Oleh :
Puji syukur saya panjatkan kehadirat tuhan yang maha esa, yang atas rahmat-
Nyamaka saya dapat menyelesaikan penyusunan makalah yang berjudul “Jaringan Syaraf
Tiruan Untuk Identifikasi Jenis Bunga”. Penulisan makalah adalah merupakan salah satu
tugas dari mata kuliah Pemrograman Java yang digunakan sebagai tugas UAS.
Dalam Penulisan makalah ini saya merasa masih banyak kekurangan – kekurangan
baik pada teknis penulisan maupun materi, mengingat akan kemampuan yang dimiliki kami.
Untuk itu kritik dan saran dari semua pihak sangat saya harapkan demi penyempurnaan
Dalam penulisan makalah ini saya menyampaikan ucapan terima kasih yang tak
terhingga kepada pihak – pihak yang membantu dalam menyelesaikan penulisan makalah ini,
khususnya kepada orang tua, keluarga, teman, sahabat, dan semua pihak yang tidak dapat
disebutkan satu persatu, yang telah memberikan bantuan dalam penulisan makalah ini.
padamereka yang telah memberikan bantuan, dan dapat menjadikan semua bantuan ini
Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-linier. JST dapat
digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk
menemukan pola-pola pada data. Menurut suatu teorema yang disebut "teorema penaksiran
universal", JST dengan minimal sebuah lapis tersembunyi dengan fungsi aktivasi non-linear dapat
memodelkan seluruh fungsi terukur Boreal apapun dari suatu dimensi ke dimensi lainnya.
Model pada JST pada dasarnya merupakan fungsi model matematika yang mendefinisikan fungsi.
Istilah "jaringan" pada JST merujuk pada interkoneksi dari beberapa neuron yang diletakkan pada
lapisan yang berbeda. Secara umum, lapisan pada JST dibagi menjadi tiga bagian:
Lapis masukan (input layer) terdiri dari neuron yang menerima data masukan dari variabel X.
Semua neuron pada lapis ini dapat terhubung ke neuron pada lapisan tersembunyi atau langsung
ke lapisan luaran jika jaringan tidak menggunakan lapisan tersembunyi.
Lapisan tersembunyi (hidden layer) terdiri dari neuron yang menerima data dari lapisan
masukan.
Lapisan luaran (output layer) terdiri dari neuron yang menerima data dari lapisan
tersembunyi atau langsung dari lapisan masukan yang nilai luarannya melambangkan hasil
kalkulasi dari X menjadi nilai Y.
Dimana :
cj = Center fungsi gausiaan ke - j
j = Lebar fungsi gausiaan ke – j
x = Masukan fungsi basis
Φj = Keluaran fungsi basis ke – j oleh masukan x representasi
Jaringan RBF digunakan dalam tahap memodelkan komponen nonlinier,
Langkah-langkah analisa RBF adalah:
(a) Input data untuk proses training: Data yang akan digunakan dalam proses pelatihan
adalah sebarang n jumlah data yang diinputkan oleh user. Data diatur sedemikian sehingga
membentuk matriks.
(b) Menentukan jumlah hidden neuron.
(c) Proses training dimulai dengan melakukan normalisasi data sedemikian sehingga data akan
berada pada [0,1]
d) Langkah proses training selanjutnya adalah melakukan perhitungan bobot (w) antara
lapisan input ke lapisan tersembunyi menggunakan algoritma unsupervised learning yaitu
algoritma SOM.
(e) Mencari besarnya nilai spread yang akan digunakan.
f) Perhitungan nilai aktivasi dengan fungsi Gaussian
h) Menghitung pseudo invers dari matriks Gaussian. Perhitungan bobot dari lapisan
tersembunyi ke lapisan output menggunakan sistem persamaan linear pseudo invers matriks,
dimana bobot baru (w) dihitung dengan mengalikan pseudo invers dari matriks G, dengan
vektor target (d) dari data training.GT adalah transpose dari matriks G dimana setiap kolom
dari matriks G menjadi baris pada GT. Sedangkan (GT∙G) - 1 adalah invers dari GT∙G
sehingga (GT∙G). (GT∙G) -1 = I, dengan I adalah matriks identitas.
(i) Training data dilakukan dengan trial and error sedemikian sehingga didapat nilai MAPE
(Mean Absolute Percentage Error) dan RMSE (Root Mean Square Error) terkecil dengan
jaringan yang telah mencapai optimal.
(j) Dilakukan proses testing dengan memasukkan bobot pelatihan, data pelatihan, data
real.
Selanjutnya output dari proses testing adalah bobot baru, hasil peramalan RBF, serta RMSE
dan
MAPE.
(k) Model optimal didapatkan dari perhitungan error terkecil dan tampilan grafik dimana
titiktitik plot dari hasil prediksi mendekati data aktual
dengan wij (t+1) adalah bobot baru, wij (t) adalah bobot saat ini, (t) adalah laju pembelajaran.
7. Memperbaiki nilai laju pembelajaran .
8. Mengurangi radius tetangga topologis pada waktu yang sudah ditentukan.
bunga dengan jenis kansas state flower dan 50 citra bunga berjenis marguerite
daisy.Sedangkan pada proses pengujian digunakan 60 citra uji yang terdiri dari 30 citra
bunga kansas state flower dan 50 citra bunga marguerite daisy.
Contoh citra bunga yang digunakan ditunjukkan pada gambar berikut.
Ciri yang digunakan untuk membedakan kedua jenis bunga tersebut adalah ciri warna RGB
berdasarkan nilai rata-rata R, G, dan B, dan ciri tekstur filter gabor berdasarkan nilai mean (rata- rata),
entropy, dan varians dari citra magnitude.
Data uji
2. Melakukan ekstraksi ciri warna RGB dan ekstraksi ciri tekstur filter gabor
sehingga diperoleh data ciri proses pelatihan seperti ditunjukkan pada gambar berikut
Pada hasil pelatihan diperoleh informasi bahwa dari 100 data latih terdapat 18 data yang
diidentifikasi secara salah sehingga akurasi yang dihasilkan pada proses pelatihan adalah sebesar
92%. Jaringan yang telah dihasilkan kemudian disimpan agar dapat digunakan untuk proses
pengujian.
4. Langkah berikutnya adalah melakukan pengujian jaringan menggunakan data uji. Sama seperti
pada proses pelatihan, pada pengujian juga dilakukan ekstraksi ciri yang sama yaitu ekstraksi ciri
warna dan ekstraksi ciri tekstur.
Data ciri proses pengujian yang diperoleh yaitu:
6. Membuat tampilan GUI agar proses identifikasi jenis bunga dapat lebih interaktif. Tampilan
awal GUI
ditunjukkan pada gambar di bawah ini.
Makalah yang berjudul Identifikasi Jenis Bunga ini memberi reverensi tentang
Jaringan Syaraf Tiruan dengan benar, Semoga makalah ini dapat dijadikan salah satu bahan
kajian dalam bidang keahlian grafika. Dengan disusunnya makalah ini semoga dapat
menambah nilai kami. Banyak hal yang belum terdokumen dalam makalah ini, kritik dan
saran buat kelengkapan makalah ini, sangat kami harapkan.
Tak lupa kami mohon maaf atas kekurangan-kekurangan yang harus dilengkapi dan
dikoreksi dalam makalah ini.
Kami mengucapkan terima kasih yang sebesar-besarnya kepada Bapak dosen atas
DAFTAR PUSTAKA
https://id.wikipedia.org/wiki/Jaringan_saraf_tiruan
https://pemrogramanmatlab.com/2017/06/05/jaringan-syaraf-tiruan-untuk-identifikasi-
jenis-bunga/
http://seminar.ilkom.unsri.ac.id/index.php/ars/article/view/820