BAB I

PENDAHULUAN

1.1 Latar Belakang

Kebutuhan akan piranti pengenal/pendeteksi yang handal sangat
dibutuhkan. Pengembangan teknologi pengenalan yang berupa kecerdasan buatan
(Artificial Intelligence) menjadi sangat penting dan membantu karena selain
mempermudah, juga mempercepat pekerjaan manusia. Salah satu ilmu yang
mendukung teknologi tersebut adalah Artificial Neural Network (Jaringan Syaraf
Tiruan), dimana dalam sepuluh tahun terakhir pengaplikasiannya telah banyak
dikembangkan di berbagai bidang dalam kehidupan manusia. Seperti contoh
Aplikasi Adaptive Inteligent System adalah Sistem mengenali Panas, Hangat, dan
Dingin Menggunakan Jaringan Syaraf Tiruan dan Himpunan Fuzzy begitu juga
seperti Adaptive Noise Canceling yang menggunakan jaringan syaraf tiruan untuk
membersihkan gangguan pada telephone (dikenal dengan echo) dan mengurangi
kesalahan tranmisi modem dan lain-lain.
Perkembangan perangkat lunak dan perangkat keras yang begitu pesat di era
modern ini, ilmu kecerdasan buatan ini juga tidak ingin ketinggalan dengan
perangkat-perangkat tersebut meskipun belum menyebar secara luas dalam
masyarakat tapi bidang kecerdasan buatan ini sudah menunjukkan hasilnya
terlihat seperti sedikit contoh yang disebutkan sebelumnya yang merupakan hasil
dari kecerdasan buatan yang telah diaplikasikan dalam kehidupan nyata.
Kecerdasan buatan ini juga bisa digunakan untuk menentukan pola maupun
pendektisian dan pengenalan terhadap penyakit yang menyerang berbagai
tanaman terutama daunnya. Daun merupakan bagian dari tumbuhan yang bisa
diketahui secara langsung dengan melihat fisik daun tersebut apakah tanaman ini
atau daun ini berpenyakit atau tidak berpenyakit yaitu dengan menggunakan
kecerdasan buatan atau Artificial Intelligence meteode perceptron. Metode
perceptron ini adalah metode yang cukup handal dalam jaringan syaraf tiruan
yaitu metode mengenali pola dengan baik, bisa dikatakan handal karena metode
perceptron ini memiliki prosedur belajar yang dapat mengahasilkan bobot yang
konvergen sehingga memungkinkan output yang didapat sesuai dengan target tiap
input pola.
Metode perceptron ini yang akan digunakan untuk mengidentifikasi daun
apakah terkena penyakit cacar daun atau bercak daun. Metode perceptron ini

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.

2.1 Jaringan Syaraf Tiruan

2.1.1 Komponen Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (JST) didefinisikan sebagai suatu system pemrosesan
informasi yang mempunya karakteristik menyerupai jaringan syaraf manusia. JST
tercipta sebagai suatu generalisasi model matematis dari pemahaman manusia
(Andry, 2004).

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.

Gambar 2.1 Struktur Neuron Jaringan Syaraf Tiruan

(Sumber Arif H, Jaringan syaraf tiruan dan aplikasi)

Gambar 2.1 menunjukkan bahwa neuron buatan sebenarnya mirip dengan

sel neuron biologis. Neuron-neuron bekerja dengan cara yang sama pula dengan
sel neuron biologis. Jaringan Syaraf Tiruan yang telah dan sedang dikembangkan

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.

2.1.2 Aplikasi jaringan syaraf tiruan

Beberapa aplikasi jaringan syaraf tiruan yang telah dilakukan adalah sebagai
berikut :
a. Pengenalan pola (pattern recognition)
Jaringan syaraf tiruan dapat dipakai untuk mengenali pola (misal huruf,
angka, suara atau tanda tangan) yang sudah sedikit berubah. Hal ini mirip
dengan otak manusia yang masih mampu mengenali orang yang sudah
beberapa waktu tidak dijumpainya (mungkin wajah/bentuk tubuhnya sudah
sedikit berubah). Jurnal yang pernah membahas tentang pengenalan pola
diantaranya yaitu :
o Pemrosesan dan pengenalan suatu gambar dengan menggunakan
jaringan syaraf tiruan (Egmont-Petersen M, de Ridder & Handels,
2002)
o Pengenalan suatu pola yang terjadi dalam suatu kegiatan industri
(Bhagat, 2005)
b. Pemrosesan sinyal
Jaringan syaraf tiruan model ADALINE dapat dipakai untuk menekan
suatu noise yang terdapat dalam saluran telepon. Aplikasi pemrosesan sinyal
ini telah digunakan dalam beberapa jurnal, salah satunya adalah jurnal
pemrosesan sinyal dan gambar dengan menggunakan jaringan syaraf tiruan
(Masters & Timothy, 1994).
c. Peramalan
Jaringan syaraf tiruan juga dapat dipakai untuk meramalkan apa yang
akan terjadi di masa yang akan dating berdasarkan pola kejadian yang telah
ada di masa lampau. Ini dapat dilakukan mengingat kemampuan jaringan

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.

2.1.3 Arsitektur jaringan syaraf tiruan

Beberapa arsitektur jaringan yang sering dipakai dalam jaringan syaraf
tiruan, antara lain :
a. Jaringan dengan lapisan tunggal (single layer network)
Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan
bobot-bobot terhubung. Jaringan ini hanya menerima input kemudian secara
langsung akan mengelolahnya menjadi output tanpa harus melalui lapisan
tersembunyi.

Gambar 2.2 Jaringan dengan Lapisan Tunggal

b. Jaringan dengan banyak lapisan (multilayer net)

Jaringan dengan banyak lapisan memiliki 1 atau lebih lapisan yang
terletak diantara lapisan input dan lapisan output (memiliki 1 atau lebih
lapisan tersembunyi).

5
 Gambar 2.3 Jaringan dengan Banyak Lapisan

c. Jaringan dengan lapisan kompetitif (competitive layer net)

Umumnya, hubungan antar neuron pada lapisan kompetitif ini tidak
diperlihatkan pada diagram arsitektur.

Gambar 2.4 Jaringan dengan Lapisan Kompetitif

2.1.4 Fungsi Aktivasi

Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf
tiruan, antara lain :
a. Fungsi Undak Biner (Hard Limit)
Jaringan dengan lapisan tunggal sering menggunakan fungsi undak (step
function) untuk mengkonversi input dari suatu variabel yang bernilai kontinu
ke suatu output biner (0 atau 1).
b. Fungsi Undak Biner (dengan threshold)
Fungsi undak biner menggunakan nilai ambang sering juga disebut dengan
nama fungsi nilai ambang (threshold) atau fungsi Heaviside.
c. Fungsi Bipolar (Symetric Hard Limit)
Fungsi bipolar sebenarnya hampir sama dengan undak biner, hanya saja
output yang dihasilkan berupa 1, 0 atau -1.
d. Fungsi Bipolar (dengan threshold)
Fungsi bipolar sebenarnya hampir sama dengan undak biner dengan
threshold, hanya saja output yang dihasilkan berupa 1, 0 atau -1.

2.1.5 Proses Pembelajaran

Ada 2 jenis proses pembelajaran, yaitu :

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

Gambar 2.5 Pembatasan Linear dengan perceptron

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,

c. Perbaiki bobot dan bias jika terjadi error:

Jika y ≠ t maka :
Wi(baru) = Wi(lama) + α * t * Xi
b(baru) = b(lama) + α * t
Jika tidak, maka :
Wi(baru) = Wi(lama)
b(baru) = b(lama)
(ii). Tes kondisi berhenti : jika tidak terjadi perubahan bobot pada (i)
maka kondisi berhenti TRUE, namun jika masih terjadi perubahan
maka kondisi berhenti FALSE.

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

3.2 Perancangan Motor Inferensi

Deteksi penyakit pada daun tembakau dengan menerapkan algoritma
Artificial Neural Network dengan menggunakan metode pembelajaran terawasi
yaitu Perceptron. Data daun yang akan digunakan dalam proses JST, sebelumnya
akan dikonversi ke dalam bentuk nilai-nilai bipolar [1, -1] dan biner [1, 0], dengan
memiliki komposisi perbandingan 9 : 5 terhadap jumlah daun dan penyakit dari
kedua jenis daun tersebut. Dengan nilai ambang (threshold) sebesar 0 dan
learning rate sebesar 0,5. Dari tabel 3.1 diperoleh tabel 3.2 Sampel data pelatihan
pada daun tembakau.
Tabel 3.2 Sampel Data Pelatihan Pada Daun Tembakau.
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 1 1 1 0 1 1 0 1
2 1 1 0 1 0 0 0 0 1
3 1 0 1 0 0 0 0 0 1
4 1 1 0 1 0 1 0 0 1
5 0 0 1 1 0 0 0 1 1
6 0 0 1 1 0 1 0 0 1
7 0 1 0 0 1 1 0 0 1
8 0 0 1 0 1 1 1 0 1
9 0 0 0 0 1 1 1 0 1
10 0 0 0 0 0 0 0 1 -1
11 0 0 0 0 0 1 1 1 -1
12 0 0 0 0 0 1 1 0 -1
13 0 0 0 0 0 1 0 1 -1
14 0 0 0 0 0 1 0 0 -1

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

I.1. Metode Back propagation

Backpropagation (perambatan balik) adalah salah satu metode pembelajaran
yang dapat diterapkan dalam JST. Backpropagation merupakan metode
pembelajaran yang sangat popular di dalam JST. Arsitektur jaringannya tidak
memiliki koneksi umpan balik tetapi error dipropagasikan selama training.
Pada pembelajaran ini digunakan Error dengan menghitung Least Mean.
Perambatan galat mundur (Backpropagation) adalah sebuah metode
sistematik untuk pelatihan multiplayer jaringan saraf tiruan. Metode ini
memiliki dasar matematis yang kuat, obyektif dan algoritma ini mendapatkan
bentuk persamaan dan nilai koefisien dalam formula dengan meminimalkan
jumlah kuadrat galat error melalui model yang dikembangkan (training set)

1. Dimulai dengan lapisan masukan, hitung keluaran dari setiap elemen

pemroses melalui lapisan luar.
2. Hitung kesalahan pada lapisan luar yang merupakan selisih antara data
aktual dan target.
3. Transformasikan kesalahan tersebut pada kesalahan yang sesuai di sisi
masukan elemen pemroses.
4. Propagasi balik kesalahan-kesalahan ini pada keluaran setiap elemen
pemroses ke kesalahan yang terdapat pada masukan. Ulangi proses ini
sampai masukan tercapai.
5. Ubah seluruh bobot dengan menggunakan kesalahan pada sisi masukan
elemen dan luaran elemen pemroses yang terhubung.

I.2. Arsitektur JST Backpropagation

Contoh Arsitekstur JST Backpropagation dengan:

13
  unit masukkan
 unit layer tersembunyi
 unit keluaran

1 1

V10 W20 W10

V20
Vp0 Wm0
V11 Z1 W11 Y1
X1
W21
Vp1 V21
Wm1
V12 W12
X2 Z2 Y2
V22 W22
Vm2 Wm2

V1n W1p

V2m W2p
Xn Zp Ym
Vpn Wmp

Layer Masukan Layer Tersembunyi

Layer Keluaran

I.3. Fungsi Aktifasi

Fungsi aktifasi yang digunakan pada backpropagation yaitu sigmoid biner
dan sigmoid bipolar.

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 0 : Inisialisasi semua bobot dengan bilangan acak kecil.

 Langkah 1 : Jika kondisi penghentian belum terpenuhi, lakukan langkah 2
sampai dengan 8.
 Langkah 2: Untuk setiap pasang data pelatihan, lakukan langkah 3 sampai
dengan 8
Fase I: Propagasi Maju
 Langkah 3
Tiap unit masukkan menerima sinyal dan meneruskan ke unit tersembunyi
 Langkah 4
Hitung semua keluaran di unit tersembunyi (Zj):

 Langkah 5
Hitung semua jaringan di unit keluaran (yk).

Fase II : Propagasi Mundur

 Langkah 6

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)

Faktor unit tersembunyi

 j = _netj f’(z_netj)= _netj zj (1-zz)

Hitung suku perubahan bobot vji

Δvji=α  jxi ; j=1,2,…,p ; i=0,1,2,…,n

Fase III : Perubahan Bobot

 Langkah 8
Perubahan bobot garis yang menuju unit keluaran
wkj (baru)= wkj (lama) + Δwkj
Perubahan bobot garis yang menuju ke unit tersembunyi
Vji (baru)= vji (lama) + Δvji

I.5. Laju Pemahaman

 Laju pemahaman di simbolkan dengan α
 Laju pemahaman menentukan lama iterasi
 Nilai dari α diantara 0 sd 1
 Semakin besar nilai α semakin cepat lama iterasi
 Akan tetapi jika terlalu besar akan merusak pola, sehingga justru akan
lebih lama iterasinya.

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

I.7. Implementasi JST Backpropagation

1. Untuk Pengenalan Pola
Contoh : Implementasi Jaringan Saraf Tiruan Backpropagation Pada
Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda, Metode Jaringan
Saraf Tiruan Backpropagation untuk Pengenalan Huruf Cetak pada Citra
Digital.
2. Untuk Peramalan / Perkiraan
Contoh : Implementasi Jaringan Saraf Tiruan Backpropagation Untuk
Meramalkan Harga Penjualan Crude Palm Oil, Aplikasi Jaringan Syaraf
Tiruan sebagai Metode Alternatif Prakiraan Beban Jangka Pendek.

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.

III. Daftar Pustaka

1. Sri Kusumadewi. Buku ajar Kecerdasan Buatan, Teknik Informatika UII,
Yogyakarta, 2002.
2. Sutikno., 2010. Algoritma JST Backpropagation & implementasinya
[online]
http://sutikno.blog.undip.ac.id/files/.../2.1-Algoritma-JST-
backpropagation, diakses tanggal 23 Mei 2011).

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

MODEL JARINGAN HEBB DAN BACK PROPAGATION

19
 Disusun Oleh :

Aryo Ganda Pakpahan

NIM : 1402033

SEKOLAH TINGGI TEKNOLOGI MINYAK & GAS BUMI

D – III TEKNIK INSTRUMENTASI ELEKTRONIKA MIGAS

BALIKPAPAN

2016

20