Quis Kecerdasan Buatan

Nama Kelompok:
1. Manuel Alexandro
2. Ery
3. Fabriana sihotang
Tugas Quis
1. Model Neuron, Neural Learning terawasi dan tak terawasi.

Neural dapat digunakan dalam memprediksi Indeks Harga Saham Gabungan (IHSG).
Mengingat IHSG merupakan saham gabungan, maka menjadi parameter yang penting
untuk diingat saat berinvestasi. Karena data IHSG memiliki variasi yang begitu besar dan
perubahan harga IHSG yang sangat cepat, sulit untuk memprediksi apakah indeks akan
naik atau turun. Dan untuk mengatasi masalah tersebut digunakan Algoritma Neural
Network. Jaringan neural bersifat adaptif dan dapat berfungsi untuk memprediksi
perkiraan nilai berdasarkan tren dalam kumpulan data. Ini dapat memprediksi data
pergerakan pasar mata uang dengan sangat baik.

Dalam neural network ini terdapat faktor yang berperan begitu penting dalam
pengimplementasiannya dalam Data Maining. Faktor yang berperan penting itu antara lain
adalah kombinasi yang efektif antara Neural Network ini sendiri dengan Teknologi data
Maining Teknologi yang umumnya menggunkan software network. Perangkat Neural ini
pun sudah di kembangkan dengan begitu baik sehingga diagram kerja dari data maining
ini harus sangat diperhatikan. Model data aplikasi bisa dikembangkan dengan form yang
sudah sesuai dengan standart sehingga 2 tekonologi ini dapat digunakan secara
bersamaan, maka dari itu sangat dibutuhkan pendekatan dalanm perkembangan saat
terciptanya teknologi data Mining yang lebih baik. Dengan algoritma neural network.

Proses Pembelajaran Terawasi (supervised learning)

Metode pembelajaran terawasi pada Jaringan Syaraf Tiruan (Neural network),

metode ini digunakan jika output yang diharapkan telah diketahui sebelumnya. Biasanya
pembelajaran dilakukan dengan menggunakan data yang telah ada. Pada contoh diatas
misalnya data pasar saham yang ada pada DOW, NASDAQ atau FTSE, data yang ada
sebelumnya mengenai aplikasi kredit yang berhasil termasuk daftar pertanyaan atau posisi
sebuah robot dan reaksi yang benar.

Contoh algoritma yang digunakan pada supervised learning meliputi :

 1. Clasification (Categorical) and Regression (Numerical)
2. Logistic Regression
3. Model Ensemble
4. Time series
Proses Pembelajaran Tidak Terawasi (unsupervised learning)

Metode pembelajaran tidak terawasi pada Jaringan Syaraf Tiruan (Neural network),
tidak memerlukan target output. Pada metode ini tidak dapat ditentukan hasil seperti
apa yang diharapkan selama proses pembelajaran. Selama proses pembelajaran, nilai
bobot disusun dalam suatu range tertentu tergantung pada nilai input yang diberikan.
Tujuan pembelajaran ini adalah mengelompokkan unit-unit yang hampir sama dalam
suatu area tertentu. Pembelajaran seperti ini biasanya sangat cocok untuk
pengelompokkan (klasifikasi) pola.

Contoh algoritma yang digunakan di unsupervised learning :

1. Clustering
2. Anomaly Detection
3. Training Model
4. Association Discovery

2. Model Hebb untuk  menyelesaikan masalah pengenalan pola.

Perbedaan jaringan Hebb dan McCulloch – Pitts adalahdimana jaringan Hebb akan
melibatkan bias di dalam arsitektur jaringannya. Posisi bias sama dengan posisi unit input
dan langung terhubung ke unit output.
Pada jaringan Hebb, bobot dan bias akan dihitung secara iteratif. Dalam proses
pelatihannya, jaringan Hebb akan melakukan perubahan nilai bobot dan juga nilai bias.
Fungsi aktivasi yang digunakan pada jaringan Hebb adalah fungsi aktivasi threshold = 0.

Threshold

bias
 Ga
mb
ar
1.
Ars
ite
ktu
r
Jari
ng
an
He
bb

Adapun algoritma pelatihan jaringan Hebb adalah sebagai berikut :

1. Inisialisasi :
- Bobot awal = 0
- Bias awal = 0
2. Lakukan perubahan bobot dengan : ∆ w1 = x1 . t
3. Nilai bobot baru dapat diperoleh dengan :
bobot wi lama + ∆ wi
4. Lakukan perhitungan Net = ∑𝑗 𝑤𝑖 . 𝑥𝑖 + b
1 𝑗𝑖𝑘𝑎𝑖=1
𝑛𝑒𝑡 ≥ 0
5. Cari nilai f(net) = {
0 𝑗𝑖𝑘𝑎 𝑛𝑒𝑡 < 0
6. Buat kesimpulan apakah jaringan dapat melakukanpengenalan pola dengan baik atau tidak.
 Contoh Soal :

1. Buatlah jaringan Hebb yang dapat mengenali fungsilogika “OR” (threshold = 0)

dengan input dan output biner :

Masukan
bias target
x1 x2
1 1 1 1
0 1 1 1
1 0 1 1
0 0 1 0

2. Buatlah jaringan Hebb yang dapat mengenali fungsi logika “OR” (threshold = 0) dengan
input dan output bipolar :

Masukan
bias target
x1 x2
1 1 1 1
-1 1 1 1
1 -1 1 1
-1 -1 1 -1

1. Input dan output biner :

 Proses pelatihan :
 Perubahan bobot dilakukan dengan : ∆ wi = xi . t

∆ w1 = x1 . t = 1.1 = 1
(lakukan sampai iterasi selesai)
 Nilai bobot baru : bobot wi lama + ∆ wi

x1 = bobot w1 lama + ∆ w1
=0+1=1
(lakukan sampai iterasi selesai)
 Masukan Target Perubahan Bobot Bobot Baru
x x2 b t ∆ w1 ∆ w2 ∆b x1 x2 b
1

Inisialisasi 0 0 0
1 1 1 1 1.1 = 1 1.1 = 1 1.1 = 1 0+1 = 1 0+1 = 1 0+1 = 1
0 1 1 1 0.1 = 0 1.1 = 1 1.1 = 1 1+0 = 1 1+1 = 2 1+1 = 2
1 0 1 1 1.1 = 1 0.1 = 0 1.1 = 1 1+1 = 2 2+0 = 0 2+1 = 3
0 0 1 0 0.0 = 0 0.0 = 0 1.0 = 0 2+0 = 2 0+0 = 0 3+0 = 3

 Dari proses pelatihan, diperoleh bobot baru :w1 =

2 w2 = 0

b=3
 Proses perhitungan Net :

x1 x2 Net = ∑2 𝑤𝑖 . 𝑥𝑖 + b 1 𝑗𝑖𝑘𝑎 𝑛𝑒𝑡 ≥ 0

𝑖=1 f(net) = {
0 𝑗𝑖𝑘𝑎 𝑛𝑒𝑡 < 0
1 1 1.2 + 1.0 + 3 = 5 1

0 1 0.2 + 1.0 + 3 = 3 1

1 0 1.2 + 0.0 + 3 = 5 1

0 0 0.2 + 0.0 + 3 = 3 1

 Dari hasil pelatihan, dapat dilihat bahwa hasil f(net) tidaksama dengan target awal yang
ingin dicapai. Dengan katalain dapat dikatakan bahwa jaringan Hebb dengan input dan
output biner ini tidak dapat mengenali pola fungsi logika “OR” dengan baik.
 2. Input dan output bipolar :
 Proses Pelatihan :
Masukan Perubahan Bobot Bobot Baru
t
x1 x2 b ∆ w1 ∆ w2 ∆b x1 x2 b
Inisialisasi 0 0 0
1 1 1 1 1.1 = 1 1.1 = 1 1.1 = 1 1 1 1
-1 1 1 1 (-1).1= (-1) 1.1 = 1 1.1 = 1 0 2 2
1 -1 1 1 1.1 = 1 (-1).1 = (-1) 1.1 = 1 1 1 3
-1 -1 1 -1 (-1).(-1) = 1 (-1).(-1) = 1 1.(-1) = (-1) 2 2 2


Dari proses pelatihan, diperoleh bobot baru :w1 = 2
w2 = 2
b=2

Proses perhitungan Net :

x1 x2 Net = ∑2 𝑤𝑖 . 𝑥𝑖 + b 1 𝑗𝑖𝑘𝑎 𝑛𝑒𝑡 ≥ 0

𝑖=1 f(net) = {−1 𝑗𝑖𝑘𝑎 𝑛𝑒𝑡 < 0
1 1 1.2 + 1.2 + 2 = 6 1

-1 1 (-1).2 + 1.2 + 2 = 2 1

1 -1 1.2 + (-1).2 + 2 = 2 1

-1 -1 (-1).2 + (-1).2 + 2 = -2 -1

 Dari hasil pelatihan, dapat dilihat bahwa hasil f(net) samadengan target awal yang ingin
dicapai. Dengan kata lain dapat dikatakan bahwa jaringan Hebb dengan input dan output
bipolar ini dapat mengenali pola fungsi logika“OR” dengan baik.
3. Model Perceptron pada kasus-kasus pengenalan pola

Model jaringan perceptron merupakan model yang paling baik pada saat ini. Model ini
ditemukan oleh Rosenblatt (1962) dan Minsky –Papert (1969). Perceptron terdiri dari
suatu input dan output. Perceptron merupakan bentuk paling sederhana dari JST yang
biasanya digunakan untuk pengklasifikasian jenis pola khusus yang biasa disebut linearly
separable (pola-pola yang terletak pada sisi yang berlawanan pada suatu bidang). Fungsi
aktifasi yang digunakan algoritma perceptron adalah fungsi hard limiting. Output unit akan
bernilai 1 bila jumlah bobot input lebih besar daripada threshold. Nilai threshold pada
fungsi aktifasi adalah non-negatif
Contoh:
Pada penelitian ini yang menjadi subjek penelitian adalah pengenalan pola masukan huruf
dengan menggunakan jaringan saraf tiruan perceptron. Pola huruf yang menjadi masukan
berupa data biner maupun bipolar.
 Klasifikasi pola pengenalan huruf berbasis jaringan saraf tiruan dilakukan dengan
menggunakan beberapa sample pola yaitu huruf A, E dan F berupa variabel yang terdiri
dari 25 titik (5 baris dan 5 kolom). Sehingga setiap satu pola memiliki 25 variabel input
seperti tabel berikut ini :

Bila tanda hitam diberi simbol ‘1’ dan putih diberi simbol ‘-1’ maka sembilan pola masukan diatas
menjadi: Untuk huruf ‘A’ memiliki 3 jenis pola antara lain :

Untuk huruf ‘E’ memiliki 3 jenis pola antara lain:

Untuk huruf ‘F’ memiliki 3 jenis pola antara lain:

Kemudian dibuat pasangan antara pola dan target sebagai berikut:

Sebagai contoh bahwa disini terlihat target =1 hanya berlaku untuk huruf ‘A’ saja, sedangkan
huruf selain ‘A’ target = -1

4.   Model Adaline dan Madaline pada kasus-kasus pengenalan pola. 

Adapun langkah-langkah pengenalan pola dengan jaringan Madaline, yaitu :
1. Tentukan nilai bobot dan bias dengan bilangan acak kecil.
2. Tentukan nilai 𝛼 dengan bilangan yang kecil
3. Tentukan nilai batas toleransi
4. Selama nilai perubahan bobot (∆w) > nilai batas toleransi, lakukan :
a. Hitung Net input untuk untuk setiap unit hidden layer

b. Hitung output setiap unit yang terdapat pada hidden layer dengan fungsi aktivasi
bipolar :
 c. Hitung keluaran jaringan dengan :

d. Hitung error dan lakukan perubahan bobot :

Jika y = t, maka bobot tidak
diubah Jika y ≠ t, maka :
1) Untuk t = 1, lakukan perubahan bobot terhadap unit z j yang z in nya dekat
dengan 0 : bp baru = bp lama + α (1- zin_p)
wpi baru = wpi lama + α (1- zin_p) . xi

2) Untuk t = -1, lakukan perubahan bobot terhadap unit z k yang z in nya bernilai
positif : bk baru = bk lama + α (-1- zin_k)
wki baru = wki lama + α (-1- zin_k) . xi

Contoh Soal :
Lakukan pelatihan pengenalan pola fungsi logika OR dengan jaringan Madaline,
menggunakan nilai input dan output bipolar. Dimana : α = 0.5 , batas toleransi = 0.2 ,
bobot unit output Y (v1 = v2
= b = 0.5)

Penyelesaian Contoh Soal :

 Tabel kebenaran OR :

 Penentuan bobot dan bias secara acak :

 Arsitektur Jaringan :
 Langkah Pelatihan Pola 1 :
1) Input : x1 = 1 ; x2 = 1 ; t = 1
2) Bobot awal :

3) Net untuk unit pada hidden layer z1 dan

z2 : zin_ 1 = x1 . w11 + x1 . w12 + b1
= 1 . 0.04 + 1 . 0.3 + 0.2 = 0.54
zin_ 2 = x2 . w21 + x2 . w22 + b2
= 1 . 0.2 + 1 . 0.1 + 0.7 = 1

4) Nilai keluaran unit hidden layer z1

dan z2 : z1 = f(zin_1) = 1
z2 = f(zin_2) = 1

5) Output jaringan Y :
y_ in = z1 . v1 + z2 . w2 + b3
= 1 . (0.5) + 1 . (0.5) + 0.5 = 1.5
Maka :
y = f(y_ in) = 1
6) Analisa y dan t :
y = t à tidak dilakukan perubahan bobot
7) Pengecekan perubahan bobot
 8) Dari tabel diatas, karena masih ada dua bobot (w12 dan b2) yang masih lebih besar
dari batas toleransi, maka iterasi berlanjut untuk pola 2.

 Langkah Pelatihan Pola 2 :

1) Input : x1 = -1 ; x2 = 1 ; t = 1

2) Bobot sebelumnya :

3) Net untuk unit pada hidden layer z1 dan z2 :

zin_ 1 = x1 . w11 + x1 . w12 + b1
= (-1) . 0.04 + (-1) . 0.3 + 0.2 = - 0.14
zin_ 2 = x2 . w21 + x2 . w22 + b2
= 1 . 0.2 + 1 . 0.1 + 0.7 = 1

4) Nilai keluaran unit hidden layer z1 dan z2 :

z1 = f(zin_1)
= -1 z2 =
f(zin_2) = 1

5) Output jaringan Y :
y_ in = z1 . v1 + z2 . w2 + b3
= (-1) . (0.5) + 1 . (0.5) + 0.5 = 0.5
Maka :
y = f(y_ in) = 1

6) y = t à tidak dilakukan perubahan bobot

7) Pengecekan perubahan bobot

8) Dari tabel diatas, karena masih ada dua bobot (w12 dan b2) yang masih lebih besar
dari batas toleransi, maka iterasi berlanjut untuk pola 3.

Setelah melanjutkan iterasi sampai pada pola 4, nilai output masih selalu sama
dengan target (y=t), sehingga bobot tidak berubah. Hasil pengecekan perubahan bobot
setelah iterasi pola ke 4 adalah sebagai berikut :
 136

Dari tabel diatas, masih terlihat ada dua bobot (w12 dan b2) yang
masih lebih besar dari batas toleransi, maka iterasi berlanjut untuk pada
epoch - 2.
5. Model Backpropagation pada kasus-kasus peramalan.
Metode Backpropagation (perambatan balik) merupakan salah satu
jenis Jaringan Syaraf Tiruan yang sering digunakan dalam
menyelesaikan masalah peramalan. Hal ini dimungkinkan karena
metode Backpropagation merupakan salah satu jenis metode pelatihan
JST dengan supervisi. Pada jaringan diberikan sepasang pola yang
terdiri atas pola masukan dan pola yang diinginkan. Ketika suatu pola
diberikan kepada jaringan, bobot-bobot diubah untuk memperkecil
perbedaan pola keluaran dan pola yang diinginkan. Latihan ini
dilakukan
 137

berulang-ulang sehingga semua pola yang dikeluarkan jaringan dapat

memenuhi pola yang diinginkan. Arsitektur jaringan ini terdiri dari
input layer, hidden layer, dan output layer [2]. Arsitektur

Backpropagation dapat dilihat pada Gambar 1.

Gambar 1. Arsitektur Jaringan Backpropagation dengan Satu

Hidden Layer

Aturan pembelajaran Backpropagation dikembangkan dari delta

rule dengan menambahkan hidden layer. Melatih jaringan dengan
menggunakan metode Backpropagation melibatkan tiga tahapan:
feedforward pola pelatihan masukan, Backpropagation terhadap error,
serta penyesuain bobot [2].
Algoritma pelatihan Backpropagation untuk jaringan dengan satu
layer tersembunyi menggunakan fungsi aktivasi sigmoid biner adalah
sebagai berikut:
Langkah 0 : Inisialisasi bobot (ambil bobot awal dengan nilai random
yang cukup kecil)
Langkah 1 : ketika kondisi berhenti salah, lakukan langkah 2-9.
Langkah 2 : untuk masing-masing pasangan training, lakukan langkah 3-8.

Feedforward:
Langkah 3 : Tiap-tiap unit input (Xi, i=1,2,3,…n) menerima sinyal xi
dan meneruskan sinyal tersebut ke semua unit pada
lapisan yang ada diatasnya (lapisan tersembunyi)
Langkah 4 : Tiap-tiap unit tersembunyi (Zi, j=1,2,3,…p) menjumlahkan
sinyal-sinyal input terbobot :
 138

z _ in j
n

 Vo j   X iVij
i1
gunakan fungsi aktivasi untuk menghitung sinyal

outputnya: Zj = f(Z_inj)

Hitung fungsi aktivasi untuk menghitung sinyal

keluaran, Zj=f(z_in), lalu mengirimkan sinyal ini
kesemua unit pada layer diatasnya (unit keluaran).
Langkah 5 : Tiap-tiap unit output (Yk,, K=1,2,3,…m) menjumlahkan
sinyal- sinyal input terbobot.
p
Y _ ink  Wok   ZiW jk
i1
gunakan fungsi aktivasi untuk menghitung sinyal

outputnya: Yk = f(Y_ink)

Dan kirimkan sinyal tersebut ke semua unit di lapisan

atasnya (unit-unit output).

Backpropagation:
Langkah 6 : Tiap-tiap unit output (Yk, K=1, 2, 3, …m) menerima
target pola yang berhubungan dengan pola input
pembelajaran, hitung informasi error-nya:

k=(tk-yk)f’(y_ink)

kemudian hitung koreksi bobot (yang nantinya akan

digunakan untuk memperbaiki nilai Wjk):

Wjk    k z j

hitung juga koreksi bias (yang nantinya akan digunakan untuk

memperbaiki nilai Wok):

Wok    k
 139

kirimkan  k ke unit-unit yang ada dilapisan bawahnya.

ini
Langkah 7 : Tiap-tiap unit tersembunyi (Zj, j=1,2,3,…p)
menjumlahkan delta inputnya (dari unit-unit yang berada
pada lapisan diatasnya):
 _ in j
m
   kW
jk k 1
Kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk
menghitung informasi error:

j=_injf(z_inj)

Kemudian hitung koreksi bobot (yang nantinya

akan digunakan untuk memperbaiki nilai V1j):

V jk   j X i

Hitung juga koreksi bias (yang nantinya akan digunakan untuk

memperbaiki nilai V0j):
V0 j   j

Langkah 8 : Tiap-tiap unit output (Yk=1,2,3,…m) memperbaiki

bias dan bobotnya (i=1,2,3,…p) :

Wjk(baru)=wjk(lama)+wij

Tiap-tiap unit tersembunyi (Zj, j=1,2,3,…p)

memperbaiki bias dan bobotnya (i=0,1,2,…n) :

vjk(baru)=vjk(lama)
+vij Langkah 9 : Uji syarat
berhenti

Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk

pengenalan pola dengan menggunakan fase propagasi maju saja
(langkah 3 dan 4) untuk menentukan keluaran jaringan.

1 Aplikasi

Metode jaringan syaraf tiruan Backpropagation banyak diterapkan

 140
untuk proses pengenalan pola data, prediksi atau peramalan. Menurut
sifatnya, teknik prediksi terbagi menjadi dua jenis yaitu teknik kualitatif
dan teknik kuantitatif.
 141

Teknik kuantitatif dikelompokkan dalam dua jenis yaitu model time

series dan model kausal. Model time series meramalkan masa
mendatang berdasarkan nilai data masa lalu atau nilai data historis.
Sedangkan model kausal merupakan suatu model yang mengasumsikan
faktor yang diramalkan menunjukkan suatu hubungan sebab akibat
dalam satu atau lebih variabel besar dan menggunakannya untuk
meramalkan nilai dari suatu variabel terikat.
Adapun beberapa contoh pengaplikasian metode jaringan syaraf tiruan
Backpropagation sebagai berikut.

1.1 Pengenalan Kapal pada Citra Digital Menggunakan Image Processing

dengan Jaringan Syaraf Tiruan Backpropagation

Negara Indonesia merupakan negara dengan potensi perikanan yang

besar, tetapi potensi besar tersebut belum dapat dinikmati sepenuhnya
karena beberapa faktor, salah satunya illegal fishing. Untuk mengurangi
illegal fishing, TNI Angkatan Udara melakukan pantauan laut melalui
pesawat yang dilengkapi dengan foto udara untuk membantu dalam
perekaman kegiatan illegal fishing diperairan dan dilakukan analisa
visual secara manual oleh manusia. Oleh sebab itu pada penelitian ini
dibuat aplikasi pengenalan kapal pada citra digital dengan
menggunakan image processing dan algoritma jaringan syaraf tiruan
Backpropagation. Diagram alir aplikasi pengenalan kapal pada citra
digital di tunjukkan seperti pada Gambar 2.
Arsitektur jaringan yang digunakan dalam pelatihan terdiri dari 400
neuron pada layer input sesuai jumlah pixel gambar, satu layer
tersembunyi yang terdiri dari 40 neuron, dan 1 neuron pada layer
output yang terdapat 2 kemungkinan yaitu apakah citra kapal atau citra
bukan kapal. Proses pelatihan dengan jaringan Backpropagation untuk
mengenali citra kapal dengan nilai α 0,2; sistem mampu mencapai
error 0,000001 pada epoch ke-6687 dengan tingkat akurasi 85%. [5]
 142

Gambar 2. Diagram Alir Aplikasi Pengenalan Kapal pada Citra

Digital

2 Prediksi Nilai Tukar Petani Menggunakan Jaringan Syaraf

Tiruan Backpropagation

Nilai Tukar Petani (NTP) merupakan salah satu indikator untuk

mengukur tingkat kesejahteraan atau kemampuan daya beli petani.
Nilai indeks NTP untuk periode yang akan datang perlu di lakukan
prediksi yang dapat dimanfaatkan pihak terkait dalam mempersiapkan
tindakan-tindakan pencegahan apabila indeks NTP turun dari periode
sebelumnya. Penelitian ini bertujuan untuk mengukur unjuk kerja
algoritma jaringan syaraf tiruan Backpropagation dalam memprediksi
Nilai Tukar Petani (NTP) Provinsi Jawa Timur satu bulan mendatang.
Jaringan yang dibangun terdiri atas 12 neuron input, dan 1 neuron
output. Data yang digunakan yaitu data tahun 2008-2012 untuk proses
pelatihan jaringan. Proses pengujian dilakukan dengan membandingkan
hasil pengujian dengan data aktual tahun 2013 dan 2014. Hasil
pengujian menunjukkan bahwa persentase error terkecil apabila jumlah
node lapisan tersembunyi 7 dan nilai laju pembelajaran 0.1 dengan rata-
rata error sebesar 0.61% atau tingkat akurasi mencapai 99.39% [10].
 143

3.3 Klasifikasi Pengendara Sepeda Motor tidak

Memakai Helm pada Citra Digital dengan
Jaringan Syaraf Tiruan Backpropagation

Jumlah kecelakaan lalu lintas di Indonesia dari tahun 2006 – 2013 terus
meningkat dan kecelakaan terbesar terjadi pada pengendara sepeda
motor, terutama pengendara sepeda motor yang tidak memakai helm
standar. Selama ini pemantauan penggunaan helm atau tidak masih
dilakukan secara manual oleh polisi. Pada penelitian ini jaringan syaraf
tiruan Backpropagation digunakan untuk mengklasifikasi citra kepala
manusia memakai helm atau tidak. Arsitektur jaringan terdiri dari 400
neuron pada input layer, 1 hidden layer dan 1 neuron pada output layer.
Input neuron berisi hasil ekstraksi fitur image pengendara sepeda motor
berukuran 20x20 pixel. Arsitektur jaringan terbaik diperoleh pada laju
pembelajaran 0.2, 0.3 dan 0.6 dan menghasilkan nilai akurasi 86.67%.
Diagram alir aplikasi klasifikasi pengendara sepeda motor tidak
memakai helm ini di tunjukkan seperti pada Gambar 3[7].

Gambar 3. Aplikasi Klasifikasi Pengendara Motor Tidak

Mengenakan Helm

Berikut ini merupakan screenshoot dari Aplikasi Klasifikasi

Pengendara Motor Tidak Mengenakan Helm menggunakan Jaringan
Syaraf Tiruan Backpropagation dapat dilihat pada Gambar 4 dan
Gambar 5
 144

Gambar 4. Antarmuka Pelatihan Backpropagation

Gambar 5. Antarmuka Pengujian Kinerja Jaringan Syaraf Tiruan

Backpropagation

3.4 Aplikasi Prediksi Jumlah Penderita Penyakit

Demam Berdarah Dengue di Kota Semarang
menggunakan Jaringan Syaraf Tiruan
Backpropagation

Jumlah penderita Demam Berdarah Dengue (DBD) di Semarang selalu

tinggi tiap tahunnya. Dengan mengetahui peningkatan jumlah penderita
diharapkan dapat membantu pemerintah dalam menentukan langkah
preventif untuk menekan penyebaran penyakit. Prediksi jumlah
penderita DBD dapat dilakukan
dengan metode jaringan syaraf tiruan Backpropagation dengan inisialiasi Nguyen
Widrow. Arsitektur jaringan Backpropagation menggunakan 12 belas neuron pada
input layer, satu layer tersembunyi, dan satu neuron pada output layer. Jumlah
penderita DBD per bulan dalam satu tahun digunakan sebagai masukan untuk
memprediksi jumlah penderita pada satu bulan ke depan sebagai keluaran.
Pengujian menghasilkan MAPE terkecil pada laju pembelajaran 0.7 dan jumlah
hidden neuron sebanyak 50 neuron dengan nilai akurasi 95.52% [8].

3.5 Pengendalian Sudut Arah Mobile Robot Menggunakan Jaringan

Syaraf Tiruan Backpropagation

Hal penting dalam pembangunan robot adalah masalah olah gerak. Pengaturan
olah gerak robot membutuhkan suatu algoritma cerdas supaya robot bergerak
dengan baik. Pada penelitian ini digunakan metode jaringan syaraf tiruan
Backpropagation. Robot yang digunakan adalah robot lego mindstorms 2.0 beroda
empat. Arsitektur jaringan yang dibangun terdiri dari 3 neuron pada input layer, 1
hidden layer dan 1 neuron pada output layer. Variabel input yang digunakan
adalah left distance, right distance dan frontal distance¸ sedangkan keluarannya
berupa target. Berdasarkan hasil pengujian arsitektur jaringan terbaik diperoleh
pada learning rate 0.4, MSE 0.01 dan menghasillkan persentase akurasi 90.67%
[9].

4 Pengembangan Selanjutnya

Penelitian yang dilakukan selanjutnya yaitu dengan megembangkan algoritma

jaringan syaraf tiruan Backpropagation sehingga algoritma ini mempunyai
performance lebih baik, terutama pada proses pelatihan yang membutuhkan waktu
relatif lama. Selain itu algoritma ini dapat di terapkan pada kasus-kasus yang lain
misalnya pada sistem yang membutuhkan kecerdasan.

6.  Model Jaringan Kompetisi Berbobot Tetap  pada kasus-kasus pengenalan pola.

Pola adalah entitas yang dapat terdefinisi dan dapat diidentifikasi melalui ciri-
cirinya . Ciri-ciri tersebut digunakan untuk membedakan suatu pola dengan pola lainnya.
1

Ciri pada suatu pola diperoleh dari hasil pengukuran terhadap objek uji. Pengenalan pola
bertujuan untuk menentukan kelompok atau kategori pola berdasarkan ciri-ciri yang
dimiliki oleh pola tersebut.
Ada dua fase dalam sistem pengenalan pola, yaitu fase pelatihan dan fase
pengenalan. Pada fase pelatihan, beberapa contoh pola dipelajari untuk menentukan ciri
yang akan digunakan dalam proses pengenalan serta prosedur klasifikasinya. Pada fase
pengenalan, pola diambil cirinya kemudian ditentukan kelas kelompoknya.
Metode pengenalan pola dilakukan dengan beberapa pendekatan, yaitu pendekatan
Geometric / Statistik, Sruktural / Sintaktik, dan pendekatan

Computational Intelligent. Pada pendekatan Computational Intelligent terbagi

menjadi 2 bagian yaitu dengan menggunakan pendekatan Logika Kabur dan Jaringan Syaraf
Tiruan.
Pada pengenalan pola dengan Pendekatan Statistik digunakan teori-teori ilmu
peluang dan statistik. Ciri-ciri yang dimiliki oleh suatu pola ditentukan distribusi
statistiknya. Pola yang berbeda memiliki distribusi yang berbeda pula. Dengan
menggunakan teori keputusan di dalam Pendekatan Statistik digunakan distribusi
 8
ciri untuk mengklasifikasikan pola. Sebagai contoh, diketahui fungsi kerapatan
dari diameter buah jeruk dan apel dengan grafik seperti Gambar 2.1.

peluang

1 p(diameter |
jeruk) p(diameter |
apel)

0
a b
diamete
r

Gambar 2.1 Grafik fungsi kerapatan dari ciri diameter jeruk dan apel

Apabila diperoleh hasil pengukuran diameter adalah a cm, maka objek

diklasifikasikan sebagai “jeruk”, karena p(a | Jeruk) > p(a | Apel).
Sedangkan pada pengenalan pola menggunakan Pendekatan Sintaktik digunakan
teori bahasa formal. Ciri-ciri yang terdapat pada suatu pola ditentukan Primitif dan
hubungan struktural antara Primitif-nya kemudian disusun tata bahasanya. Aturan produksi
pada tata bahasa tersebut digunakan untuk menentukan kelompok pola.
Contoh pengenalan pola dengan pendekatan Sintaktik adalah pengenalan bentuk “rumah”. Tata
bahasa yang digunakan untuk mengenali pola “rumah” adalah G=(N,Σ,P,S), dengan :
 9
Σ ={a , b ,c ,d }
N={S, A1, A2, A3, A4, A5} S={S}
Himpunan aturan produksi P :

S  d + A1 A3  a + A 4
A1  c + A2 A4  b* A5
A2  ~d* A2 A5  c

d c + (~d) d + (c + (~d))
 1
0

a+d (a + d) * c (d + (c + (~d)))*((a + b)*c )

Gambar 2.2
Grammar penyusun gambar rumah yang merupakan penggabungan dari Primitif
penyusunnya.

Computational intelligent approach merupakan solusi untuk memecahkan permasalahan

yang menggunakan proses pengembangan secara iteratif berdasarkan pada data tertentu dan
proses yang mengandalkan algoritma heuristik (pencarian yang tak menentu).

7. Model Jaringan Kohonen pada kasus-kasus clustering.

Clustering adalah pengelompokan dari record, observasi-observasi atau kasus-kasus ke kelas
yang memiliki kemiripan objek-objeknya. Cluster adalah koleksi dari record yang mirip, dan
tidak mirip dengan record dari cluster lain. Clustering berbeda dengan klasifikasi, dalam hal
tidak ada variabel target untuk clustering. Clustering tidak mengklasifikasikan, meramalkan,
atau memprediksi nilai dari sebuah variabel target. Algoritma-algoritma clustering
digunakan untuk menentukan segmen keseluruhan himpunan data menjadi subgroup yang
relatif sama atau cluster, dengan kesamaan record dalam cluster dimaksimumkan dan
kesamaan record di luar cluster diminimumkan (Larose 2005).
Secara umum metode utama clustering dapat diklasifikasikan menjadi kategori-
kategori berikut (Han & Kamber 2001):
 Metode partisi. Misalkan ada sebuah basis data berisi n objek. Metode partisi
membangun k partisi pada basis data tersebut, dengan tiap partisi
merepresentasikan cluster dan k ≤ n. Partisi yang terbentuk harus memenuhi
syarat yaitu setiap cluster harus berisi minimal satu objek dan setiap objek harus
termasuk tepat satu cluster.
 Metode hirarkhi, yaitu membuat sebuah dekomposisi berhirarki dari himpunan
data (atau objek) menggunakan beberapa kriteria. Metode ini memiliki dua jenis
pendekatan yaitu :
o Agglomerative, dimulai dengan titik-titik sebagai cluster individu. Pada setiap
tahap dilakukan penggabungan setiap pasangan titik pada cluster sampai hanya
satu titik (atau cluster) yang tertinggal.
 1
1
oDivisive, dimulai dengan satu cluster besar yang berisi semua titik data. Pada
setiap langkah, dilakukan pemecahan sebuah cluster sampai setiap cluster berisi
sebuah titik (atau terdapat k cluster).
 Metode berdasarkan kepekatan, merupakan pendekatan yang berdasarkan pada
konektivitas dan fungsi kepadatan.
 Metode berdasarkan grid, merupakan pendekatan yang berdasarkan pada struktur
multiple-level granularity.
 Metode berdasarkan model, yaitu: sebuah model yang dihipotesis untuk tiap
cluster dan ide dasarnya adalah untuk menemukan model yang cocok untuk tiap
cluster.
 Lingkungan berukuran R berisi indeks dari semua simpul-simpul yang berada

dalam radius R dari simpul pemenang i*. Ni d   j, dij  R (Demuth &
Beale
2003).

Gambar 2 Ilustrasi lingkungan (Demuth & Beale 2003).

Gambar 2 mengilustrasikan konsep lingkungan. Gambar 2 kiri menunjukkan
lingkungan dari radius R=1 sekeliling simpul
13. Gambar 2 kanan menunjukkan lingkungan dari radius R=2. Topologi lingkungan
yang umum digunakan ada 3: topologi grid, topologi hexagonal, dan topologi random
(Demuth & Beale 2003).
 Fungsi jarak biasanya digunakan Jarak Euclidean

D(w j , xn ) 

i wij  xni 2
(Kaski 1997, Demuth & Beale 2003).
Jarak Mahalanobis digunakan untuk atribut yang berkorelasi satu sama lain

 Fungsi jarak biasanya digunakan Jarak Euclidean

D(w j , xn ) 

i wij  xni 2
(Kaski 1997, Demuth & Beale 2003).
 Jarak Mahalanobis digunakan untuk atribut yang berkorelasi satu sama lain

8. Aplikasi Jaringan Syaraf Tiruan.

 1
2
Jaringan syaraf tiruan adalah suatu metode komputasi yang meniru sistem
jaringan syaraf biologis di dalam otak. Jaringan syaraf tiruanmerupakan
salah satu dari representasi buatan dari otak manusia yang
mencobamenstimulasikan
prosespembelajaran pada otak manusiatersebut. Metode
ini menggunakan elemen perhitungan non-linear dasaryang disebut
neuron yang diorganisasikan sebagai jaringanyang saling berhubungan,
sehingga mirip dengan jaringan syaraf manusia.
Fungsi Aktivasi

1. Fungsi Sigmoid Biner

Fungsi ini digunakan untuk jaringan syaraf tiruan yang dilatih
dengan menggunakan metode backpropagation. Fungsi sigmoid
biner memiliki nilai range 0 sampai
1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan
syaraf yang membutuhkan nilai output yang terletak pada
interval 0 sampai
1. Namun, fungsi ini bisa jugadigunakan oleh
jaringan syaraf yang
nilai outputnya 0 atau 1. Fungsi sigmoid biner dirumuskan
sebagai:
y = f(x) = 1 1+𝑒−𝜎𝑥
f’(x) = σf(x)[1-f(x)] 2.1.4 Metode Backpropagation

Jaringan syaraf tiruan metode backpropagation terdiri dari banyaklapisan, yaitu :

1. Lapisan input (1 buah), lapisan input terdiri dari neuron-
neuronatau input-input, mulai dari unitinput X1 sampai unit
input Xn.
2. Lapisan tersembunyi (minimal 1), lapisan tersembunyi
terdiri dari unit-unit tersembunyi mulai dari unit
tersembunyi Z1 sampai unit tersembunyi Zp.
3. Lapisan Output (1 buah), lapisan output terdiri dari unit-
unit output mulai dari unit output Y1 sampai unit outputYm.
 1
3

Layer Output

Layer Tersembunyi

Gambar 2.4
Layer-layer
pada
backpropagati
on

Backpropagation ini merupakan salah satu algoritma yang sering

digunakan dalam menyelesaikan masalah-masalah yang panjang dan
rumit. Metode backpropagation menerapkan algoritmapembelajaran
yang terawasi. Pada jaringan ini diberikan sepasang pola yang terdiri
atas pola masukan dan pola yang diinginkan. Suatu pola akan diubah
– ubah untuk mendapatkan perbedaan yang tipis antara pola yang
dimasukkan dan pola yang diinginkan.