai threshold 0 yaitu -2,8.
Daun ke-9
Xn = [ 0,0 0,0 0,0 0,0 0,0 0,0 1,0 1,0 ]
Y = 0,7 X1 + 1,4 X2 + 2,1 X3 + 2,1 X4 + 2,8 X5 – 0,7 X6 – 0,7 X7 – 1,4 X8 – 0,7
Y = 0,7*0 + 1,4*0 + 2,1*0 + 2,1*0 + 2,8*0 – 0,7*0 – 0,7*1 – 1,4*1 – 0,7
Y = – 0,7 – 1,4 – 0,7 = - 2,8
Daun ke-9 mengalami penyakit cacar daun. Hal ini ditunjukan dengan
nilai y lebih kecil dari nilai threshold 0 yaitu -2,8.
Daun ke-10
Xn = [ 0,0 0,0 0,0 0,0 0,0 0,0 1,0 1,0 ]
Y = 0,7 X1 + 1,4 X2 + 2,1 X3 + 2,1 X4 + 2,8 X5 – 0,7 X6 – 0,7 X7 – 1,4 X8 – 0,7
Y = 0,7*0 + 1,4*0 + 2,1*0 + 2,1*0 + 2,8*0 – 0,7*0 – 0,7*1 – 1,4*1 – 0,7
Y = – 0,7 – 1,4 – 0,7 = - 2,8
Daun ke-10 mengalami penyakit cacar daun. Hal ini ditunjukan dengan
nilai y lebih kecil dari nilai threshold 0 yaitu -2,8.
38
BAB IV
PENUTUP
4.1 Kesimpulan
Berdasarkan hasil pemaparan pada makalah ini, maka dapat disimpulkan
beberapa hal antara lain sebagai berikut:
1. Basis pengetahuan yang digunakan untuk menentukan prediksi penyakit
pada daun tembakau adalah bercak daun dan cacar daun yang merupakan
penyakit pada daun tembakau dengan bercak merah kecoklatan, belang-
belang, berlubang, bercak putih, bercak coklat kehijauan, bintik hitam, gugur
daun dan bercak menggelembung sebagai gejala dari penyakit daun
tembakau.
2. Metode Artificial network denggan menggunakan algoritma perceptron
merupakan metode untuk menentukan prediksi penyakit pada daun
tembakau. Sehingga diperoleh persamaan 0,7 X1 + 1,4 X2 + 2,1 X3 + 2,1 X4 +
2,8 X5 – 0,7 X6 – 0,7 X7 – 1,4 X8 – 0,7 > 0, untuk garis yang membatasi daerah
positif dengan daerah nol, Sedangkan garis yang membatasi daerah negatif
dengan daerah nol memiliki persamaan 0,7 X1 + 1,4 X2 + 2,1 X3 + 2,1 X4 +
2,8 X5 – 0,7 X6 – 0,7 X7 – 1,4 X8 – 0,7 < 0. Persamaan ini diperoleh dari 14
data penyakit bercak daun dan cacar daun dengan gejala tertentu yang
dimiliki yang digunakan sebagai data pelatihan.
3. Jika suatu daun memiliki nilai yang diperoleh dari persamaan lebih besar
dibandingkan nilai threshold yaitu 0 maka daun tersebut terdeteksi dengan
penyakit bercak daun dan jika lebih kecil dari nilai threshold maka daun
terdeteksi dengan penyakit cacar daun. Hasil pengujian menggunakan data
pengujian dengan perbandingan penggunaan data sebesar 50 : 50 dari data
daun berpenyakit bercak dan cacar daun, memiliki persentase keberhasilan
sebesar 100%.
39
4.2 Saran
Berdasarkan hasil pemaparan makalah ini, maka penulis menyarankan
sebagai berikut:
1. Diharapkan pada tahap pengujian dilakukan penambahan data pengujian
dengan perbandingan penggunaan data yang tidak imbang, sehingga
memiliki tingkat keberhasilan yang lebih akurat.
40
DAFTAR PUSTAKA
41