Implementasi Algoritma Neural Network Backpropagation pada Enemy Untuk Menentukan Langkah di Game Tower Defense

BIODATA PENULIS

DATA DIRI

Nama Lengkap : Devit

NIM : 10111172

Tempat/Tanggal Lahir : Sumedang / 30-05-1993 Jenis Kelamin : Laki-laki

Agama : Islam

Alamat Lengkap : Dusun Cimungkal, RT 004, RW 001, Desa Cimungkal, Kecamatan Wado, Kabupaten Sumedang, Jawa Barat, 45373

Nomor Telepon : 0821-1963-9881

Email : derazora@gmail.com

RIWAYAT PENDIDIKAN

1999-2003 : SDN Cimungkal

2003-2005 : SDN Wado

2005-2008 : SMPN 1 Wado

2008-2011 : SMAN 1 Situraja

2011-2016 : Program Strata 1 (S1) Program Studi Teknik Informatika Fakultas Teknik dan Ilmu Komputer Universitas Komputer Indonesia Bandung

IMPLEMENTASI ALGORITMA

NEURAL NETWORK

BACKPROPAGATION

PADA NPC

ENEMY

UNTUK

MENENTUKAN LANGKAH DI

GAME TOWER DEFENSE

SKRIPSI

Diajukan Untuk Menempuh Ujian Akhir Sarjana

DEVIT 10111172

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK DAN ILMU KOMPUTER

UNIVERSITAS KOMPUTER INDONESIA

2016

iii

KATA PENGANTAR

Puji dan syukur penulis panjatkan kehadirat Allah SWT atas rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan skripsi yang berjudul “IMPLEMENTASI ALGORITMA NEURAL NETWORK BACKPROPAGATION PADA NPC ENEMY UNTUK MENENTUKAN LANGKAH PADA GAME TOWER DEFENSE”.

Penyusunan skripsi ini tidak akan terwujud tanpa mendapat dukungan, bantuan dan masukan dari berbagai pihak. Untuk itu, penulis ingin menyampaikan terimakasih yang sebesar-besarnya kepada :

1. Allah SWT yang telah memberi kekuatan, kemudahan dan kesehatan bagi penulis dalam penyusunan skripsi ini.

2. Orang tua dan keluarga besar penulis, terimakasih atas doa dan dukungannya selama ini.

3. Ibu Kania Evita Dewi, S.Pd., M.Si., selaku dosen pembimbing yang telah memberi bimbingan dan pengarahan kepada penulis selama penulisan skripsi ini.

4. Ibu Anna Dara Andriana, S.Kom., M.Kom., selaku dosen reviewer, dan Bapak Galih Hermawan, S.Kom., M.T., selaku dosen penguji, serta kepada dosen lain yang telah memberikan masukan dan saran kepada penulis.

5. Seluruh dosen di Universitas Komputer Indonesia khususnya pada Program Studi Teknik Informatika yang telah memberikan ilmu pengetahuan kepada penulis.

6. Teman-teman satu bimbingan Alinda, Aulia, Teguh, Asep, dan Tommy yang telah membagi ilmu dan motivasi selama proses penulisan skripsi ini.

7. Teman diskusi skripsi Abdulah Usman, Fransiscus Mario, Lutfia Rahmanda, dan teman-teman kelas IF-5 angkatan 2011 lainnya yang telah membantu dan memberikan motivasi selama proses penulisan skripsi ini.

Akhir kata penulis mengharapkan semoga skripsi ini dapat bermanfaat serta menambah wawasan pengetahuan bagi penulis dan umumnya dapat bermanfaat bagi para pembaca.

Bandung, 31 Agustus 2016

iv

DAFTAR ISI

ABSTRAK ... i

ABSTRACT ... ii

KATA PENGANTAR ... iii

DAFTAR ISI ... iv

DAFTAR GAMBAR ... xi

DAFTAR TABEL ... xiii

DAFTAR SIMBOL ... xvi

DAFTAR LAMPIRAN ... xvii

BAB 1 PENDAHULUAN ... 1

1.1Latar Belakang Masalah ... 1

1.2Rumusan Masalah ... 2

1.3 Maksud dan Tujuan ... 2

1.4 Batasan Masalah... 2

1.5Metodologi Penelitian ... 3

1.5.1Metode Pengumpulan Data ... 3

1.5.2 Metode Pengembangan Perangkat Lunak ... 4

1.5.3 Metode Pengujian... 5

1.6Sistematika Penulisan ... 6

BAB 2 LANDASAN TEORI ... 7

2.1 Pengertian Game ... 7

2.1.1 Jenis Game ... 7

2.1.2 Real-Time Strategy (RTS) ... 9

v

2.3 Teorema Pythagoras ... 10

2.3 Kecerdasan Buatan ... 11

2.4 Jaringan Saraf Tiruan (JST) ... 13

2.5 Backpropagation Neural Network (BPNN) ... 14

2.5.1 Fungsi Aktifasi ... 15

2.5.2 Proses Pelatihan JST Backpropagation ... 19

2.5.3 Proses Pengujian JST Backpropagation ... 22

2.6 Object Oriented Programming (OOP) ... 22

2.6.1 Analisis Berorientasi Objek ... 23

2.6.2 Desain Berorientasi Objek ... 23

2.6.3 Unified Modeling Language (UML) ... 24

2.6.4 Use Case Diagram ... 24

2.6.5 Activity Diagram ... 26

2.6.6 Sequence Diagram ... 27

2.6.7 Class Diagram ... 27

2.7 C# (C Sharp) ... 28

2.8 Black Box ... 29

2.8 Confusion Matrix ... 30

BAB 3 ANALISIS DAN PERANCANGAN ... 31

3.1 Analisis Masalah ... 31

3.1.1Analisis Sistem ... 31

3.1.2Analisis Algoritma Neural Network Backpropagation ... 32

3.1.3Analisis Permainan Tower Defense ... 33

3.1.4Analisis Data Masukan ... 35

vi

3.1.6Penerapan Algoritma Neural Network Backpropagation ... 38

3.1.7Analisis Spesifikasi Perangkat Lunak ... 43

3.1.7.1Spesifikasi Kebutuhan Perangkat Lunak Non-Fungsional ... 44

3.1.7.1Spesifikasi Kebutuhan Perangkat Lunak Fungsional ... 44

3.1.8 Analisis Kebutuhan Non-Fungsional ... 44

3.1.8.1 Analisis Kebutuhan Perangkat Keras ... 44

3.1.8.2 Analisis Kebutuhan Perangkat Lunak ... 45

3.1.9 AnalisisKebutuhan Fungsional ... 45

3.1.9.1 Use Case Diagram ... 45

3.1.9.2 Definisi Aktor ... 46

3.1.9.3 Definisi Use Case ... 46

3.1.9.4 Skenario Use Case... 47

3.1.9.5 Activy Diagran ... 49

3.1.9.6 Sequence Diagram ... 50

3.1.9.7 Class Diagram ... 52

3.2Perancangan Sistem ... 53

3.2.1 Perancangan Struktur Menu ... 53

3.2.2 Perancangan Antarmuka ... 54

3.2.2.1 Perancangan Tampilan Permainan ... 54

3.2.2.2 Perancangan Pesan ... 55

3.2.3 Jaringan Semantik ... 56

BAB 4 IMPLEMENTASI DAN PENGUJIAN ... 57

4.1 Implentasi ... 57

4.1.1 Implentasi Perangkat Keras... 57

vii

4.1.3 Implentasi Class ... 58

4.1.4 Implentasi Antarmuka ... 58

4.2 Pengujian Sistem ... 59

4.2.1 Pengujian Black Box ... 59

4.2.1.1 Rencana Pengujian ... 59

4.2.1.2 Pengujian ... 59

4.2.2 Pengujian K-Fold Cross Validation ... 60

4.2.2.1 Pengujian ke-1 ... 61

4.2.2.1.1 Pengujian D1 ... 61

4.2.2.1.2 Pengujian D2 ... 62

4.2.2.1.3 Pengujian D3 ... 63

4.2.2.1.4 Pengujian D4 ... 64

4.2.2.1.5 Pengujian D5 ... 64

4.2.2.1.6 Pengujian D6 ... 65

4.2.2.1.7 Pengujian D7 ... 65

4.2.2.1.8 Pengujian D8 ... 66

4.2.2.1.9 Pengujian D9 ... 67

4.2.2.1.10 Pengujian D10 ... 67

4.2.2.1.11 Error 1-Fold Cross Validation ... 68

4.2.2.2 Pengujian ke-2 ... 69

4.2.2.2.1 Error 2-Fold Cross Validation ... 69

4.2.2.3 Pengujian ke-3 ... 70

4.2.2.3.1 Error 3-Fold Cross Validation ... 70

4.2.2.4 Pengujian ke-4 ... 71

viii

4.2.2.5 Pengujian ke-5 ... 72

4.2.2.5.1 Error 5-Fold Cross Validation ... 72

4.2.2.6 Pengujian ke-6 ... 73

4.2.2.6.1 Error 6-Fold Cross Validation ... 73

4.2.2.7 Pengujian ke-7 ... 74

4.2.2.7.1 Error 7-Fold Cross Validation ... 74

4.2.2.8 Pengujian ke-8 ... 75

4.2.2.8.1 Error 8-Fold Cross Validation ... 75

4.2.2.9 Pengujian ke-9 ... 76

4.2.2.9.1 Error 9-Fold Cross Validation ... 76

4.2.2.10 Pengujian ke-10 ... 77

4.2.2.10.1 Error 10-Fold Cross Validation ... 77

4.2.2.11 Perbandingan Error Berdasarkan Perceptron Hidden Layer ... 78

4.2.3 Pengujian K-Fold Cross Validation Berdasarkan Learning Rate ... 78

4.2.3.1 Pengujian ke-1 ... 79

4.2.3.1.1 Error 1-Fold Cross Validation ... 79

4.2.3.2 Pengujian ke-2 ... 80

4.2.3.2.1 Error 2-Fold Cross Validation ... 80

4.2.3.3 Pengujian ke-3 ... 81

4.2.3.3.1 Error 3-Fold Cross Validation ... 81

4.2.3.4 Pengujian ke-4 ... 82

4.2.3.4.1 Error 4-Fold Cross Validation ... 82

4.2.3.5 Pengujian ke-5 ... 83

4.2.3.5.1 Error 5-Fold Cross Validation ... 83

ix

4.2.3.6.1 Error 6-Fold Cross Validation ... 84

4.2.3.7 Pengujian ke-7 ... 85

4.2.3.7.1 Error 7-Fold Cross Validation ... 85

4.2.3.8 Pengujian ke-8 ... 86

4.2.3.8.1 Error 8-Fold Cross Validation ... 86

4.2.3.9 Pengujian ke-9 ... 87

4.2.3.9.1 Error 9-Fold Cross Validation ... 87

4.2.3.10 Pengujian ke-10 ... 88

4.2.3.11 Perbandingan Error Berdasarkan Learning Rate ... 88

4.2.4 Pengujian K-Fold Cross Validation Berdasarkan Target Error ... 89

4.2.4.1 Pengujian ke-1 ... 89

4.2.4.1.1 Error 1-Fold Cross Validation ... 89

4.2.4.2 Pengujian ke-2 ... 90

4.2.4.2.1 Error 2-Fold Cross Validation ... 90

4.2.4.3 Pengujian ke-3 ... 91

4.2.4.3.1 Error 3-Fold Cross Validation ... 91

4.2.4.4 Pengujian ke-4 ... 92

4.2.4.4.1 Error 4-Fold Cross Validation ... 92

4.2.4.5 Pengujian ke-5 ... 93

4.2.4.5.1 Error 5-Fold Cross Validation ... 93

4.2.4.6 Pengujian ke-6 ... 94

4.2.4.6.1 Error 6-Fold Cross Validation ... 94

4.2.4.7 Pengujian ke-7 ... 95

4.2.4.7.1 Error 7-Fold Cross Validation ... 95

x

4.2.4.8.1 Error 8-Fold Cross Validation ... 96

4.2.4.9 Pengujian ke-9 ... 97

4.2.4.9.1 Error 9-Fold Cross Validation ... 97

4.2.4.10 Pengujian ke-10 ... 98

4.2.4.10.1 Error 10-Fold Cross Validation ... 98

4.2.4.11 Perbandingan Error Berdasarkan Target Error ... 99

4.2.5 Kesimpulan Pengujian ... 99

5.1 Kesimpulan ... 101

5.2 Saran ... 101

102

DAFTAR PUSTAKA

[1] Subakti, H., Adams J, E. M., Yudistira, N. "Rancang Bangun Npc (Non‐Player Characters) Pada Game Bergenre Tower Defense." Jurusan Teknik Informatika, Program Teknologi Informasi Dan Ilmu Komputer, Malang: Universitas Brawijaya.

[2] Dewi, K. A. E. (2014). Implementasi HPA Star Pada Permainan Bomberman. Yogyakarta: Universitas Kristen Duta Wacana.

[3] Kusumadewi, S. (2004). Membangun Jaringan Syaraf Tiruan Menggunakan Matlab & Excel Link. Yogyakarta: Graha Ilmu.

[4] Nazir, M. (2005). Metodologi Penelitian, Bogor: Ghalia Indonesia.

[5] S. Pressman., Roger. (2010). Rekayasa Perangkat Lunak. Yogyakarta: Andi. [6]

[7]

Ensiklopedia Bebas. (tanpa tahun). "Permainan Video." (online) https://id.wikipedia.org/wiki/Permainan_Video.

Satriawan, S. (2014). Penerapan Logika Fuzzy Untuk Optimalisasi Perilaku Tower Pada Game Tower Defense. Bandung: Universitas Komputer Indonesia.

[8] [9]

[10] [11]

Ensiklopedia Bebas. (tanpa tahun). "Genre Permainan Video." (online) https://id.wikipedia.org/wiki/Genre_Permainan_Video.

Aji, I. S. (2014). Pengaruh Bermain Video Game Tipe First Person Shooter Terhadap Waktu Reaksi Yang Diukur Dengan Ruler Drop Test. Semarang: Universitas Diponegoro.

Andriansyah, F. (2013). Aplikasi Casual Game Defense Of The Law Bergenre Tower Defense. Bandung: Universitas Komputer Indonesia. Muchyidin, A., Hildan A., Amin, F. "Pengaruh Penguasaan Teorema

Pythagoras Terhadap Kemampuan Siswa Dalam Menyelesaikan Soal-Soal Garis Singgung Lingkaran Kelas Viii Smpn 1 Leuwimunding." Jurusan Pendidikan Matematika, Fakultas Tarbiyah, Cirebon: Iain Syekh Nurjati.

103 [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23]

Husein, M. F. (2015). Implementasi model linear programming pada game RPG. Bandung: Universitas Komputer Indonesia.

Fahrurrozi. (2015). Implementasi Algoritma Iterative Deepening A* Dan Metode Pruning Pada Solusi Permainan Puzzle Flow Free Color. Bandung: Universitas Komputer Indonesia.

Synyster, J. "Review Jurnal Perkembangan Ai ( Artificial Intelligence )." (online) http://www.academia.edu/24698291/Review_

Jurnal_Perkembangan_Ai_Artificial_Intelligence_.

Noertjahyana, A. (2004). "Studi Analisa Pelatihan Jaringan Syaraf Tiruan Dengan Dan Tanpa Algoritma Genetika." Institute Of Research And Community Outreach - Petra Christian University.

Redjeki, S. (tanpa tahun). Analisis Fungsi Aktivasi Sigmoid Algoritma Backpropagation Pada Prediksi Data. Yogyakarta: STMIK AKAKOM Setiawan, S. I. A. (2011). Penerapan Jaringan Saraf Tiruan Metode

Backpropagation Menggunakan VB 6. Tangerang: SofTech

Meisadri, R., Indriani, N. (2013). "Pembangunan Game First Person Shooter 3D Alien Hunter". Jurnal Ilmiah Komputer Dan Informatika (Komputa), Bandung: ISSN : 2089-9033.

Sudirman, H. (2012). Perancangan Program Aplikasi Transaksi Pembayaran SPP UTS dan UAS Menggunakan Metode Analisis Dan Desain Berorientasi Objek. Garut: Sekolah Tinggi Teknologi Garut.

Rosa, A. S., Shalahuddin, M. (2013). Rekayasa Perangkat Lunak Terstruktur Dan Berorientasi Objek. Bandung: Informatika.

Ensiklopedia Bebas. (tanpa tahun). "C Sharp." (online) https://id.wikipedia.org/wiki/C_Sharp.

Zulkifli. (2013). Model Prediksi Berbasis Neural Network untuk Pengujian Perangkat Lunak Metode Black-Box. Bandar Lampung: STMIK Teknokrat.

Andriani, A. (2013). Sistem Pendukung Keputusan Berbasis Decision Tree Dalam Pemberian Beasiswa Studi Kasus Amik “Bsi Yogyakarta”.

104 [24]

[25] [26]

Jakarta: AMIK BSI Jakarta.

Nurholiq, N., Sukmadi, T., Nugroho, A. "Analisis Perbandingan Metode Logika Fuzzy Dengan Jaringan Syaraf Tiruan Backpropagation Pada Peramalan Kebutuhan Energi Listrik Jangka Panjang Di Indonesia Sampai Tahun 2022." Jurusan Teknik Elektro, Semarang: Universitas Diponegoro Semarang.

Fakhri, H. (2013) Membangun Game Tower Defense The Avenger Indonesia Dan Pandawa Lima. Bandung: Universitas Komputer Indonesia.

Dewi, C., Muslikh, M. (2013). "Perbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca". Journal of Scientific Modeling & Computation, Universitas Brawijaya: ISSN 2303-0135.

1

BAB 1

PENDAHULUAN

1.1 Latar Belakang Masalah

Penelitian Subakti menyatakan bahwa implementasi algoritma untuk NPC (Non‐Player Characters) yang menggunakan pathfinding dalam permainan tower defense dilakukan berdasarkan algoritma pencarian jalur A* secara real time pada peta permainan berbasis grid. Dan menyatakan bahwa peggunaan pathfinding dapat diubah, agar terdapat berbagai macam enemy, misalnya ada enemy yang berjalan dengan memperhitungkan bobot tower yang menghadang dalam peta permainan[1].

Algoritma A* memiliki keunggulan dalam pencarian pathfinding di suatu peta, namun A* mempunyai kelemahan pada perubahan keadaan peta serta kepadatan dari sebuah rintangan[2]. Sedangkan game tower defense merupakan game berjenis RTS (Real-Time Strategy) yang memungkinkan terjadinya perubahan keadaan peta serta memperhitungkan bobot tower sehingga penggunaan algoritma A* kurang tepat untuk menyelesaikan permasalahan tersebut.

Algoritma neural network backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya[3]. Selain itu pada penelitian lain tentang algoritma neural network backpropagation dengan masalah perbandingan algoritma tersebut dengan yang lain berkesimpulan lebih unggul dalam akurasinya.

NPC enemy yang berjalan dengan memperhitungkan bobot tower dibutuhkan ketepatan dalam memilih setiap langkahnya dan untuk mengetahui apakah langkah tersebut sudah benar atau tidak harus dilakukan pengujian akurasi. Sehingga penelitian ini bertujuan untuk mengetahui akurasi tingkat keberhasilan algoritma pada penentuan langkah NPC enemy.

2

Berdasarkan hal tersebut diatas maka penelitian ini akan membahas bagaimana mengimplementasikan algoritma neural network backpropagation di NPC enemy sehingga dapat menentukan langkah yang tepat pada game tower defense.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah disebutkan di atas, permasalahan yang dapat di rumuskan adalah bagaimana cara menerapkan algoritma neural network backpropagation dalam menentukan langkah NPC enemy.

1.3 Maksud dan Tujuan

Berdasarkan permasalahan diatas maksud dari penelitian tugas akhir ini adalah pengimplementasian algoritma neural network backpropagation pada NPC enemy untuk menentukan langkah di game tower defense.

Sedangkan tujuan dari penelitian ini untuk mengetahui akurasi tingkat keberhasilan algoritma neural network backpropagation pada NPC enemy dalam menentukan langkahnya di game tower defense.

1.4 Batasan Masalah

Untuk menghindari pembahasan yang meluas, maka permasalahan pada penelitian ini dibatasi sebagai berikut:

1. Algoritma yang digunakan adalah artificialneural network. 2. Metode neural network yang digunakan adalah backpropagation. 3. Implementasi neural networkbackpropagation pada NPC enemy.

4. Variabel yang digunakan untuk menentukan langkah adalah jarak enemy menuju ke tujuan, jarak enemy menuju ke tower, dan tipe tower.

5. Enemy melangkah dari titik awal ke titik tujuan, tanpa melakukan serangan. 6. Tower terdiri dari 4 tipe.

7. Pemodelan yang digunakan dalam laporan penelitian adalah Object Oriented Programming (OOP).

3

9. Bahasa pemrograman yang digunakan adalah C#. 1.5 Metodologi Penelitian

Metode penelitian yang digunakan dalam tugas akhir ini adalah metode kuantitatif. Disebut juga metode discovery, karena dengan metode ini dapat ditemukan dan dikembangkan berbagai iptek baru. Disebut kuantitatif karena data-data berupa angka-angka dan menggunakan statistik[4].

Gambar 1.1 Metode Penelitian

1.5.1 Metode Pengumpulan Data

Metode pengumpulan data yang digunakan adalah sebagai berikut: 1. Studi Literatur

4

Studi Literatur adalah mengumpulkan data melalui buku-buku tentang artificial intelligence, artificial neural network, situs internet tentang tower defense, jurnal dan artikel yang besangkutan dengan permasalan yang diteliti. 2. Analisis Algoritma

Melakukan analisis algoritma neural network tentang bagaimana cara kerja metode backpropagation.

1.5.2 Metode Pengembangan Perangkat Lunak

Metode yang digunakan dalam pengembangan perangkat lunak adalah metode waterfall yang meliputi beberapa proses sebagai berikut[5]:

1. Communication

Tahap Communication merupakan tahap analisis kebutuhan sistem serta tahap mengadakan pengumpulan data dengan melakukan pertemuan dengan pihak instansi yang terkait, maupun mengumpulkan data-data tambahan baik yang ada di jurnal, artikel, maupun dari internet.

2. Planning

Tahap ini merupakan tahap lanjutan dari proses communication. Tahap ini akan menghasilkan dokumen user requirement atau bisa dikatakan data yang berhubungan dengan keinginan pengguna dalam pembangunan software, termasuk dengan rencana yang akan dilakukan.

3. Modeling

Pada tahap modeling ini akan menerjemahkan syarat kebutuhan ke sebuah perancangan software yang dapat diperkirakan sebelum proses pengkodean. Proses ini terfokus pada rancangan struktur data, arsitektur software, representasi interface, dan detail (algoritma) prosedural. Tahapan ini akan menghasilkan dokumen yang disebut software requirement

4. Construction

Tahap ini merupakan tahap pengkodean yaitu tahap menerjemahkan desain dalam bahasa yang dikenali oleh komputer. Programmer akan menerjemahkan transaksi yang diminta oleh pengguna. Tahapan inilah yang merupakan tahap secara nyata dalam mengerjakan suatu software, artinya

5

penggunaan komputer akan dimaksimalkan dalam tahap ini. Setelah pengkodean selesai maka akan dilakukan testing terhadap sistem yang telah dibangun. Tujuan testing adalah menemukan kesalahan-kesalahan terhadap sistem tersebut untuk kemudian bisa diperbaiki.

5. Deployment

Tahap ini bisa dikatakan final dalam pembuatan sebuah sistem. Setelah melakukan analisis, desain dan pengkodean, maka sistem yang sudah jadi akan digunakan oleh pengguna. Kemudian software yang telah dibangun harus dilakukan pemeliharaan secara berkala.

Penggambaran model waterfall dapat dilihat pada gambar dibawah ini.

Gambar 1.2 Metode Waterfall

1.5.3 Metode Pengujian

Metode yang digunakan untuk pengujian adalah Confusion Matrix diantaranya dapat mengukur hal berikut:

1. Accuracy

Merupakan persentase dari prediksi yang benar. 2. Precision

Adalah ukuran akurasi dari suatu kelas tertentu yang telah diprediksi. 3. Recall

Merupakan persentase dari data dengan nilai positif yang nilai prediksinya juga positif.

4. F-measure

Merupakan kombinasi rata-rata harmonic (weighted harmonic mean) dari precision dan recall.

6

1.6 Sistematika Penulisan

Sistematika penulisan ini untuk memberikan gambaran secara umum mengenai permasalahan serta pemecahannya. Sistematika penulisan ini dibagi dalam beberapa bab berikut:

BAB 1 PENDAHULIAN

Bab ini membahas mengenai latar belakang, rumusan masalah, menentukan maksud dan tujuan, batasan masalah, metodologi penelitian, serta sistematika penulisan untuk menjelaskan pokok pembahasannya.

BAB 2 LANDASAN TEORI

Bab ini akan menjelaskan mengenai objek dari penelitain, dan teori-teori pendukung yang berhubungan dengan pembangunan sistem.

BAB 3 ANALISIS ALGORITMA

Bab ini berisi tentang tahapan untuk menganalisis algoritma neural network metode backpropagation untuk menentukan langkah NPC enemy pada game tower defense.

BAB 4 IMPLEMENTASI DAN PENGUJIAN

Bab ini berisi mengenai implementasi dan analisis dari perancangan sistem yang dilakukan, uji coba dan hasil pengujian sistem.

BAB 5 KESIMPULAN DAN SARAN

Bab ini berisi tentang kesimpulan yang diperoleh dari hasil pengujian sistem serta saran untuk pengembangan sistem kedepan.

7

BAB 2

LANDASAN TEORI

2.1 Pengertian Game

Game adalah permainan yang menggunakan interaksi dengan antarmuka pengguna melalui gambar yang dihasilkan oleh piranti video. Permainan video umumnya menyediakan sistem penghargaan, misalnya skor yang dihitung berdasarkan tingkat keberhasilan yang dicapai dalam menyelesaikantugas-tugas yang ada di dalam permainan. Sistem elektronik yang digunakan untuk menjalankan game disebut platform, seperti komputer pribadi ataupun konsol permainan[6]. Game bertujuan untuk menghibur, biasanya game banyak disukai oleh anak-anak hingga orang dewasa. Games sebenarnya penting dalam perkembangan otak, meningkatkan konsentrasi dan melatih untuk memecahkan masalah dengan tepat dan cepat. Karena dalam game terdapat berbagai konflik atau masalah yang menuntut untuk diselesaikan dengan cepat dan tepat[7].

2.1.1 Jenis Game

Berdasarkan jenis permainanya, game dibagi menjadi[8]:

1. Action games memerlukan pemain untuk menggunakan refleks, akurasi, dan waktu yang tepat untuk menyelesaikan sebuah tantangan. Ini mungkin merupakan genre dasar dari sebuah permainan, dan yang memiliki permainan terbanyak. Dalam permainan aksi, biasanya terdapat pertempuran.

2. Fighting games adalah jenis permainan dimana terjadi pertarungan satu lawan satu antara dua karakter, salah satunya dapat merupakan komputer. Jenis permainan ini biasanya dimainkan dengan menghubungkan kombinasi-kombinasi tombol untuk bertarung. Rata-rata gerakan yang dihasilkan oleh karakter dramatis dan tidak mungkin dilakukan di kehidupan nyata.

3. Shooter games adalah sub-genre dari permainan aksi, meskipun banyak pemain yang menganggap bahwa jenis ini merupakan jenis yang berdiri sendiri. Jenis ini menguji kecepatan dan reaksi dari pemainnya. Tembak-menembak memiliki sub-genre tersendiri, yang semuanya terfokus pada

8

mengontrol seseorang yang menggunakan sebuah senjata, biasanya pistol, senapan, atau senjata jarak jauh lainnya. Hal yang biasanya ada pada permainan jenis ini adalah amunisi. Biasanya tujuan dari permainan ini adalah menembak lawan dan melanjutkan misi tanpa karakter yang dipakai mati. 4. First-person shooter (FPS), menekankan ke menembak dengan perspektif

orang-pertama yang dikontrol oleh pemain. Perspektif ini bertujuan untuk memberikan pemain rasa seakan benar-benar berada disana, dan dapat membuat pemain fokus membidik sasaran. Kebanyakan FPS memerlukan refleks yang cepat dalam tingkat kesulitan yang tinggi. Unsur 3D diperlukan untuk membuat FPS yang baik. Sejak kemunculannya, FPS sekarang memiliki fitur multiplayer yang memungkinkan berkompetisi antar pemain.

5. Third-person shooter (TPS/3PS), menekankan ke menembak dari persperktif orang-ketiga atau karakter pemainnya dapat terlihat sepenuhnya. Persperktif ini memberikan pemain pandangan yang lebih luas akan lingkungan sekitar dari FPS. Juga, TPS memungkinkan pergerakan yang lebih rumit seperti bergulir atau menyelam, dibandingkan dengan melompat dan merunduk sederhana yang biasa terlhat di FPS. Meskipun begitu, kebanyakan jenis permainan ini memiliki elemen puzzle dari FPS.

6. Massively multiplayer online first-person shooter (MMOFPS), merupakan permainan online yang menggabungkan pemain FPS pada sebuah dunia virtual dimana para pemain dapat berinteraksi satu dengan lainnya.

7. Racing game juga termasuk dalam kategori ini, dimana jenis permainan video yang menuntut keterampilan pemain untuk mengemudi dalam sebuah kompetisi balap-membalap.

8. Sports games yaitu jenis permainan video yang menuntut keterampilan pemain untuk melakukan pertandingan olahraga secara virtual, seperti pertandingan sepak bola, basket, dan sebagainya.

9. Role-playing games yaitu jenis permainan video yang menempatkan pemain sebagai tokoh dalam permainan tersebut untuk memecahkan suatu misteri dengan menyelesaikan berbagai macam puzzle dan quest. Jenis ini biasanya memiliki alur cerita yang kompleks.

9

10.Action-adventure games yaitu jenis permainan video yang menempatkan pemain sebagai tokoh dalam permainan tersebut, mirip dengan permainan peran, tetapi ditambah dengan unsur-unsur aksi, misalnya perkelahian dan tembak-menembak.

11.Real-time strategy (RTS), yaitu jenis permainan video yang mengandung unsur strategi. Permainan video RTS memerlukan kecakapan pemain untuk memimpin suatu bangsa, mengelola sumber daya, dan melancarkan perang untuk memperluas wilayah kekuasaan.

12.Turn-based strategy (TBS), yaitu jenis permainan video strategi yang pemainnya saling menunggu giliran untuk bergerak.

2.1.2 Real-Time Strategy (RTS)

Real Time Strategy merupakan game yang memerlukan kemampuan berpikir dan memutuskan strategi dengan tepat. Pemain akan mengontrol sebuah kelompok untuk mencapai tujuan, contohnya adalah memenangkan perang melawankelompok lain. Kebalikan dari video game jenis aksi-menembak yang berjalan cepat, video game jenis strategi memberikan waktu lebih untuk memutuskan setiap gerakan secara hati-hati dan terencana[9].

2.2 Tower Defense

Tower defense adalah game yang bertipe real time strategy yang berfokus pada pengaturan sumber daya yang dimiliki pemain dan penempatan tower. dalam bentuk yang paling sederhana, sebuah game tower defense terdiri dari pemain yang bertugas membeli dan mengorganisir tower yang akan menembak berbagai jenis musuh yang menyerang pertahanan pemain.

Inti dari permainan Tower Defense ini adalah gamer ditugaskan untuk melindungi goal point dari serbuan musuh yang dikendalikan oleh artificial intelligence. Musuh ini akan datang secara bergelombang dan dalam jumlah yang banyak. Gamer melindungi target dengan cara mendirikan tower-tower atau menara-menara pertahanan yang akan menembaki setiap musuh yang mendekati target.

10

Permainan dibagi dalam tingkatan-tingkatan, dimulai dari tingkatan rendah, menegah, hingga tingkatan tinggi sesuai dengan tingkat keberhasilan gamer dalam mempertahankan goal point setiap tingkatannya. Dan semakin tinggi tingkatan yang dicapai, musuh yang menyerbu semakin kuat dan banyak. Serta uang yang didapatkan dari membunuh musuh-musuh ini pun semakin meningkat untuk digunakan mendirikan menara-menara pertahanan yang lebih canggih dan kuat.

Permainan ini menuntut ketangkasan, perhitungan, strategi, menempatkan berbagai macam tower dengan harga yang beragam. Adapun uang yang digunakan untuk membeli tower didapatkan dari hasil membunuh setiap musuh yang ada. Permaianan dinyatakan sukses apabila pemain dapat mempertahankan darah atau nyawanya sampai waktu yang ditentukan habis atau berdasarkan jumlah musuh yang dibunuh[10].

2.3 Teorema Pythagoras

Teorema Pythagoras dinamakan oleh ahli matematika Yunani kuno yaitu Pythagoras, yang dianggap sebagai orang yang pertama kali memberikan bukti teorema ini. Akan tetapi, banyak orang yang percaya bahwa terdapat hubungan khusus antara sisi dari sebuah segi tiga siku-siku jauh sebelum Pythagoras menemukannya.

Teorema Pythagoras memainkan peran yang sangat signifikan dalam berbagai bidang yang berkaitan dengan matematika. Misalnya, untuk membentuk dasar trigonometri dan bentuk aritmatika, di mana bentuk ini menggabungkan geometri dan aljabar. Teorema ini adalah sebuah hubungan dalam geometri Euclides di antara tiga sisi dari segi tiga siku-siku. Hal ini menyatakan bahwa jumlah dari persegi yang dibentuk dari panjang dua sisi siku-sikunya akan sama dengan jumlah persegi yang dibentuk dari panjang hipotenusanya.

Secara matematis, teorema ini biasanya ditulis sebagai a dan b mewakili panjang dari dua sisi lain dari segitiga siku-siku dan c mewakili panjang dari hipotenusanya [11].

11

Gambar 2.1 Contoh Teorema Pythagoras

2.3 Kecerdasan Buatan

Kecerdasan buatan berasal dari bahasa Inggris Artificial Intelligence atau disingkat AI, yaitu intelligence adalah kata sifat yang berarti cerdas, sedangkan artificial artinya buatan. Kecerdasan yang dimaksud disini merajuk pada mesin yang mampu berpikir seperti manusia, berfikir secara rasional, dan mampu mengambil keputusan seperti yang dilakukan oleh manusia[12]. Kecerdasan buatan telah banyak digunakan dan diaplikasikan kedalam kehidupan sehari-hari.

Kecerdasan buatan memiliki beberapa kelebihan dibandingkan dengan kecerdasan buatan yang dimiliki oleh manusia yaitu

a. Bersifat lebih permanen: Selama sistem dan program tidak berubah, maka kecerdasan buatan tersebut tidak akan berubah.

b. Lebih mudah untuk diduplikasikan dan disebarkan: Akan lebih mudah memindahkan data dari satu komputer ke komputer lain dibandingkan dengan memindahkan pengetahuan dari satu manusia ke manusia yang lain.

c. Lebih murah dibandingkan dengan mendatangkan seorang ahli.

d. Konsisten: Kecerdasan buatan merupakan sebuah teknologi komputer sedangkan kecerdasan buatan memiliki kecendrungan untuk berubah.

e. Bisa didokumentasi: Tiap aktifitas yang dilakukan oleh kecerdasan buatan dapat dilacak dengan mudah sedangkan kecerdasan alami termasuk sulit untuk direproduksi.

12

Gambar 2.2 Penerapan Kecerdasan Buatan

Kecerdasan buatan menyediakan dasar-dasar ilmu pengetahuan pada beberapa bidang teknologi yang dapat digunakan secara komersial diantaranya: a. Sistem pakar: Sebuah sistem komputer yang digunakan sebagai sarana untuk

menyimpan pengetahuan yang dimiliki oleh seorang atau lebih pakar dengan tujuan agar komputer memilki keahlian untuk menyelesaikan permasalahan dengan meniru keahlian yang dimilki pakar tersebut.

b. Pengolahan bahasa alami: Pemrograman sistem komputer dimana pengguna dapat berkomunikasi dengan komputer menggunakan bahasa sehari-hari c. Pengenalan suara: Pengguna dapat berkomunikasi dengan komputer untuk

memberi perintah kepada untuk melakukan sebuah pekerjaan.

d. Robotika dan sistem sensor: Sebuah lengan robotik yang dilengkapi oleh berbagai sensor yang diprogram untuk mampu mendeteksi jenis pekerjaan yang perlu dilakukan oleh lengan tersebut.

e. Computer vision: Pemrograman sistem yang bertujuan untuk menginterpretasikan gambar dan objek tampak melalui komputer untuk proses lebih jauh.

f. Game playing: Game playing merupakan implementasi artificial intelegence yang berguna untuk meniru cara berfikir seorang manusia dalam bermain game.

Adapun teknik pemecahan masalah yang ada didalam kecerdasan buatan terbagi menjadi empat yaitu[13]:

a. Searching: Merupakan teknik menyelesaikan masalah dengan cara merepresentasikan masalah ke dalam state dan ruang masalah serta menggunakan strategi pencarian untuk menemukan solusi.

13

b. Reasoning: Merupakan teknik menyelesaikan masalah dengan cara merepresentasikan masalah ke dalam basis pengetahuan menggunakan logic atau bahasa formal.

c. Planing: Merupakan teknik menyelesaikan masalah dengan cara memecah masalah ke dalam sub-sub masalah dan menyelesaikan sub-sub masalah satu demi satu.

d. Learning: Merupakan teknik menyelesaikan masalah dengan mengotomatisasi mesin untuk menemukan aturan yang diharapkan bisa berlaku umum untuk data-data yang belum pernah diketahui.

2.4 Jaringan Saraf Tiruan (JST)

Merupakan simulasi dari otak biologis. Tujuan dari JST adalah untuk belajar mengenali pola-pola pada data dan mensimulasikan proses belajar adaptif biologis, walau dalam skala yang sangat sederhana. Sekali JST telah dilatih terhadap data, akan dapat membuat prediksi dengan melakukan deteksi kemiripan/kesamaan pola-pola data masukan.

JST bukanlah duplikasi persis dari sistem biologis otak manusia, tetapi jaringan saraf tiruan ini dapat melakukan kemampuan seperti generalisasi, belajar, abstraksi, dan bahkan intuisi. Mudahnya, merupakan suatu model dari sistem saraf biologis yang disederhanakan sebagai suatu alternatif sistem komputer. Kenyataan menunujukan bahwa banyak masalah dalam kehidupan manusia yang sulit dipecahkan dengan komputer konvensional yang paling canggih sekalipun, namun manusia dapat menyelesaikannya dengan baik. Dengan kemampuannya untuk belajar, jaringan saraf tiruan ini diharapkan dapat menyelesaikan masalah yang tidak dapat diselesaikan oleh komputer konvensional.

Jaringan saraf tidak diprogram dalam arti tradisional. Sebaliknya dilatih dengan contoh. Latihan itu terdiri dari banyak pengulangan input yang mengungkapkan berbagai hubungan. Dengan memperhalus bobot node sistem secara progresif, jaringa saraf tiruan ini menemukan hubungan antar input. Proses penemuan ini menandakan belajar.

14

Gambar 2.3 Jaringan Saraf Tiruan

JST merupakan salah satu bentuk dari Kecerdasan Buatan. JST dipandang sebagai suatu Black Box yang dapat melakukan prediksi keluaran dari suatu pola masukan yang dia kenali. Untuk itu JST harus dilatih terlebih dahulu terhadap sejumlah pola masukan dan target yang diharapkan dari tiap pola masukan tersebut (Supervised Learning). Sekali dilatihkan, JST akan dapat mengenali kesamaan ketika dihadapkan terhadap pola masukan baru, dan menghasilkan prediksi pola keluarannya.

JST dapat mendeteksi kesamaan masukan, bahkan sebagian masukan yang mungkin belum pernah dilatihkan atau diberikan sebelumnya. Karena JST mempunyai kemampuan interpolasi yang hebat, terutama bila data masukan tidak eksak, banyak gangguan didalamnya. Sehingga memungkinkan JST untuk digunakan sebagai subtitusi langsung bagi auto korelasi, regresi multivariabel, regresi linier, trigonometri, dan teknik regresi lainnya. Ketika data dianalisa menggunakan JST, akan memungkinkan untuk melakukan prediksi pola yang penting sebagaimana bila seorang ahli menganalisa data tersebut, karena JST dapat beraksi seperti selayaknya seorang yang ahli di bidangnya[14].

2.5 Backpropagation Neural network (BPNN)

Merupakan salah satu terapan dari Multi Layered Network. BPNN sendiri sebenarnya lebih merupakan algoritma pelatihan daripada jaringan itu sendiri. Metode pelatihan BPNN adalah supervised training algorithm untuk jaringan layar jamak. Dikarenakan metode yang digunakan adalah pelatihan terpantau, maka baik input maupun target output telah disediakan untuk melatih jaringan. Kesalahan pada data di layer output dihitung menggunakan network output dan target output. Kemudian kesalahan itu di propagasikan kembali ke hidden layer, memberikan perubahan weight pada synapses yang menuju ke layer tersebut.

15

Backpropagation atau propagasi balik suatu algoritma pembelajaran dan digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot - bobot yang terhubung dengan neuron - neuron yang terdapat pada lapisan tersembunyi. Algoritma propagasi balik menggunakan error output agar dapat mengubah nilai bobot - bobotnya dalam proses mundur untuk mendapatkan error ini, tahap perambatan maju, neuron - neuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid, sedangkan dalam melakukan sebuah proses perambatan maju dan mundur disebut epoch atau iterasi[15].

2.5.1 Fungsi Aktifasi

Fungsi aktivasi merupakan fungsi matematis yang berguna untuk membatasi dan menentukan jangkauan output suatu neuron. Fungsi aktivasi untuk JST Backpropagation harus memiliki beberapa karakteristik penting, yaitu kontinyu, dapat dideferensialkan, dan merupakan fungsi yang tidak turun. Fungsi aktivasi biasanya digunakan untuk mencari nilai asimtot maksimum dan minimum.

Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan, antara lain[16]:

a. Fungsi Undak Biner Hard Limit

Jaringan dengan lapisan tunggal sering menggunakan fungsi undak (step function) untuk mengkonversikan input dari suatu variabel yang bernilai kontinu ke suatu output biner (0 atau 1). Fungsi undak biner dirumuskan sebagai berikut:

(2.2)

Gambar 2.4 Fungsi Aktivasi Undak Biner Hard Limit b. Fungsi Undak Biner Threshold

16

Fungsi undak biner dengan menggunakan nilai ambang sering juga disebut dengan nama fungsi nilai ambang (threshold) atau fungsi Heaviside. Fungsi undak biner (dengan nilai ambang 0) dirumuskan sebagai:

(2.3)

Gambar 2.5 Fungsi Aktivasi Undak Biner Treshold c. Fungsi Bipolar Symetric Hard Limit

Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner, hanya saja output yang dihasilkan berupa 1, 0 atau -1. Fungsi bipolar Symetric Hard Limit dirumuskan sebagai:

(2.4)

Gambar 2.6 Fungsi Aktivasi Bipolar Symetric Hard Limit d. Fungsi Bipolar Threshold

Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner threshold, hanya saja output yang dihasilkan berupa 1, atau -1. Fungsi bipolar threshold dirumuskan sebagai:

17

Gambar 2.7 Fungsi Aktivasi Bipolar Treshold e. Fungsi Linear (Identitas)

Fungsi linear memiliki nilai output yang sama dengan nilai inputnya. Fungsi linear dirumuskan sebagai:

(2.6)

Gambar 2.8 Fungsi Aktivasi Linear f. Fungsi Saturating Linear

Fungsi ini akan bernilai 0 jika inputnya kurang dari -½, dan bernilai 1 jika inputnya lebih dari ½. Sedangkan jika nilai input terletak antara -½ dan½, maka output akan bernilai sama dengan input ditambah ½. Fungsi Saturating linear dirumuskan sebagai:

18

Gambar 2.9 Fungsi Aktivasi Saturating Linear g. Fungsi Symetric Saturating Linear

Fungsi ini akan bernilai -1 jika inputnya kurang dari -1, dan akan bernilai 1 jika input lebih dari 1. Sedangkan jika nilai input terletak antara -1 dan 1, maka outputnya akan bernilai sama dengan inputnya. Fungsi symetric saturating linear dirumuskan sebagai:

(2.8)

Gambar 2.10 Fungsi Aktivasi Symetric Saturating Linear h. Fungsi Sigmoid Biner

Fungsi ini digunakan untuk jaringan saraf yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid biner memiliki nilai range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan saraf 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 (Gambar 2.9). Fungsi sigmoid biner dirumuskan sebagai:

19

Gambar 2.11 Fungsi Aktivasi Sigmoid Biner i. Fungsi Sigmoid Bipolar

Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja output dari fungsi ini memiliki range antara 1 sampai -1. Fungsi sigmoid bipolar dirumuskan sebagai:

(2.10) (2.11)

20

2.5.2 Proses Pelatihan JST Backpropagation

Inti dari algoritma pembelajaran dengan metode Backpropagation terletak pada kemampuannya untuk mengubah nilai-nilai bobotnya untuk menanggapi adanya kesalahan. Untuk dapat menghitung kesalahan, pada proses pembelajaran perlu adanya pola-pola keluaran yang dijadikan target oleh jaringan, sehingga setiap keluaran yang dihasilkan oleh jaringan akan dibandingkan dengan targetnya. Hasil dari perbandingan ini berupa error atau kesalahan. Oleh karena itu, JST Backpropagation merupakan jaringan dengan proses pembelajaran secara terbimbing.

Setelah kesalahan diperoleh, selanjutnya jaringan melewatkan turunan-turunan dari kesalahan ke lapisan tersembunyi menggunakan sambungan terbobot yang masih belum diubah nilainya. Setiap simpul pada lapisan tersembunyi menghitung jumlah terbobot dari kesalahan yang telah dipropagasikan balik untuk menghitung sumbangan tidak langsungnya kepada kesalahan keluaran yang telah diketahui. Setelah masing-masing simpul pada lapisan tersembunyi dan lapisan keluaran menemukan besarnya kesalahan, simpul-simpul tersebut akan mengubah bobot-bobotnya untuk mengurangi kesalahan tersebut. Perubahan bobot ditujukan untuk meminimalkan jumlah kesalahan kuadrat jaringan. Oleh sebab inilah, algoritma Backpropagation dikatakan sebagai suatu prosedur untuk mendapatkan paket bobot yang meminimalkan jumlah kuadrat kesalahan. Jumlah kuadrat kesalahan akan semakin mengecil dengan berjalannya waktu dan iterasi yang dilakukan oleh jaringan tersebut.

Pelatihan dalam Backpropagation meliputi 3 fase. Fase pertama adalah fase maju, yaitu pola masukan dihitung sampai layer keluaran dengan fungsi aktivasi yang ditentukan. Fase selanjutnya adalah propagasi mundur, yaitu fase pengoreksian antara nilai keluaran terhadap targetnya yang kemudian dipropagasi mundur. Fase yang terakhir adalah fase perubahan bobot[17].

Langkah 0 : Inisialisasi bobot

Langkah 1 : Sementara kondisi berhenti salah, lakukan langkah 2-9 Langkah 2 : Untuk setiap pasang data belajar, lakukan langkah 3-8 Fase I : Propagasi Maju

21

Langkah 3 : Masing-masing unit masukan (Xi, i= 1,2,…,n) menerima sinyal masukan Xi dan sinyal tersebut disebarkan ke unit-unit bagian berikutnya (unit-unit lapisan tersembunyi)

Langkah 4 : Masing-masing unit dilapisan tersembunyi (Zj, j= 1,2,…,p) dikalikan dengan faktor penimbang dan dijumlahkan serta ditambahkan dengan biasnya:

(2.12) Kemudian menghitung sesuai dengan fungsi aktivasi yang digunakan.

Langkah 5 : Masing-masing unit keluaran (Yk, k=1,2,3,…m) dikalikan dengan faktor penimbang dan dijumlahkan:

(2.13)

Menghitung kembali sesuai dengan fungsi aktivasi yang digunakan: Fase II : Propagasi Mundur

Langkah 6 : Masing-masing unit keluaran (Yk, k=1,…,m) menerima pola target sesuai dengan pola masukan saat pelatihan dan dihitung galatnya:

(2.14) Menghitung dengan menggunakan fungsi aktivasi yang digunakan sehingga menghasilkan suatu persamaan untuk menghitung nilai nya.

Menghitung nilai koreksi bobot yang digunakan untuk memperbarui nilai bobot :

(2.15)

Menghitung nilai koreksi bias yang digunakan untuk memperbarui nilai :

(2.16)

Dan mengirim nilai error ke lapisan dibawahnya.

Langkah 7 : Setiap neuron tersembunyi (Zj, j=1,..,m) menghitung masukan deltadari neuron di atasnya:

(2.17)

22

(2.18)

Menghitung nilai koreksi bobot yang digunakan untuk memperbarui nilai bobot

(2.19)

Menghitung nilai koreksi bias yang digunakan untuk memperbarui nilai

(2.20) Memperbarui nilai bobot dan bias:

Fase III : Perubahan Bobot

Langkah 8 : Hitung semua perubahan bobot

Masing-masing keluaran unit (yk, k=1,2…,m) diperbaiki bias dan penimbangnya (j=0,1…,p)

(2.21) Masing-masing unit tersembunyi (Zj, j:1,2…,p) diperbaiki bias dan penimbangnya (i=0,1…,n)

(2.22)

Langkah 9 : Uji kondisi pemberhentian (akhir iterasi). 2.5.3 Proses Pengujian JST Backpropagation

Proses Pengujian arsitektur jaringan syaraf tiruan (ANN) digunakan untuk mengetahui apakah arsitektur jaringan yang telah dilatih telah dapat mengenali pola-pola data, selain data latih, dengan baik atau tidak. Untuk menilai kedekatan atau kecocokan data hasil pemodelan dengan data hasil pengamatan, dilakukan uji kecocokan dengan menggunakan fungsi objektif atau fungsi kesalahan yang merupakan persamaan dari perhitungan dan pengamatan.

a. Mean Square Error (MSE)

b. Root Mean Square Error (RMSE) c. Kesalahan Absolute Rata-Rata (KAR)

23

2.6 Object Oriented Programming (OOP)

Objek adalah kesatuan entitas yang memiliki sifat dan tingkah laku. Dalam kehidupan sehari-hari, objek adalah benda, baik benda berwujud nyata seperti manusia, hewan, mobil, komputer, handphone, pena, ataupun benda yang tidak nyata atau konsep, seperti halnya tabungan bank, sistem antrian, sistem internet banking, dan sebagainya. Jadi pengertian OOP adalah konsep yang membagi program menjadi objek-objek yang saling berinteraksi satu sama lain. Objek adalah benda, baik benda yang berwujud nyata maupun benda yang tidak nyata (konsep). Jika menggunakan OOP maka akan ada enam keuntungan yang dapat diperoleh, yaitu[18]:

a. Alami

b. Dapat diandalkan

c. Dapat digunakan kembali d. Mudah untuk dalam perawatan e. Dapat diperluas

f. Efisiensi waktu

2.6.1 Analisis Berorientasi Objek

Analisis berorientasi objek atau Object Oriented Analysis (OOA) adalah tahap untuk menganalisis spesifikasi atau kebutuhan akan sistem yang akan dibangun dengan konsep berorientasi objek, apakah benar kebutuhan yang ada dapat diimplementasikan menjadi sebuah sistem berorientasi objek.

OOA biasanya menggunakan kartu CRC (Component, Responsibility, Collaborator) untuk membangun kelas-kelas yang akan digunakan atau menggunakan UML (Unifed Modeling Language) pada bagian diagram use case, diagram kelas, dan diagram objek[20].

2.6.2 Desain Berorientasi Objek

Desain berorientasi objek atau Object Oriented Design (OOD) adalah tahapan perantara untuk spesifikasi atau kebutuhan sistem yang akan dibangun

24

dengan konsep berorientasi objek ke desain pemodelan agar lebih mudah diimplementasikan dengan pemograman berorientasikan objek.

Pemodelan berorientasi objek biasanya dituangkan dalam dokumentasi perangkat lunak dengan menggunakan perangkat lunak dengan menggunakan perangkat pemodelan berorientasi objek, diantaranya adalah UML (Unified Modeling Language). Kendala dan permasalahan pembangunan sistem berorientasi objek biasanya dapat dikenali dalam tahap ini[19].

2.6.3 Unified Modeling Language (UML)

UML adalah bahasa spesifikasi standar untuk mendokumentasikan, menspesifikasikan, dan membangun sebuah sistem. UML adalah himpunan struktur dan teknik untuk pemodelan desain program berorientasi objek (OOP) serta aplikasinya. UML adalah metodologi untuk mengembangkan sistem OOP dan sekelompok perangkat tool untuk mendukung pengembangan sistem tersebut. UML mulai diperkenalkan oleh Object Management Group, sebuah organisasi yang telah mengembangkan model, teknologi, dan standar OOP sejak tahun 1980- an. Sekarang UML sudah mulai banyak digunakan oleh para praktisi OOP. UML merupakan dasar bagi perangkat (tool) desain berorientasi objek dari IBM. UML mendefinisikan diagram-diagram sebagai berikut[20].

1. Use case diagram 2. Activity diagram 3. Sequence diagram 4. Class diagram

UML dapat digunakan untuk membuat model untuk semua jenis perangkat lunak, dimana perangkat lunak tersebut dapat berjalan pada piranti keras, sistem operasi dan jaringan apapun, serta ditulis dalam bahasa pemrograman apapun. Tetapi karena UML juga menggunakan class dan operation dalam konsep dasarnya, maka akan lebih cocok untuk penulisan piranti lunak dalam bahasa berorientasi objek.

25

2.6.4 Use Case Diagram

Use case diagram adalah suatu model untuk menggambarkan fungsionalitas yang diharapkan dari sebuah sistem. Yang ditekankan adalah “apa”

yang diperbuat sistem, dan bukan “bagaimana”. Sebuah use case

merepresentasikan sebuah interaksi antara aktor dengan sistem. Use case merupakan sebuah pekerjaan tertentu, misalnya login ke sistem, meng-create sebuah daftar belanja, dan sebagainya. Seorang atau sebuah aktor adalah sebuah entitas manusia atau mesin yang berinteraksi dengan sistem untuk melakukan pekerjaan-pekerjaan tertentu.

Use case diagram dapat sangat membantu menyusun requirement sebuah sistem, mengkomunikasikan rancangan dengan klien, dan merancang test case untuk semua feature yang ada pada sistem. Sebuah use case dapat meng-include fungsionalitas use case lain sebagai bagian dari proses dalam dirinya. Secara umum diasumsikan bahwa use case yang di-include akan dipanggil setiap kali use case yang meng-include dieksekusi secara normal.

Sebuah use case dapat di-include oleh lebih dari satu use case lain, sehingga duplikasi fungsionalitas dapat dihindari dengan cara menarik keluar fungsionalitas yang common. Sebuah use case juga dapat meng-extend use case lain dengan behaviour-nya sendiri. Sementara hubungan generalisasi antar use case menunjukkan bahwa use case yang satu merupakan spesialisasi dari yang lain.

Syarat penamaan pada use case adalah nama didefinisikan sesimpel mungkin dan dapat dipahami. Ada dua hal utama pada use case yaitu pendefinisian apa yang disebut aktor dan use case[20]:

1. Aktor merupakan orang, proses atau sistem lain yang berinteraksi dengan sistem yang akan dibuat. Jadi walaupun simbol aktor dalam diagram use case berbentuk orang, namun aktor belum tentu orang.

2. Use case merupakan fungsionalitas yang disediakan sistem sebagai unit-unit yang slaing berinteraksi atau bertukar pesan antar unit maupun aktor.

26

3. Relasi merupakan hubungan yang terjadi pada sistem baik antar aktor maupun antar use case maupun anatara usecase dan aktor. Relasi yang digunakan dalam diagram use case antara lain.

Berikut merupakan komponen-komponen lain yang terdapat pada use case:

a. Assosiation merupakan rlasi yang digunakan untuk menggambarkan interaksi antara usecase dan aktor. Asosiasi juga menggambarkan berapa banyak objek lain yang bisa berinteraksi dengan suatu objek atau disebut multiplicity.

b. Generalization merupakan relasi yang menggambarkan inheritance baik aktor maupun usecase.

c. Dependency merupakan relasi yang menggambarkan ketergantungan antara usecase yang satu dengan usecase yang lain. Ada dua macam dependency yaitu include dan extends.

d. Include menggambarkan bahwa jalannya suatu usecase memicu jalannya usecase lain. Misalnya usecase login di include oleh usecase memilih menu, artinya usecase memilih menu akan memicu dijalankannya usecase login. Sebelum aktor menjalankan usecase memilih menu, aktor harus menjalankan usecase login dulu. Dalam penggambaran diagram usecase, parah mengarah kepada usecase yang di include.

e. Extends menggambarkan bahwa suatu usecase dijalankan karena ada persyaratan tertentu dari usecase lain. Misal, dalam sebuah sistem user tidak bisa menjalankan login sebelum dia mendaftar akun. Dalam diagram usecase, usecase daftar akun meng extends usecase login. Artinya aktor harus menjalankan usecase daftar akun dulu sebelum menjalankan usecase login karena usecase login memiliki syarat aktor yang melakukan login harus sudah melakukan pendaftaran akun. Arah panah dependency mengarah pada usecase yang memiliki syarat.

2.6.5 Activity Diagram

Activity diagram menggambarkan berbagai alur aktivitas dalam sistem yang sedang dirancang, bagaimana masing-masing alur berawal, decision yang

27

mungkin terjadi, dan bagaimana mereka berakhir. Activity diagram juga dapat menggambarkan proses paralel yang mungkin terjadi pada beberapa eksekusi.

Activity diagram merupakan state diagram khusus, dimana sebagian besar state adalah action dan sebagian besar transisi di-trigger oleh selesainya state sebelumnya (internal processing). Oleh karena itu activity diagram tidak menggambarkan behaviour internal sebuah sistem (dan interaksi antar subsistem) secara eksak, tetapi lebih menggambarkan proses-proses dan jalur-jalur aktivitas dari level atas secara umum[20].

Berikut merupakan komponen-komponen lain yang terdapat pada activity diagram:

1. Activity atau state: Menunjukan aktivitas yang dilakukan.

2. Initial activity atau initial state: Menunjukan awal aktivitas dimulai. 3. Final Activity atau final state: Menunjukan bagian akhir dari aktivitas.

4. Decission: Digunakan untuk menggambarkan test kondisi untuk memastikan bahwa control flow atau object flow mengalir lebih ke satu jalur. Jumlah jalur sesuai yang diinginkan.

5. Merge: Berfungsi menggabungkan flow yang dipecah oleh decission.

6. Synchronization: Dibagi menjadi 2 yaitu fork dan join. Fork digunakan untuk memecah behaviour menjadi activity atau action yang paralel, sedangkan join untuk menggabungkan kembali activity atau action yang paralel.

7. Swimlanes: Memecah activity diagram menjadi baris dan kolom untuk membagi tangung jawab obyek-obyek yang melakukan aktivitas.

8. Transition: Menunjukan aktivitas selanjutnya setelah aktivitas sebelumnya. 2.6.6 Sequence Diagram

Sequence diagram menggambarkan interaksi antar objek di dalam dan di sekitar sistem (termasuk pemain, display, dan sebagainya) berupa message yang digambarkan terhadap waktu. Sequence diagram terdiri atar dimensi vertikal (waktu) dan dimensi horizontal (objek-objek yang terkait).

Sequence diagram biasa digunakan untuk menggambarkan skenario atau rangkaian langkah-langkah yang dilakukan sebagai respons dari sebuah event

28

untuk menghasilkan output tertentu. Diawali dari apa yang men-trigger aktivitas tersebut, proses dan perubahan apa saja yang terjadi secara internal dan output apa yang dihasilkan[20].

2.6.7 Class Diagram

Class diagram merupakan diagram statis. Class diagram mewakili pandangan statis dari aplikasi. Class diagram tidak hanya digunakan untuk memvisualisasikan, menggambarkan, dan mendokumentasikan perbedaan aspek dari sistem, tetapi juga untuk membangun kode executable dari aplikasi software.

Class diagram menampilkan koleksi dari class, interface, associations, collaborations, dan constraints. Hal ini juga dikenal sebagai diagram struktural. Class diagram memberikan pandangan dari kelas desain dari sistem. Class diagram mengandung representasi dari kelas dan paket dan bagaimana mereka berhubungan[20]. Berikut merupakan komponen-komponen lain yang terdapat pada class diagram:

1. Main class yaitu kelas yang memiliki fungsi awal dieksekusi ketika sistem dijalankan.

2. Interface class merupakan kelas yang mendefinisikan dan mengatur tampilan ke pemakai. Biasanya juga disebut kelas boundaries.

3. Kelas yang diambil dari pendefinisian usecase merupakan kelas yang menangani fungsi-fungsi yang harus ada dan diambil dari pendefinisian usecase.

4. Kelas Entitas merupakan kelas yang digunakan untuk memegang atau membungkus data menjadi sebuah kesatuan yang diambil maupun akan disimpan ke basis data.

Dalam suatu diagram kelas atribut dan method dapat memiliki salah satu sifat berikut:

a. Private: Tidak dapat dipanggil dari luar kelas yang bersangkutan

b. Protected: Hanya dapat dipanggil oleh kelas yang bersangkutan dan anak-anak kelas yang mewarisinya.

29

2.7 C# (C Sharp)

C# (C Sharp) merupakan sebuah bahasa pemrograman yang berorientasi objek yang dikembangkan oleh Microsoft sebagai bagian dari inisiatif kerangka .NET Framework. Bahasa pemrograman ini dibuat berbasiskan bahasa C++ yang telah dipengaruhi oleh aspek-aspek ataupun fitur bahasa yang terdapat pada bahasa-bahasa pemrograman lainnya seperti Java, Delphi, Visual Basic, dan lain-lain) dengan beberapa penyederhanaan. Menurut standar ECMA-334 C# Language Specification, nama C# terdiri atas sebuah huruf Latin C (U+0043) yang diikuti oleh tanda pagar yang menandakan angka # (U+0023). Tanda pagar # yang digunakan memang bukan tanda kres dalam seni musik (U+266F), dan tanda pagar # (U+0023) tersebut digunakan karena karakter kres dalam seni musik tidak terdapat di dalam keyboard standar[21].

2.8 Black Box

Metode ujicoba blackbox memfokuskan pada keperluan fungsional dari software. Karna itu ujicoba blackbox memungkinkan pengembang software untuk membuat himpunan kondisi input yang akan melatih seluruh syarat-syarat fungsional suatu program. Ujicoba blackbox bukan merupakan alternatif dari ujicoba whitebox, tetapi merupakan pendekatan yang melengkapi untuk menemukan kesalahan lainnya, selain menggunakan metode whitebox[22].

Uji coba blackbox berusaha untuk menemukan kesalahan dalam beberapa kategori, diantaranya:

1. Fungsi-fungsi yang salah atau hilang 2. Kesalahan interface

3. Kesalahan dalam struktur data atau akses database eksternal 4. Kesalahan performa

30

2.9 Pengujian Confusion Matrix

Confusion matrix memberikan keputusan yang diperoleh dalam traning dan testing, confusion matrix memberikan penilaian performance klasifikasi berdasarkan objek dengan benar atau salah. Confusion matrix berisi informasi aktual(actual) dan prediksi(predicted) pada sistem klasifikasi[23].

Tabel 2.1 Confusion Matrix 2 Kelas Classification Predicted Class

Observed Class Class = Yes Class = No

Class = Yes A (true positif - tp) B (false negative - fn) Class = No C (false positif - fp) D (true negative - tn) Keterangan:

a. True Positive (tp) = proporsi positif dalam data set yang diklasifikasikan positif. b. True Negative (tn) = proporsi negatif dalam data set yang diklasifikasikan negatif.

c. False Positive (fp) = proporsi negatif dalam data set yang diklasifikasikan positif.

d. False Negative (fn) = proporsi negatif dalam data set yang diklasifikasikan negatif.

Tabel 2.2 Confusion Matrix 3 Kelas Predicted Class

Class 1 Class 2 Class 3 Actual Class Class 1 Class 11 Class 12 Class 13

Class 2 Class 21 Class 22 Class 23 Class 3 Class 31 Class 32 Class 33 Berikut adalah persamaan model confusion matrix untuk 3 kelas:

a. Nilai Akurasi

(2.22) b. Error Rate

101

BAB 5

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil penelitian, analisis, perancangan dan pengujian implementasi algoritma backpropagation pada NPC enemy untuk menentukan langkah di game tower defense, didapatkan kesimpulan yaitu hasil akurasi terbaik ketika hidden layer menggunakan 9 perceptron, dengan learning rate 0,1, dan target error −11 nilai akurasinya adalah 87%.

5.2 Saran

Berdasarkan hasil penelitian semakin banyak perceptron, semakin kecil learning rate dan target error yang digunakan maka hasil akurasi semakin membaik tapi proses perhitungan semakin lama. Untuk kedepannya dapat dilakukan percobaan dengan menggunakan algoritma neural network lainnya untuk mengetahui apakah akurasi semakin membaik dengan proses yang lebih cepat.

3. Relasi merupakan hubungan yang terjadi pada sistem baik antar aktor maupun antar use case maupun anatara usecase dan aktor. Relasi yang digunakan dalam diagram use case antara lain.

Berikut merupakan komponen-komponen lain yang terdapat pada use case: a. Assosiation merupakan rlasi yang digunakan untuk menggambarkan interaksi

antara usecase dan aktor. Asosiasi juga menggambarkan berapa banyak objek lain yang bisa berinteraksi dengan suatu objek atau disebut multiplicity.

b. Generalization merupakan relasi yang menggambarkan inheritance baik aktor maupun usecase.

c. Dependency merupakan relasi yang menggambarkan ketergantungan antara usecase yang satu dengan usecase yang lain. Ada dua macam dependency yaitu include dan extends.

d. Include menggambarkan bahwa jalannya suatu usecase memicu jalannya usecase lain. Misalnya usecase login di include oleh usecase memilih menu, artinya usecase memilih menu akan memicu dijalankannya usecase login. Sebelum aktor menjalankan usecase memilih menu, aktor harus menjalankan usecase login dulu. Dalam penggambaran diagram usecase, parah mengarah kepada usecase yang di include.

e. Extends menggambarkan bahwa suatu usecase dijalankan karena ada persyaratan tertentu dari usecase lain. Misal, dalam sebuah sistem user tidak bisa menjalankan login sebelum dia mendaftar akun. Dalam diagram usecase, usecase daftar akun meng extends usecase login. Artinya aktor harus menjalankan usecase daftar akun dulu sebelum menjalankan usecase login karena usecase login memiliki syarat aktor yang melakukan login harus sudah melakukan pendaftaran akun. Arah panah dependency mengarah pada usecase yang memiliki syarat.

2.6.5 Activity Diagram

Activity diagram menggambarkan berbagai alur aktivitas dalam sistem yang sedang dirancang, bagaimana masing-masing alur berawal, decision yang

mungkin terjadi, dan bagaimana mereka berakhir. Activity diagram juga dapat menggambarkan proses paralel yang mungkin terjadi pada beberapa eksekusi.

Activity diagram merupakan state diagram khusus, dimana sebagian besar state adalah action dan sebagian besar transisi di-trigger oleh selesainya state sebelumnya (internal processing). Oleh karena itu activity diagram tidak menggambarkan behaviour internal sebuah sistem (dan interaksi antar subsistem) secara eksak, tetapi lebih menggambarkan proses-proses dan jalur-jalur aktivitas dari level atas secara umum[20].

Berikut merupakan komponen-komponen lain yang terdapat pada activity diagram:

1. Activity atau state: Menunjukan aktivitas yang dilakukan.

2. Initial activity atau initial state: Menunjukan awal aktivitas dimulai. 3. Final Activity atau final state: Menunjukan bagian akhir dari aktivitas.

4. Decission: Digunakan untuk menggambarkan test kondisi untuk memastikan bahwa control flow atau object flow mengalir lebih ke satu jalur. Jumlah jalur sesuai yang diinginkan.

5. Merge: Berfungsi menggabungkan flow yang dipecah oleh decission.

6. Synchronization: Dibagi menjadi 2 yaitu fork dan join. Fork digunakan untuk memecah behaviour menjadi activity atau action yang paralel, sedangkan join untuk menggabungkan kembali activity atau action yang paralel.

7. Swimlanes: Memecah activity diagram menjadi baris dan kolom untuk membagi tangung jawab obyek-obyek yang melakukan aktivitas.

8. Transition: Menunjukan aktivitas selanjutnya setelah aktivitas sebelumnya.

2.6.6 SequenceDiagram

Sequence diagram menggambarkan interaksi antar objek di dalam dan di sekitar sistem (termasuk pemain, display, dan sebagainya) berupa message yang digambarkan terhadap waktu. Sequence diagram terdiri atar dimensi vertikal (waktu) dan dimensi horizontal (objek-objek yang terkait).

Sequence diagram biasa digunakan untuk menggambarkan skenario atau rangkaian langkah-langkah yang dilakukan sebagai respons dari sebuah event

untuk menghasilkan output tertentu. Diawali dari apa yang men-trigger aktivitas tersebut, proses dan perubahan apa saja yang terjadi secara internal dan output apa yang dihasilkan[20].

2.6.7 Class Diagram

Class diagram merupakan diagram statis. Class diagram mewakili pandangan statis dari aplikasi. Class diagram tidak hanya digunakan untuk memvisualisasikan, menggambarkan, dan mendokumentasikan perbedaan aspek dari sistem, tetapi juga untuk membangun kode executable dari aplikasi software.

Class diagram menampilkan koleksi dari class, interface, associations, collaborations, dan constraints. Hal ini juga dikenal sebagai diagram struktural. Class diagram memberikan pandangan dari kelas desain dari sistem. Class diagram mengandung representasi dari kelas dan paket dan bagaimana mereka berhubungan[20]. Berikut merupakan komponen-komponen lain yang terdapat pada class diagram:

1. Main class yaitu kelas yang memiliki fungsi awal dieksekusi ketika sistem dijalankan.

2. Interface class merupakan kelas yang mendefinisikan dan mengatur tampilan ke pemakai. Biasanya juga disebut kelas boundaries.

3. Kelas yang diambil dari pendefinisian usecase merupakan kelas yang menangani fungsi-fungsi yang harus ada dan diambil dari pendefinisian usecase.

4. Kelas Entitas merupakan kelas yang digunakan untuk memegang atau membungkus data menjadi sebuah kesatuan yang diambil maupun akan disimpan ke basis data.

Dalam suatu diagram kelas atribut dan method dapat memiliki salah satu sifat berikut:

a. Private: Tidak dapat dipanggil dari luar kelas yang bersangkutan

b. Protected: Hanya dapat dipanggil oleh kelas yang bersangkutan dan anak-anak kelas yang mewarisinya.

2.7 C# (C Sharp)

C# (C Sharp) merupakan sebuah bahasa pemrograman yang berorientasi objek yang dikembangkan oleh Microsoft sebagai bagian dari inisiatif kerangka .NET Framework. Bahasa pemrograman ini dibuat berbasiskan bahasa C++ yang telah dipengaruhi oleh aspek-aspek ataupun fitur bahasa yang terdapat pada bahasa-bahasa pemrograman lainnya seperti Java, Delphi, Visual Basic, dan lain-lain) dengan beberapa penyederhanaan. Menurut standar ECMA-334 C# Language Specification, nama C# terdiri atas sebuah huruf Latin C (U+0043) yang diikuti oleh tanda pagar yang menandakan angka # (U+0023). Tanda pagar # yang digunakan memang bukan tanda kres dalam seni musik (U+266F), dan tanda pagar # (U+0023) tersebut digunakan karena karakter kres dalam seni musik tidak terdapat di dalam keyboard standar[21].

2.8 Black Box

Metode ujicoba blackbox memfokuskan pada keperluan fungsional dari software. Karna itu ujicoba blackbox memungkinkan pengembang software untuk membuat himpunan kondisi input yang akan melatih seluruh syarat-syarat fungsional suatu program. Ujicoba blackbox bukan merupakan alternatif dari ujicoba whitebox, tetapi merupakan pendekatan yang melengkapi untuk menemukan kesalahan lainnya, selain menggunakan metode whitebox[22].

Uji coba blackbox berusaha untuk menemukan kesalahan dalam beberapa kategori, diantaranya:

1. Fungsi-fungsi yang salah atau hilang 2. Kesalahan interface

3. Kesalahan dalam struktur data atau akses database eksternal 4. Kesalahan performa

2.9 Pengujian Confusion Matrix

Confusion matrix memberikan keputusan yang diperoleh dalam traning dan testing, confusion matrix memberikan penilaian performance klasifikasi berdasarkan objek dengan benar atau salah. Confusion matrix berisi informasi aktual(actual) dan prediksi(predicted) pada sistem klasifikasi[23].

Tabel 2.1 Confusion Matrix 2 Kelas Classification Predicted Class

Observed Class Class = Yes Class = No

Class = Yes A (true positif - tp) B (false negative - fn) Class = No C (false positif - fp) D (true negative - tn) Keterangan:

a. True Positive (tp) = proporsi positif dalam data set yang diklasifikasikan positif. b. True Negative (tn) = proporsi negatif dalam data set yang diklasifikasikan negatif.

c. False Positive (fp) = proporsi negatif dalam data set yang diklasifikasikan positif.

d. False Negative (fn) = proporsi negatif dalam data set yang diklasifikasikan negatif.

Tabel 2.2 Confusion Matrix 3 Kelas Predicted Class

Class 1 Class 2 Class 3 Actual Class Class 1 Class 11 Class 12 Class 13

Class 2 Class 21 Class 22 Class 23 Class 3 Class 31 Class 32 Class 33 Berikut adalah persamaan model confusion matrix untuk 3 kelas:

a. Nilai Akurasi

(2.22) b. Error Rate

101 5.1 Kesimpulan

Berdasarkan hasil penelitian, analisis, perancangan dan pengujian implementasi algoritma backpropagation pada NPC enemy untuk menentukan langkah di game tower defense, didapatkan kesimpulan yaitu hasil akurasi terbaik ketika hidden layer menggunakan 9 perceptron, dengan learning rate 0,1, dan target error −11 nilai akurasinya adalah 87%.

5.2 Saran

Berdasarkan hasil penelitian semakin banyak perceptron, semakin kecil learning rate dan target error yang digunakan maka hasil akurasi semakin membaik tapi proses perhitungan semakin lama. Untuk kedepannya dapat dilakukan percobaan dengan menggunakan algoritma neural network lainnya untuk mengetahui apakah akurasi semakin membaik dengan proses yang lebih cepat.