Implementasi Algoritma Backpropagation Jaringan Syaraf Tiruan untuk Mendeteksi Penyakit Tanaman Karet (Hevea brasiliensis)
IMPLEMENTASI ALGORITMA BACKPROPAGATION
JARINGAN SYARAFTIRUANUNTUK
MENDETEKSIPENYAKITTANAMAN KARET
(Hevea brasiliensis)
SKRIPSI
GINA AGNESIA
081401042
PROGRAM STUDI S1 ILMU KOMPUTER
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2012 IMPLEMENTASI ALGORITMA BACKPROPAGATION JARINGAN SYARAFTIRUANUNTUKMENDETEKSI PENYAKIT TANAMAN KARET (Hevea brasiliensis)
SKRIPSI Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana
Komputer GINA AGNESIA
081401042 PROGRAM STUDI S1 ILMU KOMPUTER DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA MEDAN
2012
PERSETUJUAN
Judul : IMPLEMENTASI ALGORITMA BACKPROPAGATION JARINGAN SYARAFTIRUANUNTUK MENDETEKSIPENYAKITTANAMAN KARET (Hevea
brasiliensis )
Kategori : SKRIPSI Nama : GINA AGNESIA Nomor Induk Mahasiswa : 081401042 Program Studi : SARJANA (S1) ILMU KOMPUTER Departemen : ILMU KOMPUTER Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN ALAM
(FMIPA) UNIVERSITAS SUMATERA UTARA Diluluskan di Medan, 15Mei 2012
Komisi Pembimbing : Pembimbing 2 Pembimbing 1 Amer Sharif, S.Si, M.Kom Dr. Poltak Sihombing, M.Kom NIP. -
NIP. 196203171991031001 Diketahui/Disetujui oleh Departemen Ilmu Komputer Ketua, Dr. Poltak Sihombing, M.Kom NIP. 196203171991031001
PERNYATAAN
IMPLEMENTASI ALGORITMA BACKPROPAGATION JARINGAN SYARAFTIRUANUNTUK MENDETEKSI PENYAKITTANAMAN KARET (Hevea brasiliensis)
SKRIPSI Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, 15 Mei 2012 GINA AGNESIA 081401042
PENGHARGAAN
Puji dan syukur kepada Tuhan Yesus Kristus atas penyertaan dan kasih setiaNya penulis dapat menyelesaikan skripsi yang berjudul Implementasi Algoritma
Backpropagation Jaringan SyarafTiruanUntukMendeteksiPenyakitTanaman Karet
(Hevea brasiliensis) dalam waktu yang telah ditetapkan.Dalam pelaksanaan skripsi ini penulis mendapat banyak bantuan baik berupa dukungan material dan spiritual dari berbagai pihak. Maka dalam kesempatan ini penulis mengucapkan terima kasih kepada: 1.
Bapak Dr. Poltak Sihombing, M.Kom selaku pembimbing I sekaligus Ketua Program Studi S1 Ilmu Komputer yang telah memberikan banyak bantuan, arahan, dan kesabaran dalam membimbing penulis hingga dapat menyelesaikan skripsi ini.
2. Bapak Amer Sharif, S.Si, M.Kom selaku pembimbing II yang telah memberikan banyak bantuan, arahan, dan kesabaran dalam membimbing penulis hingga dapat menyelesaikan skripsi ini.
3. Ibu Dian Rachmawati, S.Si, M.Kom selaku pembanding I yang telah memberikan kritik dan saran yang sangat bermanfaat bagi penulis dalam penyempurnaan skripsi ini.
4. Bapak Syahriol Sitorus, S.Si, MIT selaku pembanding II yang telah memberikan kritik dan saran yang sangat bermanfaat bagi penulis dalam penyempurnaan skripsi ini.
5. Ibu Maya Silvi Lydia, B.Sc, M.Sc selaku Sekretaris Program Studi S1 Ilmu Komputer sekaligus pembimbing akademik yang telah memberikan banyak bimbingan, arahan dan bantuan selama penulis kuliah di S1 Ilmu Komputer FMIPA USU.
6. Dekan FMIPA Bapak Dr. Sutarman, M.Sc dan Pembantu Dekan FMIPA, Bapak/Ibu Dosen Pengajar beserta seluruh pegawai dan staf Program Studi S1 Ilmu Komputer FMIPA USU.
7. Seluruh praktisi perkebunan karet yang telah membantu penulis selama wawancara.
8. Ayahanda dan Ibunda tercinta, ketiga adik saya tersayang, dan seluruh keluarga besar saya yang begitu mendukung saya baik melalui doa, semangat, dan material hingga selesainya skripsi ini.
9. Teman-teman mahasiswa S1 Ilmu Komputer stambuk 2008 khususnya Yeni Susanti br. Tarigan dan Yustina yang telah memberikan semangat dan bantuan selama penulis kuliah di S1 Ilmu Komputer FMIPA USU.
10. Teman-teman serta pihak-pihak lain yang tidak dapat saya sebutkan satu per satu atas segala dukungan dan bantuannya.
Akhir kata penulis berharap semoga skripsi ini menjadi sesuatu yang berguna bagi pembaca terutama teman-teman mahasiswa. Penulis juga meminta maaf atas segala kekurangan yang terdapat di dalam skripsi ini.
Medan, 15 Mei 2012 Penulis
ABSTRAK
Pada skripsi ini, masalah yang diangkat adalah pendeteksian penyakit pada tanaman karet. Saat ini, hampir semua pekerjaan dapat dilakukan dengan menggunakan komputer, salah satunya adalah pendeteksian penyakit pada tanaman karet. Pendeteksian penyakit tanaman karet dapat dilakukan dengan menerapkan jaringan syaraf tiruan menggunakan algoritma backpropagation. Algoritma backpropagation merupakan salah satu metode pembelajaran jaringan syaraf tiruan yang membandingkan output yang diperoleh jaringan dengan target yang telah ditetapkan untuk menghitung error jaringan kemudian merambatkan error tersebut kelapisan sebelumnya untuk mendapatkan koreksi bobot yang akan menghasilkan output yang diharapkan. Penelitian ini menerapkan algoritma backpropagation dalam mengembangkan suatu jaringan syaraf tiruan untuk mendeteksi penyakit pada tanaman karet (Hevea brasiliensis). Gejala-gejala penyakit yang tampak pada tanaman karet digunakan sebagai input yang terdiri dari 7 variabel untuk tiap-tiap bagian tanaman yaitu akar, batang, bidang sadap, dan daun. Terdapat 3 target output yaitu: bagian tanaman terserang penyakit Akar putih atau terserang penyakit Jamur upas atau terserang penyakit Mouldy rot atau terserang penyakit Embun tepung; bagian tanaman sehat; dan bagian tanaman sakit. Pelatihan dalam penelitian ini menghasilkan bobot ideal dengan menggunakan 1 lapisan input, 2 lapisan tersembunyi, dan 1 lapisan output dengan 104 neuron pada lapisan tersembunyi pertama, 5 neuron pada lapisan tersembunyi kedua, fungsi aktivasi lapisan tersembunyi pertama dan kedua adalah sigmoid bipolar, fungsi aktivasi lapisan output adalah linear, dan learning rate 0,01,
- 5 pada 148.013 iterasi dengan error 1x10 .
Kata Kunci: Backpropagation, Jaringan Syaraf Tiruan, Kecerdasan Buatan,
Pendeteksian, Penyakit, Tanaman Karet.IMPLEMENTATION OF ARTIFICIAL NEURAL NETWORK USING BACKPROPAGATION ALGORITHM TO DETECT THE DISEASES OF RUBBER TREE (Hevea brasiliensis) ABSTRACT In this paper, the problem that is raised is detection of diseases in rubber tree.
Nowadays, almost every task can be done by computer, one of them is detection of diseases in rubber tree. Rubber tree diseases detection can be done by applying artificial neural network using backpropagation algorithm. Backpropagation algorithmis an artificial neural networklearning methodthat compares theoutputobtained from the networkwiththe targetwhich had been setfor calculating thenetworkerrorandpropagates theerrorto previous layertoobtain theweights correctionthat will generatethe expectedoutput. This researchapplied the backpropagationalgorithmto developan artificial neural network fordetecting thediseasesof rubber tree(Hevea brasiliensis).Visible disease symptoms in the rubber tree used as input consisted of 7variablesfor each part ofthe plantsuch as root, stem, tapping panel, and leaf. There were 3 outputs target such as: part of plant infected withWhite root disease orinfected withPinkdisease or infected withMouldy rot disease orinfected with Powdery mildew disease; healthypart of plant; and diseased part of plant. Trainingin this researchgeneratedideal weightsby usingone inputlayer, twohiddenlayers, andanoutputlayerwith 104neuronsinthe firsthidden layer, 5neuronsinthe second hiddenlayer, the activation function of the first and second hidden layer are sigmoid bipolar, the activation function of the output layer is linear,
- 5 and0.01 oflearningrate, with148,013 ofiterations, and error rate of 1x10 .
Keyword: Backpropagation, Artificial Neural Network, Artificial Intelligence,
Detection, Disease, Rubber Tree.Halaman Persetujuan ii
Pernyataan iii
Penghargaan iv
Abstrak vi
Abstract vii
Daftar Isi viii
Daftar Tabel x
Daftar Gambar xi
Daftar Lampiran xiii
Bab 1 Pendahuluan
1
1.1
1 Latar Belakang
1.2
3 Perumusan Masalah
1.3
3 Batasan Masalah
1.4
5 Tujuan Penelitian
1.5
5 Manfaat Penelitian
1.6
5 Metode Penelitian
1.7
6 Sistematika Penulisan
Bab 2 Landasan Teori
8
2.1 Jaringan Syaraf Tiruan
8
2.1.1 Pengertian Jaringan Syaraf Tiruan
9
2.1.2 Komponen Jaringan Syaraf Tiruan
9
2.1.3 Manfaat dan Aplikasi Jaringan Syaraf Tiruan
13
2.1.4 Arsitektur Jaringan Syaraf Tiruan
14
2.1.5 Fungsi Aktivasi Jaringan Syaraf Tiruan
17
2.1.6 Bias dan Threshold
23
2.1.7 Pelatihan Jaringan Syaraf Tiruan
23
2.18 Aturan Pembelajaran Jaringan Syaraf Tiruan
24
2.2 Multilayer Perceptron
25
2.3 Backpropagation
28
2.3.1 Arsitektur Jaringan Backpropagation
29
2.3.2 Fungsi Aktivasi
30
2.3.3 Algoritma Backpropagation
31
2.3.4 Pemilihan Bobot dan Bias Awal
35
2.3.5 Lapisan Tersembunyi
36 Bab 3 Analisis dan Perancangan
37
3.1 Analisis Sistem
37
3.1.1 Analisis Permasalahan
37
3.1.2 Analisis Input dan Output
38
3.1.3 Analisis Jaringan Backpropagation
42
3.1.3.1 Gambaran Proses pada Jaringan Backpropagation Secara Umum
42
3.1.3.2 Arsitektur Jaringan
45
3.2 Perancangan Sistem
46
3.2.1 Perancangan Flowchart
46
3.2.2 Ilustrasi Proses Perhitungan pada Jaringan Backpropagation
51
3.2.3 Data Flow Diagram (DFD)
55
3.2.4 Membentuk Jaringan Bakpropagation dengan Matlab R2007b
61
3.2.5 Perancangan Struktur Sistem
61
3.2.6 Perancangan Antarmuka
65 Bab 4 Implementasi dan Pengujian Sistem
68
4.1 Implementasi Sistem
68
4.1.1 Pembelajaran Jaringan
68
4.1.2 Hasil Pelatihan Jaringan
69
4.2 Pengujian Sistem
85
4.3 Tampilan Antarmuka Sistem
87
4.3.1 Tampilan Form Utama
87
4.3.2 Tampilan Form Akar
88
4.3.3 Tampilan Form Batang
89
4.3.4 Tampilan Form BidSadap
90
4.3.5 Tampilan Form Daun
91
4.3.6 Tampilan Form DaftarPenyakit
92
4.3.7 Tampilan Form Keluar
92
4.3.8 Tampilan Form Hasil Pendeteksian Sistem
93 Bab 5 Kesimpulan dan Saran
95
5.1 Kesimpulan
95
5.2 Saran
96 Daftar Pustaka
97
DAFTAR TABEL
4.7 Output dan Input untuk Bagian Akar Output dan Input untuk Bagian Batang Output dan Input untuk Bagian Bidang Sadap Output dan Input untuk Bagian Daun Keterangan Diagram Konteks Keterangan DFD Pelatihan Level 1 Keterangan DFD Pengujian Level 1 Jumlah Epoch Hasil Pelatihan Dengan 1 Lapisan Tersembunyi Jumlah Epoch Hasil Pelatihan Dengan 2 Lapisan Tersembunyi Hasil Pelatihan untuk Bagian Akar Hasil Pelatihan untuk Bagian Batang Hasil Pelatihan untuk Bagian Bidang Sadap Hasil Pelatihan untuk Bagian Daun Hasil Pengujian Sistem
82
79
76
72
70
70
60
58
56
41
41
40
40
4.6
No. Tabel Nama Tabel
4.5
4.4
4.3
4.2
4.1
3.7
3.6
3.5
3.4
3.3
3.2
3.1
Halaman
85
DAFTAR GAMBAR
19
27
26
22
22
21
20
20
19
31
18
18
17
16
15
11
10
29
43
Flowchart pelatihan jaringan Flowchart pengujian jaringan
64
88
87
72
67
67
66
65
60
44
57
56
53
51
49
48
45
Ilustrasi tahap feedforward pada jaringan Ilustrasi tahap backpropagation pada jaringan Diagram konteks DFD pelatihan level 1 DFD pengujian level 1 Struktur sistem Rancangan form Utama Rancangan form Akar, Batang, BidSadap, dan Daun Rancangan form DaftarPenyakit Rancangan form Keluar Grafik penurunan error pelatihan jaringan Tampilan form Utama Tampilan form Akar Tampilan form Batang
4.4 Neuron buatan sederhana Struktur neuron jaringan syaraf tiruan Arsitektur jaringan syaraf tiruan dengan lapisan tunggal Arsitektur jaringan syaraf tiruan dengan banyak lapisan Arsitektur jaringan syaraf tiruan dengan lapisan kompetitif Fungsi aktivasi: Undak Biner (hard limit) Fungsi aktivasi: Undak Biner (threshold) Fungsi aktivasi: Bipolar (symetrichard limit) Fungsi aktivasi: Bipolar (threshold) Fungsi aktivasi: Linear (identitas) Fungsi aktivasi: Saturating Linear Fungsi aktivasi: Symetric Saturating Linear Fungsi aktivasi: Sigmoid Biner Fungsi aktivasi: Sigmoid Bipolar Arsitektur jaringan perceptron Arsitektur jaringan lapis banyak (multilayer) Arsitektur jaringan backpropagation dengan satu lapisan tersembunyi Fungsi aktivasi sigmoid bipolar Gambaran proses pembelajaran jaringan backpropagation Gambaran proses pengujian jaringan backpropagation Arsitektur jaringan backpropagation dengan dua lapisan tersembunyi
No. Gambar Nama Gambar
2.8
2.15
2.14
2.13
2.12
2.11
2.10
2.9
2.7
2.17
2.6
2.5
2.4
2.3
2.2
2.1
Halaman
2.16
2.18
4.3
3.10
4.2
4.1
3.15
3.14
3.13
3.12
3.11
3.9
3.1
3.8
3.7
3.6
3.5
3.4
3.3
3.2
89
4.5
4.6
4.7
4.8
4.9
4.10
4.11 Tampilan form BidSadap Tampilan form Daun Tampilan form DaftarPenyakit Tampilan form Keluar Tampilan hasil pendeteksian sistem jika akar terserang penyakit Akar putih Tampilan hasil pendeteksian sistem jika akar sakit Tampilan hasil pendeteksian sistem jika akar sehat
90
91
92
92
93
94
94