BAB 3 ANALISIS DAN PERANCANGAN
3.1 Analisis Jaringan
Backpropagation
Jaringan backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta
kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa tapi tidak sama dengan pola yang dipakai selama pelatihan. Kata
backpropagation merujuk pada cara bagaimana gradien perubahan bobot dihitung. Sifat generalisasi yang dimiliki oleh jaringan backpropagation membuat pelatihan
menjadi lebih efisien karena tidak perlu dilakukan pada semua data.
3.1.1 Input dan Output Jaringan
Menurut Semangun [15], ciri-ciri kondisi tembakau yang sehat adalah tembakau dengan kondisi daun yang tidak busuk, dengan warna hijau, tidak berbau, bentuk daun
lonjong, tidak mempunyai bercak berwarna kuning kecoklatan dan tidak berbintik hitam. Sedangkan pada batang, berwarna hijau, tidak busuk dan bentuk batang tegak.
Pada akar, akar harus berwarna coklat dan tidak busuk. Kondisi tersebut hanya merupakan kondisi tanaman tembakau yang terlihat dari luar, tidak termasuk kondisi
Universitas Sumatera Utara
bagian dalam seperti empulur dan yang lainnya. Jika lebih 3 dari kondisi itu tidak terpenuhi maka, tembakau sudah tergolong berpenyakit.
Pada jaringan saraf tiruan, diberikan contoh pola untuk belajar, sehingga jaringan dapat mengenali pola tanpa perancang yang nyata yang mengkalkulasikan
bobot yang seharusnya. Pembelajaran diulang beberapa kali untuk mendapatkan bobot yang ideal yang menjamin jaringan memberikan target yang diinginkan [8].
Kesebelas variabel tersebutlah yang akan diberi bobot pada jaringan saraf tiruan yang dibentuk dengan metode backpropagation dengan ketentuan jika kondisi
peyakit sesuai dengan kondisi sehat di atas maka akan diberi target 0 dan jika diluar dari kondisi sehat diatas akan diberi target 1. Pada jaringan yang dibuat pada
penelitian ini, kesebelas jaringan tersebut merupakan neuron pada lapisan pertama jaringan yang menjadi pola yang akan dilatih untuk mendapat pola yang menghasilkan
bobot yang ideal.
Target jaringan adalah tanaman sehat dan tanaman berpenyakit, jika tanaman tembakau memenuhi semua kriteria pada kondisi tanaman sehat, maka neuron pada
lapisan pertama mempunyai bobot 0 0 0 0 0 0 0 0 0 0 0 dengan target 0. Sedangkan jika tidak satupun kondisi tanaman sehat terpenuhi maka neuron mempunyai bobot 1 1
1 1 1 1 1 1 1 1 1 dengan target 1. Sehingga jaringan mempunyai dua target yaitu tanaman sehat 0 dan tanaman berpenyakit 1.
Varibel input diberi nilai dengan range [0,1] pemberian nilai berdasarkan tingkat pengaruh gejala terhadap penyakit, jika gejala yang terlihat sangat
berpengaruh terhadap penyakit maka nilai yang diberi semakin tinggi. Pada lapisan output, ada 2 variabel yang menjadi unit keluaran yaitu: tanaman sehat dan tanaman
berpenyakit.
Gejala penyakit tanaman yang dijadikan unit input pada jaringan dan hasil penyakit yang didapat dari pelatihan dan pengujian dengan mengolah unit input yang
masing-masing telah diberi bobot disajikan pada Tabel 3.1 dan Tabel 3.2.
Universitas Sumatera Utara
Tabel 3.1
Variabel inputan
No Variabel-variabel Nilai dari variabel
1 Bentuk daun
Lonjong = 0 Melengkung = 1
2 Warna daun
Hijau = 0 Coklat = 1
3 Bau daun
Tidak berbau = 0 Berbau = 1
4 Kondisi daun
Tidak layu = 0 Layu = 1
5 Bercak Tidak ada = 0
Ada = 1 6 Bintik
Tidak ada = 0 Ada = 1
7 Bentuk batang
Tegak = 0 Berlekuk = 1
8 Kondisi batang
Tidak busuk = 0 Busuk = 1
9 Warna batang
Hijau = 0 Coklat = 1
10 Warna akar
Coklat = 0 Hitam = 1
11 Keadaan akar
Tidak busuk = 0 Busuk = 1
Tabel 3.2
Hasil pelatihan
Universitas Sumatera Utara
Target penyakit
Hasil pelatihan
0 Tanaman sehat
1 Tanaman berpenyakit
3.1.2 Topologi Jaringan
Topologi jaringan yang digunakan pada penulisan ini adalah jaringan feedforward yang memiliki satu atau lebih lapisan tersembunyi dari sigmoid neurons yang diikuti
oleh lapisan output. Lapisan ganda dari neuron dengan fungsi transfer yang tidak linear membuatkan jaringan dapat mempelajari hubungan nonlinear dan linear antara
vektor input dan output. Lapisan output yang linear mengijinkan jaringan untuk menghasilkan nilai diluar antara -1 dan +1.
Jika ingin membatasi output jaringan seperti misalnya hanya nilai antara 0 dan 1, termasuk nilai pecahan 0.1; 0.25 dan seterusnya, maka fungsi transfer akan
menggunakan sigmoid transfer function seperti misalnya
logsig
. Pada penelitian ini output di set antara 0 dan 1 maka fungsi aktivasi yang digunakan adalah fungsi tansig.
Untuk jaringan dengan multilayer atau banyak lapisan seperti yang digunakan pada penulisan ini, jumlah lapisan menentukan jumlah matriks bobot. Notasi yang
sesuai digunakan dengan dua lapisan tansigpurelin ditunjukkan pada Gambar 3.1.
Universitas Sumatera Utara
Gambar 3.1 Jaringan feedforward
Jaringan ini dapat digunakan sebagai fungsi penduga secara umum. Jaringan ini dapat menduga fungsi lain dengan angka yang terbatas dari sebuah kondisi yang
belum diketahui dan tidak kontinu dengan baik, yang diberikan oleh neuron pada lapisan tersembunyi.
3.2 Membangun Jaringan
Kategori