Tahap Pengumpulan Data Tahap Pembangunan Perangkat Lunak

perubahan bobot dan bias. Arsitektur jaringan ini terdiri dari input layer, hidden layer dan output layer Dengan melihat penelitian Yuniar diatas, maka penulis berniat melakukan melakukan analisis dan perbandingan algoritma dengan judul tesis ini dengan Analisis Perbandingan Back Propagationdengan Learning Vector Quantization LVQ untukMemprediksi Curah Hujan Di Medan.

1.2 Rumusan Masalah

Berdasarkan latar belakang, maka yang menjadi rumusan masalah pada penelitian ini adalah untuk menganalisis cara kerja algoritma Back Propagationdan Learning Vector Quantization dalam melakukan training untuk memprediksi curah hujan pada bulan tertentu.

1.3 Tujuan Penelitian

Tujuan dari penelitian iniadalah mendapatkan penyebab adanya perbedaaan antara algoritma Back Propagationdengan Learning Vector Quantizationuntuk memprediksi curah hujan.

1.4 Batasan Masalah

a. Input data pelatihan dan pengujian berupa curah hujan dalam satuan milimeter perbulan dalam kurun waktu 30 tahun. b. Output sistem berupa prediksi curah hujan pada bulan yang sama tahun berjalan. c. Tidak membahas perbandingan waktu training antara dua algoritma diatas.

1.5 Metodologi Penelitian

Metode penelitian dalam penyusunan tugas ini dibagi menjadi dua tahap yaitu, tahap pengumpulan data serta pembangunan perangkat lunak.

1.5.1 Tahap Pengumpulan Data

Teknik pengumpulan yang dilakukan adalah studi pustaka atau studi literatur. Pengumpulan data dengan cara mengumpulkan literatur, jurnal, paper dan bacaan- bacaan yang ada kaitannya dengan judul penelitian.

1.5.2 Tahap Pembangunan Perangkat Lunak

Universitas Sumatera Utara Pada tahap ini dilakukan penulisan program yang sesuai dengan algoritma yang sudah dirancang serta dilakukan pengujian program agar sesuai dengan yang diharapkan. Universitas Sumatera Utara BAB 2 LANDASAN TEORI 2.1 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut sinapsis. Neuron bekerja berdasarkan impulssinyal yang diberikan pada neuron. Neuron meneruskannya pada neuron lain. Diperkirakan manusia memiliki 10 12 neuron dan 6x10 18 sinapsis. Dengan jumlah yang begitubanyak, otak mampu mengenali pola, melakukan perhitungan, dan mengontrol organ-organ tubuh dengan kecepatan yanglebih tinggi dibandingkan komputer digital Puspitaningrum, 2006. Sebagai perbandingan, pengenalan wajahseseorang yang sedikit berubah misal memakai topi, memiliki jenggot tambahan dan lainnya akan lebih cepat dilakukan manusia dibandingkan komputer. Pada waktu lahir, otak mempunyai struktur yang menakjubkan karena kemampuannya membentuk sendiri aturan-aturanpola berdasarkan pengalamanyang diterima. Jumlah dan kemampuan neuron berkembang seiring dengan pertumbuhan fisik manusia, terutama padaumur 0-2 tahun. Pada 2 tahun pertama umur manusia, terbentuk 1 juta sinapsis per detiknya. Gambar 2.1 Susunan Neuron Biologis Puspitaningrum, 2006 Universitas Sumatera Utara Perbedaan terminologis antara jaringan syaraf biologis dan tiruan disajikan pada Tabel 2.1. Tabel 2.1 Perbedaan Jaringan Syaraf Biologis dengan JSTPuspitaningrum, 2006. Neuron memiliki 3 komponen penting yaitu dendrit, soma dan axon. Dendrit menerima sinyal dari neuron lain. Sinyaltersebut berupa impuls elektrik yang dikirim melalui celah sinaptik melalui proses kimiawi. Sinyal tersebut dimodifikasidiperkuatdiperlemah di celah sinaptik dan selanjutnya soma menjumlahkan semua sinyal-sinyal yang masuk. Kalau jumlahan tersebut cukup kuat dan melebihi batasambang threshold, maka sinyal tersebut akan diteruskan ke sel lain melalui axon. Frekuensi penerusan sinyal berbeda-bedaantara satu sel dengan yang lain. Neuron biologi merupakan sistem yang fault tolerant dalam 2 hal. Pertama, manusia dapat mengenali sinyal input yang agak berbeda dari yang pernah kita terimasebelumnya. Sebagai contoh, manusia sering dapat mengenali seseorang yang wajahnyapernah dilihat dari foto, atau dapat mengenali seseorang yang wajahnya agak berbedakarena sudah lama tidak dijumpainya. Kedua, otak manusia tetap mampu bekerja meskipun beberapa neuronnya tidakmampu bekerja dengan baik. Jika sebuah neuron rusak, neuron lain kadang-kadang dapat dilatih untuk menggantikan fungsi sel yang rusak tersebut. 2.2 Jaringan Syaraf Tiruan Neural Network NN Jaringan Syaraf Tiruan JST adalah suatu metode pembelajaran yang diinspirasi dari jaringan sistem pembelajaran biologis yang terjadi dari jaringan selsyaraf neuron yang terhubung satu dengan yang lainnya Silvia, 2007. Universitas Sumatera Utara Berikut adalah beberapa definisi JST : a. JST adalah suatu teknik pemrosesan informasi berbasis komputer yang mensimulasikan dan memodelkan sistem syaraf biologis. b. Suatu model matematik yang mengandung sejumlah besar elemen pemroses yang diorganisasikan dalam lapisan-lapisan. c. Suatu sistem komputasi yang dibuat dari sejumlah elemen pemroses yang sederhana dan saling diinterkoneksikan untuk memproses informasi melalui masukan dari luar dan mampu inresponsi keadaan yang dinamis. d. JST adalah suatu teknologi komputasi yang berbasis hanya pada model syaraf biologis dan mencoba mensimulasikan tingkah laku dan kerja model syaraf. e. JST adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi dengan asumsi bahwa: 1. Pemrosesan informasi terjadi pada banyak elemen sederhana neuron. 2. Sinyal dikirimkan diantara neuron-neuron melalui penghubung- penghubung. 3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal. 4. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi biasanyabukan fungsi linier yang dikenakan pada jumlahan input yang diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang. 2.3 Arsitektur Jaringan Syaraf Beberapa arsitektur jaringan yang sering dipakai dalam jaringan syaraf tiruan antara lain Siang, 2005: a. Jaringan Layar Tunggal single layer network JST dengan layar tunggal pertamakali dirancang oleh Widrow dan Hoff pada tahun 1960. Walaupun JST layar tunggal ini sangat terbatas penggunaannya, namun konsep dan gagasannya banyak dipakai oleh beberapa pakar untuk membuat model JST layar jamak.Dalam jaringan ini, sekumpulan inputneuron dihubungkan langsung dengan sekumpulan output. Dalam beberapa model misal perceptron, hanya ada sebuah unit neuronoutput. Universitas Sumatera Utara Gambar 2.2 Jaringan Layar Tunggal Siang, 2005 Gambar 2.2. menunjukkan arsitektur jaringan dengan n unit input x 1 ,x 2 , ... , x n dan m buah unit output Y 1 , Y 2 , ... , Y m dimana dalam jaringan ini semua unit input dihubungkan dengan semua unit output, meskipun dengan bobot yang berbeda-beda. Tidak ada unit input yang dihubungkan dengan unit input lainnya. Demikian pula dengan unit output. Besarnya w ji menyatakan bobot hubungan antara unit ke-i dalam input dengan unit ke-j dalam output. Bobot-bobot ini saling independen. Selama proses pelatihan, bobot-bobot tersebut akan dimodifikasi untuk meningkatkan keakuratan hasil. b. Jaringan Layar Jamak multi layer network Jaringan layar jamak merupakan perluasan dari layar tunggal. Dalam jaringan ini, selain unit input dan output, ada unit-unit lain sering disebut layar tersembunyi. Dimungkinkan pula ada beberapa layar tersembunyi. Sama seperti pada unit input dan output, unit-unit dalam satu layar tidak saling berhubungan. Gambar 2.3 Jaringan Layar Jamak Universitas Sumatera Utara Gambar 2.3. adalah jaringan dengan n buah unit input x 1 , x 2 , ... , x n , sebuah layar tersembunyi yang terdiri dari p buah unit z 1 , ... , z p dan m buah unit output Y 1 , Y 2 , ... , Y m . Jaringan layar jamak dapat menyelesaikan masalah yang lebih kompleks dibandingkan dengan layar tunggal, meskipun kadangkala proses pelatihan lebih kompleks dan lama. c. Model JST dua lapisan dengan umpan balik Tokoh yang pertamakali mencetuskan ide tentang model jaringan syaraf tiruan dengan umpan balik adalah John Hopfield dari California Institute of Technology pada tahun 1982. Hopfield berpendapat bahwa kumpulan neuron tiruan dalam jumlah yang sangat besar dapat melakukan tugas-tugas tertentu. Hopfield juga membandingkan antara jumlah neuron pada binatang dengan jumlah neuron diperkirakan sekitar 1000 buah dan bila dibandingkan dengan manusia, jumlah neuron-nya mencapai 100 trilyun buah. Sungguh jumlah yang sangat fantastis.Dengan jumlah neuron yang sangat besar, JST memiliki sifat yaitu fault tolerance. Sifat ini mengandung maksud kerusakan sedikit atau sebagian pada sel-sel dalam jaringan tidak akan mempengaruhi output yang akan dikeluarkan.Model JST dua lapisan ini mempunyai sifat umpan balik, sehingga output yang dihasilkan akan mempengaruhi input yang akan masuk lagi ke dalam jaringan syaraf tersebut. Gambar 2.4 Model JST Dua Lapisan Dengan Umpan Balik d. Model JST lapisan kompetitif Bentuk dari lapisan kompetitif merupakan bagian dari jumlah yang besar pada jaringan syaraf. Pada dasarnya, hubungan antara neuron satu dengan neuron yang lain pada lapisan kompetitif tidak ditunjukkan secara arsitektur pada beberapa jaringan syaraf. Contoh dari model atau arsitektur lapisan kompetitif Universitas Sumatera Utara dapat dilihat pada Gambar 2.5, dimana koneksi dari lapisan tersebut memiliki bobot – ε. Gambar 2.5 Model JST Lapisan Kompetitif

2.4 Fungsi Aktivasi