Makalah Jaringan Syaraf Tiruan Menggunakan Metode Perceptron
Makalah Jaringan Syaraf Tiruan Menggunakan Metode Perceptron
Makalah Jaringan Syaraf Tiruan Menggunakan Metode Perceptron
PENDAHULUAN
1
cukup ampuh untuk pengenalan gejala-gejala yang terlihat secara fisik di daun
tembakau dan cengkeh dengan menggunakan pola kusus dan perhitungan
matematis yang akan kita buat untuk proses sample dan testing. Metode ini
nantinya yang akan kita pakai untuk mengenali atau mengidentifikasi penyakit
daun berupa cacar daun dan bercak daun dari gejala fisik yang ditimbulkan oleh
daun itu sendiri. Salah satu penerapan metode perceptron ini yaitu pengenalan
penyakit daun pada tanaman tembakau dan tanaman cengkeh. Disini identifikasi
kita tujukan pada bagian daun, seperti permukaan daun, warna daun, pola daun
dll. Pemilihan daun tembakau dan daun cengkeh disini didasarkan atas manfaat
yang dihasilkan oleh kedua daun tersebut yang bermanfaat untuk kebutuhan
manusia itu sendiri beberapa diantaranya seperti daun tembakau untuk pembuatan
rokok, kemudian yang terbaru ini yaitu tembakau mempunyai kasiat sebagai
reaktor protein anti kangker. Selanjutnya yaitu daun cengkeh mempunyai manfaat
banyak manfaat diantaranya adalah untuk penyedap makanan dibidang kesehatan
untuk pengobatan seperti mual, muntah-muntah, melancarkan pencernaan, kolera,
asma, sakit gigi dan lain-lain.
Pemilihan kedua daun tersebut didasarkan pada manfaat yang dimilikinya.
Daun ini sangat bermanfaat untuk kehidupan manusia dan merupakan hal yang
tidak rahasia lagi bagi umum mengenai manfaat kedua daun tersebut yaitu daun
tembakau dan cengkeh. Disini dengan adanya manfaat yang besar dari kedua daun
tersebut maka dengan menggunakan metode perceptron ini diharapkan bisa
menjadi referensi untuk mengetahui cara menentukan apakah kedua daun tersebut
terkena penyakit bercak daun dan cacar daun atau tidak sama sekali.
2
Jaringan syaraf tiruan (JST) adalah sistem pemroses informasi yang
memiliki karakteristik mirip dengan jaringan syaraf biologi (Siang, 2005).
Jaringan syaraf tiruan merupakan sistem komputasi yang didasarkan atas
pemodelan sistem syaraf biologis (neuron) melalui pendekatan dari sifat-sifat
komputasi biologis (biological computation) (Sekarwati, 2004). Jaringan syaraf
tiruan adalah membuat model sistem komputasi yang dapat menirukan cara kerja
jaringan syaraf biologi (Subiyanto, 2000).
JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf
biologi, dengan asumsi sebagai berikut :
a. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron)
b. Sinyal dikirimkan diantara neuron-neuron melalui penghubung-penghubung
c. Penghubung antar neuron memiliki bobot yang akan memperkuat atau
memperlemah sinyal
d. Untuk menentukan keluaran, setiap neuron menggunakan fungsi aktivasi
(biasanya bukan fungsi linier) yang dikenakan pada jumlah masukan yang
diterima. Besarnya keluaran ini selanjutnya dibandingkan dengan suatu batas
ambang.
JST ditentukan oleh tiga hal sebagai berikut, yaitu :
a. Pola hubungan antar neuron disebut arsitektur jaringan
b. Metode untuk menentukan bobot penghubung disebut metode pembelajaran
c. Fungsi aktivasi. (Siang, 2005)
Ada beberapa tipe jaringan syaraf, namun demikian hampir semuanya
memiliki komponen-komponen yang sama. Seperti halnya otak manusia, JST juga
terdiri dari beberapa neuron dan terdapat penghubung antara neuron-neuron
tersebut (Arif H, 2006). Gambar 2.1 di bawah ini menunjukkan struktur neuron
jaringan syaraf tiruan.
3
merupakan pemodelan matematika dari jaringan syaraf biologis, berdasarkan
asumsi :
1. Pemrosesan informasi terjadi pada banyak elemen pemroses sederhana yang
disebut neuron.
2. Sinyal dilewatkan antar neuron yang membentuk jaringan neuron.
3. Setiap elemen pada jaringan neuron memiliki 1 (satu) pembobot. Sinyal yang
dikirimkan ke lapisan neuron berikutnya adalah informasi dikalikan dengan
pembobot yang bersesuaian.
4. Tiap-tiap neuron mengerjakan fungsi aktivasi untuk mendapatkan hasil output
masing-masing.
4
syaraf tiruan untuk mengingat dan membuat generalisasi dari apa yang sudah
ada sebelumnya. Beberapa jurnal yang pernah membahas tentang penggunaan
jaringan syaraf tiruan dalam peramalan ini diantaranya adalah :
o Proses prediksi menggunakan jaringan syaraf tiruan recurrent (Mandic &
Chambers, 2001)
o Pendekatan suatu pola kejadian dengan fungsi aktivasi sigmoid Cybenko,
1989)
o Implementasi jaringan syaraf tiruan untuk memprediksi kadar gula dalam
darah (Suwarno, 2010)
Disamping bidang-bidang yang telah disebutkan di atas, jaringan syaraf
tiruan juga dapat menyelesaikan permasalahan di dalam bidang kontrol,
kedokteran, ekonomi dan lain-lain.
5
Gambar 2.3 Jaringan dengan Banyak Lapisan
6
1. Pembelajaran terawasi (supervised learning)
Metode pembelajaran pada jaringan syaraf disebut terawasi jika output yang
diharapkan telah diketahui sebelumnya.
2. Pembelajaran tak terawasi (unsupervised learning)
Pada metode pembelajaran tak terawasi ini tidak memerlukan target output.
Selama proses pembelajaran, nilai bobot disusun dalam suatu range tertentu
tergantung pada nilai input yang diberikan.
2.1.6 Perceptron
Perceptron termaksud salah satu bentuk jaringan syaraf yang sederhana.
Perceptron biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu
yang sering dikenal dengan pemisahan secara linear. Pada dasarnya perceptron
pada jaringan syaraf dengan satu lapisan memiliki bobot yang bisa diatur dab
suatu nilai ambang (threshold). Algoritma yang digunakan oleh aturan perceptron
ini akan mengatur parameter-parameter bebasnya melalui proses pembelajaran.
Nilai threshold (Ѳ) pada fungsi aktivasi adalah non negatif. Fungsi aktivasi ini
dibuat sedemikian rupa sehingga terjadi pembatasan antara daerah positif dan
daerah negatif (Gambar 2.5).
X2
+
+ daerah positif
- daerah
negatif daerah nol
-
X1
Garis pemisah antara daerah positif dan daerah nol memiliki pertidaksamaan
:
W1X1 + W2X2 + ........ + WnXn + b > Ѳ
Sedangkan garis pemisah antara daerah negatif dengan daerah nol memiliki
pertidaksamaan :
W1X1 + W2X2 + ........ + WnXn + b < - Ѳ
Algoritma :
1. Insisialisasi semua bobot dan bias :
7
(untuk sederhananya atur semua bobot dan bobot bias sama dengan
nol ). Atur learning rate : α ( 0 < α ≤ 1 ).
2. Selama kondisdi herhenti bernilai false, lakukan langkah-langkah
berikut :
(i). Untuk setiap pasangan pembelajaran s-t, kerjakan :
a. Atur input dengan nilai sam dengan vektor input :
Xi = Si
b. Hitung respon untuk unit output :
y_in = b + i
∑ Xi Wi
¿∈¿>∅
¿∈¿ ≤ ∅
¿
{
y= 1,
0, jika y ¿ jika−∅≤ y ¿ jika y ¿∈¿<∅
−1,
8
3.1 Basis Pengetahuan (Knowledge Base)
Basis pengetahuan yang digunakan dalam pengambilan kesimpulan dalam
mendeteksi penyakit pada daun tembakau adalah berupa sekumpulan ciri-ciri atau
gejala yang dapat dilihat oleh mata secara langsung pada daun cengkeh dan daun
tembakau yang mengalami penyakit bercak dan cacar daun.
Ciri-ciri atau gejala kedua penyakit daun tersebut dikelompokkan menjadi 8
jenis, yaitu :
a. Gejala A : bercak merah kecoklatan;
b. Gejala B : belang-belang;
c. Gejala C : berlubang;
d. Gejala D : bercak putih;
e. Gejala E : bercak coklat kehijauan;
f. Gejala F : bintik hitam;
g. Gejala G : gugur daun;
h. Gejala H : bercak menggelembung.
Dimana untuk Gejala A, B, C, D, E, F merupakan gejala dari penyakit
bercak daun, dan Gejala F, G, dan H adalah gejala dari penyakit cacar daun.
Di bawah ini adalah tabel 3.1 yang menunjukkan data pelatihan yang akan
digunakan pada proses berikutnya :
Tabel 3.1 Sampel Daun untuk Pelatihan
Dau
Geja Geja Geja Geja Geja Gejal Geja Geja Targe
n
la A la B la C la D la E aF la G la H t
ke-
1 + + + + - + + - 1
2 + + - + - - - - 1
3 + - + - - - - - 1
4 + + - + - + - - 1
5 - - + + - - - + 1
6 - - + + - + - - 1
7 - + - - + + - - 1
8 - - + - + + + - 1
9 - - - - + + + - 1
10 - - - - - - - + -1
11 - - - - - + + + -1
12 - - - - - + + - -1
13 - - - - - + - + -1
14 - - - - - + - - -1
Keterangan :
Target / Output :
o Bercak Daun = 1
o Cacar Daun = -1
9
Input :
o Ada Gejala (+) = 1
o Tidak Ada Gejala (-) = 0
Bobot awal : w = [0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0]
Bobot bias awal : b = [0,0]
Learning rate (alfa) : 0,7
Threshold (tetha Ѳ) : 0,0
Epoh
o Data 1
y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 = 0
Hasil aktivasi = 0 (-Ѳ ≤ y_in ≤ Ѳ)
10
Target = 1
Bobot baru:
W1 = 0,0 + 0,7 * 1,0 * 1,0 = 0,7
W2 = 0,0 + 0,7 * 1,0 * 1,0 = 0,7
W3 = 0,0 + 0,7 * 1,0 * 1,0 = 0,7
W4 = 0,0 + 0,7 * 1,0 * 1,0 = 0,7
W5 = 0,0 + 0,7 * 1,0 * 0,0 = 0,0
W6 = 0,0 + 0,7 * 1,0 * 1,0 = 0,7
W7 = 0,0 + 0,7 * 1,0 * 1,0 = 0,7
W8 = 0,0 + 0,7 * 1,0 * 0,0 = 0,0
Bias baru:
b = 0,0 + 0,7 * 1,0 = 0,7
o Data 2
y_in = 0,7 + 0,7 + 0,7 + 0,0 + 0,7 + 0,0 + 0,0 + 0,0 + 0,0 = 2,8
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 3
y_in = 0,7 + 0,7 + 0,0 + 0,7 + 0 + 0 + 0 + 0 + 0 = 2,1
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 4
y_in = 0,7 + 0,7 + 0,7 + 0 + 0,7 + 0 + 0,7 + 0 + 0 = 3,5
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 5
y_in = 0,7 + 0 + 0 + 0 + 0,7 + 0,7 + 0 + 0 + 0 + 0 = 2,1
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 6
y_in = 0,7 + 0 + 0 + 0,7 + 0,7 + 0 + 0,7 + 0 + 0 = 2,8
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 7
y_in = 0,7 + 0 + 0,7 + 0 + 0 + 0 + 0,7 + 0 + 0 = 2,1
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 8
y_in = 0,7 + 0 + 0 + 0,7 + 0 + 0 + 0,7 + 0,7 + 0 = 2,8
Hasil aktivasi = 1 (y_in > 0)
Target = 1
o Data 9
11
y_in = 0,7 + 0 + 0 + 0 + 0 + 0 + 0,7 + 0,7 + 0 = 2,1
Hasil aktivasi = 1 (y_in > 0) Target = 1
o Data 10
y_in = 0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 = 0,7
Hasil aktivasi = 1 (y_in > 0)
Target = -1
Bobot baru:
W1 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W2 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W3 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W4 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W5 = 0,0 + 0,7 * -1,0 * 0 = 0,0
W6 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W7 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W8 = 0,0 + 0,7 * -1,0 * 1 = -0,7
Bias baru:
b = 0,7 + 0,7 * -1,0 = 0,0
o Data 11
y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,7 + 0,7 + -0,7 = 0,7
Hasil aktivasi = 1 (y_in > 0)
Target = -1
Bobot baru:
W1 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W2 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W3 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W4 = 0,7 + 0,7 * -1,0 * 0 = 0,7
W5 = 0,0 + 0,7 * -1,0 * 0 = 0,0
W6 = 0,7 + 0,7 * -1,0 * 1 = 0,0
W7 = 0,7 + 0,7 * -1,0 * 1 = 0,0
W8 = -0,7 + 0,7 * -1,0 * 1 = -1,4
Bias baru : b = 0,0 + 0,7 * -1,0 = -0,7
o Data 12
y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 =- 0,7
Hasil aktivasi = -1 (y_in < 0)
Target = -1
o Data 13
y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + -1,4 = -2,1
Hasil aktivasi = -1 (y_in < 0)
Target = -1
o Data 14
y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 = - 0,7
Hasil aktivasi = -1 (y_in < 0)
Target = -1
12
BAB II
BACK PROPAGATION
13
unit masukkan
unit layer tersembunyi
unit keluaran
1 1
V1n W1p
V2m W2p
Xn Zp Ym
Vpn Wmp
14
I.4. Algoritma Pelatihan Backpropagation
Algoritma Pelatihan Backpropagation dengan satu layer tersembunyi dan
dengan menggunakan fungsi aktivasi sigmoid biner.
15
1 1
V10 W20 W10
V20
Vp0 Wm0
X1 V11 Z1 W11 Y1
Vp1 V21 W2
Wm1
1
V12 W12
X2 V22 Z2 W22 Y2
Vm2 Wm2
V1n W1p
V2m W2p
Xn Vpn Zp Ym
Wmp
Langkah 5
Hitung semua jaringan di unit keluaran (yk).
16
Hitung factor unit keluaran berdasarkan kesalahan setiap unit keluaran y k
(k=1,2,3….)
k=(tk-yk) f’(y_netk)= (tk-yk) yk (1-yk)
k meruapakan unit kesalahan yang akan dipakai dalam perubahan bobot
layer dibawahnya (langkah 7)
Hitung suku perubahan bobot Wkj dengan laju perubahan α
Δwkj= α k zj ; k=1,2,3,…,m ; j=0,1,2,…,p
Langkah 7
Hitung factor unit tersembunyi berdasarkan kesalahan di setiap unit
tersembunyi zj (j=1,2,3,…,p)
17
I.6. Epoch
Epoch yaitu satu siklus pelatihan yang melibatkan semua pola
Misal jika suatu arsitektur JST terdapat 4 pola masukkan dan 1 target,
maka pelatihan 4 pola masukkan tersebut adalah 1 epoch
II. Penutup
a. Kesimpulan
1. Pada JST Backpropagation, menggunakan hidden layer,supervised,
dan memiliki kemampuan pembelajaran.
2. Penerapan JST Backpropagation biasanya digunakan untuk
pengenalan pola & untuk peramalan atau perkiraan.
3. JST Backpropagation menggunakan fungsi aktifasi sigmoid biner
dan sigmoid bipolar.
4. Keunggulan utama JST adalah kemampuan komputasi yang pararel
dengan cara belajar dari pola-pola yang diajarkan
b. Saran
1. Harus teliti saat menghitung keluaran yang akan dihasilkan.
2. Jumlah epoch harus sesuain dengan input dan output yang
dihasikan.
18
3. NN., 2009. Aplikasi Jaringan Syaraf Tiruan sebagai Metode Alternatif Prakiraan
Beban Jangka Pendek [online]
http://www.elektroindonesia.com/elektro/ener29.html , diakses 23 Mei 2011).
4. NN., 2011. JST Backprogagation Project [online]
(http://simplyknowledge.wordpress.com/2011/01/22/jst-backproaation/,
diakses tanggal 23 Mei 2011).
LAPORAN
19
Disusun Oleh :
NIM : 1402033
BALIKPAPAN
2016
20