LAPORAN

TUGAS BESAR MACHINE LEARNING

“Klasifikasi Nilai Gizi Mahasiswa Menggunakan
Metode Perceptron”

Disusun Oleh :

Wayan Agus Krisnawan F55117086

I Ketut Sudana Putra F55117018
Made Yoga Pratama F55117218
Siti Soleha F55117092
Arsellah Nurul Alhafsi F55117083

KELAS A
PROGRAM STUDI S1 TEKNIK INFORMATIKA
JURUSAN TEKNOLOGI INFORMASI
FAKULTAS TEKNIK
UNIVERSITAS TADULAKO
2020

1
 KATA PENGANTAR

Syukur Alhamdulillah kami panjatkan kepada Allah Yang Maha

Kuasa, karena atas limpahan rahmat dan hidayah-Nya, laporan tugas besar
mata kuliah machine learning yang berjudul “klasifikasi nilai gizi
mahasiswa menggunakan metode perceptron” dapat kami selesaikan.
Penyusunan laporan ini diharapkan dapat memberikan informasi dan
manfaat tentang aplikasi sederhana yang telah dibuat. Dalam pembuatan
laporan ini, kami mengucapkan terima kasih kepada teman-teman kami
yang telah memberi bantuan sehingga laporan ini dapat kami selesaikan.
Demikian, laporan ini kami buat dengan segala kelebihan dan
kekurangan. Oleh sebab itu, kritik dan saran yang membangun demi
perbaikan laporan ini, sangat kami harapkan. Semoga laporan ini dapat
memberikan manfaat dan pengetahuan bagi pembaca.

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 II LANDASAN TEORI.................................................................................4

2.1. Arsitektur Perceptron.............................................................................4
2.2. Pelatihan Perceptron..............................................................................5
2.3. Algoritma Pelatihan Perceptron.............................................................5
BAB III HASIL DAN PEMBAHASAN................................................................7

3.1. Halaman Utama…………………………………………………………….....7

3.2. Halaman Data Sample………………………………………………………...7
3.3. Halaman Data Gizi……………………………………………………………8
3.4. Halaman Data Dalam Bentuk Angka…………………………………………8
3.5. Halaman Normalisasi Data…………………………………………………...9
3.6. Halaman Perhitungan Dengan Perceptron……………………………………9

BAB IV PENUTUP..............................................................................................10

4.1. Kesimpulan……………………………………………………………….....10
4.2. Saran…………………………………………………………………………10

DAFTAR PUSTAKA............................................................................................11

ii
iii
 BAB 1
PENDAHULUAN

1.1. Latar Belakang

Akhir-akhir ini jaringan syaraf tiruan sangat populer untuk dijadikan
pembelajaran terutama pada bidang sains dan teknologi. Jaringan ini terdiri
dari sekumpulan neuron-neuron atau unit-unti yang saling berinteraksi.
Pada neuron saraf manusia, proses alami mengatur bagaimana sinyal input
pada dendrit diproses dan kemudian diterjemahkan dalam aktivitas axon.
Sedangkan pada neuron buatan, proses learning mengatur input-input yang
digunakan untuk pemetaan output-nya. Jaringan saraf tiruan merupakan
jaringan yang saling berhubungan antar node-node atau simpul-simpulnya
yang tiap-tiap hubungan tersebut mempunyai bobot koneksi yang dilatih
untuk mencapai respon yang diinginkan. Masing-masing bobot koneksi
dipropagasikan ke seluruh simpul atau node. Dengan pelatihan terhadap
data berdasarkan bobot-bobot koneksi tersebut diharapkan memperoleh
output yang diinginkan (Dulasrip, 2015).
Kemampuan yang dimiliki jaringan saraf tiruan dapat digunakan
untuk belajar dan menghasilkan aturan atau operasi dari beberapa contoh
atau input yang dimasukkan dan membuat prediksi tentang kemungkinan
output yang akan muncul atau menyimpan karakteristik dari input yang
disimpan kepadanya (Kristanto, 2004:37). Kelebihan jaringan saraf tiruan
ini adalah tidak perlu adanya asumsi bahwa data harus berdistribusi
multivariat normal dan metode ini mempunyai ketelitian yang sangat tinggi
serta dapat membantu dalam menyederhanakan berbagai permasalahan
yang tidak dapat diselesaikan dengan menggunakan pendekatan matematis
atau pendekatan numerik.
Perceptron adalah salah satu metode Jaringan Syaraf Tiruan (JST)
sederhana yang menggunakan algoritma training untuk melakukan
klasifikasi secara linier. Perceptron digunakan untuk melakukan klasifikasi

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”.

1.1. Rumusan Masalah

Berdasarkan latar belakang diatas maka rumusan masalah dalam
tugas besar ini adalah sebagai berikut :
1. Bagaimana mendapatkan means square error yang minimum pada status
gizi mahasiswa dengan metode Perceptron.
2. Bagaimana model arsitektur jaringan syaraf tiruan pada status gizi
mahasiswa di Universias Tadulako.

1.2. Tujuan Penelitian

Dilihat dari rumusan masalah diatas, maka tujuan penelitian ini
adalah sebagai berikut :
1. Untuk mendapatkan means square error yang minimum pada status gizi
mahasiswa dengan metode Perceptron.
2. Untuk mengetahui model arsitektur jaringan syaraf tiruan pada status gizi
mahasiswa di Universias Tadulako.

1.3. Batasan Masalah

Agar terdapat kejelasan mengenai pembahasan skripsi ini maka
diperlukan batasan masalah yang akan dibahas. Batasan masalah untuk
penelitian ini adalah sebagai berikut:

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.

1.4. Manfaat Penelitian

Manfaat penelitian ini adalah mempermudah dalam menyelesaikan
suatu masalah yang bersangkutan dengan masalah status gizi mahasiwa
dengan menggunakan metode perceptron pada jaringan saraf tiruan.

1.5. Sistematika Penulisan

Dalam penulisan skripsi ini, penulis menggunakan sistematika
penulisan yang terdiri dari 4 bab, dan masing-masing bab dibagi dalam
sub bab dengan sistematika penulisan sebagai berikut:
Bab I Pendahuluan
Pada bab ini terdiri dari latar belakang, rumusan masalah, tujuan
penelitian, batasan masalah, manfaat penelitian, dan sistematika penulisan.
Bab II Kajian Pustaka
Pada bab ini penulis menjelaskan konsep-konsep yang menjadi landasan
pembahasan masalah, yaitu jaringan saraf tiruan, backpropagation, metode
optimasi error, dan status gizi balita.
Bab III Pembahasan
Pada bab ini penulis menjelaskan tentang model jaringan saraf tiruan
dengan metode backpropagation dalam mendeteksi status gizi balita
dengan jaringan saraf tiruan menggunakan metode backpropagation.
Bab IV Penutup
Pada bab ini penulis memberikan kesimpulan yang diperoleh dari
pembahasan yang dilengkapi dengan saran-saran yang berkaitan dengan
hasil penelitian ini.

3
 BAB II
LANDASAN TEORI

2.1. Arsitektur Perceptron

Output dari unit assosiator adalah biner vektor. Vektor tersebut
dikatakan sebagai sinyal input terhadap sinyal output atau unit response.
Oleh karena bobot-bobot dari assosiator ke unit output dapat diubah-ubah,
maka yang akan diperhatikan hanya pada bagian layer tersebut
(Perceptron, Ahmad, & Yogyakarta, 2009) .
Tujuan dari jaringan ini adalah mengklasifikasikan setiap pola input
ke dalam kelas tertentu. Apabila outputnya +1, maka input yang diberikan
termasuk kelas tertentu, sebaliknya jika outputnya -1, maka input yang
diberikan tidak masuk dalam kelas tertentu. Arsitektur perceptron
digambarkan seperti yang tampak pada gambar 1 berikut :

1
b
x1
w1
y
xi
wi

xn wn

Keterangan :
x1....xi....xn = neuron input

y = neuron output

b = bias

w1, wi, wn = bobot

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.

2.2. Algoritma Pelatihan Perceptron

Algoritma perceptron yang digunakan mempunyai susunan sebagai
berikut :
Langkah 1
a. Inisialisasi bobot dan bias (agar sederhana bobot dan bias mula-mula
dibuat = 0)

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

Halaman ini menjelaskan penginputan jumlah data training

yang nantinya data akan di proses pada perhitungan perceptron untuk
mengetahui nilai bobot.

3.2. Halaman Data Sampel

Pada halaman ini menginputkan data-data yang telah tersedia

pada table-table yang telah disediakan. Setelah data terisi data akan
di submit untuk masuk pada proses selanjutnya.

7
3.3. Halaman Data Gizi

Pada halaman ini berisi data-data yang selanjutnya akan

diproses pada data gizi berupa angka agar lebih mudah pada saat
melakukan proses normalisasi data.

3.4. Halaman Data Gizi Dalam Bentuk Angka

Halaman ini akan menampilkan data nilai gizi yang telah

diubah menjadi angka agar mudah pada proses normalisasi data.

8
3.5. Halaman Normalisasi Data

Halaman ini akan menampilkan data hasil normalisasi.

3.6. Halaman Perhitungan Perceptron

Halaman ini menampilkan hasil perhitungan hasil perceptron

dimana data diambil dari proses 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

Dulasrip, M. (2015). Penggunaan jaringan saraf tiruan untuk mendeteksi

status gizi balita dengan metode backpropagation skripsi.

10
Perceptron, T. M., Ahmad, U., & Yogyakarta, D. (2009). JURNAL
INFORMATIKA Vol 3, No. 1, Januari 2009. 3(1), 268–277.

11