memasukkan data baru user dapat menekan tombol reset dan jika hasil penyakit telah didapat dengan otomatis cara pengendaliannya akan langsung tampil.
BAB 4
IMPLEMENTASI DAN PENGUJIAN
4.1 Implementasi
Implementasi merupakan tahap dimana sistem dirancang dibuat dalam sebuah bahasa pemrograman agar dapat dioperasikan. Dalam tahap ini, perancangan sistem yang
telah dibuat akan diwujudnyatakan dalam bahasa pemrograman dimana pada penelitian ini dipakai alat bantu Matlab R2010a. Dalam bab ini akan dijelaskan hasil
pelatihan dari simulasi pembelajaran dan form-form tampilan yang merupakan hasil implementasi sistem.
4.1.1 Simulasi Pembelajaran
Proses pelatihan yang dilakukan pada sistem untuk mencari konfigurasi terbaik dengan mengubah konstanta belajar dan jumlah lapisan tersembunyi secara trial and
error coba-coba. Pada penelitian ini, untuk pelatihan dan pengujian jaringan ada 50 data yang dipergunakan dengan 2 output yang diharapkan dan dengan nilai setiap
Universitas Sumatera Utara
neuron yang diberikan pada jaringan diambil secara acak, dimana 50 data akan diperguanakan untuk pelatihan dan 25 data akan dipergunakan untuk pengujian.
Berikut ditunjukkan nilai variabel pelatihan jaringan dalam Tabel 4.1:
Tabel 4.1
Data pelatihan jaringan
No Bentukdaun Warna
daun Bau
daun Keadaan
daun Bercak Bintik
Bentuk batang
Keadaan batang
Warna batang
Warna akar
Keadaan akar
Hasil 1 1 0
0 0 1 0 0 0 0 0 0 Sehat 2 1 0
0 0 0 1 0 0 0 0 0 Sehat 3 1 0
0 0 0 0 0 1 0 0 0 Sehat 4 0 1
0 0 1 0 0 0 0 0 0 Sehat 5 0 1
0 0 0 1 0 0 0 0 0 Sehat 6 0 0
0 0 1 0 1 0 0 0 0 Sehat 7 0 0
0 0 0 1 1 0 0 0 0 Sehat 8 0 0
0 0 1 1 1 0 0 0 0 Sehat 9 1 0
0 0 1 0 0 0 1 0 0 Sehat 10 0
1 0 0 0 0 1 0 0 0 0 Sehat 11 1
1 0 0 0 0 1 0 0 0 0 Sehat 12 0
0 0 0 0 0 0 0 0 0 0 Sehat 13 1
0 0 0 0 0 0 0 0 0 0 Sehat 14 0
1 0 0 0 0 0 0 0 0 0 Sehat 15 0
0 1 0 0 0 0 0 0 0 0 Sehat 16 0
0 0 1 0 0 0 0 0 0 0 Sehat 17 0
0 0 0 1 0 0 0 0 0 0 Sehat 18 0
0 0 0 0 1 0 0 0 0 0 Sehat 19 0
0 0 0 0 0 1 0 0 0 0 Sehat 20 0
0 0 0 0 0 0 1 0 0 0 Sehat 21 0
0 0 0 0 0 0 0 1 0 0 Sehat 22 0
0 0 0 0 0 0 0 0 1 0 Sehat 23 0
1 0 1 0 0 0 0 0 0 0 Sehat 24 1
1 1 0 0 0 0 0 0 0 0 Sehat 25 0
0 0 0 0 1 1 1 0 0 0 Sehat 26 1
1 0 0 1 0 1 1 1 0 0 Berpenyakit
27 1 1 0 0 1 0 1 1 0 1 0
Berpenyakit 28 1
1 0 0 0 0 1 0 0 1 0 Berpenyakit
29 1 1 0 0 0 0 1 0 0 0 1
Berpenyakit 30 1
1 0 0 1 1 1 0 0 0 0 Berpenyakit
31 1 1 0 0 1 1 1 0 0 0 1
Berpenyakit 32 1
1 0 1 1 1 1 0 1 0 0 Berpenyakit
Universitas Sumatera Utara
33 1 1 0 1 1 0 0 0 1 0 0
Berpenyakit 34 1
1 1 0 1 0 0 0 1 0 0 Berpenyakit
35 1 1 1 0 1 0 0 0 0 0 0
Berpenyakit 36 1
0 0 0 1 1 1 0 0 0 0 Berpenyakit
37 0 0 0 1 0 1 1 1 1 1 0
Berpenyakit 38 0
0 0 1 0 1 1 0 1 1 1 Berpenyakit
39 0 0 1 1 0 1 1 0 1 1 0
Berpenyakit 40 0
0 1 1 0 1 1 1 0 1 1 Berpenyakit
41 0 0 1 1 0 0 1 1 0 1 1
Berpenyakit 42 0
0 1 0 0 0 1 1 1 1 1 Berpenyakit
43 0 0 1 0 0 1 1 1 1 1 1
Berpenyakit 44 0
1 1 1 0 1 1 1 1 1 1 Berpenyakit
45 1 1 1 1 0 1 0 1 1 1 1
Berpenyakit 46 1
1 1 0 0 1 0 1 0 1 1 Berpenyakit
Tabel 4.1 Data pelatihan jaringan lanjutan
No Bentuk
daun Warna
daun Bau
daun Keadaan
daun Bercak Bintik
Bentuk batang
Keadaan batang
Warna batang
Warna akar
Keadaan akar
Hasil 47 0
0 1 1 1 1 1
1 1 0
0 Berpenyakit 48 0
1 1 1 1 1 1
1 1 1
0 Berpenyakit 49 1
1 1 1 1 1 0
0 0 0 Berpenyakit
50 1 1 1 1
1 1 1 1
1 1 1 Berpenyakit
Untuk melatih jaringan mengenali 50 data di atas yang akan dilatih dengan matlab R2010a maka digunakan perintah train seperti ini:
[net,tr]=trainnet,p,t; Jika epoch, konstanta belajar dan fungsi aktivasi telah ditentukan, maka akan
tampil jendela seperti berikut yang akan menampilkan jenis fungsi aktivasi yang kita pakai:
Universitas Sumatera Utara
Gambar 4.1
Jaringan pada Matlab R2010a
Dan jika perintah train diproses, maka akan tampil jendela seperti berikut jika target yang diinginkan telah tercapai:
Gambar 4.2 Tampilan hasil pelatihan
Dialog tersebut menunjukkan nilai epoch yang dicapai oleh jaringan, waktu untuk mencapai target dan error yang dihasilkan. Jika tombol performance ditekan
maka akan muncul kotak dengan grafik dimana garis x merupakan jumlah epoch pada
Universitas Sumatera Utara
jaringan dan garis y merupakan default mse. Grafik menunjukkan perbandingan antara pelatihan dan target. Garis berwarna biru menunjukkan hasil pelatihan, garis berwarna
hijau menunjukkan hasil validasi, garis merah menunjukkan hasil test dan garis putus2 menunjukkan hasil terbaik yang dapat dicapai jaringan.
Gambar 4.3 Grafik pelatihan
Universitas Sumatera Utara
Gambar 4.4 Grafik Regresi Target dan Output
Gambar 4.4 merupakan gambar yang muncul jika regression dipilih. Perbandingan antara target dengan output yang terjadi pada saat pembelajaran
ditunjukkan pada gambar di atas.
4.1.2 Hasil pelatihan
Pada penelitian Bong [2], algoritma pembelajaran dibandingkan berdasarkan perbedaan jumlah sampel, neuron tersembunyi, dan fungsi aktivasi yang berbeda pada
lapisan tersembunyi dan lapisan output dan menghasilkan sistem yang baik.
Pada penelitian ini, berdasarkan penelitian Bong [2] hasil pelatihan dilakukan dengan mengubah konstanta belajar learning rate dan lapisan tersembunyi, didapat
bahwa epoch tercepat dari jaringan adalah dengan konstanta belajar sebesar 0.01 dan lapisan tersembunyi sebanyak 100 sel. Tampilan terbaik didapat pada iterasi ke-2408
dengan error 1.00e – 05.
Hasil pelatihan dengan epoch tercepat dapat dilihat seperti yang tersaji pada
Tabel 4.2 di bawah ini: Tabel 4.2
Epoch pelatihan jaringan
Universitas Sumatera Utara
Keterangan: TK = jumlah sel lapisan tersembunyi dan konstanta belajar yang telah ditentukan tidak
konvergen pada epoch tertinggi yang telah ditentukan, yaitu 100000 epoch.
Tabel 4.3 dibawah ini, akan menunjukkan hasil ke-50 data yang dilatihkan pada jaringan dengan bobot yang didapat dari hasil pelatihan dengan menggunakan
epoch, konstanta belajar serta lapisan tersembunyi yang telah didapat.
Tabel 4.3 Hasil pelatihan jaringan
No Bentuk
daun Warna
daun Bau
daun Keadaan
daun Bercak Bintik
Bentuk batang
Keadaan batang
Warna batang
Warna akar
Keadaan akar
Target Hasil
pelatihan
1 1 0 0 0 1 0 0
0 0 0 0.0011
2 1 0 0 0 0 1 0
0 0 0 0.0013
3 1 0 0 0 0 0 0
1 0 0
0 0.0011 4 0 1 0 0
1 0 0 0 0
0 0.0021 5 0 1 0 0
0 1 0 0 0
0 0.0024 6 0 0 0 0
1 0 1 0 0
0 0.0006 7 0 0 0 0
0 1 1 0 0
0 0.0013 8 0 0 0 0
1 1 1 0 0
0 0.0003 9 1 0 0 0
1 0 0 1 0
0 -0.0014 10 0
1 0 0 0 0 1
0 0 0 -0.0007
11 1 1 0 0
0 0 1 0 0
0 -0.0010
KB Neuron
LT 0,01 0,02 0,05 0,08 0,1 0,25 0,75 0,95
1 TK TK TK TK TK TK TK TK
2 TK TK TK TK TK TK TK TK
3 57062 97748 TK
19847 36249 61098 52926 41764 5
7343 10177 10039 13481 11949 6901 9265 8775 7
3499 4923 4260 3811 5808 4521 2645 4047 10
2408 2549 2697 2412 2188 2596 3250 2838
Universitas Sumatera Utara
12 0 0 0 0
0 0 0 0 0
0 0.0177 13 1
0 0 0 0 0 0
0 0 0 -0.0067
14 0 1 0 0
0 0 0 0 0
0 -0.0052 15 0
0 1 0 0 0 0
0 0 0 -0.0013
16 0 0 0 1
0 0 0 0 0
0 -0.0010 17 0
0 0 0 1 0 0
0 0 0 -0.0066
18 0 0 0 0
0 1 0 0 0
0 -0.0043 19 0
0 0 0 0 0 1
0 0 0 -0.0003
20 0 0 0 0
0 0 0 1
0 0 0 -0.0033
21 0 0 0 0
0 0 0 1 0
0 -0.0023 22 0
0 0 0 0 0 0
0 1 0 -0.0020
23 0 1 0 1
0 0 0 0 0
0 0.0007 24 1
1 1 0 0 0 0
0 0 0 0.0011
25 0 0 0 0
0 1 1 1
0 0 0 0.0015
26 1 1 0 0
1 0 1 1
1 0 1 0.9990
27 1 1 0 0
1 0 1 1
0 1 1 0.9998
28 1 1 0 0
0 0 1 0 1
1 1.0003 29 1
1 0 0 0 0 1
0 0 1
1 0.9990 30 1
1 0 0 1 1 1
0 0 1 0.9985
31 1 1 0 0
1 1 1 0 0
1 1 0.9999
32 1 1 0 1
1 1 1 1 0
1 1.0001 33 1
1 0 1 1 0 0
1 0 1 1.0007
34 1 1 1 0
1 0 0 1 0
1 0.999 35 1
1 1 0 1 0 0
0 0 1 1.000
36 1 0 0 0
1 1 1 0 0
1 1.0009 37 0
0 0 1 0 1 1
1 1 1
1 0.9999 38 0
0 0 1 0 1 1
1 1 1
1 1.0001 39 0
0 1 1 0 1 1
1 1 1 1.0004
40 0 0 1 1
0 1 1 1
0 1 1
1 0.9996 41 0
0 1 1 0 0 1
1 0 1
1 1 0.9993
42 0 0 1 0
0 0 1 1
1 1 1
1 1.0007 43 0
0 1 0 0 1 1
1 1 1
1 1 0.9993
44 0 1 1 1
0 1 1 1
1 1 1
1 1.0004 45 1
1 1 1 0 1 0
1 1 1
1 1 0.9995
46 1 1 1 0
0 1 0 1
0 1 1
1 1.0007 47 0
0 1 1 1 1 1
1 1 0
1 0.9996 48 0
1 1 1 1 1 1
1 1 1
1 1.0005 49 1
1 1 1 1 1 0
0 0 1 0.9994
50 1 1 1 1
1 1 1 1
1 1 1
1 1.0001
Dari hasil pengujian 50 data yang dilatihkan pada jaringan, didapati bahwa jaringan mengenali pola neuron input dengan penghitungan ketepatan:
100 - Σselisih target dengan hasi pelatihan jumlah data100= 99.99
Jaringan mengenali pola data pelatihan dengan ketepatan sebesar 99.99
4.2 Pengujian