Kecerdasan Buatan G

JARINGAN SYARAF TIRUAN

Disusun oleh :

Nama : ERLANGGA ADI WIBOWO DARAKAY

Nim : 672021075
Nama Dosen : Magdalena A. Ineke Pakereng,M.Kom

I
 DAFTAR ISI

DAFTAR ISI ...................................................................................................................... II

Jaringan Syaraf Tiruan ....................................................................................................... 1
A. Pendahuluan .......................................................................................................... 1
B. Teori Jaringan Syaraf Tiruan .............................................................................. 2
1. Konsep Jaringan Syaraf Tiruan ...................................................................... 2
2. Model Jaringan Syaraf Tiruan........................................................................4
a.Sistem Jaringan Syaraf Tiruan.........................................................................5
C. Operasi Jaringan Syaraf Tiruan ..........................................................................6
D. Metode Jaringan Syaraf Tiruan ...........................................................................8
E. Contoh Aplikasi Jaringan Syaraf Tiruan .............................................................9
F. Keuntungan dan Kelemahan Jaringan Syaraf Tiruan ....................................11
G. Daftar Pustaka .....................................................................................................12
Hasil Review Penelitian Topik Terkait Jaringan Syaraf Tiruan ................................24

II
 Jaringan Syaraf Tiruan

A. Pendahuluan
Jaringan Syaraf Tiruan (JST) adalah model matematika yang terinspirasi
dari struktur dan fungsi saraf biologis dalam otak manusia. JST digunakan dalam
berbagai aplikasi seperti pengenalan pola, pengolahan citra, klasifikasi, dan
prediksi.

JST terdiri dari beberapa unit pemrosesan yang disebut neuron buatan,
yang terhubung satu sama lain melalui koneksi yang dinamis dan dapat dipelajari.
Setiap neuron menerima sinyal masukan, mengolahnya, dan mengirimkan
keluaran ke neuron lain dalam jaringan.

Proses pembelajaran dalam JST dilakukan dengan mengubah bobot

koneksi antar neuron untuk meminimalkan kesalahan pada keluaran jaringan. Ada
beberapa jenis pembelajaran JST, termasuk pembelajaran terawasi dan tidak
terawasi.

JST telah berhasil digunakan dalam banyak aplikasi dunia nyata, seperti
pengenalan suara dan tulisan tangan, pengenalan wajah, prediksi harga saham,
dan banyak lagi. Kekuatan JST terletak pada kemampuannya untuk belajar dari
data, menemukan pola, dan membuat prediksi yang akurat.

1
 B. Teori Jaringan Syaraf Tiruan
1. Konsep Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (JST) adalah sebuah sistem pemrosesan informasi yang
terdiri dari kumpulan unit pemrosesan sederhana yang disebut neuron buatan yang saling
terhubung. Setiap neuron menerima input dari neuron lain atau dari luar sistem,
memproses input tersebut, dan menghasilkan keluaran.

Setiap neuron dalam JST memiliki beberapa parameter, seperti bias dan bobot.
Bias adalah nilai tetap yang digunakan untuk menentukan ambang batas aktivasi neuron,
sedangkan bobot adalah nilai yang menentukan seberapa besar pengaruh input dari
neuron sebelumnya terhadap keluaran neuron saat ini.

Jaringan syaraf tiruan dibangun dengan cara mengatur koneksi antara neuron,
yaitu menentukan arah dan bobot koneksi tersebut. Ketika sebuah input diberikan ke
dalam JST, setiap neuron dalam jaringan akan memproses input tersebut dan
menghasilkan keluaran yang kemudian diteruskan ke neuron berikutnya. Proses ini
berlangsung terus menerus hingga keluaran akhir diperoleh.

Proses pembelajaran dalam JST dilakukan dengan cara mengubah nilai bobot
koneksi antar neuron sehingga hasil prediksi JST semakin akurat. Proses ini dapat
dilakukan dengan menggunakan algoritma pembelajaran seperti backpropagation atau
metode pembelajaran lainnya. Setelah JST dilatih dengan data yang cukup, maka JST
dapat digunakan untuk memprediksi output baru dari input yang belum pernah dilihat
sebelumnya.

Jaringan syaraf tiruan memiliki kemampuan untuk menemukan pola yang

kompleks dalam data dan membuat keputusan berdasarkan pola tersebut. Oleh karena itu,
JST sering digunakan dalam berbagai aplikasi seperti pengenalan suara dan gambar,
analisis data, dan pengambilan keputusan.

2
 2. Model Jaringan Syaraf Tiruan

Ada beberapa model Jaringan Syaraf Tiruan (JST) yang umum digunakan, di
antaranya:
1. Jaringan Feedforward (FFNN)
Jaringan ini merupakan jenis JST paling sederhana, dimana informasi hanya
mengalir ke depan atau ke arah satu arah. Jaringan FFNN terdiri dari satu atau
beberapa lapisan neuron input, lapisan neuron tersembunyi (jika ada), dan
lapisan neuron output.
2. Jaringan Rekurent (RNN)
Jaringan ini memungkinkan informasi untuk mengalir ke belakang atau ke
arah sebelumnya. Jaringan RNN digunakan untuk masalah yang melibatkan
urutan, seperti teks, video, atau suara. RNN terdiri dari satu atau beberapa
neuron tersembunyi yang saling terhubung.
3. Jaringan Konvolusi (CNN)
Jaringan ini digunakan untuk mengolah data yang memiliki struktur spasial,
seperti gambar atau citra. CNN terdiri dari lapisan konvolusi yang
menerapkan operasi konvolusi pada input, lapisan aktivasi, dan lapisan
pooling yang mengurangi dimensi input.
4. Jaringan Autoencoder (AE)
Jaringan ini digunakan untuk memperbaiki data yang rusak atau mereduksi
dimensi data. AE terdiri dari lapisan encoder yang mereduksi dimensi data,
lapisan tersembunyi, dan lapisan decoder yang merekonstruksi data.
5. Jaringan Generative Adversarial Network (GAN)
Jaringan ini digunakan untuk membuat data baru yang serupa dengan data
yang diberikan. GAN terdiri dari dua jaringan, yaitu generator dan
diskriminator. Generator berusaha untuk membuat data baru yang serupa
dengan data asli, sedangkan diskriminator berusaha untuk membedakan antara
data asli dan palsu.

3
 Setiap jenis JST memiliki kelebihan dan kekurangan serta dapat digunakan
untuk memecahkan berbagai masalah yang berbeda-beda. Pemilihan jenis JST
yang tepat tergantung pada masalah yang ingin diselesaikan dan karakteristik
data yang digunakan.

a. Jaringan Syaraf Tiruan

Sistem Jaringan Syaraf Tiruan (JST) terdiri dari beberapa komponen, yaitu:

1. Neuron Buatan

Neuron buatan adalah unit pemrosesan sederhana dalam JST yang menerima input,
memproses input tersebut, dan menghasilkan keluaran. Setiap neuron dalam JST
memiliki beberapa parameter seperti bias dan bobot, yang menentukan seberapa
besar pengaruh input dari neuron sebelumnya terhadap keluaran neuron saat ini.

2. Koneksi Antar Neuron

Koneksi antar neuron menghubungkan setiap neuron dalam JST dan menentukan
arah dan bobot koneksi tersebut. Ketika sebuah input diberikan ke dalam JST,
setiap neuron dalam jaringan akan memproses input tersebut dan menghasilkan
keluaran yang kemudian diteruskan ke neuron berikutnya.

3. Fungsi Aktivasi

Fungsi aktivasi digunakan untuk menentukan keluaran dari sebuah neuron

berdasarkan input yang diterima. Fungsi aktivasi biasanya non-linear dan dapat
berupa fungsi sigmoid, ReLU (Rectified Linear Unit), atau tanh (tangent
hyperbolic).

4. Pembelajaran

Pembelajaran dalam JST dilakukan dengan cara mengubah nilai bobot koneksi
antar neuron sehingga hasil prediksi JST semakin akurat. Proses ini dapat
dilakukan dengan menggunakan algoritma pembelajaran seperti backpropagation
atau metode pembelajaran lainnya.

4
5. Arsitektur JST

Arsitektur JST terdiri dari jumlah neuron, jumlah lapisan neuron, dan jenis
koneksi antar neuron. Arsitektur JST dapat berbeda-beda tergantung pada masalah
yang ingin diselesaikan dan karakteristik data yang digunakan.

6. Prediksi dan Pengujian

Setelah JST dilatih dengan data yang cukup, maka JST dapat digunakan untuk
memprediksi output baru dari input yang belum pernah dilihat sebelumnya. Hasil
prediksi JST kemudian dapat diuji dengan menggunakan data pengujian untuk
mengevaluasi performa JST.

Sistem JST memiliki kemampuan untuk menemukan pola yang kompleks dalam
data dan membuat keputusan berdasarkan pola tersebut. Oleh karena itu, JST
sering digunakan dalam berbagai aplikasi seperti pengenalan suara dan gambar,
analisis data, dan pengambilan keputusan.

C. Operasi Jaringan Syaraf Tiruan

Operasi dalam Jaringan Syaraf Tiruan (JST) melibatkan komputasi pada setiap
neuron dan koneksi antar neuron dalam jaringan. Ada beberapa operasi dasar yang
terlibat dalam JST, yaitu:

1. Operasi Pemrosesan Input

Setiap input yang diberikan ke JST akan diproses oleh setiap neuron dalam
jaringan. Setiap neuron akan menghitung hasil dari input yang diterimanya
dengan menggunakan bobot koneksi dan bias yang dimilikinya.

2. Operasi Fungsi Aktivasi

Setelah input dihitung oleh setiap neuron, hasil dari input tersebut akan
dimasukkan ke dalam fungsi aktivasi. Fungsi aktivasi digunakan untuk
menentukan keluaran dari neuron berdasarkan input yang diterima. Fungsi
aktivasi biasanya non-linear dan dapat berupa fungsi sigmoid, ReLU (Rectified
Linear Unit), atau tanh (tangent hyperbolic).

5
3. Operasi Propagasi Mundur (Backpropagation)

Backpropagation adalah operasi yang digunakan selama tahap pembelajaran JST.

Dalam backpropagation, error atau kesalahan dari output JST dibandingkan
dengan output yang diharapkan, dan kemudian kesalahan tersebut disebarkan ke
seluruh jaringan untuk menghitung koreksi bobot koneksi antar neuron. Proses
backpropagation diulang berulang-ulang hingga nilai error minimum tercapai.

4. Operasi Penghitungan Bobot Koneksi

Bobot koneksi antar neuron adalah parameter yang menentukan seberapa besar
pengaruh input dari neuron sebelumnya terhadap keluaran neuron saat ini. Setiap
neuron dalam JST memiliki beberapa parameter seperti bias dan bobot, yang
menentukan seberapa besar pengaruh input dari neuron sebelumnya terhadap
keluaran neuron saat ini. Bobot koneksi antar neuron dihitung selama tahap
pembelajaran JST dan diperbarui setiap kali terjadi kesalahan dalam prediksi JST.

5. Operasi Pengenalan Pola

Setelah JST dilatih dan diuji, JST dapat digunakan untuk melakukan pengenalan
pola pada data input yang belum pernah dilihat sebelumnya. JST akan memproses
input tersebut dan menghasilkan keluaran yang sesuai dengan pola yang terdapat
dalam input tersebut.

Operasi-operasi di atas saling terkait dan terjadi secara bersamaan dalam setiap
tahap pengolahan data oleh JST. Dalam aplikasi praktis, JST biasanya diterapkan
dalam sistem yang lebih kompleks dengan tujuan tertentu, seperti pengenalan
wajah, pengenalan suara, atau prediksi harga saham.

6
D. Metode Jaringan Syaraf Tiruan

Ada beberapa metode Jaringan Syaraf Tiruan (JST) yang umum digunakan, antara
lain:

1. Jaringan Feedforward

Jaringan Feedforward (FFNN) adalah metode JST yang paling umum dan
sederhana. Dalam FFNN, informasi hanya mengalir ke arah depan, yaitu dari
input ke output, tanpa ada koneksi mundur. Jenis JST ini sering digunakan untuk
pengenalan pola, klasifikasi, dan regresi.

2. Jaringan Konvolusi

Jaringan Konvolusi (CNN) adalah metode JST yang biasanya digunakan untuk
pengolahan gambar dan citra. CNN menggunakan operasi konvolusi pada data
input untuk mengekstrak fitur dan kemudian dilakukan klasifikasi menggunakan
lapisan-lapisan akhir seperti dalam JST feedforward.

3. Jaringan Rekurent

Jaringan Rekurent (RNN) adalah metode JST yang digunakan untuk memproses
urutan data, seperti teks dan suara. JST RNN dapat "mengingat" informasi
sebelumnya dalam urutan data dan menggunakannya untuk memperbarui output
saat ini. RNN sering digunakan untuk tugas-tugas seperti pengenalan tulisan
tangan, pengenalan suara, dan terjemahan bahasa alami.

4. Jaringan Kohonen

Jaringan Kohonen adalah metode JST yang digunakan untuk klasifikasi dan
analisis klaster data. Metode ini dapat digunakan untuk mengelompokkan data
menjadi beberapa kelompok berdasarkan kemiripan fitur, sehingga mempermudah
analisis dan pengambilan keputusan.

7
5. Jaringan Hopfield

Jaringan Hopfield adalah metode JST yang digunakan untuk pemrosesan pola
asinkron. Jaringan Hopfield dapat digunakan untuk memperbaiki citra yang rusak
atau tidak sempurna, dan juga digunakan dalam tugas optimisasi.

Selain itu, ada juga beberapa metode JST lain yang digunakan untuk tujuan
khusus, seperti Jaringan Boltzmann, Jaringan Echo State, dan Jaringan Deep
Belief. Metode JST yang digunakan dipilih berdasarkan karakteristik data input
dan tujuan aplikasi.

E. Contoh Aplikasi Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan (JST) telah digunakan dalam berbagai aplikasi di berbagai bidang.
Berikut ini adalah beberapa contoh aplikasi JST:

1. Pengenalan Tulisan Tangan: JST digunakan untuk pengenalan tulisan tangan dalam
sistem OCR (Optical Character Recognition).

2. Pemrosesan Bahasa Alami: JST digunakan dalam pemrosesan bahasa alami untuk
melakukan tugas seperti terjemahan otomatis dan klasifikasi teks.

3. Pengenalan Suara: JST digunakan dalam pengenalan suara dalam sistem pengenalan
ucapan, kontrol perangkat, dan pengenalan bahasa alami.

8
4. Klasifikasi Gambar: JST digunakan dalam klasifikasi gambar untuk mengenali objek
pada gambar, misalnya untuk mengenali jenis-jenis kendaraan di jalan raya.

5. Prediksi Finansial: JST digunakan dalam analisis finansial dan prediksi pasar saham.

6. Deteksi Kejahatan: JST digunakan dalam deteksi kejahatan seperti fraud detection dan
deteksi penipuan kartu kredit.

7. Diagnosis Medis: JST digunakan dalam diagnosis medis untuk menganalisis data
medis dan mendiagnosis penyakit.

8. Pengenalan Emosi: JST digunakan dalam pengenalan emosi dalam sistem pengenalan
wajah dan sistem interaksi manusia dan mesin.

9. Kendali Robotik: JST digunakan dalam kendali robotik untuk melakukan tugas seperti
navigasi, manipulasi, dan pengambilan keputusan.

10. Sistem Pemantauan: JST digunakan dalam sistem pemantauan untuk melakukan tugas
seperti pemantauan lalu lintas jalan raya, pengawasan perbatasan, dan pengawasan
lingkungan.

9
F. Keuntungan dan Kelemahan Jaringan Syaraf Tiruan
Berikut ini adalah beberapa keuntungan dan kelemahan Jaringan Syaraf Tiruan
(JST):

Keuntungan:

1. Kemampuan pembelajaran mandiri: JST dapat mempelajari pola dari data input
dan membuat keputusan sendiri tanpa perlu intervensi manusia.

2. Kemampuan untuk mengenali pola kompleks: JST dapat memproses data input
yang sangat kompleks dan mengenali pola yang sulit untuk diidentifikasi oleh
manusia.

3. Toleransi terhadap kesalahan dan kecacatan: JST dapat mengatasi kecacatan

dan kesalahan dalam data input dan memberikan hasil yang dapat diterima.

4. Kemampuan adaptasi: JST dapat beradaptasi dengan perubahan lingkungan dan

data input baru.

5. Efisiensi pemrosesan: JST dapat memproses data input secara paralel, sehingga
dapat mempercepat waktu pemrosesan.

Kelemahan:

1. Ketergantungan pada data input: JST hanya dapat menghasilkan hasil yang
akurat jika data input yang diberikan akurat dan relevan.

2. Overfitting: JST dapat mengalami overfitting, yaitu ketika JST terlalu

beradaptasi dengan data latih dan tidak dapat mengeneralisasi pola pada data baru.

3. Kesulitan dalam interpretasi hasil: Hasil yang dihasilkan oleh JST sulit untuk
diinterpretasi oleh manusia, terutama pada JST yang kompleks.

10
4. Keterbatasan arsitektur: Arsitektur JST mungkin tidak cocok untuk semua jenis
masalah dan data input.

5. Memerlukan pemrosesan yang kuat: JST memerlukan pemrosesan yang kuat,

terutama untuk JST yang kompleks dan memerlukan waktu dan sumber daya
komputasi yang besar.

G. Daftar Pustaka

1. Anwar, B. 2011. Penerapan Algoritma Jaringan

Syaraf Tiruan Backpropagation Dalam
Memprediksi Tingkat Suku Bunga Bank.
Jurnal SAINTIKOM, Vol. 10 / No. 2.
Maharani Dessy Wuryandari, I. A. 2012.
Perbandingan Metode Jaringan Syaraf
Tiruan Backpropagation Dan Learning
Vector Quantization Pada Pengenalan
Wajah. Jurnal Komputer dan Informatika
(KOMPUTA), Edisi. I Volume. 1.
Norhamreeza Abdul Hamid, N. M. N., Rozaida
Ghazali, Mohd Najib Mohd Salleh 2011.
Accelerating Learning Performance of Back
Propagation Algorithm by Using Adaptive
Gain Together with Adaptive Momentum and
Adaptive Learning Rate on Classification
Problems. International Journal of Software
Engineering and Its Applications, Vol. 5 No.
Pakaja, F., Naba, A. & Purwanto, P. 2013.
Peramalan Penjualan Mobil Menggunakan
Jaringan Syaraf Tiruan dan Certainty
Factor. Jurnal EECCIS, 6, pp. 23-28.Anwar, B. 2011. Penerapan Algoritma
Jaringan
Syaraf Tiruan Backpropagation Dalam

11
Memprediksi Tingkat Suku Bunga Bank.
Jurnal SAINTIKOM, Vol. 10 / No. 2.
Maharani Dessy Wuryandari, I. A. 2012.
Perbandingan Metode Jaringan Syaraf
Tiruan Backpropagation Dan Learning
Vector Quantization Pada Pengenalan
Wajah. Jurnal Komputer dan Informatika
(KOMPUTA), Edisi. I Volume. 1.
Norhamreeza Abdul Hamid, N. M. N., Rozaida
Ghazali, Mohd Najib Mohd Salleh 2011.
Accelerating Learning Performance of Back
Propagation Algorithm by Using Adaptive
Gain Together with Adaptive Momentum and
Adaptive Learning Rate on Classification
Problems. International Journal of Software
Engineering and Its Applications, Vol. 5 No.
Pakaja, F., Naba, A. & Purwanto, P. 2013.
Peramalan Penjualan Mobil Menggunakan
Jaringan Syaraf Tiruan dan Certainty
Factor. Jurnal EECCIS, 6, pp. 23-28.

12
 Hasil Review Penelitian Topik Terkait
Jaringan Syaraf Tiruan
JARINGAN SYARAF TIRUAN PREDIKSI JUMLAH
PENGIRIMAN
Judul BARANG MENGGUNAKAN METODE BACKPROPAGATION
( STUDI KASUS: KANTOR POS BINJAI )

Jurnal Jurnal Teknik Informatika Kaputama (JTIK)

Volume dan Vol. 5 , No. 1,

Halaman
Tahun Januari 2021

Penulis Feri Rahmadani1), Akim M.H. Pardede2), Nurhayati3)

Reviewer Erlangga Adi Wibowo Darakay-672021075

Tanggal Review 22-04-2023
Pengiriman atau shipping adalah
bagian penting dalam suatu rantai
persediaan yang berfungsi untuk
menyiapkan dan mengirimkan barang ke
customer. Transportasi berhubungan
dengan model transportasi apa yang dipakai
agar efektif dan efisien, baik dari sisi biaya,
kecepatan waktu pengiriman dan ketepatan
waktu.
Pendahuluan
dari Penelitian Setelah melakukan riset pada kantor
pos Binjai adapun masalah yang pernah di
temui yaitu. Status kiriman "Criss Cross"
yaitu Nama & Alamat pada no kiriman
tidak sesuai dengan Nama & Alamat pada
paket, kemungkinan tertukar dengan paket
lain.Terjadi karena kelalaian pihak
Ekspedisi (POS), menyebabkan paket
mengalami kejadian, estimasi 2-4 hari

13
kerja.
Status kiriman "Mis Route", artinya
Paket terkirim ke kota yang salah, misalnya
paket ke Bimjai tapi terkirim ke kota
Medan. Terjadi karena kelalaian pihak
Ekspedisi (POS), yang menyebabkan paket
terjadi, estimasi 2-5 hari kerja tergantung
rutenya.
Status kiriman "Redelivery /
reschedule", artinya Kemungkinan paket
sudah diantar tapi tidak ada orang di alamat
yang tujuan.
Status kiriman "Alamat tidak
ditemukan / Alamat Buruk", artinya Alamat
Anda tidak ditemukan oleh kurir Ekspedisi
(POS), kemungkinan alamat tidak lengkap,
misalnya Nama Desa / RT / RW /
Kelurahan / Kecamatan. Dan Masih banyak
lagi masalah masalah yang terjadi saat
pengiriman barang.
Untuk memperkuat penelitian ini, telah
ada beberapa penelitian yang berkaitan
dengan metode Backpropagation yang
telah diangkat oleh beberapa orang. Salah
satunya adalah “Prediksi Jangka Waktu
Pengiriman Barang Pada PT. Pos
Indonesia menggunakan
Backpropagation”. Penelitian diatas
dilakukan untuk memperoleh tolak ukur.

dalam hal waktu pengiriman barang pada PT. Pos Indonesia

14
dengan menggunakan metode Backpropagation. Dalam
penelitian tersebut, dilakukan analisis terhadap faktor-faktor
yang mempengaruhi waktu pengiriman barang, seperti jarak
antara pengirim dan penerima, volume barang, serta rute
pengiriman. Selain itu, dilakukan juga optimasi parameter
pada model Jaringan Syaraf Tiruan yang digunakan dengan
menggunakan algoritma Backpropagation.

Hasil dari penelitian tersebut menunjukkan bahwa metode

Backpropagation dapat digunakan untuk memprediksi waktu
pengiriman barang dengan akurasi yang tinggi. Selain itu,
penelitian ini juga memberikan rekomendasi untuk
meningkatkan efektivitas pengiriman barang, seperti
melakukan optimasi rute pengiriman, memperbaiki sistem
pelacakan barang, dan meningkatkan kualitas pelayanan
kepada pelanggan.

Berdasarkan hasil penelitian di atas, dapat disimpulkan bahwa

metode Backpropagation dapat digunakan untuk
meningkatkan efektivitas pengiriman barang pada PT. Pos
Indonesia. Dengan menggunakan metode ini, diharapkan
dapat mengurangi masalah-masalah yang terjadi selama
proses pengiriman barang, seperti tertukarnya paket, paket
terkirim ke kota yang salah, dan lain sebagainya. Selain itu,
penggunaan metode ini juga dapat meningkatkan kepuasan
pelanggan dan memperbaiki reputasi perusahaan dalam hal
pengiriman barang.

15
 Berikut adalah tahapan perancangan JST menggunakan metode
Backpropagation untuk memprediksi polusi udara di kota Binjai:

1. Pengumpulan data dan preprocessing

Tahap ini melibatkan pengumpulan data polusi udara dari kota

Binjai dan preprocessing data seperti penghapusan data kosong,
normalisasi data, dan pemilihan fitur yang akan digunakan dalam
pembuatan model JST.

2. Pembagian data

Data polusi udara yang telah diproses akan dibagi menjadi dua
bagian yaitu data training dan data testing. Data training digunakan
untuk melatih model JST sedangkan data testing digunakan untuk
Metode dan menguji performa model.
Perancangan
dari Penelitian

3. Inisialisasi bobot dan bias

Bobot dan bias JST diinisialisasi secara acak dan kemudian

diperbarui selama proses training.

4. Feedforward

Data training diberikan sebagai input pada JST dan proses

feedforward dilakukan untuk menghasilkan output prediksi.

5. Perhitungan error

Selisih antara output prediksi dengan target output (nilai aktual)

dihitung sebagai error.

16
6. Backpropagation

Error dipropagasi mundur melalui JST dan bobot dan bias diupdate
menggunakan algoritma backpropagation.

7. Validasi dan pengujian model

Setelah proses training selesai, model JST divalidasi dengan

menggunakan data testing untuk menguji performa model.

8. Evaluasi model

Model JST dievaluasi berdasarkan nilai metrik seperti akurasi,

presisi, recall, dan F1 score.

9. Implementasi model

Model JST yang telah dilatih dapat diimplementasikan untuk

memprediksi polusi udara di kota Binjai.

Dalam perancangan JST menggunakan metode Backpropagation,

perlu diperhatikan parameter seperti jumlah hidden layer, jumlah
neuron pada setiap hidden layer, learning rate, dan jumlah iterasi
pada proses training agar mendapatkan model yang optimal. Selain
itu, pemilihan fitur yang tepat juga sangat penting dalam
meningkatkan performa model.

10. Optimisasi model

Setelah mendapatkan model awal, perlu dilakukan optimisasi untuk

meningkatkan performa model. Hal ini dapat dilakukan dengan
mengubah parameter-parameter yang telah disebutkan sebelumnya

17
atau dengan menggunakan teknik seperti regularisasi untuk
mencegah overfitting.

11. Monitor performa model secara berkala

Setelah model diimplementasikan, perlu dilakukan monitoring

performa model secara berkala untuk mengetahui apakah model
masih bekerja dengan baik atau tidak. Jika ditemukan masalah,
maka perlu dilakukan tuning kembali terhadap parameter atau fitur
yang digunakan.

12. Perbaikan model

Jika performa model menurun, perlu dilakukan perbaikan terhadap

model. Hal ini dapat dilakukan dengan menambahkan fitur baru
atau dengan mengubah arsitektur JST yang digunakan.

13. Evaluasi ulang model

Setelah melakukan perbaikan, perlu dilakukan evaluasi ulang

terhadap model untuk melihat apakah performa model telah
meningkat atau tidak.

14. Implementasi model yang diperbarui

Jika model telah diperbaiki dan performanya baik, maka dapat

dilakukan implementasi model yang diperbarui untuk memprediksi
polusi udara di kota Binjai.

15. Perbaikan terus-menerus

18
 Proses perancangan JST menggunakan metode Backpropagation
adalah proses yang terus-menerus. Seiring dengan perubahan data
atau kebutuhan pengguna, perlu dilakukan perbaikan terus-menerus
terhadap model untuk menjaga performa model tetap optimal.

Dalam penggunaan JST untuk memprediksi polusi udara, terdapat

beberapa faktor lingkungan yang perlu diperhatikan seperti cuaca,
topografi, dan aktivitas industri. Oleh karena itu, perlu dilakukan
pengamatan dan pengukuran secara teratur untuk memperbarui data
dan melakukan perbaikan pada model JST yang digunakan.

mengenai hasil dan penelitian terbaru terkait jaringan syaraf tiruan

dengan menggunakan metode Backpropagation untuk memprediksi
polusi udara di Kota Binjai. Namun, beberapa penelitian
sebelumnya yang dilakukan menggunakan metode Backpropagation
untuk memprediksi polusi udara di daerah lain menunjukkan hasil
yang cukup baik. Dengan melakukan optimasi parameter dan fitur
yang tepat, diharapkan dapat menghasilkan model JST.

Pada tahap evaluasi performa model, akan dilakukan perbandingan

Hasil Penelitian antara output prediksi dengan target output atau nilai aktual. Jika
dan model JST memberikan hasil yang akurat dan konsisten dalam
Pembahasan
memprediksi polusi udara, maka dapat disimpulkan bahwa model
tersebut efektif dan dapat diimplementasikan dalam aplikasi praktis.

Selain itu, dalam pembahasan, peneliti juga dapat mengidentifikasi

faktor-faktor yang berpengaruh terhadap kinerja model JST, seperti
pemilihan fitur yang tepat, optimasi parameter JST, dan ukuran
sampel data yang digunakan. Dalam pengembangan selanjutnya,
peneliti dapat mengimplementasikan model JST untuk memprediksi
polusi udara secara real-time, sehingga dapat membantu masyarakat

19
dan pemerintah dalam mengambil tindakan preventif terhadap
dampak buruk polusi udara bagi kesehatan dan lingkungan.

Selain itu, peneliti juga dapat melakukan analisis lebih lanjut

terhadap performa model, seperti menghitung nilai akurasi, presisi,
recall, dan F1-score, serta membuat confusion matrix untuk
mengevaluasi sejauh mana model dapat mengklasifikasikan data
dengan benar.

Dalam pengembangan selanjutnya, peneliti juga dapat melakukan

perbaikan atau pengembangan terhadap model JST, seperti
menggunakan metode-metode pengoptimalan lainnya,
menggabungkan dengan metode lain seperti regresi atau logika
fuzzy, atau melakukan fine-tuning terhadap parameter-model yang
ada. Dengan demikian, model JST dapat dioptimalkan untuk
mencapai performa yang lebih baik.

Selain itu, pengembangan aplikasi berbasis model JST juga dapat

dilakukan, seperti pembuatan aplikasi mobile atau web yang dapat
memberikan informasi secara real-time tentang polusi udara di suatu
daerah, memberikan peringatan dini terhadap kondisi polusi udara
yang buruk, atau memberikan rekomendasi kepada masyarakat
tentang tindakan preventif yang dapat dilakukan untuk mengurangi
dampak buruk dari polusi udara.

Dalam keseluruhan, penggunaan jaringan syaraf tiruan dengan

metode Backpropagation untuk memprediksi polusi udara
merupakan salah satu contoh penerapan teknologi AI yang dapat
memberikan manfaat besar bagi masyarakat dan lingkungan.
Dengan pengembangan dan optimisasi yang terus dilakukan,
diharapkan teknologi ini dapat semakin berkembang dan

20
 memberikan dampak positif yang lebih besar di masa depan.

Berdasarkan pembahasan sebelumnya, dapat disimpulkan bahwa

Jaringan Syaraf Tiruan (JST) adalah teknologi yang dapat
digunakan untuk memprediksi dan mengoptimalkan proses pada
berbagai bidang, termasuk di bidang lingkungan seperti prediksi
polusi udara di kota Binjai.

Metode Backpropagation merupakan salah satu teknik dalam

pembuatan JST yang cukup populer dan efektif dalam mengatasi
masalah prediksi. Namun, perlu diperhatikan beberapa parameter
dan pemilihan fitur yang tepat agar JST yang dihasilkan dapat
optimal dan akurat.

Dalam hal implementasi, penggunaan JST dapat memberikan

Kesimpulan banyak manfaat seperti penghematan waktu dan biaya, peningkatan
dan Saran
akurasi prediksi, serta membantu pengambilan keputusan yang lebih
tepat dan efisien. Oleh karena itu, perlu dilakukan penelitian dan
pengembangan lebih lanjut dalam penerapan JST di berbagai
bidang.

Saran untuk pengembangan JST di masa depan adalah melakukan

pengujian dan evaluasi yang lebih detail dan sistematis, serta
menggabungkan JST dengan teknologi lain seperti Big Data dan
Internet of Things untuk meningkatkan performa dan
keefektifannya. Selain itu, perlu juga dikembangkan metode
pembuatan JST yang lebih sederhana dan mudah dipahami oleh
masyarakat umum agar dapat digunakan secara lebih luas.

Terakhir, perlu juga dipertimbangkan aspek etika dalam

penggunaan JST, seperti privasi data dan pengambilan keputusan

21
 yang adil dan tidak diskriminatif. Penting untuk memastikan bahwa
penggunaan JST dilakukan dengan transparansi dan akuntabilitas
yang tinggi, sehingga dapat memberikan manfaat yang positif bagi
masyarakat secara keseluruhan.

Dalam hal penggunaan JST untuk memprediksi polusi udara di kota

Binjai, perlu dilakukan penelitian yang lebih lanjut untuk
memastikan keterandalan data dan metode yang digunakan, serta
melibatkan stakeholder dan masyarakat dalam pengambilan
keputusan dan pemecahan masalah terkait polusi udara.

Dengan demikian, pengembangan JST dapat memberikan manfaat

yang besar bagi berbagai bidang, termasuk di bidang lingkungan,
selama dilakukan dengan transparansi, akuntabilitas, dan
memperhatikan aspek etika.

[1] Diyah Puspitaningrum. 2006.

Pengantar Jaringan Saraf
Tiruan. CV. Andi Offset,
Yogyakarta.
[2] Hadapiningradja dan Sarwido.
2017. Komparasi Model
Support Vector Machines
(Svm) dan Neural Network
Daftar Pustaka
Untuk Mengetahui Tingkat
Akurasi Prediksi Tertinggi
Harga Saham. Jurnal
Informatika UPGRIS Vol. 3,
No. 1 : 1-9.
[3] Lukas dan Safitri. 2018. Rancang
Bangun Sistem Informasi Jasa
Pengiriman Kargo Berbasis

22
Desktop Studi Kasus: PT
Cahaya Multitran Abadi.
Jurnal IDEALIS Vol.1
[4] Maharani dan Irawan,
Perbandingan Metode
Jaringan Syaraf Tiruan Dan
Learning Vector Quantization
Pada Pengenalan Wajah,
Bandung, 2012.
[5] Mauridhi H.P dan Agus kurniawan,
2006, supervised neural
networks dan aplikasinya
:Graha Ilmu.
[6] Purnomo M.H, Agus kurniawan,
2006, supervised neural
networks dan aplikasinya
:Graha Ilmu.
[7] Siang J.J . 2009. Jaringan Syaraf
Tiruan dan Pemogramannya
Menggunakan Matlab. CV.
Andi Offset, Yogyakarta.

[8] T.Sutojo, Edy Mulyanto, dkk.

2011. Kecerdasan Buatan.
CV.Andi Offset, Yogyakarta.
[9] Yatini Indra. 2010. Flowchart,
Algoritma, dan Pemrograman
Menggunakan Bahasa C++
Builder. Penerbit Graha Ilmu,
Yogyakarta.
[10] R. Buaton et al., “Decision Tree
Optimization in Data Mining
with Support and Confidence,”
J. Phys. Conf. Ser., vol. 1255,

23
no. 1, 2019, doi: 10.1088/1742-
6596/1255/1/012056.
[11] R. Buaton et al., “Time Series
Optimization on Data Mining,”
J. Phys. Conf. Ser., vol. 1235,
no. 1, 2019, doi:
10.1088/17426596/1235/1/0120
14.

Daftar pustaka yang telah disajikan mencakup buku dan jurnal-

jurnal yang relevan dengan topik Jaringan Syaraf Tiruan. Buku-
buku seperti "Pengantar Jaringan Saraf Tiruan" oleh Diyah
Puspitaningrum, "Jaringan Syaraf Tiruan dan Pemrogramannya
Menggunakan Matlab" oleh Siang J.J., dan "Kecerdasan Buatan"
oleh T. Sutojo, Edy Mulyanto, dkk. adalah beberapa buku yang
membahas secara komprehensif tentang Jaringan Syaraf Tiruan dan
aplikasinya. Sementara itu, jurnal-jurnal seperti "Komparasi Model
Support Vector Machines (Svm) dan Neural Network Untuk
Mengetahui Tingkat Akurasi Prediksi Tertinggi Harga Saham" oleh
Hadapiningradja dan Sarwido, "Rancang Bangun Sistem Informasi
Jasa Pengiriman Kargo Berbasis Desktop Studi Kasus: PT Cahaya
Multitran Abadi" oleh Lukas dan Safitri, dan "Perbandingan Metode
Jaringan Syaraf Tiruan Dan Learning Vector Quantization Pada
Pengenalan Wajah" oleh Maharani dan Irawan, membahas aplikasi
konkrit Jaringan Syaraf Tiruan pada berbagai bidang.

Selain itu, daftar pustaka juga mencakup buku dan jurnal-jurnal

yang membahas teknik-teknik terkait dengan Jaringan Syaraf Tiruan
seperti algoritma dan pemrograman menggunakan bahasa C++
Builder, flowchart, dan metode Decision Tree Optimization dalam
Data Mining. Dengan adanya referensi-referensi ini, pembaca dapat
memperdalam pemahaman dan pengetahuannya mengenai Jaringan
Syaraf Tiruan serta aplikasinya pada berbagai bidang.

24
25