ABSTRACT---Neural network program for elements identification based on its emission spectrum has
been made using backpropagation method. The programming language which was used is MATLAB 7.0. This
neural network has a single hidden layer. Training and testing data are emission spectrum data which are
emission wavelength from each element. Training process was done by introducing known emission spectrum
data to neural network program. Neural network program has been successful to identify elements based on its
emission spectrum. Training process will be faster if we adjust the number of hidden layer’s neuron as 100, the
value of learning rate as 0,049 and the value of momentum as 0,98. The neural network accuracy of identifying
elements is determined by the value of error target. Error target. The value of target error about 10-2 has accuracy
97,14% and the value of target error about 10 -4 has accuracy 100%.
Metode Backpropagation
Dalam jaringan syaraf tiruan ada
bermacam–macam metode pelatihan, dian-
Input layer Hidden layer
Output layer taranya adalah perceptron, jaringan basis
radial, backpropagation, jaringan reccurent
Gambar 1. Struktur sebuah jaringan syaraf dan lain–lain. Metode backpropagation meru-
tiruan (Rokhmadi dan Subekti, 2001) pakan metode yang handal digunakan untuk
pengenalan pola.
Metode backpropagation merupakan
Komponen Jaringan Syaraf Tiruan algoritma pembelajaran yang terawasi dan
Jaringan syaraf tiruan memiliki biasanya digunakan oleh perceptron dengan
beberapa tipe, namun sebagian besar memiliki banyak lapisan untuk mengubah bobot – bobot
komponen–komponen yang sama. Seperti otak yang terhubung dengan neuron – neuron yang
manusia, jaringan syaraf tiruan juga terdiri dari ada pada lapisan tersembunyi. Metode
beberapa neuron. Neuron–neuron tersebut akan pembelajaran pada jaringan syaraf disebut
mentransformasikan informasi yang diterima terawasi jika output yang diharapkan telah
melalui sambungan keluarnya menuju ke diketahui sebelumnya. Algoritma backpro-
neuron–neuron yang lain, hubungan ini di pagation menggunakan error output untuk
kenal dengan sebutan bobot. Informasi tersebut mengubah bobot – bobotntya dalam arah
disimpan pada suatu nilai tertentu pada bobot mundur (backward). Untuk mendapatkan error
tersebut. ini, tahap perambatan (forward propagation)
harus dikerjakan terlebih dahulu. Pada saat
perambatan maju, neuron – neuron diaktifkan
dengan menggunakan fungsi aktivasi
sigmoid (Kusumadewi, 2003).
METODE PENELITIAN
Metode pelatihan yang digunakan
Gambar 2. Struktur neuron jaringan syaraf dalam aplikasi ini adalah metode backpro-
(Kusumadewi, 2003) pagation. Metode ini merupakan metode yang
paling banyak digunakan dalam banyak
Struktur neuron pada jaringan syaraf aplikasi, hal ini dikarenakan kemudahannya
tiruan digambarkan seperti pada gambar 2., dalam melakukan proses pelatihan. Backpro-
neuron buatan tersebut memiliki cara kerja pagation terdiri dari dua fase, antara lain fase
yang sama dengan neuron biologis. Informasi maju yaitu mempropagasikan pola masukan,
yang diidentifikasi sebagai input akan dikirim kemudian fase mundur yang merupakan fase
ke neuron dengan bobot kedatangan tertentu. adaptasi pola keluaran. Besarnya error
Input ini kemudian diproses oleh fungsi diumpankan balik dalam operasi jaringan
perambatan dengan menjumlahkan nilai – nilai melalui lapisan tersembunyi.
semua bobot yang akan datang, hasil Proses pelatihan dilakukan melalui
penjumlahan kemudian dibandingkan dengan pengaturan nilai bobot, error dikuadratkan
nilai ambang tertentu melalui fungsi aktivasi dalam setiap iterasi sehingga error minimum
tiap neuron. Jika input tersebut melewati nilai cepat diperoleh. Proses pengaturan bobot akan
ambang tertentu maka neuron tersebut akan berhenti sampai pada tingkat toleransi error
diaktifkan, sebaliknya jika input tidak yang ditentukan.
melewati nilai ambang maka neuron tak akan
epoh
panjang gelombang emisi ditentukan sede- 8000
6000
mikian rupa sehingga dalam range itu terdapat 4000
panjang gelombang emisi untuk keempatbelas 2000
unsur. Dalam penelitian ini diambil range 0
panjang gelombang cahaya tampak dengan 1.00E+00 1.00E-02 1.00E-04 1.00E-06 1.00E-08 1.00E-10
Tiruan 20000
pelatihan. neuron
Dalam pengujian pengaruh target error Gambar 4. Grafik pengaruh jumlah neuron
terhadap lama pelatihan, jaringan dilatih terhadap jumlah iterasi
50000 neuron=300
3500
2500
1500
500
0.15 0.35 0.55 0.75 0.95 1.15
momentum
Dari tabel terlihat bahwa semakin yatu berturut-turut sebesar 0,0004, 0,002,
besar penyimpangan data dari data aslinya 0,0207, 0,041 dan 0,062. Nilai selisih target
maka selisih harga output dengan harga dan output yang lebih kecil merupakan indikasi
targetnya juga semakin besar. Jaringan dengan bahwa jaringan dengan harga target error 10-4
harga target error 10-2 tidak dapat memiliki kemampuan yang lebih baik.
mengidentifikasi semua data spektrum yang
diujikan. Maka pengujian selanjutnya dila- KESIMPULAN
kukan dengan mengatur harga target error 1. Program Jaringan Syaraf Tiruan yang
sebesar 10-4 dengan harapan semua data dapat telah dibuat dapat digunakan untuk
teridentifikasi. Seperti pada pengujian sebe- proses identifikasi unsur berdasarkan
lumnya, semua data diujikan satu persatu dan spektrum emisi.
dilihat hasil identifikasinya apakan sesuai 2. Dari pengujian karakteristik jaringan,
dengan unsur asalnya atau tidak. Hasil pengu- arsitektur jaringan yang paling baik
jian semua data tersebut dapat dilihat dalam adalah (17-100-1), jumlah input 17 buah,
tabel 2. jumlah neuron pada lapisan tersembunyi
Tabel 2. Hasil pengujian dengan target adalah 100 dan jumlah output 1, harga
error sebesar 10-4 learning rate efektif sebesar 0,049 dan
harga momentum efektif 0,98.
3. Dari hasil identifikasi semua data
pengujian, target error 10-2 memiliki
keakuratan sebesar 97,14%. Untuk target
error 10-4 semua data uji dapat
diidentifikasi dengan benar sehingga
keakuratannya 100%.
Data yang akan diidentifikasi harus
didapatkan dari peralatan dengan spesifikasi
yang sama dengan peralatan yang digunakan
untuk mendapatkan data pelatihan.
Pada jaringan hasil pelatihan dengan DAFTAR PUSTAKA
harga target error sebesar 10-4 semua data 1. Chatwal, G dan Anand, S. 1985.
dapat teridentifikasi sesuai dengan unsur Spectroscopy (Atomic and Molecular).
asalnya. Untuk unsur helium yang semula Bombay: Himalaya Publishing House
memiliki output 4,6025 pada jaringan dengan 2. Beiser, A. 1991. Konsep Fisika Modern.
target error 10-2, nilai outputnya dapat Jakarta: Erlangga
diperbaiki menjadi 4,3998 pada jaringan 3. Rokhmadi dan Subekti, R. M. 2001.
dengan target error 10-4. Hal ini menunjukkan Identifikasi Unsur-Unsur Radioaktif
bahwa jaringan dengan harga target error 10-4 dengan Menggunakan Jaringan Syaraf
memiliki kemampuan identifikasi lebih baik Tiruan. Serpong: P2TRR-BATAN
daripada jaringan dengan target error 10-2. 4. Siang, J. J. 2005. Jaringan Syaraf Tiruan
Secara umum selisih antara target dan Pemrogramannya Menggunakan
error dan output pada jaringan dengan target Matlab. Yogyakarta: Andi Offset
error 10-4 juga lebih kecil jika dibandingkan 5. Kusumadewi, S. 2003. Artificial
dengan selisih target error dan output pada Intelligence. Yogyakarta: Graha Ilmu
jaringan dengan target error sebesar 10-2. Nilai
selisih target dan output untuk data yang sama
pada jaringan dengan target error sebesar 10-4,