BAB 2

LANDASAN TEORI

2.1 Deep Learning

Deep learning adalah cabang dari pembelajaran mesin yang berfokus pada pengembangan
algoritma dan model komputasional yang meniru cara kerja otak manusia untuk memahami dan
memproses data. Tujuan utamanya adalah untuk memungkinkan komputer belajar secara mandiri
melalui data dengan sedikit atau tanpa campur tangan manusia. Konsep utama di balik deep
learning adalah penggunaan arsitektur jaringan saraf tiruan yang kompleks, yang terdiri dari
banyak lapisan (layer) yang saling terhubung. Ini memungkinkan model untuk mengenali pola
dan fitur yang lebih abstrak dan kompleks dalam data. Arsitektur jaringan saraf dalam deep
learning disebut jaringan saraf tiruan dalam lapisan dalam bahasa Inggris (deep neural networks)
(Shorten et al., 2021). Lapisan-lapisan ini membentuk rangkaian transformasi matematika yang
berturut-turut pada data masukan untuk menghasilkan output yang diinginkan, seperti klasifikasi
gambar atau prediksi angka. Kombinasi lapisan-lapisan ini memungkinkan model untuk
memahami fitur-fitur yang semakin kompleks seiring berjalannya lapisan-lapisan tersebut(Abou
Baker et al., 2022). Penting untuk dicatat bahwa deep learning telah memberikan dampak besar
dalam berbagai bidang, termasuk pengenalan wajah, pemrosesan bahasa alami, pengenalan
suara, visi komputer, serta pengenalan pola di berbagai industri, seperti kesehatan, otomotif, dan
keuangan. Beberapa konsep kunci dalam deep learning meliputi:

1) Lapisan-Lapisan Berulang (Recurrent Layers): Lapisan-lapisan ini digunakan dalam

konteks data berurutan, seperti teks atau suara, dan memungkinkan model untuk
mempertimbangkan konteks sebelumnya dalam pengambilan keputusan saat ini.
2) Konvolusi (Convolution): Lapisan konvolusi digunakan dalam pengolahan citra dan visi
komputer untuk mengidentifikasi fitur-fitur seperti tepi, sudut, dan tekstur dalam gambar.
3) Lapisan Normalisasi: Lapisan ini membantu menjaga stabilitas dan percepatan pelatihan
model dengan mengatur dan menormalkan aktivasi neuron dalam jaringan.
4) Fungsi Aktivasi (Activation Functions): Fungsi ini memutuskan apakah neuron akan aktif
atau tidak setelah dihitung, memberikan sifat non-linearitas yang penting dalam
memodelkan hubungan yang kompleks.
 5) Pelatihan Berulang (Backpropagation): Teknik ini digunakan untuk mengoptimasi
parameter-parameter model dengan menghitung gradien galat terhadap parameter dan
mengubah parameter tersebut untuk meminimalkan galat.

Keberhasilan deep learning secara besar-besaran juga didukung oleh kemajuan dalam perangkat
keras dan perangkat lunak. Penggunaan GPU (Graphics Processing Unit) yang kuat dan
pengembangan perpustakaan komputasi numerik seperti TensorFlow dan PyTorch telah
memungkinkan pelatihan model yang lebih cepat dan efisien. Meskipun deep learning memiliki
kemampuan untuk menyelesaikan banyak masalah yang sulit, ia juga memiliki beberapa
tantangan. Dibutuhkan jumlah data yang besar dan pelatihan yang intensif untuk menghasilkan
model yang akurat, dan interpretasi hasilnya seringkali rumit karena struktur jaringan yang
kompleks. Namun, dengan terus berkembangnya teknologi dan metodologi, deep learning terus
menjadi kekuatan utama dalam ilmu data dan kecerdasan buatan(Minaee et al., 2021).

2.1.1 Manfaat Deep learning

Menurut (Chen et al., 2021) Deep learning memiliki berbagai manfaat yang signifikan di
berbagai bidang. Beberapa manfaat utama dari deep learning meliputi:

1. Peningkatan Kinerja di Berbagai Tugas: Deep learning telah mencapai kinerja luar biasa
dalam banyak tugas seperti pengenalan wajah, deteksi objek dalam citra, terjemahan
mesin, dan analisis sentimen. Model deep learning memiliki kemampuan untuk
menemukan pola yang kompleks dan abstrak dalam data, memungkinkan hasil yang lebih
baik dalam berbagai tugas pemrosesan data.
2. Automatisasi dan Otomatisasi: Deep learning dapat mengotomatisasi banyak tugas yang
dulunya memerlukan intervensi manusia yang signifikan. Contohnya termasuk
pengenalan karakter tulisan tangan, identifikasi penyakit medis dari gambar medis, atau
bahkan mengemudikan mobil secara otonom.
3. Peningkatan Keamanan dan Pengawasan: Di bidang keamanan, deep learning digunakan
dalam deteksi intrusi jaringan, pengenalan wajah untuk kontrol akses, dan analisis video
untuk mengidentifikasi perilaku mencurigakan.
4. Pengobatan Medis yang Lebih Baik: Dalam bidang medis, deep learning dapat digunakan
untuk mendiagnosis penyakit dengan lebih akurat dan cepat berdasarkan gambar medis
 seperti sinar-X dan MRI. Hal ini dapat membantu dokter dalam pengambilan keputusan
yang lebih baik dalam diagnosis dan perawatan.
5. Pengembangan Obat Baru: Deep learning dapat memproses dan menganalisis data
biologis dan kimia besar untuk menemukan hubungan dan pola yang dapat membantu
dalam pengembangan obat baru dengan lebih efisien.
6. Interaksi Manusia-Komputer yang Lebih Alami: Dalam pengolahan bahasa alami, deep
learning membantu membangun asisten virtual dan chatbot yang dapat memahami dan
merespons bahasa manusia dengan lebih alami dan akurat.
7. Analisis Big Data: Deep learning mampu mengolah dan menganalisis jumlah data yang
besar dan kompleks dengan lebih efisien, sehingga dapat menghasilkan wawasan
berharga dari data tersebut.
8. Inovasi Produk dan Layanan: Dalam berbagai industri, deep learning dapat membantu
menciptakan produk dan layanan baru yang lebih cerdas dan lebih adaptif, seperti mobil
otonom, asisten virtual pintar, dan lebih banyak lagi.
9. Analisis Citra dan Video: Deep learning memiliki kemampuan untuk menganalisis dan
memahami citra dan video dengan lebih mendalam, termasuk deteksi objek, pengenalan
wajah, pelacakan objek, dan rekonstruksi citra.
10. Prediksi dan Pengoptimalan: Model deep learning dapat digunakan untuk melakukan
prediksi yang lebih akurat dalam berbagai bidang, seperti prediksi penjualan, pergerakan
harga saham, atau kondisi cuaca.

2.1.1 Arsitektur Deep Learning

Dalam jaringan deep learning ada beberapa pendapat tentang arsitektur. Salah satu
pendapat tersebut mengatakan bahwa arsitektur dibagi kedalam tiga macam arsitektur, yaitu:
1. Jaringan Lapis Tunggal
Jaringan yang memiliki arsitektur jenis ini hanya memiliki satu buah lapisan bobot
koneksi. Jaringan lapisan tunggal terdiri dari unit – unit input yang menerima sinyal dari
dunia luar, dan unit – unit output dimana kita bisa membaca respon dari deep learning
tersebut
 Gambar 2.1 Jaringan Lapis Tunggal
Sumber: (Ubrani & Motwani, 2019)

2. Jaringan Multilapis
Merupakan jaringan dengan satu atau lebih lapisan tersembunyi. Multilayer ini memiliki
kemampuan lebih dalam memecahkan masalah bila dibandingkan dengan single layer,
namun pelatihannya mungkin lebih rumit.

Gambar 2.2 Jaringan Multilapis

Sumber: (Ganesh, 2021)

2.2 Deteksi kata

Deteksi kata merujuk pada proses mengenali dan mengidentifikasi keberadaan suatu kata atau
rangkaian kata tertentu dalam teks atau dokumen. Ini merupakan bagian penting dari berbagai
aplikasi pemrosesan bahasa alami (NLP) dan analisis teks. Teknologi deteksi kata
memungkinkan komputer untuk secara otomatis mengidentifikasi dan memanipulasi kata-kata
dalam teks dengan tujuan analisis lebih lanjut, klasifikasi, atau pengambilan informasi. Deteksi
kata memiliki berbagai aplikasi praktis dalam berbagai konteks:
 1. Deteksi Spam: Dalam filter email atau pesan, deteksi kata dapat membantu mengenali
kata-kata atau frasa yang sering kali terkait dengan spam atau konten yang tidak
diinginkan. Ini membantu memfilter konten berpotensi merugikan atau mengganggu.
2. Sentimen Analysis: Dalam analisis sentimen, deteksi kata dapat membantu
mengidentifikasi kata-kata yang merujuk pada emosi atau sikap tertentu dalam teks,
seperti positif, negatif, atau netral. Ini membantu dalam memahami pandangan dan opini
publik terhadap suatu topik.
3. Penandaan Entitas: Deteksi kata penting dalam penandaan entitas, seperti mengenali
nama orang, tempat, tanggal, dan lainnya dalam teks. Ini membantu dalam ekstraksi
informasi yang lebih tepat dan terstruktur dari dokumen.
4. Pengenalan Topik: Dalam analisis topik, deteksi kata membantu mengidentifikasi kata-
kata kunci atau frasa yang berkaitan dengan topik tertentu dalam teks. Ini memungkinkan
pembuatan ringkasan atau klasifikasi berdasarkan topik.
5. Pengklasifikasian Dokumen: Dalam klasifikasi dokumen, deteksi kata memainkan peran
penting dalam mengenali kata-kata atau frasa yang menunjukkan kategori atau topik
tertentu. Ini membantu dalam mengorganisir dan mengelompokkan dokumen.
6. Penggantian Otomatis: Deteksi kata juga dapat digunakan dalam penggantian otomatis, di
mana kata-kata tertentu diganti dengan kata lain berdasarkan aturan atau penggantian
yang telah ditentukan sebelumnya.
7. Pengenalan Bahasa Asing: Dalam pembelajaran bahasa, deteksi kata dapat membantu
mengenali dan mengartikan kata-kata dalam bahasa asing, membantu pemahaman konten
multibahasa.
8. Pelacakan Berita: Dalam media dan jurnalisme, deteksi kata membantu dalam melacak
berita atau topik tertentu dalam artikel dan konten berita yang luas.
9. Rekomendasi Konten: Dalam sistem rekomendasi, deteksi kata membantu
mengidentifikasi preferensi dan minat pengguna berdasarkan kata-kata yang muncul
dalam konten yang telah dikonsumsi.

2.3 Fungsi Aktivasi

Dalam jaringan syaraf tiruan, fungsi aktiasi dipakai untuk menentukan keluaran suatu
neuron. Argumen fungsi aktivasi adalah net masukan (kombinasi linier masukkan dan bobotnya).
Jika net =∑ xi wi maka fungsi aktivasinya adalah f(net) = f (∑ xi wi). Ada beberapa fungsi
aktivasi masing-masing yang sering digunakan dalam jaringan syaraf tiruan, antara lain:

2.3.1 Fungsi Sigmoid Biner

Fungsi ini merupakan fungsi yang umum digunakan. Rangenya adalah adalah (0,1) dan
didefinisikan sebagai

Gambar 2.3 Fungsi Aktivasi Sigmoid Biner

Sumber: (Zaman et al., 2019)

2.3.2 Fungsi Sigmoid Bipolar

Fungsi ini merupakan fungsi yang umum digunakan. Rangenya adalah adalah 1 diantara -1 dan
fungsi sigmoid bipolar didefinisakan sebagai:

Gambar 2.4 Fungsi Aktivasi Sigmoid Biner

Sumber: (Khaeri et al., 2018)
2.4 Algoritma
Algoritma adalah urutan atau deskripsi langkah-langkah untuk memecahkan suatu
masalah. Algoritma merupakan jantung ilmu komputer atau informatika. Banyak cabang
dari ilmu komputer yang diacu dalam terminologi algoritma, misalnya algoritma perutean
(routing) pesan di dalam jaringan komputer, algoritma bresenham untuk menggambar garis
lurus (bidang grafika komputer) (Almira et al., 2021)

2.4.1 Ciri-ciri algoritma

Ada lima ciri-ciri penting yang harus dimiliki sebuah algoritma, yaitu berupa finiteness,
definiteness, masukan, keluaran, dan efektivitas.
1. Finiteness, menyatakan bahwa suatu algoritma harus berakhir untuk semua kondisi
setelah memproses sejumlah langkah
2. Defineteness, menyatakan bahwa setiap langkah harus dinyatakan dengan jelas (tidak
rancu atau mendua arti).
3. Masukan, Setiap algoritma dapat tidak memiliki masukan atau mempunyai satu atau
beberapa masukan. Masukan merupakan suatu besaran yang diberikan di awal sebelum
algoritma diproses.
4. Keluaran, Setiap algoritma memiliki keluaran, entah hanya sebuah keluaran atau banyak
keluaran. Keluaran merupakan besaran yang mempunyai kaitan atau hubungan dengan
masukan.
Tingkat kerumitan dari suatu algoritma merupakan ukuran banyaknya proses yang dibutuhkan
oleh algoritma tersebut dalam menyelesaikan suatu masalah. Dengan kata lain, algoritma yang
mampu memecahkan atau menyelesaikan suatu permasalahan dalam waktu yang singkat
memiliki tingkat kerumitan yang rendah, sebaliknya algoritma yang membutuhkan waktu yang
lama dalam penyelesaian masalah memiliki tingkat kompleksitas yang tinggi (Wijaya &
Gunawan, 2018).

2.1 Convolutional Neural Network (CNN)

Convolutional Neural Network (CNN) atau biasa disingkat CNN adalah jenis jaringan
syaraf tiruan untuk memproses data sekeunsial seperti pengenalan ucapan, pemodelan Bahasa
dan lain-lain (Ibrahim, 2018). CNN bekerja dimana pemrosesannya dilakukan secara berulang
seperti pada gambar 2.5

Gambar 2.5 Proses Perulangan CNN

Sumber: (Seok et al., 2018)

Pada gambar 2.1 (𝑥𝑡 ) adalah sebagai input, (ℎ𝑡 ) sebagai output dan terdapat alur perulangan
dimana memungkinkan informasi dilewatkan dari satu langkah jaringan ke langkah berikutnya
(Britz, 2015). CNN juga dianggap sebagai banyak salinan yang sama, masing-masing
menyampaikan pesan kepada penerus seperti pada gambar 2.6

Gambar 2.6 Salinan Jaringan Pada CNN

Sumber: (Li et al., 2018)

Pada gambar 2.6 dalam satu CNN terdapat banya salinan yang sama. (𝑥𝑡 ) sebagai input,
(ℎ𝑡 ) sebagai output dan terdapat alur perulangan yang memungkinkan informasi
dilewatkan dari satu langkah jaringan ke langkah berikutnya
2.6 RMSE (Root Mean Square Error)
Kriteria yang digunakan untuk mengukur kebaikan model setelah diperoleh suatu model adalah
root mean square error (RMSE) . RMSE merupakan alat seleksi model berdasarkan pada error
hasil estimasi. Error yang ada menunjukkan seberapa besar perbedaan hasil estimasi dengan nilai
yang akan diestimasi. Nilai ini akan digunakan untuk menentukan model mana yang terbaik.
Definisi RMSE dapat ditulis sebagai berikut.

RMSE:  Root Mean Square Error

n :  Jumlah Sampel
yi :  Nilai Aktual
Yi :  Nilai Prediksi

2.7 Python
Python adalah bahasa pemrograman interpretatif multiguna. Tidak seperti bahasa lain
yang susah untuk dibaca dan dipahami, python lebih menekankan pada keterbacaan kode agar
lebih mudah untuk memahami sintaks. Hal ini membuat Python sangat mudah dipelajari baik
untuk pemula maupun untuk yang sudah menguasai bahasa pemrograman lain. Bahasa ini
muncul pertama kali pada tahun 1991, dirancang oleh seorang bernama Guido van Rossum.
Sampai saat ini Python masih dikembangkan oleh Python Software Foundation. Bahasa Python
mendukung hampir semua sistem operasi, bahkan untuk sistem operasi Linux, hampir semua
distronya sudah menyertakan Python di dalamnya. Dengan kode yang simpel dan mudah
diimplementasikan, seorang programmer dapat lebih mengutamakan pengembangan aplikasi
yang dibuat, bukan malah sibuk mencari syntax error (Hapke et al., 2019). Python memiliki tools
sebagai berikut:
 Gambar 2.8 tools python
Sumber: (Azhar et al., 2022)

2.8 Flowchart
Flowchart adalah bagan – bagan yang mempunyai arus yang menggambarkan langkah –
langkah penyelesaian suatu masalah. Flowchart merupakan cara penyajian dari suatu algoritma
(Green, 2018). Flowchart adalah Untuk menggambarkan sebuah algoritma yang terstruktur dan
mudah dipahami oleh orang lain khususnya programmer yang bertugas mengimplementasikan.
program, maka dibutuhkan alat bantu yang berbentuk diagram alur. (Hasan et al., 2020)
Berdasarkan penjelasan ahli diatas maka penulis menyimpulkan Flow Chart merupakan bagan
(chart) yang menunjukkan alir (flow) di dalam program atau prosedur sistem secara logika.
Bagan alir digunakan terutama untuk alat bantu komunikasi dan untuk dokumentasi. Tujuan
penggunaan flowchart adalah untuk menggambarkan suatu tahapan penyelesaian masalah secara
sederhana, terurai, rapi, dan jelas dengan menggunakan simbol-simbol yang standar. Tahapan
penyelesaian masalah yang disajikan harus jelas, sederhana, dan tepat. Berikut ini symbol
symbol flowchart:
Tabel 2.1 Simbol Flowchart
Simbol Keterangan
Penghubung
Simbol untuk keluar/masuk atau proses dalam lembar atau
halaman lain.
Input Output
 Simbol yang menyatakan proses input dan output tanpa
tergantung dengan jenis peralatannya.
Dokumen
Simbol yang menyatakan input berasal dari dokumen dalam
bentuk kertas atau ouput dicetak di kertas.
On Line Storage
Simbol yang menunjukan bahwa data di dalam simbol ini
akan di simpan.
Simbol Garis Alir
Digunakan untuk menunjukkan arah selanjutnya yang akan
dituju dari simbol-simbol dan flowchart.
Simbol Manual
Simbol yang menunjukan pengolahan yang tidak dilakukan
oleh komputer.
Terminal
Simbol yang menunjukan untuk permulaan atau akhir suatu
sistem.
Kondisi
Simbol keputusan yang menunjukkan kondisi.

Proses
Simbol yang menunjukan pengolahan dilakukan oleh
komputer.
Penghubung
Simbol untuk keluar/masuk prosedur atau proses dalam
lembar atau halaman yang masih sama.

Sumber: (Green, 2018)

2.9 UML (Unified Modelling Language)

 UML (Unified Modeling Language) pertama kali diperkenalkan pada tahun 1990-an
ketika grady booch, ivar Jacobson dan james rumbaugh mulai mengadopsi ide-ide serta
kemampuan-kemampuan tambahan dari masing-masing metodenya dan berusaha membuat
metodologi terpadu yang kemudian dinamakan Unified Modeling Language (UML). Unified
Modeling Language (UML) bertujuan untuk mendukung penggunaan terintegrasi dari enterprise
dan model sistem informasi yang diekspresikan menggunakan bahasa yang berbeda. Untuk
mencapai tujuan ini, UML menawarkan sebuah hub melalui mana bahasa pemodelan dapat
dihubungkan, sehingga membuka jalan untuk menghubungkan model yang
dinyatakan dalam bahasa tersebut. Makalah ini memotivasi dan menyajikan bagian paling sentral
dari pendekatan UML.(Osis & Donins, 2019).
Berikut ini jenis diagram unified modelling language yang digunakan penulis:
1. Use Case Diagram
Use case diagram merupakan pemodelan untuk kelakuan (behavior) sistem informasi
yang akan dibuat. Use case mendeskripsikan sebuah interaksi antar satu atau lebih aktor dengan
sistem informasi yang akan di buat. Secara kasar use case digunakan unntuk mengetahui fungsi
apa saja yang ada di dalam sebuah sistem informasi dan siapa aja yang berhak menggunakan
fungsi fungsi itu. Syarat penamaan pada use case nama didefenisikan sesimpel mungkin dan
dapat di pahami. Ada dua hal utama pada use case yaitu pendefenisian apa yang di sebut aktor
dan use case (Osis & Donins, 2019)
Use case merupakan fungsionalitas yang di sediakan sistem sebagai unit-unit yang saling
bertukar pesan antar unit atau aktor. Berikut ini adalah simbol-simbol yang ada pada use case.
Tabel 2.2 Simbol simbol Use Case Diagram
Simbol Deskripsi
Fungsionalitas yang di sediakan sistem
yang sebagai unnit yang saling
Use Case
bertukar pesan antar unit atau aktor,
Biasanya dinyatakan dengan
menggunakan kata kerja frase name
use case
Orang, Proses, atau sistem lain yang
beriteraksi dengan sistem informasi

Actor
 yang akan dibuat di luar sistem
informasi yang akan dibuat itu sendiri,
Jadi walaupun simbol dari aktor
adalah gambar orang,tapi aktor belum
tentu merupankan orang,
Komunikasi antara aktor dan use case
yang berpartisipasi pada user atau use
Asosiasi / Asociation case memiliki interaksi dengan aktor

Ekstendsi/ Ekstend Relasi use case tambahan ke sebuah

use case dimana use case yang di
tambahkan dapat berdiri sendiri
walaupun tanpa use case tambhan itu.
untuk menjalankan fungsinya

(Osis & Donins, 2019)