LAPORAN TUGAS AKHIR AI (JARINGAN SYARAF TIRUAN)

MENILAI KELAYAKAN TUGAS AKHIR MAHASISWA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNIK UNIVERSITAS MARITIM RAJA ALI HAJI
TANJUNG PINANG

2019
 KATA PENGANTAR

Assalamu’alaikum Wr. Wb.

Puji syukur penyusun panjatkan ke hadirat Allah SWT karena hanya dengan
rahmat dan hidayah-Nya, Tugas Akhir ini dapat terselesaikan tanpa halangan berar-
ti. Keberhasilan dalam menyusun laporan Tugas Akhir ini tidak lepas dari bantuan
berbagai pihak yang mana dengan tulus dan ikhlas memberikan masukan guna sem-
purnanya Tugas Akhir ini. Oleh karena itu dalam kesempatan ini, dengan kerendahan
hati penyusun mengucapkan terima kasih kepada:

1. Ibu Nola Ritha, S.T.,M.Cs., selaku Dosen pengampu mata kulian kecerdasan
buatan Universitas Maritim Raja Ali Haji,

2. Teman-teman seperjuangan satu mata kuliah kecerdasan buatan.

Penyusun menyadari bahwa penyusunan Tugas Akhir ini jauh dari sempur-
na.Besar harapan kami untuk mendapatkan kritik dan saran. Akhir kata penyusun
mohon maaf yang sebesar-besarnya apabila ada kekeliruan di dalam penulisan Tugas
Akhir ini.

Wassalamu’alaikum Wr. Wb.

Tanjung Pinang, 12 Desember 2019

Penyusun

ii
 iii

Disusun Oleh:

1. Rijal Elfikri (180155201009)

2. Afrio T Putra (170155201017)

3. Ibnu Isbullah (170155201025)

4. Raja Azian (170155201010)

 DAFTAR ISI

KATA PENGANTAR ii

DAFTAR ISI v

DAFTAR GAMBAR vi

Intisari vii

Abstract viii

I PENDAHULUAN 1
1.1 Latar Belakang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Rumusan Masalah . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Batasan Masalah . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 Tujuan Penelitian . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.5 Manfaat Penelitian . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

II KAJIAN LITERATUR 3
2.1 Tinjauan Pustaka . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 Landasan Teori . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2.1 Jaringan Syaraf Tiruan Artificial Neural Network . . . . . . . 3
2.2.2 Arsitektur Jaringan Syaraf Tiruan . . . . . . . . . . . . . . . 4
2.2.3 Metode Propagasi Balik (Backpropagation Algorithm) . . . . 5
2.2.4 Fungsi aktivasi (Sigmoid) . . . . . . . . . . . . . . . . . . . . 6

III METODOLOGI PENELITIAN 8

3.1 Waktu dan Tempat Penelitian . . . . . . . . . . . . . . . . . . . . . . 8
3.2 Analisa dan Perancangan . . . . . . . . . . . . . . . . . . . . . . . . 8

IV ANALISA DAN PEMBAHASAN 10

4.1 Analisa Kebutuhan Sistem . . . . . . . . . . . . . . . . . . . . . . . 10
4.1.1 Flow Chart . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4.1.2 Kebutuhan Kode Sumber Source Code . . . . . . . . . . . . . 11
4.2 Hasil Penelitian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.2.1 Profil Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

iv
 v

4.2.2 Pembahsan dan Perancangan Arsitektur Neural Network . . . 13

V KESIMPULAN DAN SARAN 16

5.1 Kesimpulan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.2 Saran . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

DAFTAR PUSTAKA 17
 DAFTAR GAMBAR

Gambar 2.1 Single layer neural network1 . . . . . . . . . . . . . . . . . . 4

Gambar 2.2 Multi layer neural network2 . . . . . . . . . . . . . . . . . . 5
Gambar 2.3 Grafik fungsi sigmoid3 . . . . . . . . . . . . . . . . . . . . . 7

Gambar 4.1 Flowchart dari sistem . . . . . . . . . . . . . . . . . . . . . 10

vi
 Intisari

Masing-masing mahasiswa telah diberikan buku panduan penulisan tugas akhir

untuk penyusunan tugas akhirnya. Namun masih ditemui beberapa perbedaan pada
tugas akhir mahasiswa yang telah menyelesaikan tugas akhir tersebut. Sehingga, pe-
nilaian kelayakan tugas akhir perlu dilakukan guna memperoleh hasil yang baik dan
sesuai dengan format yang ada, serta layak dipublikasikan sesuai kriteria atau keten-
tuan yang telah ditetapkan. Untuk mempercepat proses penilaian dan pengambilan
keputusan apakah tugas akhir yang dinilai tersebut layak atau tidak, tim penilai ter-
kadang hanya melihat hasil secara menyeluruh sebagai acuan, sehingga hasil peni-
laianpun tidak bisa dipastikan dengan benar dan tidak objektif. Penelitian ini akan
mengimplementasikan jaringan syaraf tiruan menggunakan algoritma BackPropaga-
tion untuk menilai kelayakan tugas akhir mahasiswa dengan menggunakan software
Matlab 6.1. Pengujian akan dilakukan dengan berbagai pola untuk membandingk-
an hasil dari jaringan syaraf tiruan tersebut, agar mendapatkan hasil penilaian yang
optimal apakah tugas akhir yang dinilai tersebut layak atau tidak

Kata kunci : backpropagation, Jaringan Syaraf Tiruan, Keputusan, Tugas Akhir.

vii
 Abstract

Each student has been given a guide book as the guidelines to their final as-
signment. But in fact, the students still face the difficulties in following the guidelines
and finishing their final assignment. It caused their final assignment need to be eval-
uate based on the format. In increasing the assessment process on how effective and
proper of the assignment, usually could be found through the final conclusion of their
final assignment. It may caused some mistaken assessment in objectivity. This re-
search will be implement the neural network by using BackPropagation Algorithm in
order to know how effective it is, based on the final assignment of the college students
through Matlab 6.1 Software. The assessment will use some methods in comparing of
the neural network, to find the final conclusion about the reasonable of the research.

Keywords : Keywords: Backpropagation, Decision, Final Assignment, Neural Net-

work.

viii
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Jaringan syaraf tiruan (JST) atau lebih dikenal dengan Artificial Neural Ne-
twork merupakan sebuah sistem pemrosesan informasi yang memiliki karakteristik
kinerja tertentu yang sama dengan jaringan saraf biologis otak manusia [1]. Secara
sederhana, jaringan syaraf tiruan adalah sebuah alat pemodelan data statistik non-
linier. yang dapat digunakan untuk memodelkan hubungan yang kompleks antara
input dan output untuk menemukan pola-pola pada data [2].
Jaringan syaraf biologis mempunyai tiga komponen utama yaitu: dendrites,
soma dan axon. dendrites berkerja sebagai penerima sinyal dari neuron-neuron, so-
ma berkerja sebagai penjumlah sinyal-sinyal yang diterima, ketika sinyal-sinyal yang
diterima dirasa cukup soma akan meneruskan sinyal-sinyalnya ke sel-sel yang lain
melalui axon. Pada bagian soma ini, ada kalanya ia meneruskan sinyalnya dan ada
kalanya tidak, hal ini bisa dimisalkan dengan proses klasifikasi atau penentuan[1].
Dengan analogi yang demikian model JST dibangun.
Penggunaan JST dalam menyelesaikan masalah kian populer, hal ini disebabk-
an oleh kemampuan JST dalam memodelkan masalah linear atau non-linear kemu-
dian mempelajari hubungan-hubungan antara variable-variable yang diberikan dan
pada akhirnya JST mampu memberikan keputusan berdasarkan hasil dari hubungan-
hubungan variable-variable tadi untuk menyelesaikan permasalahan yang dimaksud.
Contoh penerapan JST didalam bidang pendidikan adalah mengklasifikasi tugas akhir
mahasiswa apakah masuk dikategori layak atau tidak layak, alih-alih memeriksa satu
persatu kelayakan tugas akhir mahasiswa, mengapa tidak melatih sebuah model JST
dengan memberikan contoh tugas akhir yang layak dan tugas akhir yang tidak layak,
kemudian biarkan JST sendiri mengklarifikasi kelayakan tugas-tugas akhir tersebut.
Arsitektur didalam JST dalam memodelkan jaringan syaraf secara umum ter-
bagi menjadi tiga macam, single layer net, multilayer net dan competitive layer. Le-
bih jauh lagi, metode yang digunakan untuk melatih sebuah model JST dibagi men-
jadi dua metode, metode yang pertama dikenal dengan supervised learning dan yang
kedua dikenal dengan unsupervised learning [3]

1
 2

1.2 Rumusan Masalah

Bagaimana cara memodelkan sebuah model JST dalam menilai kelayakan tu-
gas akhir mahasiswa, dan mengklasifikasi nya apakah termasuk layak atau tidak la-
yak. Selain itu model ini juga harus bisa diintergrasikan atau di implementasikan
kedalam sebuah aplikasi.

1.3 Batasan Masalah

Batasan masalah pada penelitian ini adalah:

1. Penelitian ini difokuskan pada arsitektur JST single layer net

2. Metode yang digunakan hanya feedforward dan backpropagation dengan fung-

si aktivasi sigmoid

3. Dataset yang digunakan merujuk kepada jurnal yang akan dilampirkan dan te-
lah dinormalisasi kan[4]

4. Purwarupa yang dihasilkan akan diimplementasikan kedalam sebuah aplikasi

dengan bahasa pemrograman javascript.

1.4 Tujuan Penelitian

Tujuan dari penelitian ini adalah mempelajari kemungkinan menyelesaikan

masalah klasifikasi dan keputusan terhadap kelayakan tugas akhir mahasiswa dengan
model JST.

1.5 Manfaat Penelitian

Dengan mampunya model JST ini memklarifikasi dan memberikan keputusan

terhadap tugas akhir mahasiswa maka akan membuka peluang bagi
 BAB II
KAJIAN LITERATUR

2.1 Tinjauan Pustaka

Jaringan syaraf tiruan (JST) merupakan salah satu representasi buatan dari
otak manusia yang selalu mencoba mensimulasikan proses pembelajaran otak ma-
nusia tersebut. Jaringan Syaraf Tiruan tercipta sebagai suatu generalisasi model ma-
tematis dari pemahaman manusia (human cognition) yang didasarkan atas asumsi
berikut:

1. Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron.

2. Isyarat mengalir di antara sel syaraf (neuron) melalui suatu sambungan peng-
hubung.

3. Setiap sambungan penghubung memiliki bobot yang bersesuaian.

4. Setiap sambungan penghubung memiliki bobot yang bersesuaian.

5. Setiap sel syaraf akan merupakan fungsi aktivasi terhadap isyarat hasil penjum-
lahan berbobot yang masuk kepadanya untuk menentukan isyarat keluarannya
[5]

2.2 Landasan Teori

2.2.1 Jaringan Syaraf Tiruan Artificial Neural Network

Jaringan Syaraf Tiruan atau Artificial Neural Network merupakan sistem pem-
rosesan informasi tertentu yang memiliki kinerja secara umum menyerupai jaringan
syaraf biologis. JST merupakan model matematika yang digeneralisasikan dari ja-
ringan syaraf biologi, berdasarkan dari asumsi diatas maka dapat kita artikan:

1. Pemrosesan infromasi terjadi pada elemen sederhana yang dipanggil neuron

2. Sinyal akan diteruskan diantara neuron-neuron melalui jaringan penghubung.

3. Masing-masing penghubung mempunyai weight nya sendiri-sendiri, dimana

pada setiap weight akan di kalkulasi pada tiap penerusan sinyal.

3
 4

4. Masing-masing neuron akan menjalankan fungsi aktivasi (umumnya pada model-

model non-linear) terhadap sinyal yang diteruskan (jumlah dari weight sinyal
yang masuk) untuk menentukan nilai sebenarnya dari sinyal.

Sebuah model JST ditandai dengan (1) pola dari koneksi atau penghubung antara
neuron-neuronnya (biasanya dipanggil arsitektur), (2) metode yang digunakan untuk
menentukan weight atau bobot (dinamakan training atau learning, algorithm) dan (3)
fungsi aktivasinya [1]

2.2.2 Arsitektur Jaringan Syaraf Tiruan

Jaringan syaraf tiruan memiliki beberapa arsitektur jaringan yang sering di-
gunakan dalam berbagai aplikasi. Arsitektur jaringan syaraf tiruan tersebut antara
lain:

1. Jaringan Tunggal (sigle layer network)

Pada jaringan ini sekumpulan nerual yang menjadi input terhubung langsung
dengan output. Sinyal mengalir searah dari dari neuron input ke neuron output.

Gambar 2.1: Single layer neural network1

2. Jaringan syaraf jamak (multilayer network)

Jaringan dengan lapisan jamak memiliki ciri khas tertentu yaitu memiliki 3
jenis layer yakni input, output layer, dan hidden layer. Jaringan dengan banyak
lapisan ini dapat menyelesaikan permasalahan yang kompleks dibandingkan
jaringan dengan lapisan tunggal. Namun proses pelatihan sering membutuhkan
1
sumber: https://socs.binus.ac.id/files/2017/03/lili-1.jpg
 5

waktu yang cenderung lama. Contoh algoritma jaringan syaraf tiruan yang
menggunakan metode ini yaitu : Madaline, backpropagation, neocognitron.

Gambar 2.2: Multi layer neural network2

2.2.3 Metode Propagasi Balik (Backpropagation Algorithm)

Sebenarnya ada banyak metode yang bisa digunakan dalam melakukan tra-
ining atau learning algorithm didalam sebuah model jaringan syaraf tiruan, namun
pada model klarifikasi dan penetuan tugas akhir mahasiswa ini kami mengunakan
metode backpropagation.
Backpropagation merupakan sebuah metode yang melalui tiga fase, antara
lain:

1. Propagasi Maju (FeedForward Propagation)

Selama propagasi maju, sinyal masukan (= xi ) dipropagasikan ke lapis tersem-
bunyi menggunakan fungsiaktivasi yang ditentukan. Keluaran darisetiap unit
lapis tersembunyi (= zj ) tersebut selanjutnya dipropagasikan majulagi ke lapis
tersembunyi di atasnya menggunakan fungsi aktivasi yang ditentukan. Demi-
kian seterusnya hingga menghasilkan keluaran jaringan (= yk ).
Berikutnya, keluaran jaringan (= yk ) dibandingkan dengan target yang harus
dicapai (= tk ). Selisih tk - yk adalah kesalahan yang terjadi. Jika kesalahan ini
lebih kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan. Akan
tetapi apabila kesalahan masih lebih besar dari batas toleransinya, maka bobot
setiap garis dalam jaringan akan dimodifikasikan untuk mengurangi kesalahan
yang terjadi.
2
sumber: https://socs.binus.ac.id/files/2017/03/lili-3.jpg
 6

2. Propagasi Mundur (Backpropagation)

Berdasarkan kesalahan tk - yk , dihitung faktor bk (k=1, 2, . . . , m) yang dipakai
untuk mendistribusikan kesalahan di unit yk ke semua unit tersembunyi yang
terhubung langsung dengan yk . bk juga dipakai untuk mengubah bobot garis
yang menghubungkan langsung dengan unit keluaran. Dengan cara yang sa-
ma, dihitung di setiap unit di lapis tersembunyi sebagai dasar perubahan bobot
semua garis yang berasal dari unit tersembunyi di lapis di bawahnya. Demiki-
an seterusnya hingga faktor b di unit tersembunyi yang berhubungan langsung
dengan unit masukan dihitung.

3. Perubahan Bobot (Weight Update)

Setelah semua faktor b dihitung, bobot semua garis dimodifikasi bersamaan.
Perubahan bobot suatu garis didasarkan atas faktor b neuron di lapisatasnya.
Sebagai contoh, perubahan bobot garis yang menuju ke lapis keluaran dida-
sarkan atas dasar bk yang ada di unit keluaran. Ketiga fase tersebut diulang te-
rus hingga kondisi penghentian dipenuhi. Umumnya kondisi penghentian yang
sering dipakai adalah jumlah iterasi atau kesalahan. Iterasi akan dihentikan
jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum literasi
yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil dari batas
toleransi yang diijinkan

2.2.4 Fungsi aktivasi (Sigmoid)

Fungsi aktivasi sigmoid ini digunakan untuk jaringan saraf yang dilatih de-
ngan menggunakan metode backpropagation. Fungsi sigmoid memiliki nilai pada
range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan sa-
raf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun,
fungsi ini bisa juga digunakan oleh jaringan saraf yang nilai outputnya 0 atau 1.
Fungsi sigmoid dirumuskan sebagai berikut :

1
F (x) =
1 + e− x
 7

Fungsi Step dirumuskan sebagai berikut :

y 0 (x ) = f (x )(1 − f (x ))

Grafik dari fungsi sigmoid bisa dilihat sebagai berikut :

Gambar 2.3: Grafik fungsi sigmoid3

Fungsi sigmoid memiliki nilai maksimum = 1. Maka untuk pola yang tar-
getnya > 1, pola masukan dan keluaran harus terlebih dahulu ditransformasi sehingga
semua polanya memiliki range yang sama seperti fungsi sigmoid yang dipakai. Alter-
natif lain adalah menggunakan fungsi aktivasi sigmoid hanya pada layar yang bukan
layar keluaran. Pada layar keluaran, fungsi aktivasi yang dipakai adalah fungsi iden-
titas : f (x ) = x .

3
sumber:https://upload.wikimedia.org/wikipedia/commons/thumb/8/88/Logistic-
curve.svg/1200px-Logistic-curve.svg.png
 BAB III
METODOLOGI PENELITIAN

3.1 Waktu dan Tempat Penelitian

Penelitian ini dilakukan dengan mengikuti jurnal Implementasi jaringan syaraf

tiruan untuk menilai kelayakan tugas akhir mahasiswa (studi kasus di amik bukitting-
gi) yang dioublikasi oleh Jurnal Teknologi Informasi dan Komunikasi Digital Zone,
Volume 8, Nomor 1, Tahun 2017.

3.2 Analisa dan Perancangan

Adapun Analisa dan Perancangan didalam penelitian ini adalah:

1. Mengumpulkan data penilain terhadap Tugas Akhir Mahasiswa.

2. Mendefinisikan input dan target.

3. Membagi data menjadi dua kelompok yaitu, data latih dan data uji.

4. Memulai proses pembelajaran prediksi dengan metode Artificial Neural Ne-

twork dengan langkah sebagai berikut:

a. ANN dilatih dengan cara menginisialisasi bobot weight awal.

b. Menentukan fungsi aktivasi , karena ini hanya menampilkan dua keputus-
an maka fungsi aktivasi yang digunakan pada layar tersembunyi dan layar
output adalah fungsi aktivasi sigmoid. Yang dirumuskan sebagai berikut:
i. Setiap unit tersembunyi (zi = z1, ..., p) menjumlahkan bobot sinyal in-
put
Zinj = vj0 + Σni=1 xi vji

.
ii. Dengan menerapkan fungsi aktivasi sigmoid didapatkan keluaran pada
layar tersembunyi z

1
Zj = f (Zinj ) =
1 + e−zinj

8
 9

iii. Hitung semua keluaran jaringan di unit yk (k= 1,2,... m)

yink = wk0 + Σpj=1 Zi Wkj

iv. Dengan menerapkan fungsi aktivasi sigmoid biner didapatkan keluaran

pada output y
1
yk = f (yinj ) =
1 + e−yink
c. Menggunakan metode backpropagation sebagai pelatihan arah maju atau se-
bagai pelatihan arah mundur sampai tingkat kesalahan dan jumlah iterasi
sebesar 1000 dan target error sebesar 0.001.
d. Mendapatkan Arsitektur Jaringannya.
e. Pengujian data Setelah data sudah disiapkan, langkah selanjutnya adalah
mulai melakukan pengujian terhadap data-data tugas akhir mahasiswa.
 BAB IV
ANALISA DAN PEMBAHASAN

4.1 Analisa Kebutuhan Sistem

Bagian ini menjelaskan hal-hal yang terkait dengan pengembangan aplikasi

sebelum penulisan source code.

4.1.1 Flow Chart

Berikut merupakan gambaran umum bagaimana aplikasi ini berkerja.

Gambar 4.1: Flowchart dari sistem

Dimana inputan x1,x2,x3,x4,x5,x6, dan x7 merupakan variable dari bagian-

10
 11

bagian Tugas Akhir Mahasiswa yang akan lebih dijelaskan pada pembahasan selajut-
nya.

4.1.2 Kebutuhan Kode Sumber Source Code

Pada pengembangan model jaringan syaraf tiruan ini kami mengunakan sebu-
ah framework bahasa pemrograman javascript yaitu Brain.js untuk pemodelan arsi-
tektur JSTnya, sedangkan untuk tampilan kami mengunakan bahasa markup HTML
dan sebagai Cascading Stylesheetnya kami mengunakan pustaka dari materialize css.

4.2 Hasil Penelitian

Data yang kami gunakan didalam penelitian ini merupakan data yang kami
dapat dari jurnal yang menjadi titik acuan dan referensi kami [5].

4.2.1 Profil Data

Data yang dicantumkan pada jurnal yang menjadi referensi kami merupak-
an data penilaian terhadap Tugas Akhir Mahasiswa yang telah dinormalisasikan dan
dibagi menjadi beberapa kriteria sebagaimana tabel berikut.

No Variabel Kriteria
1. x1 Abstrak
2. x2 Pendahuluan
3. x3 Landasan Teori
4. x4 Metode Penelitian
5. x5 Hasil dan Pembahasan
6. x6 Penutup
7. x7 Daftar Pustaka

Data-data yang telah dinormalisasi sebagaimana yang tercantum didalam jur-

nal terkait bisa dilihat pada tabel berikut.
 12

p x1 x2 x3 x4 x5 x6 x7 t
p1 0,3 0,7 0,3 0,7 0,7 0,7 0,3 1
p2 0,7 0,7 0,7 0,7 0,9 0,7 0,7 1
p3 0,3 0,7 0,3 0,7 0,7 0,7 0,3 1
p4 0,7 0,7 0,7 0,7 0,7 0,7 0,7 1
p5 0,3 0,7 0,7 0,9 0,7 0,7 0,7 1
p6 0,3 0,7 0,7 0,7 0,7 0,7 0,7 1
p7 0,3 0,3 0,3 0,7 0,7 0,7 0,3 0
p8 0,7 0,3 0,7 0,7 0,7 0,7 0,3 1
p9 0,3 0,3 0,3 0,7 0,3 0,3 0,3 0
p10 0,1 0,3 0,3 0,7 0,3 0,3 0,3 0
p11 0,3 0,3 0,7 0,7 0,7 0,7 0,7 1
p12 0,7 0,9 0,7 0,9 0,9 0,7 0,7 1
p13 0,7 0,9 0,7 0,9 0,9 0,7 0,7 1
p14 0,3 0,3 0,7 0,7 0,7 0,7 0,3 1
p15 0,7 0,9 0,7 0,7 0,7 0,9 0,7 1
p16 0,3 0,7 0,9 0,7 0,9 0,7 0,3 1

Data latih yang telah dinormalisasikan

p36 0,7 0,7 0,7 0,7 0,9 0,7 0,7 1

p37 0,3 0,7 0,3 0,7 0,7 0,7 0,7 1
p38 0,3 0,3 0,3 0,7 0,7 0,3 0,3 0
p39 0,7 0,7 0,7 0,9 0,7 0,7 0,7 1
p40 0,3 0,7 0,3 0,7 0,7 0,7 0,7 1
p41 0,7 0,3 0,7 0,7 0,7 0,7 0,3 1
p42 0,7 0,7 0,7 0,7 0,9 0,7 0,7 1
p43 0,3 0,7 0,7 0,7 0,7 0,7 0,3 1
p44 0,3 0,3 0,3 0,7 0,7 0,7 0,3 0
p45 0,3 0,7 0,7 0,7 0,7 0,7 0,7 1
p46 0,3 0,7 0,3 0,7 0,3 0,3 0,3 0
p47 0,3 0,7 0,3 0,7 0,3 0,7 0,3 0
p48 0,7 0,7 0,7 0,7 0,9 0,7 0,7 1
p49 0,3 0,7 0,7 0,7 0,3 0,7 0,7 1
p50 0,3 0,7 0,7 0,7 0,7 0,7 0,3 1
 13

Data uji yang telah dinormalisasikan

Dimana p merupakan simbol dari tugas akhir mahasiswa itu sendiri dan t se-
bagai target, dengan 1 merupakan untuk kategori layak dan 0 untuk kategori tidak
layak.

4.2.2 Pembahsan dan Perancangan Arsitektur Neural Network

Metode Jaringan Syaraf Tiruan yang digunakan untuk menilai kelayakan tu-
gas akhir mahasiswa adalah Jaringan Syaraf Tiruan Backpropagation. Metode jaring-
an syaraf tiruan ini memiliki beberapa lapisan, yaitu lapisan masukan, lapisan kelu-
aran dan beberapa lapisan tersembunyi. Untuk mempermudah pengerjaannya kami
mengunakan framework jabascript yang memang ditujukan untui pengerjaan arsitek-
tur jaringan syaraf tiruan dengan metode backpropagation yaitu brain.js1
Arsitektur jaringan syaraf tiruan yang akan kami uji sebagai berikut.

1. 7-1-1 (dengan 1 neuron).

2. 7-1-1 (dengan 5 neuron).

3. 7-5-3-1.

4. 7-3-1.

Dari hasil training dilakukan kepada model JST ini dengan data latih maka didapati
hasil sebagai berikut.

No Nilai Error Jumlah Hidden Layer Jumlah neuron hidden layer Iteration
1 0.00491 1 1 400
2 0.00499 1 5 401
3 0.00498 2 8 (5+3) 433
4 0.00497 1 3 388

Nilai error dan banyaknya iterasi untuk masing-masing arsitektur jaringan

Kami memilih untuk menggunakan arsitektur jaringan ke-4 dimana didapati

hasil dari data uji sebagai berikut.
1
https://brain.js.org
 14

No Target Hasil Prediksi

1 1 0.995
2 1 0.960
3 0 0.260
4 1 0.891
5 1 0.976
6 1 0.953
7 1 0.966
8 0 0.341
9 1 0.917
10 0 0.516
11 0 0.257
12 1 0.910
13 1 0.876
14 1 0.967

Target dan hasil prediksi untuk masing-masing data uji

Konsep perhitungan model jaringan syaraf tiruan secara manual yang kami
kerjakan dapat disimak pada berikut.

1. Parameter yang kami gunakan dapat dihitung melalui inputxjumlah−hidden layer+

Hidden layer dimana Hidden layer dan output layer memiliki tambahan “in-
put” yang biasa disebut dengan bias. Sehingga didapati (7x3 + 3) + (3x1 + 1),
sehingga total parameter yang digunakan adalah 28 parameter.

2. Memulai feedforward training, kita akan memluai training dengan menjumlah

setiap input dan weight di tiap-tiap parameter dimana hal ini bisa dikerjakan
dengan
jnin = [inputxwn ] + b1

3. Nilai yang kita dapati setelah melalui proses diatas akan kita masukkan keda-
lam activation function diaman kita mengunakan sigmoid sehingga:

1
Sigmoid(knin ) =
1 + eknin
 15

4. ketika data sudah mengalir ke neuron paling akhir output kita akan menghitung
nilai errornya dengan

1
Loss = (output − Oout )2
2

5. Pada tahap ini kita akan memulai aktivitas backpropagation untuk mengubah
nilai tiap-tiap weight dan bias sehingga kita mendapatkan nilai error yang pa-
ling terkecil.
 BAB V
KESIMPULAN DAN SARAN

5.1 Kesimpulan

Jaringan syaraf tiruan merupakan salah satu penerapan yang sangat membantu
untuk memecahkan masalah dan persoalan non-linear didalam kehidupan sehari-hari,
sebagai contoh permasalahan yang menjadi fokus penelitian kami, dalam menilai ke-
layakan tugas akhir mahasiswa, walaupun metode Backpropagation tergolong metode
yang sangat dasar dalam dunia jaringan syaraf tiruan tapi metode ini tergolong sangat
mampu untuk memcahkan permasalahan yang seperti kami lakukan didalam peneliti-
an ini.Lebih jauh kagi kami menyadari keterbatasan kami dalam melakukan penelitian
ini, salah satu nya adalah dengan memanfaatkan framework jst dari javascript.

5.2 Saran

Saran yang dapat ditulis didalam laporan ini adalah:

1. Untuk penelitian selajutnya diharapkan kami mampu membangun sebuah mo-

del jst tanpa ada bantuan dari framework dan dengan dataset yang memadai.

2. Metode yang digunakan tidak hanya backpropagation saja, mungkin juga bisa
mengunakan metode LSTM untuk data-data yang bersifat runtut waktu.

16
 DAFTAR PUSTAKA

[1] L. Fausett and L. Fausett, Fundamentals of Neural Networks: Ar-

chitectures, Algorithms, and Applications, ser. Prentice-Hall inter-
national editions. Prentice-Hall, 1994. [Online]. Available: https:
//books.google.co.id/books?id=ONylQgAACAAJ

[2] Wikipedia, “Jaringan saraf tiruan.” [Online]. Available: https://id.wikipedia.org/

wiki/Jaringan_saraf_tiruan

[3] S. Haykin, Neural Networks and Learning Machines, ser. Pearson International
Edition. Pearson, 2009. [Online]. Available: https://books.google.co.id/books?
id=KCwWOAAACAAJ

[4] N. Lestari and L. L. Van FC, “Implementasi jaringan syaraf tiruan untuk menilai
kelayakan tugas akhir mahasiswa (studi kasus di amik bukittinggi),” Digital Zone,
vol. 8, no. 1, pp. 10–24, 2017.

[5] Z. A. Matondang, “Jaringan syaraf tiruan dengan algoritma backpropagation un-

tuk penentuan kelulusan sidang skripsi,” Pelita Informatika Budi Dharma, vol. IV,
no. 1, p. 10, 2013.

17