Disusun Oleh :
KELAS A
PROGRAM STUDI S1 TEKNIK INFORMATIKA
JURUSAN TEKNOLOGI INFORMASI
FAKULTAS TEKNIK
UNIVERSITAS TADULAKO
2020
1
KATA PENGANTAR
Penyusun
i
DAFTAR ISI
KATA PENGANTAR..............................................................................................i
DAFTAR ISI............................................................................................................ii
BAB 1 PENDAHULUAN.......................................................................................1
1.1. Latar Belakang..........................................................................................1
1.2. Rumusan Masalah.....................................................................................2
1.3. Tujuan Penelitian.......................................................................................2
1.4. Batasan Masalah........................................................................................2
1.5. Manfaat Penelitian.....................................................................................3
1.6. Sistematika Penulisan................................................................................3
BAB IV PENUTUP..............................................................................................10
4.1. Kesimpulan……………………………………………………………….....10
4.2. Saran…………………………………………………………………………10
DAFTAR PUSTAKA............................................................................................11
ii
iii
BAB 1
PENDAHULUAN
1
sederhana dan membagi data untuk menentukan data mana yang masuk
dalam klasifikasi dan data mana yang missclasifikasi (diluar klasifikasi).
Perceptron dalam Jaringan Syaraf Tiruan memiliki bobot yang bisa diatur
dalam suatu ambang batas (threshold). Melalui proses pembelajaran
(learning), Algotirma Perceptron akan mengatur parameter-parameter
bebasnya.
Berdasarkan uraian di atas, maka penulis akan menjelaskan lebih
dalam tentang status gizi mahasiswa dengan mengangkat judul tugas besar
“Klasifikasi status gizi mahasiswa menggunakan metode Perceptron”.
2
1. Data yang digunakan adalah data status gizi bagi mahasiswa di
Universitas Tadulako.
2. Parameter penentu adalah berat badan (BB), dan Tinggi badan (TB), dan
jenis aktivitas.
3. Program yang digunakan adalah program web dan pendukung lainnya.
3
BAB II
LANDASAN TEORI
1
b
x1
w1
y
xi
wi
xn wn
Keterangan :
x1....xi....xn = neuron input
y = neuron output
b = bias
4
2.1. Pelatihan Perceptron
Bobot koneksi dari unit assosiator ke unit response (atau output)
ditentukan melalui pelatihan (learning rate) perceptron. Untuk setiap
input training jaringan akan menghitung response dari unit output,
kemudian jaringan akan menentukan apakah suatu error terjadi pada pola
tersebut dengan cara membandingkan output hasil perhitungan dengan
nilai targetnya. Jaringan tersebut akan membedakan error antara output
hasil perhitungan 0 dengan target -1 atau outputnya +1 dengan target -1.
Dalam kedua kasus tersebut tanda dari error menunjukkan bahwa
bobot koneksi harus diubah dalam arah yang dinyatakan oleh nilai target.
Namun demikian hanya bobot-bobot pada koneksi dari unit pengiriman
sinyal selain 0 ke unit output yang akan disesuaikan nilainya, karena
hanya sinyal tersebut yang menambah error. Jika error tidak terjadi maka
bobot-bobot tersebut tidak akan diubah tetapi sebaliknya jika suatu error
terjadi untuk pola input pelatihan tertentu, bobot-bobot akan diubah
menurut rumus :
wi (new) = wi (old) + t xi
Keterangan :
xi = input ke – i
t = target yang nilainya +1 atau -1 kecepatan belajar (learning rate) yaitu 0
<α≤ 1
w = bobot jika error tidak terjadi, maka bobot-bobot tidak akan berubah.
5
b. Tentukan learning rate dengan nilai 0 < ≤ 1. Untuk penyederhanaan,
diberi nilai = 1
Langkah 2
Selama ada elemen vektor masukan yang respon unit keluarannya tidak
sama dengan target, lakukan :
a. Set aktivasi unit masukan Xi = Si ( i = 1,…..,n)
b. Hitung respon unit keluaran : net = ∑ xiwi + b
Langkah 3
Perbaiki bobot pola yang mengandung kesalahan ( y ≠ t) menurut
persamaan :
wi (baru) = wi (lama) + ∆w ( i = 1,...,n) dengan ∆w = t xi b(baru) = b
(lama) + ∆b dengan ∆b = t
BAB III
HASIL DAN PEMBAHASAN
6
3.1. Halaman Utama
7
3.3. Halaman Data Gizi
8
3.5. Halaman Normalisasi Data
BAB IV
PENUTUP
9
4.1. Kesimpulan
Dari laporan ini dapat ditarik kesimpulan bahwa proses
pengklasifikasian data gizi mahasiswa menggunakan pelatihan perceptron
untuk melakukan proses normalisasi data agar dapat diproses pada pelatihan
perceptron agar dapat diketahui pelatihan bobot agar sesuai dengan target.
4.2. Saran
Saran yang dapat kami tuliskan dalam laporan kali ini agar aplikasi
klasifikasi nilai gizi mahasiswa menggunakan pelatihan perceptron agar
dapat dikembangkan labih lagi karena aplikasi yang kita kembangkan
kurang dari kata sempurna.
DAFTAR PUSTAKA
10
Perceptron, T. M., Ahmad, U., & Yogyakarta, D. (2009). JURNAL
INFORMATIKA Vol 3, No. 1, Januari 2009. 3(1), 268–277.
11