ABSTRAK
Jaringan Syaraf Tiruan (JST) sedikit demi sedikit mulai mampu menggantikan tugas seorang
pakar, bahkan dengan JST mampu dibuat alat untuk menggantikan seorang dokter. Salah satu jenis JST
adalah jaringan Backpropagation, jaringan ini dapat digunakan untuk melakukan pelatihan agar program
mampu mengenali apakah itu gelombang spektra babi atau sapi. Untuk menentukan keluaran dalam
pelatihan Backpropagation dibutuhkan fungsi aktivasi yang cocok. Karena itu pada penelitian ini akan
dibandingkan beberapa fungsi aktivasi yang dapat digunakan dalam pelatihan. Fungsi aktivasi-fungsi
aktivasi itu diuji coba dengan tes rasio untuk mengetahui interval kekonvergenannya. Setelah diuji coba
dengan tes rasio didapatkan bahwa fungsi aktivasi tanh adalah fungsi aktivasi yang paling bagus untuk
digunakan pelatihan jaringan Backpropagation, karena memiliki rentang bobot yang dapat memenuhi
metode-metode yang digunakan dalam penentuan bobot. Setelah diuji coba dengan data, fungsi aktivasi
tanh mampu mengenali data uji coba dengan tepat semua. Diharapkan pada penelitian selanjutnya
untuk meneliti interval bobot yang membuat pelatihan mencapai konvergensi dengan cepat dan errornya
sedikit.
Kata kunci:Fungsi Sigmoid Biner, Gelombang Spektra Sapi Dan Bab, Jaringan Backpropagation
ABSTRACT
Artificial Neural Network (ANN) is beginning little by little to replace the task of an expert, even
with the ANN can be a tool to replace a doctor. One of kind of ANN is Backpropagation networks, this
network can be used to training programs in order to be able to recognize whether it is pig or cow wave
spectra. To determine the output in Backpropagation training required suitable activation functions.
Therefore, in this research will be compared to some of the activation function that can be used in
training. Activation functions will be tested with the ratio test to determine the interval convergence. After
tested with the ratio test it was found that the activation function tanh z was the best activation function
to use the Backpropagation network training, because it has a weight range that can meet the methods
used in the determination of weights. When tested with the data, the activation function tanh z is able to
recognize correctly all trial datas. Expected in future research to examine the weight that makes the
interval training to achieve fast convergence and the error bit.
Keywords:Backpropagation Networks, Binary Sigmoid Function, Wave Spectra in The Case of Cows and Pigs
Selanjutnya dalam penelitian ini akan
jika dan hanya jika untuk semua
dikaji kaitan jaringan syaraf tiruan (JST) dalam dan . Contohnya adalah:
3 4 3 4
pendeteksian makanan yang mengandung babi
atau tidak. 6 5 6 5
JST dipilih karena JST sistem pemroses Dari contoh itu terlihat bahwa matriks
informasi yang memiliki karakteristik mirip dan sama secara ukuran dan unsur-unsurnya.
dengan jaringan syaraf biologi (Siang, 2009). Definisi. Jika
dan adalah matriks-
Seperti halnya otak manusia, JST juga terdiri matriks berukuran sama, maka jumlah
beberapa neuron dan ada hubungan antara adalah matriks yang diperoleh dengan
neuron-neuron tersebut. Neuron-neuron tersebut menambahkan unsur-unsur matriks
dengan
akan mentransformasikan informasi yang unsur-unsur yang berpadanan.
! adalah
diterima melalui sambungan keluarnya menuju matriks yang diperoleh dengan mengurangkan
ke neuron-neuron yang lain. Pada JST informasi unsur-unsur
dengan unsur-unsur yang
tersebut disimpan pada suatu nilai tertentu yang berpadanan. Matriks-matriks berukuran berbeda
disebut bobot. JST dibentuk sebagai generalisasi tidak bisa ditambahkan atau dikurangkan.
model matematika dari jaringan syaraf biologi, Definisi. Jika
adalah sebarang matriks
dengan asumsi bahwa: dan " adalah sebarang skalar, maka hasil kali "
• Pemrosesan informasi terjadi pada banyak adalah matriks yang diperoleh dengan mengalikan
elemen sederhana (neuron). setiap unsur
dan ".
• Sinyal dikirimkan diantara neuron-neuron Definisi. Jika
adalah sebuah matriks
melalui penghubung-penghubung.
# dan adalah sebuah matriks #
, maka
• Penghubung antar neuron memiliki bobot yang hasil kali
adalah matriks
yang unsur-
akan memperkuat dan memperlemah sinyal. unsurnya didefinisikan sebagai berikut. Untuk
• Untuk menentukan keluaran, setiap neuron mencari unsur dalam baris dan kolom dari
,
menggunakan fungsi aktivasi (biasanya non pilih baris dari matriks
dan kolom dari
linier) yang dikenakan pada jumlahan masukan matriks . Kalikan unsur-unsur yang berpadanan
yang diterima. Besarnya keluaran ini dari baris dan kolom secara bersama-sama dan
selanjutnya dibandingkan dengan suatu batas kemudian jumlahkan hasil kalinya.
ambang. Definisi. Perkalian matriks mensyaratkan
bahwa jumlah kolom matriks
sama dengan
KAJIAN TEORI jumlah baris matriks untuk membentuk hasil
kali
. Jika syarat ini tidak terpenuhi, hasil
1. Matriks kalinya tidak terdefinisi.
Matriks adalah jajaran elemen berbentuk
empat persegi panjang (Purwanto, et al., 2005). 2. Citra
Bentuk (ukuran) matriks ditentukan oleh Citra adalah suatu representasi
banyaknya baris dan kolom. Untuk selanjutnya (gambaran), kemiripan, atau imitasi dari suatu
matriks matriks yang mempunyai baris dan objek (Sutoyo, et al., 2009). Citra sebagai
kolom dituliskan sebagai matriks berukuran keluaran suatu sistem perekaman data dapat
(misalnya matriks A berukuran 3
4), dan bersifat optik berupa foto, bersifat analog berupa
ukuran ini biasa disebut dengan ordo matriks. sinyal-sinyal video seperti gambar pada monitor
Berikut ini adalah beberapa contoh matriks. televisi atau bersifat digital yang dapat langsung
3 2 6 disimpan pada suatu media penyimpanan. Citra
1 4 7 dapat dibagi menjadi dua, yaitu citra analog dan
citra digital.
Matriks-matriks di atas ber-ordo,
2
2, 2
1. Matriks yang hanya
Citra analog adalah citra yang bersifat
kontinu, seperti gambar pada monitor televisi,
mempunyai satu kolom disebut matriks kolom
seperti matriks , atau sering juga disebut
foto sinar X, foto yang tercetak di kertas foto,
lukisan, pemandangan alam, hasil CT scan dan
dengan vektor.
lain sebagainya. Citra analog tidak dapat
Seperti halnya bilangan riil, matriks-
dipresentasikan dalam komputer sehingga tidak
matriks juga bisa ditambahkan, dikurangkan dan
bisa diproses di komputer secara langsung. Oleh
dikalikan dengan cara yang berguna (Anton,
sebab itu, agar citra ini dapat diproses di
2000).
komputer, proses konversi analog ke digital
Definisi. Dua matriks didefinisikan sama
harus dilakukan terlebih dahulu. Citra analog
jika keduanya mempunyai ukuran yang sama dan
dihasilkan dari alat-alat analog di antaranya
unsur-unsurnya berpadanan sama.
Dalam notasi matriks,
dan
adalah video kamera analog, kamera foto analog
dan CT scan.
mempunyai ukuran yang sama, maka
Citra digital adalah citra yang dapat diolah
oleh komputer.
kali muncul setelah model sederhana dari neuron yang digunakan untuk melatih jaringan hingga
buatan diperkenalkan oleh McCulloch dan Pitts diperoleh bobot yang diinginkan. Pasangan data
pada tahun 1943. Model sederhana tersebut tersebut berfungsi sebagai “guru” untuk melatih
dibuat berdasarkan fungsi neuron biologis yang jaringan hingga diperoleh bentuk yang terbaik.
merupakan dasar unit pensinyalan dari sistem “Guru” akan memberikan informasi yang jelas
syaraf. tentang bagaimana sistem harus mengubah
JST memiliki beberapa kemampuan seperti dirinya untuk meningkatkan kerjanya.
yang dimiliki otak manusia, yaitu: Pada setiap kali pelatihan, suatu input
a. Kemampuan untuk belajar dari pengalaman. diberikan ke jaringan. Jaringan akan memproses
b. Kemampuan melakukan perumpamaan dan mengeluarkan keluaran. Selisih antara
terhadap masukan baru dari pengalaman keluaran jaringan dengan target (keluaran yang
yang dimilikinya. diinginkan) merupakan error. Jaringan akan
c. Kemampuan memisahkan karakteristik memodifikasi bobot sesuai dengan error
penting dari masukan yang mengandung tersebut.
data yang tidak penting. Sebaliknya, dalam pelatihan tak
JST ditentukan oleh 3 hal (Siang, 2009): terbimbing tidak ada guru yang akan
Pola hubungan antar neuron (disebut mengarahkan proses pelatihannya, perubahan
arsitektur jaringan) bobot jaringan dilakukan berdasarkan parameter
a. Metode untuk menentukan bobot penghubung tertentu dan jaringan dimodifikasi menurut
(disebut metode training/learning/algoritma) ukuran parameter tersebut. Contohnya adalah
b. Fungsi aktivasi jaringan lapisan kompetitif.
Sebagai contoh, perhatikan neuron ( pada Selain jenis pelatihan yang tidak kalah
gambar 2 penting dalam JST adalah fungsi aktivasi.
Kegunaan fungsi aktivasi sudah dijelaskan di atas,
yaitu untuk menentukan keluaran. Banyak fungsi
aktivasi yang dapat digunakan di antaranya
fungsi-fungsi goniometri dan hiperboliknya,
fungsi unit step, impuls, dan sigmoid (Purnomo,
et al., 2006). Tetapi yang lazim digunakan adalah
fungsi sigmoid, karena dianggap lebih mendekati
kinerja sinyal pada otak manusia. Pada umumnya
fungsi aktivasi membangkitkan sinyal-sinyal
unipolar atau bipolar. Fungsi sigmoid, dapat juga
Gambar 2. Jaringan Syaraf Tiruan Sederhana dibuat untuk jenis unipolar maupun bipolar.
JST dapat diaplikasikan kedalam 6. Jaringan Backpropagation
pengenalan pola. Secara umum pengenalan pola Backpropagation merupakan algoritma
adalah suatu ilmu untuk mengklasifikasikan atau pembelajaran yang terbimbing(Kusumadewi,
menggambarkan sesuatu berdasarkan 2004). Algoritma Backpropagation menggunakan
pengukuran kuantitatif fitur (ciri) atau sifat error keluaran untuk mengubah nilai bobot-
utama dari suatu objek (Putra, 2010). Pola bobotnya dalam arah mundur. Untuk
sendiri adalah suatu entitas yang terdefinisi dan mendapatkan error ini, tahap perambatan maju
dapat diidentifikasikan serta diberi nama. Sidik harus dilakukan terlebih dahulu.
jari adalah suatu contoh pola. Pola bisa Arsitektur yang digunakan dalam jaringan
merupakan kumpulan hasil pengukuran atau Backpropagation merupakan arsitektur lapisan
pemantauan dan bisa dinyatakan dalam notasi jamak (Siang, 2009). Karena merupakan jaringan
matriks atau vektor. Pengenalan pola telah lapisan jamak, maka Backpropagation memiliki
dikembangkan adalah pengenalan secara lapisan tersembunyi.
otomatis karakter tulisan tangan (angka atau Dan dalam jaringan Backpropagation,
huruf), dengan variasi yang sangat banyak di fungsi aktivasi yang digunakan harus memenuhi
ukuran, posisi dan gaya tulisan (Fausett, 1994). beberapa syarat, yaitu: kontinu, terdifferensial
Seperti jaringan Backpropagation yang telah dengan mudah dan merupakan fungsi yang tidak
digunakan untuk mengenali tulisan tangan kode turun. Salah satu fungsi yang memenuhi ketiga
pos. syarat tersebut sehingga sering digunakan adalah
JST dapat dibagi lagi menurut jenis fungsi sigmoid biner. Dan fungsi lain yang sering
pelatihannya. Dalam JST ada dua macam digunakan adalah fungsi sigmoid bipolar yang
pelatihan yang dikenal, yaitu pelatihan memiliki range (-1,1).
terbimbing dan tak terbimbing (Siang, 2009).
Dalam pelatihan terbimbing, terdapat
sejumlah pasangan data (masukan dan keluaran)
dikatakan limit *
+ ,, jika untuk setiap / 0 0 ada 9. Spektroskopi Infra Merah
bilangan asli 1*/, sedemikian sehingga untuk Spektroskopi infra merah merupakan
setiap 2 1*/,,
+ memenuhi |
+ !
| 4 salah satu alat yang banyak digunakan untuk
/(Bartle dan Sherbert, 2000). mengidentifikasi senyawa baik alami maupun
Jika sebuah barisan memiliki limit, disebut buatan (Habsari, 2010). Bila sinar infra merah
konvergen. Tapi jika tidak memiliki limit maka dilewatkan melalui cuplikan senyawa organik,
disebut divergen. maka sejumlah frekuensi akan diserap sedang
Berikut ini adalah beberapa konsep dasar frekuensi yang lain diteruskan atau
tentang definisi yang berkaitan dengan limits ditransmisikan tanpa diserap. Gambaran antara
yang digunakan sebagai dasar untuk persen absorbansi atau persen transmitansi
mengevaluasi konvergensi atau sifat asimtotis lawan frekuensi akan menghasilkan suatu
dari suatu estimator (Suhartono, 2007). spektrum infra merah. Transisi yang terjadi
Definisi.Misalkan + adalah suatu barisan didalam serapan infra merah berkaitan dengan
bilangan riil. Jika ada suatu bilangan riil dan perubahan-perubahan vibrasi dalam molekul.
jika untuk setiap bilangan riil 5 0 0 ada suatu Daerah radiasi spektroskopi infra merah berkisar
bilangan bulat 6*5,sedemikan hingga untuk pada bilangan gelombang 1280-10 cm-1 atau pada
semua 2 6*5,, |+ ! | 4 5 maka merupakan panjang gelombang 0,78-1000 μm.
limit dari barisan 7+ 8. Dilihat dari segi aplikasi dan instrumentasi
Definisi. (i) Suatu barisan 7+ 8 dikatakan spektroskopi infra merah dibagi ke dalam tiga
sebanyak-banyaknya pada orde 9, dinotasikan jenis radiasi yaitu infra merah dekat, infra merah
+ :* ; ,, jika untuk beberapa bilangan riil pertengahan, dan infra merah jauh.
terbatas ∆0 0, ada suatu bilangan bulat terbatas Ada 2 jenis instrmentasi untuk absorbsi
6 sedemikan hingga untuk semua 2 infra merah yaitu, instrumentasi dispersi
6, | =% + | 4 ∆. (ii) Suatu barisan 7+ 8adalah pada (konvensional) yang hanya digunakan untuk
orde lebih kecil dari 9,dinotasikan + >* 9,, jika analisis kualitatif dan instrumentasi yang
untuk setiap bilangan riil 5 0 0 ada suatu menggunakan Fourier Transform (FTIR) dapat
bilangan bulat terbatas 6*5, sedemikian hingga digunakan untk analisis kuantitatif dan kualitatif .
untuk semua 2 6*5,, | =% + | 4 5, yaitu Spektroskopi FTIR (fourier transform
=% + ? 0. infrared) merupakan salah satu teknik analitik
yang sangat baik dalam proses identifikasi
8. Tes Rasio dan Deret Taylor struktur molekul suatu senyawa. Komponen
Tes rasio sangat berguna menentukan utama spektroskopi FTIR adalah interferometer
apakah deret yang diberikan konvergen (Stewart, Michelson yang mempunyai fungsi menguraikan
2010). (mendispersi) radiasi infra merah menjadi
E
a. Jika lim+?∞ D FGHD I 4 1, maka deret ∑∞
+K% +
komponen-komponen frekuensi. Penggunaan
EF
interferometer Michelson tersebut memberikan
adalah konvergen. keunggulan metode FTIR dibandingkan metode
E
b. Jika lim+?∞ D FGHD I 0 1 atau spektroskopi infra merah konvensional maupun
EF
EFGH metode spektroskopi yang lain. Di antaranya
lim+?∞ D D ∞ maka deret ∑∞
+K% + adalah
EF adalah informasi struktur molekul dapat
divergen. diperoleh secara tepat dan akurat (memiliki
E
c. Jika lim+?∞ D FGHD 1, maka tes rasio tidak resolusi yang tinggi). Keuntungan yang lain dari
EF
metode ini adalah dapat digunakan untuk
dapat ditentukan. Tidak ada hasil yang bisa
ditentukan apakah ∑∞
mengidentifikasi sampel dalam berbagai fase
+K% + konvergen atau
(gas, padat atau cair). Kesulitan-kesulitan yang
divergen.
ditemukan dalam identifikasi dengan
Deret Taylor spektroskopi FTIR dapat ditunjang dengan data
Teorema Taylor. Andaikan L sebuah fungsi yang diperoleh dengan menggunakan metode
yang memiliki turunan dari semua tingkatan spektroskopi yang lain.
dalam suatu selang ! #, #. Syarat perlu Uji kandungan lemak babi dengan metode
dan cukup agar menjadi deret Taylor adalah FTIR telah ditemukan adanya kekhasan vibrasi
L*, L ; *,*
! , ulur C-H pada sampel lemak babi yang berbeda
L ;; *,*
! ,& dengan lemak hewani lainnya. Hasil yang
N
2! (1) diperoleh menunjukkan bahwa mesin FTIR
L* ,*
! , + sangat berpotensi digunakan sebagai alat untuk
! mendeteksi lemak babi secara cepat dengan hasil
yang konsisten.
PEMBAHASAN
Tabel 2. Bilangan Gelombang dan Absorbansi
Sebelum melakukan pelatihan data, maka pada data sapi
yang harus disiapkan adalah data pelatihan, dan
Bilangan gelombang Absorbansi
data pelatihan diambil dari data gelombang
spektra sapi dan babi, Disini
+ adalah bilangan PQ 970,192166 OR 0.00005
gelombang dan O+ adalah absorbansi (sinar-x PS 972,120977 O% 0.000034
yang diserap oleh benda dan diteruskan untuk PT 974,049789 O& -0.000006
mengetahui vibrasi molekulnya). Dan kemudian
akan diinterpolasi lagrange untuk mengetahui PU 975,9786 OV -0.000043
apropksimasi fungsi dari data berpasangan. PW 977,907411 OX -0.000061
Berikut adalah data bilangan gelombang dan PY 979,836223 OZ -0.00006
absorbansi untuk data babi.
P[ 981,765034 O\ -0.000041
Tabel 1. Bilangan Gelombang dan Absorbansi P] 983,693846 O^ -0.000011
pada data babi
Bilangan gelombang Absorbansi P_ 985,622657 O' 0.000013
PQ 970,192166 OR -0,000009 Setelah itu data bilangan gelombang dan
PS 972,120977 O% 0,000002 absorbansi diinnterpolasi lagrange, sehingga
PT 974,049789 O& 0,000003 didapatkan aproksimasi fungsi data
berpasangannya adalah,
PU 975,9786 OV -0,000002 `*
, 7,897573065875410. 10=%&
'
PW 977,907411 OX -0,000006 !6,180374054490586. 10='
^
PY 979,836223 OZ -0,000003 2,115981828265967. 10=X
\
!0.413970186280669
Z
P[ 981,765034 O\ -0,000004 5,061791113327844. 10&
X (3)
P] 983,693846 O^ -0,000015 !3,961114096958705.10Z
V
P_ 985,622657 O' -0,000007 1,937351871176862. 10'
&
!5,414515674767383. 10%R
6,62043892617714810%&
Data bilangan gelombang dan absorbansi
Sehingga didapatkan Gambar 4 berikut ini
pada tabel di atas diinnterpolasi lagrange,
sebagai grafiknya untuk dijadikan data pelatihan.
sehingga menghasilkan persamaan 2 berikut ini
`*
, !1,035741567042484 . 10=%%
'
8,104872585865455. 10='
^
! 2,774703359707413.10=X
\
0,542808208062731
Z
! 6,636724626885896. 10&
X (2)
5,193243594766944. 10Z
V
! 2,539809476507496. 10'
&
7,097788748923267. 10%R
! 8,678018906807824.10%&
Sehingga didapatkan gambar 3 sebagai
grafik data pelatihan, dan gambarnya adalah Gambar 4. Gelombang Spektra sapi
sebagai berikut
Fungsi aktivasi yang akan dibanding
0.00001 adalah fungsi
a. tan ,
0 b. sin ,
960 970 980 990 babi c. tanh ,
-0.00001 100% d. sinh ,
e. arctan ,
-0.00002
Bilangan Gelombang f. arcsin ,
g. arctanh ,
h. arcsinh
Gambar 3. Gelombang Spektra Babi Delapan fungsi aktivasi itu dipilih karena
sebagai fungsi non linier yang cukup memadai
Untuk data sapi dengan alat FTIR, untuk digunakan sebagai fungsi aktivasi (Kim,
didapatkan bilangan gelombang dan data 2001). Bentuk kompleks dari fungsi aktivasi yang
absorbansi pada tabel 2 berikut. akan dibandingkan adalah.
f g ! f =g FA=zeros(120*100,8);
tan
*f g f =g , FB=zeros(120*100,8);
f g ! f =g for i=1:8
sin A=imread(['sapi' num2str(i) '.jpg']);
2
f g ! f =g [m,n,o]=size(A);
tanh g A2=rgb2gray(A);
f f =g
f g ! f =g A3=im2bw(A2,graythresh(A2));
sinh A4=imresize(A3,[120 100]);
2
1 1 A5=reshape(A4,[120*100 1]);
arctan ln h i
2 1 !
FA(:,i)=A5;
1 B=imread(['babi' num2str(i) '.jpg']);
arcsin ln j k1 ! & l
[m,n,o]=size(B);
1 1 B2=rgb2gray(B);
arctanh ln h i
2 1! B3=im2bw(B2,graythresh(B2));
arcsinh ln j k & 1l B4=imresize(B3,[120 100]);
B5=reshape(B4,[120*100 1]);
Kedelapan fungsi aktivasi diata diuji FB(:,i)=B5;
dengan tes rasio untuk mengetahui interval end
kekonvergenannya. Dan berikut ini hasill dari tes P=[FA FB];
rasio dalam mendeteksi interval T=[ones(1,8) zeros(1,8);
kekonvergenannya. zeros(1,8) ones(1,8)];
Tabel 3. Perbandingan fungsi aktivasi setelah P1=[P P P P P P P P P P];
dicari interval kekonvergenan dengan tes rasio T1=[T T T T T T T T T T];
Fungsi clear A A2 A3 A4 B B2 B3 B4 B5 i m n o A5
Interval Kekonvergenan FA FB P T
Aktivasi
mno p !3 4 4 3 net=newff(minmax(P1),[50,2],{'logsig','pur
qro p !1 4 4 1 elin'},'traingd')
net.trainParam.goal=0.00001
mnos p !3 4 4 3 net.IW{1,1};
qros p !1 4 4 1 net.b{1};
ntumno p !1 4 4 1 net.LW{2,1};
ntuqro p !1 4 4 1 net.b{2};
ntumnos p !1 4 4 1 [y,Pf,Af,e,perf]=sim(net,P1,[],[],T1)
!1 4 4 1 net=train(net,P1,T1)