LAPORAN PRAKTIKUM

JARINGAN SARAF TIRUAN MENGGUNAKAN MATLAB

Oleh:
1. Almira Prindari Putri 191510501106
2. Pulung Damar Panuluh 191510501084
3. Rejanayala Nida Firrizqi Huda 191510501116
4. Dwi Hening Puspita 191510501031
5. Bagus Sujatmiko 191510501125

PROGRAM STUDI AGROTEKNOLOGI

FAKULTAS PERTANIAN
UNIVERSITAS JEMBER
2022
 BAB 1. PENDAHULUAN

1.1 Latar Belakang

Jaringan saraf tiruan adalah suatu paradigma pemrosesan suatu informasi
yang terinspirasi oleh sistem otak manusia dalam menerima suatu informasi dan
menyelesaikan masalah dengan melakukan proses belajar melalui perubahan
bobot sinapsisnya (Rahmadani dkk., 2021). Fungsi aktivasi jaringan saraf tiruan
digunakan untuk proses perhitungan terhadap nilai actual output pada hidden layer
serta pada output layer (Solikhun dan Trisno, 2017). Jenis-jenis jaringan syaraf
tiruan antara lain perceptron, backpropagation/ propagasi balik, learning vector
quantization dan lain sebagainya. JST cocok digunakan pada sistem yang
kompleks seperti sistem di bidang pertanian. Menurut Arif (2021), hal ini karena
JST memiliki kemampuan untuk mengenali dan mempelajari hubungan yang

mendasari antara input dan output tanpa pertimbangan fisik secara eksplisit.
Pada jaringan saraf tiruan umunya terdapat dua pemprosesan perencanaan
algoritma yaitu pelatihan dan pengujian. Persentase pembagian data latih dengan
data uji yang umumnya digunakan yaitu 50:50, 60:40, 70:30, dan 80:20, dimana
data latih sebaiknya lebih besar dibandingkan data uji. Data latih berupa data yang
sudah ada sebelumnya berdasarkan fakta yang sudah terjadi. Output yang
dihasilkan dari data latih yaitu arsitektur beserta bobot bobot terbaik dari hasil
pembaharuan. Selain itu data uji merupakan data yang sudah berlabel digunakan
dalam menghitung akurasi model klasifikasi. Data uji akan memperoleh output
yang akan dibandingkan dengan target uji sehingga memperoleh tingkat akurasi
proses pengujian.
Salah satu perangkat lunak yang dapat digunakan dalam pemprosesan
jaringan saraf tiruan yaitu Matrix Laboratory (MATLAB). MATLAB merupakan
suatu bahasa pemrograman tingkat tinggi berbasis pada matriks sering digunakan
untuk teknik komputasi numerik, untuk menyelesaikan masalah-masalah yang
melibatkan operasi matematika elemen, matrik, optimasi, aproksimasi dan lain-
lain. MATLAB ini bersifat extensible artinya bahwa seorang pengguna dapat
menulis fungsi baru untuk ditambahkan pada library ketika fungsi-fungsi built-in
yang tersedia tidak dapat melakukan tugas tertentu (Cahyono, 2013). Sehingga
dalam hal ini matlab digunakan untuk prediksi model JST pada bidang pertanian
yang akan dibahas lebih lanjut dalam makalah ini.

1.2 Tujuan
Praktikum ini bertujuan agar mahasiswa dapat memahami model pada
jaringan saraf tiruan yang paling baik digunakan.
 BAB 2. METODE PRAKTIKUM

2.1 Tempat dan Waktu

Kegiatan acara praktikum “Jaringan Syaraf Tiruan” dilaksanakan pada
tanggal 1 Juni sampai 6 Juni di domisili masing – masing praktikan.

2.2 Alat dan Bahan

1. Laptop
2. Referensi Jurnal
3. Software Matlab
4. Software Ms. Excel
5. Alat Tulis

2.3 Metode
1. Menyiapkan alat dan bahan
2. Mengambil data latih dan data uji jurnal referensi
3. Memasukkan kedua data pada software Ms. Excel
4. Menentukan variabel X dan Y
5. Membuat grafik dari kedua variabel
6. Menganalisis data pada software Matlab
7. Mengaktivasi coding Matlab
8. Menentukan RMSE dan R²
9. Menyimpulkan hasil data analisis dalam laporan.
 BAB 3. HASIL DAN PEMBAHASAN

3.1. Hasil
3.1.1. Data Utama
X1 Umur X2 Konsentrasi X3 Lama Y Rata-rata
No. tanaman Asam Giberelat Perendaman Tinggi Tanaman
(HST) (ppm) (jam) (cm)
1 20 150 6 9.62
2 40 150 6 11.85
3 60 150 6 13.36
4 80 150 6 15.64
5 100 150 6 18.11
6 120 150 6 20.07
7 20 250 8 10.38
8 40 250 8 13.7
9 60 250 8 15.21
10 80 250 8 17.9
11 100 250 8 20.18
12 120 250 8 22.56
13 20 350 10 10.59
14 40 350 10 13.94
15 60 350 10 15.55
16 80 350 10 18.09
17 100 350 10 20.49
18 120 350 10 23.04
19 20 500 12 10.69
20 40 500 12 12.56
21 60 500 12 15.94
22 80 500 12 18.20
23 100 500 12 20.53
24 120 500 12 22.76
25 20 650 14 10.72
26 40 650 14 12.63
27 60 650 14 15.96
28 80 650 14 18.26
29 100 650 14 21
30 120 650 14 22.8
31 20 750 16 9.37
32 40 750 16 12.1
33 60 750 16 14.26
34 80 750 16 18.12
35 100 750 16 20.94
36 120 750 16 22.67
37 20 850 18 9.53
38 40 850 18 12.06
39 60 850 18 15.02
40 80 850 18 18.17
41 100 850 18 20.72
42 120 850 18 22.54
43 20 1000 20 9.47
44 40 1000 20 11.8
45 60 1000 20 15.06
46 80 1000 20 18.1
47 100 1000 20 20.64
48 120 1000 20 22.47
49 20 1150 22 9.52
50 40 1150 22 11.74
51 60 1150 22 15.18
 52 80 1150 22 17.98
53 100 1150 22 20.68
54 120 1150 22 22.5
55 20 1300 24 9.45
56 40 1300 24 11.7
57 60 1300 24 15.1
58 80 1300 24 17.49
59 100 1300 24 20.58
60 120 1300 24 22.42
Latih : 70 0.7 60 42
Uji : 30 0.3 60 18

3.1.2. Data Latih

X1 Umur X2 Konsentrasi X3 Lama Y Rata-rata

No. tanaman Asam Giberelat Perendaman Tinggi Tanaman
(HST) (ppm) (jam) (cm)
1 20 150 6 9.62
2 40 150 6 11.85
3 60 150 6 13.36
4 80 150 6 15.64
5 100 150 6 18.11
6 20 250 8 10.38
7 40 250 8 13.7
8 60 250 8 15.21
9 80 250 8 17.9
10 100 250 8 20.18
11 20 350 10 10.59
12 40 350 10 13.94
13 60 350 10 15.55
14 80 350 10 18.09
15 20 500 12 10.69
16 40 500 12 12.56
17 60 500 12 15.94
 18 80 500 12 18.20
19 20 650 14 10.72
20 40 650 14 12.63
21 60 650 14 15.96
22 80 650 14 18.26
23 20 750 16 9.37
24 40 750 16 12.1
25 60 750 16 14.26
26 80 750 16 18.12
27 20 850 18 9.53
28 40 850 18 12.06
29 60 850 18 15.02
30 80 850 18 18.17
31 20 1000 20 9.47
32 40 1000 20 11.8
33 60 1000 20 15.06
34 80 1000 20 18.1
35 20 1150 22 9.52
36 40 1150 22 11.74
37 60 1150 22 15.18
38 80 1150 22 17.98
39 20 1300 24 9.45
40 40 1300 24 11.7
41 60 1300 24 15.1
42 80 1300 24 17.49

3.1.3. Data Uji

X1 Umur X2 Konsentrasi X3 Lama Y Rata-rata

No. tanaman Asam Giberelat Perendaman Tinggi Tanaman
(HST) (ppm) (jam) (cm)
1 120 150 6 20.07
2 120 250 8 22.56
3 100 350 10 20.49
4 120 350 10 23.04
5 100 500 12 20.53
6 120 500 12 22.76
7 100 650 14 21
8 120 650 14 22.8
9 100 750 16 20.94
 10 120 750 16 22.67
11 100 850 18 20.72
12 120 850 18 22.54
13 100 1000 20 20.64
14 120 1000 20 22.47
15 100 1150 22 20.68
16 120 1150 22 22.5
17 100 1300 24 20.58
18 120 1300 24 22.42

3.1.4. Fungsi Aktivasi

  Pelatihan   Pengujian
Ulangan fungsi aktivasi RMSE R2   RMSE R2
1 logsig-logsig-logsig- 4.69492 0.999   10.0507 -8905
8 7 7
2 logsig-logsig- 4.48961 0.999   15.4385 -155.5
purelin- 5 7 9
3 logsig-logsig-tansig- 4.64402 0.999   15.6294 -175.5
3 6 7
4 logsig-tansig-logsig- 4.52191 0.999   2.33273 -281.6
7 7 4
5 logsig-purelin- 4.59533 0.999   1.86506 -20252
logsig- 2 6 6
6 tansig-logsig-logsig- 4.57278 0.999   11.3230 -10.64
2 6
7 purelin-logsig- 4.60155 0.998   14.1150 -4.337
logsig- 3 7
8 tansig-tansig-tansig- 4.68551 0.999   17.5475 0.299
5 6 9
9 tansig-tansig-purelin- 4.43567 0.999   19.1955 0.2771
1 6 5
10 tansig-tansig-logsig- 4.52597 0.999   10.0637 -1.492
4 6 8
11 tansig-purelin-tansig- 4.65761 0.999   2.94358 -18.12
4 6 4
12 tansig-logsig-tansig- 4.69516 0.999   20.8612 0.2345
6 6
13 purelin-tansig-tansig- 4.67585 0.997   34.1786 0.362
7 8 9
14 logsig-tansig-tansig- 4.48438 0.999   7.16025 -265.3
7 6 1
15 purelin-purelin- 4.59738 0.952   256.784 -1.853
purelin- 4 1 5
 16 purelin-purelin- 4.43153 0.911   1.78310  
tansig- 7 6 1
17 purelin-purelin- 4.44378 0.929   1.81376 -3630
logsig- 7 3 9
18 purelin-tansig- 4.33824 0.996   45.5272 0.4263
purelin- 3 2
19 purelin-logsig- 4.40438 0.996   33.1838 0.4246
purelin- 8 1 6
20 tansig-purelin- 4.98613 0.999   55.2656 0.235
purelin- 7 6
21 logsig-purelin- 485.272 0.998   86.0844 -21.15
purelin- 7 2 9
22 tansig-purelin-logsig- 3.50415 0.997   3.22613 -20.24
0 6 1
23 tansig-logsig-purelin- 4.43567 0.999   21.0125 0.2159
1 6 1
24 logsig-purelin-tansig- 2.10610 0.998   1.78316  -1617
1 3
25 purelin-tansig-logsig- 4.64050 0.996   15.8671 -1.067
6 4
26 purelin-logsig-tansig- 4.64802 0.999   30.9125 0.4255
2 3
27 logsig-tansig-purelin- 4.33762 0.999   3.46762 -1.003
7 6

3.1.5. Grafik Fungsi Aktivasi Matlab

3.1.6. Grafik Regresi Hasil Latih

obs vs pred pelatihan

25

20
R² = 0.999907063117411

15
pred (%)

10

0
8 10 12 14 16 18 20 22

obs (%)
3.1.7. Grafik Regresi Hasil Uji

obs vs pred pengujian

20.4
R² = 0.765708907146876
20.2

20

19.8

19.6
pred (%)

19.4

19.2

19

18.8

18.6
0 2 4 6 8 10 12 14 16 18 20

obs (%)

3.2 Pembahasan
Menurut Ritonga dan Atmojo (2018), Jaringan saraf tiruan (Artifial Neural
Network) merupakan salah satu model matematis yang dibuat dengan prinsip kerja
otak manusia atau syaraf biologi pada manusia. Jaringan syaraf tiruan (Artificial
Nural Network) adalah suatu jaringan untuk memodelkan cara kerja sistem syaraf
manusia (otak) dalam melaksanakan tugas tertentu. Jaringan saraf tiruan mampu
melakukan pengenalan kegiatan berbasis data lampau yang akan di pelajari. Hasil
dari pemrosesan tersebut akan menghasilkan sebuah data yang belum pernah
dipelajari atau disebut peramalan yang dapat membantu memberikan keputusan.
Peramalan denga menggunakan sistem jaringan syaraf tiruan merupakan salah
satu metode peramalan baik (Ritonga dan Atmojo, 2018). Contoh dari hal tersebut
adalah dengan adanya prediksi produksi suatu bidang usaha yang nantinya
digunakan dalam pemenuhan kebutuhan pasar (Revi dkk., 2018).
Contoh lain prediksi dengan menggunakan jaringan syaraf tiruan adalah
yang digunakan kelompok kami, yaitu berdasarkan data yang diperoleh dari studi
literatur pada prediksi tinggi tanaman jarak. Menurut Revi dkk. (2018), data yang
akan digunakan dalam sistem JST dalah sebuah data yang diperoleh dengan
didasarkan pada variabel yang akan digunakan, hal tersebut bertujuan untuk
memudahkan proses mengingat dalam proses pendefisian. Data yang didapat yaitu
variabel Y merupakan rata-rata tinggi tanaman menggunakan 3 buah variabel
input, vektor input X, yaitu X1 (umur tanaman HST), X2 (konsentrasi asam
giberelat dalam ppm), dan X3 (lama perendama dalam jam) dengan jumlah
masing-masing 60 data utama. Pada variabel X1 dengan taraf umur tanaman
(HST) yang terdiri dari umur tanaman pada 20 HST, 40 HST, 60 HST, 80 HST,
100 HST dan 120 HST. Variabel X2 dengan taraf konsentrasi asam giberelat
(ppm) yaitu 150 ppm, 250 ppm, 350 ppm, 500 ppm, 650 ppm 750 ppm 850 ppm,
1000 ppm, 1150 ppm, dan 1300 ppm. Variabel X 3 dengan taraf lama perendaman
(jam) yang terdiri dari 6 jam, 8 jam, 10 jam, 12 jam, 14 jam, 16 jam, 18 jam, 20
jam, 22 jam dan 24 jam. Data input tersebut yang akan dimasukkan pada sistem
merupakan sebuah data yang memiliki hubungan dengan output atau data prediksi
yang diinginkan dengan mencari pola terbaik (Revi dkk., 2018).
Metode yang digunakan untuk memprediksi tinggi tanaman jarak klon IP-1P
di pembenihan adalah metode Jaringan Syaraf Tiruan (JST) dengan teknik
peramalan algoritma backpropagation. Teknik peramalan menggunakan algoritma
backpropagation menggunakan error output untuk mengubah nilai bobotnya
dalam arah mundur (backward). Algoritma backpropagation merupakan sebuah
algoritma pendidikan yang terawasi serta pada umumnya digunakan oleh
perceptron dengan banyak susunan untuk mengganti bobot-bobot yang
tersambung dengan neuron-neuron yang terdapat pada susunan lapisan
tersembunyinya (Hutabarat dkk., 2021). Lapisan tersembunyi (hidden) berperan
dalam membantu jaringan untuk dapat mengenali lebih banyak pola masukan
dibandingkan dengan jaringan yang tidak memiliki lapisan tersembunyi (Monika
dkk., 2020).
Proses pelatihan dan pengujian data kemudian dilakukan menggunakan
software aplikasi Matlab. Pemrosesan data dilakukan sebanyak 27 kali dengan
uraian fungsi aktivasi yang berbeda. Berdasarkan hasil prediksi dengan aplikasi
Matlab yang telah dilakukan, diperoleh fungsi aktivasi terbaik yaitu logsig-
purelin-tansig dengan nilai RMSE pelatihan dan pengujian sebesar 2.10610 dan
1.783163 serta R2 pelatihan dan pengujian sebesar 0.9981 dan -1617. Hasil RMSE
yang mendekati nilai 0 dan R2 yang mendekati nilai 1 menunjukkan hasil prediksi
dengan tingkat error yang rendah. Grafik hubungan nilai observasi (data latih) dan
nilai prediksi dengan menggunakan model Jaringan Syaraf Tiruan (JST)
menunjukkan bahwa hubungan antara variabel X (input) dan variabel Y (output)
pada proses pelatihan tergolong valid. Grafik 3.1.5 menunjukkan bahwa grafik
data observasi dan data prediksi menyatu sehingga disimpulkan bahwa data
prediksi dapat memvisualisasikan data asli dengan baik dan menghasilkan nilai
error yang rendah.
 BAB 4. KESIMPULAN

Berdasarkan hasil prediksi dengan aplikasi Matlab yang telah dilakukan,

diperoleh fungsi aktivasi terbaik yaitu logsig-purelin-tansig dengan nilai RMSE
pelatihan dan pengujian sebesar 2.10610 dan 1.783163 serta R 2 pelatihan dan
pengujian sebesar 0.9981 dan -1617. Hasil RMSE yang mendekati nilai 0 dan R 2
yang mendekati nilai 1 menunjukkan hasil prediksi dengan tingkat error yang
rendah.
 DAFTAR PUSTAKA

Arif, C. 2021. Aplikasi Kecerdasan Buatan dalam Bidang Pengelolaan Air dan
Lingkungan. Bogor: PT. Penerbit IPB Press.

Cahyono, B. 2013. Penggunaan Software Matrix Laboratory (Matlab) dalam

Pembelajaran Aljabar Linier. Jurnal Phenomenon, 1(1): 45-62.

Rahmadani, F., A.M.H. Pardede, dan Nurhayati. 2021. Jaringan Syaraf Tiruan
Prediksi Jumlah Pengiriman Barang Menggunakan Metode
Backpropagation (Studi Kasus: Kantor Pos Binjai). Jurnal Teknik
Informatika Kaputama, 5(1): 100-106.

Solikhun, dan M.S.A. Trisno. 2017. Jaringan Saraf Tiruan untuk Memprediksi
Tingkat Pemahaman Sisiwa terhadap Mata pelajaran dengan Menggunakan
Algoritma Backpropagation. Jurnal Sains Komputer dan Informatika, 1(1):
25-36.

Hutabarat, D. V., Solikhun, M. Fauzan, A. P. Windarto, & F. Rizki. 2021.

Penerapan Algoritma Backpropagation dalam Memprediksi Hasil Panen
Tanaman Sayuran. BIOS: Jurnal Teknologi Informasi Dan Rekayasa
Komputer. 2(1): 21-29.

Monika, D., M. Wahyudi, W. Saputra, M. R. Lubis, & Solikhun. 2020. Penerapan

Jaringan Syaraf Tiruan Dalam Memprediksi Ketersediaan Tanaman Cabai
Berdasarkan Provinsi di Indonesia. In Seminar Nasional Teknologi
Komputer & Sains (SAINTEKS).1(1): 197-201.

Revi, A., S. Solikhun, dan M. Safii. 2018. Jaringan Syaraf Tiruan dalam
Memprediksi Jumlah Produksi Daging Sapi Berdasarkan Provinsi. KOMIK
(Konferensi Nasional Teknologi Informasi dan Komputer), 2(1): 297-304.

Ritonga, A. S., dan S. Atmojo. 2018. Pengembangan Model Jaringan Syaraf

Tiruan untuk Memprediksi Jumlah Mahasiswa Baru di PTS Surabaya
(Studi Kasus Universitas Wijaya Putra). Jurnal Ilmiah Teknologi
Informasi Asia, 12(1): 15-24.
LAMPIRAN