Implementasi Jaringan Saraf Tiruan untuk Mendeteksi Penyakit Tembakau (Nicotiana tabacum L) dengan Metode Backpropagation

IMPLEMENTASI JARINGAN SARAF TIRUAN UNTUK
MENDETEKSI PENYAKIT TEMBAKAU
(Nicotiana tabacum L) DENGAN METODE
BACKPROPAGATION
SKRIPSI

DEBORA NAINGGOLAN
071401038

PROGRAM STUDI S1 ILMU KOMPUTER
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2011

Universitas Sumatera Utara

IMPLEMENTASI JARINGAN SARAF TIRUAN UNTUK
MENDETEKSI PENYAKIT TEMBAKAU
(Nicotiana tabacum L) DENGAN METODE
BACKPROPAGATION
SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Komputer

DEBORA NAINGGOLAN
071401038

PROGRAM STUDI S1 ILMU KOMPUTER
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2011

Universitas Sumatera Utara

PERSETUJUAN

Judul

Kategori
Nama
Nomor Induk Mahasiswa
Program Studi
Departemen
Fakultas

: IMPLEMENTASI JARINGAN SARAF TIRUAN
UNTUK MENDETEKSI PENYAKIT TEMBAKAU
(Nicotiana tabacum L) DENGAN METODE
BACKPROPAGATION.
: SKRIPSI
: DEBORA NAINGGOLAN
: 071401038
: SARJANA (S1) ILMU KOMPUTER
: ILMU KOMPUTER
: MATEMATIKA DAN ILMU PENGETAHUAN
ALAM (FMIPA) UNIVERSITAS SUMATERA
UTARA
Diluluskan di
Medan, 18 Agustus 2011

Komisi Pembimbing

:

Pembimbing 2

Pembimbing 1

Amer Sharef, S.Si, M.kom
NIP. -

Dr. Poltak Sihombing, M.Kom
NIP. 196203171991021001

Diketahui/Disetujui oleh
Program Studi S1 Ilmu Komputer
Ketua,

Dr. Poltak Sihombing, M.Kom
NIP. 196203171991021001

Universitas Sumatera Utara

PERNYATAAN

IMPLEMENTASI JARINGAN SARAF TIRUAN UNTUK MENDETEKSI
PENYAKIT TEMBAKAU (Nicotiana tabacum L) DENGAN METODE
BACKPROPAGATION

SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, 18 Agustus 2011

Debora Nainggolan
071401038

Universitas Sumatera Utara

PENGHARGAAN

Puji dan syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa, karena penulis
merasakan kasih karuniaNya yang sungguh selama mengerjakan dan menyelesaikan
skripsi ini.
Skripsi ini merupakan salah satu syarat yang wajib diselesaikan guna meraih
gelar Sarjana Komputer pada jurusan S1-Ilmu Komputer USU. Pada pengerjaan
skripsi dengan judul Implementasi Jaringan Saraf Tiruan untuk Mendeteksi Penyakit
Tembakau (Nicotiana tabacum L) dengan Metode Backpropagation dengan Matlab
R2010a, penulis menyadari bahwa banyak campur tangan pihak yang turut membantu
dan memotivasi dalam pengerjaannya. Dalam kesempatan ini, penulis mengucapkan
terima kasih kepada:
1. Bapak Amer Sharif, S.Si, M.Kom sebagai pembimbing yang telah memberikan
arahan dan motivasi kepada penulis dalam pengerjaan skripsi ini.
2. Bapak Drs. Suyanto, M.Kom dan Bapak Drs. James P Marbun, M.Kom sebagai
dosen penguji yang telah memberikan panduan ringkas, padat dan profesional
kepada penulis dalam penyempurnaan skripsi ini.
3. Ketua Jurusan S1-Ilmu Komputer sekaligus sebagai pembimbing Bapak Dr. Poltak
Sihombing, M.Kom dan Sekretaris Ibu Maya Silvi Lydia, B.Sc, M.Sc, Dekan dan
Pembantu Dekan Fakultas MIPA beserta para pegawai S1-Ilmu Komputer.
4. Ayahanda tercinta Parlindungan Nainggolan dan Ibu Minar Ventiara Purba yang
telah memberikan kasih sayang penuh, motivasi dan setiap hal yang mendukung
penulis sejak lahir bahkan dalam pengerjaan skripsi ini.
5. Ketiga adikku yang senantiasa menjadi inspirasi dan motivasi terbaik Daniel P
Nainggolan, Dominggo Nainggolan dan Dony Wenry Nainggolan. Biarlah skripsi
ini bisa menjadi motivasi bagi mereka dalam pengerjaan studi mereka.
6. Kepada Abanganda Horas Marbun, SP yang tidak henti memberi dukungan dan
memotivasi, serta menjadi penopang doa.
7. Teman-teman seperjuangan mahasiswa S1-Ilmu Komputer stambuk 2007 secara
khusus Alam, Dwi, Jelita, Novy, kelompok rohaniku Benhaill, Kakanda mita,
Oka, Boris, Niskarto, adik-adikku Resurrexit Dominus Harmanto, Jakup, Bertua,
Ales, Santo, Juni yang telah banyak memberikan dukungan dan inspirasi bagi
penulis.
8. Teman-teman kos B7, Enita, Tika, Meri, Kakanda Meyta, Kakanda Duma,
Kakanda Vivi, Koordinasi 2010 dan 2011 yang menjadi teman dalam suka dan
duka, semoga skripsi ini bisa menjadi meotivasi bagi teman-teman yang masih
harus berjuang dalam perkuliahan.

Universitas Sumatera Utara

9. Semua pihak yang terlibat langsung ataupun tidak langsung yang tidak dapat
penulis ucapkan satu per satu yang telah membantu penyelesaian skripsi ini.
Penulis menyadari bahwa dalam penyelesaian skripsi ini masih jauh dari
sempurna. Untuk itu penulis sangat mengharapkan kritik dan saran yang membangun
guna penyempurnaan dimasa mendatang.
Akhirnya penulis berharap semoga skripsi ini dapat bermanfaat dan menjadi
berkat bagi penulis dan pembaca. Semoga Tuhan memberkati kita semua.

Medan,

Agustus 2011

Penulis

Universitas Sumatera Utara

ABSTRAK

Jaringan saraf tiruan merupakan salah satu cabang dari kecerdasan buatan (Artificial
Intelligence) yang dirancang dengan menirukan cara kerja otak manusia. Jaringan
saraf tiruan mampu memprediksi dan menganalisis suatu masalah dengan proses
belajar yang dilakukan melalui pengubahan bobot sinapsisnya. Penelitian ini
mengembangkan jaringan saraf tiruan dalam medeteksi penyakit tembakau (Nicotiana
tabacum L) yang terjadi di lapangan. Pelatihan yang digunakan menggunakan
pelatihan backpropagation yang merupakan pelatihan terawasi. Gejala – gejala
penyakit yang terjadi di lapangan merupakan masukan yang menjadi data input pada
sistem yang terdiri dari 11 variabel. Target yang dihasilkan oleh sistem ada 2, yaitu
tanaman sehat dan tanaman berpenyakit. Jaringan terdiri dari 3 lapisan, 1 lapisan
masukan, 1 lapisan tersembunyi dan 1 lapisan keluaran, dimana ada 100 sel lapisan
tersembunyi dan 1 sel lapisan keluaran. Dari proses pelatihan didapat hasil maksimal
pada iterasi 2408, error 1x105 dan konstanta belajar 0.01.
Kata kunci: Artificial Intelligence, Jaringan Saraf Tiruan, Backpropagation,
Nicotiana tabacum L, Penyakit Tembakau (Nicotiana tabacum L)

Universitas Sumatera Utara

ABSTRACT

Artificial neural network is a branch of artificial intelligence which is designed to
imitate the workings of the human brain. Artificial neural networks are able to predict
and analyze a problem with the process of learning through changing the weight of its
synapses. This study developed a neural network for detecting diseases of tobacco
(Nicotiana tabacum L) occurring in the field. Method of training used is
backpropagation training, which is a form of supervised training, input data for the
system are the symtomps which occur in the field which consist of 11 variables.
Targets generated by the system are 2, healthy plants or diseased plants. The network
consists of three layers, an input layer, one hidden layer and an output layer. There are
100 neurons in the hidden layer and one neuron in the output layer. The optimal result
was obtained with 2408 iterations with an error of 1x105 and a learning rate of 0.01.
Key words: Artificial Intelligence, Neural Networks, Backpropagation, Nicotiana
tabacum L, Diseases of Tobacco (Nicotiana tabacum L),

Universitas Sumatera Utara

DAFTAR ISI

Halaman
ii
iii
iv
vi
vii
viii
x
xi

Persetujuan
Pernyataan
Penghargaan
Abstrak
Abstract
Daftar Isi
Daftar Tabel
Daftar Gambar
Bab 1

Bab 2

Bab 3

Pendahuluan
1.1 Latar Belakang
1.2 Perumusan Masalah
1.3 Batasan Masalah
1.4 Tujuan Penelitian
1.5 Manfaat Penelitian
1.6 Metode Penelitian
1.7 Sistematika Penulisan

1
4
4
5
5
5
6

Landasan Teori
2.1 Jaringan Saraf Tiruan (JST)
2.1.1 Pengertian Jaringan Saraf Tiruan
2.1.2 Manfaat Jaringan Saraf Tiruan
2.1.3 Struktur Dasar Jaringan Daraf Tiruan
2.1.4 Arsitektur Jaringan
2.2 Backpropagation
2.2.1 Arsitektur Jaringan Backpropagation
2.2.2 Algoritma
2.2.3 Fungsi Aktivasi
2.2.4 Bobot dan Bias
2.2.5 Lapisan Tersembunyi dan Neuron Tersembunyi

8
9
12
15
17
20
21
22
26
31
33

Analisis dan Perancangan Sistem
3.1 Analisis Jaringan Backpropagation
3.1.1 Input dan Output Jaringan
3.1.2 Topologi Jaringan
3.2 Membangun Jaringan Backpropagation
3.2.1 Ilustrasi dari proses backpropagation
3.2.2 Struktur Sistem
3.2.3 Spesifikasi Sistem
3.2.3.1 Data Flow Diagram (DFD)
3.2.3.2 Flowchart (Bagan Alir)
3.2.3.3 Perancangan Form

36
36
39
40
42
46
48
48
50
52

Universitas Sumatera Utara

Bab 4

Bab 5

Implementasi dan Pengujian
4.1 Implementasi
4.1.1 Simulasi Pembelajaran
4.1.2 Hasil Pelatihan
4.2 Pengujian
4.2.1 Hasil Pengujian Sistem
4.3 Tampilan Sistem
4.3.1 Tampilan Depan Sistem
4.3.2 Tampilan Menu Utama
4.3.3 Form Hasil Pengujian Sistem

54
54
60
63
64
66
66
68
69

Kesimpulan dan Saran
5.1 Kesimpulan
5.2 Saran

71
72

Daftar pustaka

73

LAMPIRAN
LAMPIRAN A : Source Code Sistem
LAMPIRAN B : Penyakit Tembakau dan Pengendaliannya

Universitas Sumatera Utara

DAFTAR TABEL

Halaman
3.1 Variabel Inputan

38

3.2 Hasil Pelatihan

39

3.3 Penjelasan Parameter Argumen yang Diperlukan pada Newff

41

3.4 Keterangan DFD level 0

48

3.5 Keterangan DFD level 1

50

4.1 Data Pelatihan Jaringan

55

4.2 Epoch Pelatihan Jaringan

60

4.3 Hasil pelatihan jaringan

61

4.4 Hasil pengujian jaringan

64

Universitas Sumatera Utara

DAFTAR GAMBAR

2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
2.10
2.11
2.12
2.13
2.14
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
3.9
3.10
3.11
4.1
4.2
4.3
4.4
4.5
4.6
4.7
4.8
4.9

Jaringan Feedfoward
Topologi Jaringan Lapis Tunggal
Topologi Jaringan Lapis Banyak
Topologi Jaringan Lapis Kompetitif
Topologi Jaringan Lapis Backpropagation
Fungsi Identitas (Linear)
Fungsi Tangga Binary
Fungsi Symetric HardLimit
Fungsi Sigmoid Binary
Fungsi Sigmoid Bipolar
Fungsi Saturating Linear
Fungsi Symetric Saturating Linear
Fungsi Invers Sigmoid Bipolar
Ilustrasi Piramida Geometris
Jaringan Feedfoward
Perhitungan maju node lapisan tersembunyi
Perhitungan maju node lapisan output
Perhitungan balik bobot lapisan tersembunyi
Perhitungan balik bobot lapisan masukan
Struktur Sistem
DFD level 0
DFD level 1
Flowchart Program
Form Depan
Form Menu Utama
Jaringan pada Matlab R2010a
Tampilan Hasil Pelatihan
Grafik Pelatihan
Grafik Regresi Target dan Output
Tampilan Menu Depan
Tampilan Menu Keluar
Tampilan Aplikasi
Tampilan Hasil Pengujian Aplikasi Tanaman Sakit
Tampilan Hasil Pengujian Aplikasi Tanaman Sehat

Halaman
15
18
19
20
22
26
27
27
28
28
29
30
30
33
40
42
43
44
45
47
48
49
51
52
53
57
58
59
59
66
67
68
69
69

Universitas Sumatera Utara

ABSTRAK

Jaringan saraf tiruan merupakan salah satu cabang dari kecerdasan buatan (Artificial
Intelligence) yang dirancang dengan menirukan cara kerja otak manusia. Jaringan
saraf tiruan mampu memprediksi dan menganalisis suatu masalah dengan proses
belajar yang dilakukan melalui pengubahan bobot sinapsisnya. Penelitian ini
mengembangkan jaringan saraf tiruan dalam medeteksi penyakit tembakau (Nicotiana
tabacum L) yang terjadi di lapangan. Pelatihan yang digunakan menggunakan
pelatihan backpropagation yang merupakan pelatihan terawasi. Gejala – gejala
penyakit yang terjadi di lapangan merupakan masukan yang menjadi data input pada
sistem yang terdiri dari 11 variabel. Target yang dihasilkan oleh sistem ada 2, yaitu
tanaman sehat dan tanaman berpenyakit. Jaringan terdiri dari 3 lapisan, 1 lapisan
masukan, 1 lapisan tersembunyi dan 1 lapisan keluaran, dimana ada 100 sel lapisan
tersembunyi dan 1 sel lapisan keluaran. Dari proses pelatihan didapat hasil maksimal
pada iterasi 2408, error 1x105 dan konstanta belajar 0.01.
Kata kunci: Artificial Intelligence, Jaringan Saraf Tiruan, Backpropagation,
Nicotiana tabacum L, Penyakit Tembakau (Nicotiana tabacum L)

Universitas Sumatera Utara

ABSTRACT

Artificial neural network is a branch of artificial intelligence which is designed to
imitate the workings of the human brain. Artificial neural networks are able to predict
and analyze a problem with the process of learning through changing the weight of its
synapses. This study developed a neural network for detecting diseases of tobacco
(Nicotiana tabacum L) occurring in the field. Method of training used is
backpropagation training, which is a form of supervised training, input data for the
system are the symtomps which occur in the field which consist of 11 variables.
Targets generated by the system are 2, healthy plants or diseased plants. The network
consists of three layers, an input layer, one hidden layer and an output layer. There are
100 neurons in the hidden layer and one neuron in the output layer. The optimal result
was obtained with 2408 iterations with an error of 1x105 and a learning rate of 0.01.
Key words: Artificial Intelligence, Neural Networks, Backpropagation, Nicotiana
tabacum L, Diseases of Tobacco (Nicotiana tabacum L),

Universitas Sumatera Utara

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan
yang sangat luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut
sinapsis. Setiap neuron bekerja meneruskan sinyal yang diterima ke neuron yang lain
dalam jumlah yang sangat besar sehingga dihasilkan sebuah informasi. Dengan sistem
kerja neuron tersebut, otak mampu mengerjakan banyak hal seperti mengenali pola,
melakukan penghitungan dan mengklasifikasikan data [12].

Pola yang terjadi di otak dipelajari dan disimulasikan cara kerjanya ke dalam
bentuk sebuah generalisasi model matematis dari pemahaman manusia (human
cognition) disebut jaringan saraf tiruan yang didasarkan pada asumsi:

1. Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron.
2. Sinyal dikirimkan di antara neuron-neuron melalui penghubung-penghubung.
3. Penghubung antarneuron memiliki bobot yang akan memperkuat atau
memperlemah sinyal.
4. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi
(biasanya bukan fungsi linier) yang dikenakan pada jumlahan input yang
diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas
ambang.

Jaringan saraf tiruan dengan kemampuan melakukan generalisasi atas contoh
yang diperoleh dan mengabstraksi karakteristik, banyak digunakan oleh manusia

Universitas Sumatera Utara

dalam menggeneralisasikan dari apa yang sudah ada sebelumnya atau yang
diinputkan.

Jaringan saraf tiruan sangat diminati oleh banyak peneliti dengan alasan yang
berbeda-beda. Para insinyur elektro menemukan berbagai macam aplikasi pada
pemrosesan sinyal. Insinyur komputer tertarik dengan potensi hardware yang
diimplementasikan pada jaringan saraf secara efektif dan aplikasinya pada bidang
robotika. Sedangkan ahli ilmu komputer menemukan bahwa jaringan saraf
menjanjikan solusi bagi masalah yang sulit seperti pada kecerdasan buatan dan
pengenalan pola. Pada matematika aplikatif, jaringan saraf tiruan merupakan alat yang
baik untuk masalah pemodelan dari hubungan antara variabel-variabel tertentu yang
belum diketahui [3].

Tanaman tembakau (Nicotiana tabacum L) termasuk genus Nicotinae, serta
familia Solanaceae[16]. Spesies-spesies yang mempunyai nilai ekonomis adalah
Nicotiana tabacum L dan Nicotianae rustica L dengan rincian sebagai berikut:

1. Nicotiana rustica L mengandung kadar nikotin yang tinggi (max n = 16%)
biasanya digunakan untuk membuat abstrak alkoloid (sebagai bahan baku obat dan
insektisida), jenis ini banyak berkembang di Rusia dan India.
2. Nicotiana tabacum L mengandung kadar nikotin yang rendah (min n =
0,6%) jenis ini umumnya digunakan sebagai bahan baku pembuatan rokok.

Susunan taksonomi Nicotiana Tabacum L ditunjukkan sebagai berikut:

1. Famili

: Solanaceae

2. Subfamili : Nicotianae
3. Genus

: Nicotiana

4. Subgenus : Tabacum

Sebagaimana diketahui tanaman tembakau merupakan salah satu komoditi
yang strategis dari jenis tanaman semusim perkebunan. Peran tembakau bagi
masyarakat cukup besar, hal ini karena aktivitas produksi dan pemasarannya

Universitas Sumatera Utara

melibatkan sejumlah penduduk untuk mendapatkan pekerjaan dan penghasilan.
Berbagai jenis tembakau dengan berbagai kegunaannya diusahakan di Indonesia, baik
oleh rakyat maupun oleh perusahaan, secara garis besar berdasarkan iklim tembakau
yang diproduksi di Indonesia dapat dibagi antara lain:

1. Tembakau musim kemarau/Voor-Oogst (VO), yaitu bahan untuk membuat
rokok putih dan rokok kretek.
2. Tembakau musim penghujan/Na-Oogst (NO), yaitu jenis tembakau yang
dipakai untuk bahan dasar membuat cerutu maupun cigarillo, di samping itu
juga ada jenis tembakau hisap dan kunyah.

Penerimaan negara dari komoditi tembakau sangat besar yaitu dari cukai dan
setiap tahun terus meningkat, pada tahun 2007 sebesar 42 trilyun, tahun 2008 sebesar
Rp50,2 trilyun dan tahun 2009 ditargetkan mencapai 52 trilyun, demikian juga pada
periode 5 tahun terakhir devisa yang dihasilkan dari ekspor tembakau senilai US
$100.627 (48.278 ton). Di samping itu komoditi tembakau juga merupakan komoditi
yang kontroversial yaitu antara manfaat dan dampaknya terhadap kesehatan, sehingga
dalam pengembangannya harus mengacu pada penyeimbangan supply dan demand,
peningkatan produktivitas dan mutu serta peningkatan peran kelembagaan petani.

Pada perkembangan tanaman tembakau ada dua faktor yang mempengaruhi
tumbuh kembangnya tanaman tersebut, yaitu hama dan penyakit. Pengaruh kedua
faktor tersebut dapat terlihat di lapangan dan dapat mempengaruhi kualitas produksi
dari tembakau yang dapat merugikan petani tembakau.

Dengan kemampuan jaringan saraf tiruan untuk mempelajari inputan yang
diberikan dan kemampuan untuk mengolah banyak data bahkan data yang belum
diketahui sekalipun, dapat membantu mendeteksi penyakit tidak hanya pada manusia
secara psikologi[6] namun juga pada tumbuhan seperti tembakau.

Universitas Sumatera Utara

1.2 Perumusan Masalah

Permasalahan yang akan dibahas dalam penelitian ini adalah bagaimana cara
merancang suatu aplikasi yang berfungsi sebagai alat bantu dalam mendeteksi
penyakit tanaman tembakau, yang hasilnya didasarkan pada basis pengetahuan
mengenai jaringan saraf tiruan khususnya dengan metode backpropagation dan
mengenai tembakau sebagai objek yang diteliti, yang dikumpulkan dan didapatkan
dari berbagai sumber di antaranya buku serta pengalaman salah seorang pakar dengan
melakukan wawancara dan kemudian disatukan ke dalam sebuah jaringan saraf tiruan
untuk diproses dengan metode backpropagation.

1.3 Batasan Masalah

Batasan masalah yang menjadi acuan dalam pengerjaan skripsi ini adalah:

1. Perancangan aplikasi untuk mendeteksi penyakit tembakau (Nicotiana tabacum L)
dengan menggunakan metode backpropagation.
2. Variabel yang akan diberi bobot terdiri dari 11 variabel meliputi bentuk daun,
warna daun, ada tidaknya bau daun, kondisi daun, ada tidaknya bercak pada daun,
ada tidaknya bintik pada daun, bentuk batang, kondisi batang, warna batang,
warna akar dan kondisi akar.
3. Aplikasi hanya membahas gejala penyakit tembakau yang tampak di lapangan.
4. Output dari aplikasi hanya ada 2 yaitu tanaman sehat dan tanaman berpenyakit.
5. Pelatihan jaringan dilakukan dengan menggunakan metode backpropagation.
6. Perancangan sistem pada penelitian ini menggunakan Matlab R2010a.
7. Perancangan aplikasi menggunakan 3 lapisan, lapisan input, lapisan tersembunyi
dan lapisan output.

Universitas Sumatera Utara

1.4 Tujuan Penelitian

Tujuan penelitian ini adalah membuat suatu aplikasi yang dapat dipergunakan sebagai
alat bantu mendeteksi penyakit tamanan tembakau (Nicotiana tabacum L) yang terjadi
di lapangan.

1.5 Manfaat Penelitian

Manfaat dari penelitian ini adalah:

1. Membantu praktisi lapangan pengelola perkebunan tembakau dalam hal
penegakan pendeteksian penyakit tembakau yang terjadi di lapangan.
2. Membantu petani tembakau untuk mengetahui jenis penyakit tembakau dengan
melihat gejala yang dialami tanaman.

1.6 Metode Penelitian

Tahapan yang dilakukan dalam penelitian ini adalah:

1. Studi Literatur
Tahapan ini dilakukan dengan mempelajari sumber-sumber atau buku-buku
referensi yang berkaitan dengan skripsi ini, baik dari text book atau internet.

2. Pengumpulan Data
Pada tahapan pengumpulan data ini dilakukan wawancara pada pakar untuk
mengetahui bagaimana mendeteksi gejala awal penyakit tembakau di lapangan.

3. Analisis data
Tahapan ini dilakukan dengan menganalisis batasan-batasan tiap variabel sebagai
indikator penentu penyakit tanaman tembakau yang diterapkan dengan metode
backpropagation.

Universitas Sumatera Utara

4. Perancangan Perangkat Lunak
Pada tahapan ini dilakukan gambaran sistem baik berupa diagram alir, masukan,
keluaran, DFD (Data Flow Diagram), antarmuka dan struktur data.

5. Implementasi Aplikasi Penentuan jenis penyakit tanaman.
Pada tahapan ini dilakukan penerapan rancangan yang dibuat dalam suatu
program.

6. Pengujian Aplikasi
Pada tahapan ini dilakukan pengujian akan perangkat lunak yang telah dibuat
untuk mengetahui kesalahan dan memperbaiki kesalahan yang ada serta mengukur
ketepatan output dari perangkat lunak terhadap keadaaan sebenarnya.

1.7 Sistematika Penulisan

Sistematika penulisan skripsi ini terdiri dari lima bagian utama sebagai berikut:

BAB 1 : PENDAHULUAN
Bab ini menjelaskan mengenai latar belakang pemilihan judul skripsi “ Implementasi
Jaringan Saraf Tiruan untuk Mendeteksi Penyakit Tembakau (Nicotiana tabacum L)
dengan Metode Backpropagation ”, rumusan masalah, batasan masalah, tujuan
penelitian, manfaat penelitian, metode penelitian, dan sistematika penulisan.

BAB 2 : LANDASAN TEORI
Bab ini membahas mengenai teori-teori yang berkaitan dengan perancangan sistem
implementasi jaringan saraf tiruan untuk menentuan penyakit tembakau (Nicotiana
tabacum L) dan teori lainnya yang mendukung pembuatan aplikasi.

BAB 3 : ANALISIS DAN PERANCANGAN SISTEM
Bab ini terdiri dari analisis sistem dan perancangan sistem untuk penentuan penyakit
tembakau (Nicotiana tabacum L). Pada bagian analisis sistem dimuat uraian tentang

Universitas Sumatera Utara

analisis data sistem dan komponen sistem. Pada bagian perancangan sistem,
membahas tentang perancangan variabel yang akan diberi bobot sebagai neuron yang
akan diolah dalam jaringan saraf tiruan untuk penegakan penyakit tembakau
(Nicotiana tabacum L) dan perancangan form yang akan diimplementasikan pada
sistem.

BAB 4 : IMPLEMENTASI DAN PENGUJIAN
Bab ini membahas bagaimana mengimplementasikan aplikasi yang telah dirancang ke
dalam bahasa pemprograman dan menguji aplikasi yang telah dibangun.

BAB 5 : KESIMPULAN DAN SARAN
Bab ini memuat kesimpulan dari keseluruhan uraian bab-bab sebelumnya dan saransaran yang diharapkan dapat bermanfaat dalam pengembangan selanjutnya.

Universitas Sumatera Utara

BAB 2

LANDASAN TEORI

2.1 Jaringan Saraf Tiruan (JST)

Saat ini, komputer modern dengan teknologi canggih merupakan sebuah kekuatan
bagi perkembangan zaman. Meskipun demikian banyak hal yang masih tetap belum
dapat diselesaikan dengan menggunakan komputer, baik karena algoritmanya yang
belum diketahui ataupun walaupun algoritma penyelesaiannya sudah diketahui
namun run time nya masih sangat lama. Hal inilah yang menjadi tantangan bagi para
ahli untuk mendapatkan metode lain untuk memecahkan masalah ini, sehingga
kegiatan manusia bahkan yang paling sederhana dapat dikerjakan secara komputasi.
Cara kerja jaringan saraf manusia menjadi inspirasi untuk menyelesaikan masalah
tersebut [5].

Minat yang sangat besar pada jaringan saraf tiruan yang terjadi baru-baru ini
dapat disebabkan oleh beberapa faktor. Pertama, pola training yang telah
dikembangkan menjadi sebuah model jaringan yang lebih pintar yang dapat
mengatasi masalah. Kedua, komputer digital dengan kecepatan tinggi membuat
simulasi proses jaringan lebih mudah dikerjakan. Ketiga, teknologi zaman sekarang
menyediakan hardware yang spesifik untuk jaringan saraf. Bagaimanapun, pada saat
yang bersamaan perkembangan pada komputasi tradisional telah membuat
pembelajaran jaringan saraf tiruan lebih mudah, keterbatasan yang dihadapi oleh
komputer tradisional telah memotivasi beberapa arah dari penelitian mengenai
jaringan saraf tiruan [3].

Universitas Sumatera Utara

2.1.1 Pengertian Jaringan Saraf Tiruan

Jaringan saraf tiruan merupakan implementasi dari teknologi artificial intelligence.
Jaringan saraf tiruan adalah salah satu representasi buatan dari otak manusia yang
selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia
tersebut [9]. Istilah buatan digunakan karena jaringan saraf ini diimplementasikan
dengan menggunakan program komputer yang mampu menyelesaikan sejumlah
proses perhitungan selama proses pembelajaran. Jaringan saraf tiruan merupakan
sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan saraf
biologi [14]. Menurut Subiyanto [16], jaringan saraf tiruan adalah membuat model
sistem komputasi yang dapat menirukan cara kerja jaringan saraf biologi.

Secara umum Haykin [4] mendefinisikan sebuah jaringan saraf tiruan adalah
sebuah mesin yang dirancang untuk mempolakan cara bagaimana otak mengerjakan
sebuah fungsi tertentu. Jaringan biasanya diimplementasikan dengan menggunakan
komponen elektronika atau disimulasikan dalam sebuah perangkat lunak pada
komputer digital. Untuk mencapai tampilan yang baik, jaringan saraf tiruan memakai
interkoneksi yang sangat besar antara sel-sel komputasi yang disebut “neuron” atau
“unit pemroses”. Sebagai mesin yang adaptif, sebuah jaringan saraf tiruan adalah
sebuah prosessor besar terdistribusi yang paralel yang tersusun dari unit pemroses
sederhana yang mempunyai kecenderungan untuk menyimpan pengalaman dan
pengetahuan dan membuatnya siap untuk digunakan. Hal itu menyerupai otak dalam
dua aspek:

1. Pengetahuan dibutuhkan oleh jaringan dari lingkungannya melalui proses
pembelajaran.
2. Kekuatan koneksi interneuron, dikenal sebagai bobot sinapsis, digunakan
untuk menyimpan pengetahuan yang dibutuhkan.

Menurut Fausett [3] sebuah jaringan saraf tiruan adalah sistem pemroses
informasi yang mempunyai karakter tampilan tersendiri yang hampir sama dengan
jaringan saraf pada biologi. Jaringan saraf tiruan telah dikembangkan sebagai
generalisasai model matematika dari jaringan saraf biologi, berdasarkan asumsi:

Universitas Sumatera Utara

1. Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron.
2. Sinyal dilewatkan antarneuron melalui link penghubung.
3. Setiap link penghubung mempunyai sebuah bobot dimana pada jaringan
saraf tertentu bobot digandakan oleh sinyal yang dipancarkan.
4. Setiap neuron menggunakan fungsi aktivasi (biasanya nonlinear) pada
jaringan inputnya (penjumlahan bobot sinyal input) untuk menentukan
sinyal output.

Jaringan saraf tiruan dikarakteristikkan dengan pola koneksi antarneuron yang
disebut arsitektur, metode penentuan bobot pada setiap koneksinya (yang disebut
training atau learning, algoritma) dan fungsi aktivasinya [10].

Jaringan saraf terdiri dari elemen pemroses sederhana yang dinamakan neuron,
unit, sel atau node. Setiap neuron terkoneksi dengan neuron yang lain masing-masing
dengan bobot terhubung. Bobot merepresentasikan informasi yang digunakan oleh
jaringan untuk menyelesaikan masalah. Jaringan saraf dapat diaplikasikan untuk
masalah yang sangat luas, seperti penyimpanan dan pemanggilan kembali data atau
pola, mengklasifikasian pola, menampilkan pemetaan secara umum dari pola input
menjadi pola output, mengelompokkan pola yang sama, atau menemukan solusi untuk
mengoptimisasikan masalah [12].

Setiap neuron mempunyai fungsi aktivasi atau level aktivitas, yang merupakan
fungsi dari input yang telah diterima. Neuron mengirimkan aktivasinya sebagai
sebuah sinyal ke beberapa neuron yang lain. Sebuah neuron hanya dapat mengirimkan
sebuah sinyal dalam satu waktu, walaupun sinyalnya disebarkan pada beberapa
neuron yang lain.

Ciri utama yang dimiliki oleh jaringan saraf tiruan adalah kemampuannya
untuk belajar. Belajar (learning) pada jaringan saraf tiruan dapat diartikan sebagai
proses penyesuaian parameter pembobot karena keluaran yang diinginkan tergantung
pada harga pembobot interkoneksi yang dimiliki oleh sel. Proses belajar akan
dihentikan jika nilai kesalahan atau error sudah dianggap cukup kecil untuk semua

Universitas Sumatera Utara

pasangan data latihan. Jaringan yang sedang melakukan proses belajar disebut berada
dalam tahap latihan (training). Pada tahap awal pelatihan ini perlu dilakukan terlebih
dahulu sebelum melakukan pengujian suatu objek [21].

Berdasarkan tingkat kemampuannya, jaringan saraf tiruan dapat diterapkan
pada beberapa aplikasi yang cocok bila diterapkan pada klasifikasi pola, yakni
memilih suatu input data ke dalam suatu kategori tertentu yang diterapkan. Di
samping itu jaringan saraf tiruan dapat diterapkan pada prediksi dan self organizing,
yakni menggambarkan suatu obyek secara keseluruhan hanya dengan mengetahui
bagian dari obyek lain dan memiliki kemampuan untuk mengolah data-data tanpa
harus memiliki data sebagai target. Selanjutnya jaringan saraf tiruan juga mampu
diterapkan pada masalah optimasi, yakni mencari jawaban atau solusi terbaik dari
suatu masalah [1].

Prosedur yang digunakan untuk menampilkan proses pembelajaran disebut
algoritma pembelajaran yang fungsinya memodifikasi bobot sinapsis pada jaringan
dalam sebuah cara yang teratur untuk mencapai rancangan objek yang diinginkan.
Modifikasi bobot sinapsis menyediakan sebuah metode untuk merancang jaringan
saraf tiruan. Seperti sebuah pendekatan yang mendekati teori linear adaptif, yang telah
didirikan dan sukses diaplikasikan pada bermacam-macam bidang. Bagaimanapun,
sangat mungkin bagi jaringan saraf tiruan untuk memodifikasi topologinya sendiri
yang dimotivasi dengan fakta bahwa neuron pada otak manusia dapat mati dan
koneksi sinapsis baru dapat bertumbuh [4].

Kemampuan JST untuk belajar dan memperbaiki dirinya telah menghasilkan
banyak algoritma atau aturan belajar alternatif yang dapat digunakan, dari sekian
banyak aturan yang ada, yang paling sering digunakan adalah aturan belajar
backpropagation yang termasuk kategori supervised learning yang dapat digunakan
memperbaiki kinerja jaringan saraf tiruan [19].

Universitas Sumatera Utara

2.1.2 Manfaat Jaringan Saraf Tiruan

Sangat jelas jika sebuah jaringan saraf tiruan mendapatkan kekuatan komputasinya
melalui stuktur distribusi paralel yang sangat besar dan kemampuannya untuk belajar
dan menggeneralisasikan data. Generalisasi merujuk pada jaringan saraf tiruan yang
menghasilkan output yang sesuai walaupun input belum pernah ditemukan
sebelumnya selama pembelajaran (training). Kemampuan memproses informasi yang
seperti inilah yang memungkinkan jaringan saraf tiruan mampu mencari solusi atas
masalah dalam skala yang besar dan sulit. Dalam prakteknya, jaringan saraf tiruan
tidak dapat menyediakan solusi dengan bekerja sendiri. Jaringan saraf tiruan harus
diintegrasikan ke dalam sebuah sistem yang konsisten dengan keahlian teknik,
khususnya pada masalah yang kompleks [4]. Jaringan saraf tiruan menawarkan
kemampuan sebagai berikut:

1. Nonlinearity. Sebuah neuron buatan bisa saja linear atau tidak linear. Jaringan
saraf tiruan yang terdiri dari interkoneksi neuron yang nonlinear yang
membuat jaringan saraf tersebut nonlinear. Ketidaklinearan adalah sifat yang
sangat penting secara khusus jika mekanisme fisik yang berperan untuk
membangkitkan sinyal input bersifat nonlinear.

2. Input-output mapping. Sebuah paradigma populer dari pembelajaran disebut
learning with a teacher (belajar dengan guru) atau supervised learning
(pembelajaran terbimbing) yang melibatkan modifikasi bobot sinapsis jaringan
saraf tiruan dengan mengaplikasikan kumpulan sampel training. Setiap contoh
terdiri dari sebuah input signal yang sangat unik dan respon yang diinginkan.
Jaringan dipresentasikan dengan sebuah contoh yang diambil secara acak, dan
bobot sinapsis (parameter bebas) dari jaringan, dimodifikasikan untuk
meminimalisasi perbedaan antara hasil yang diinginkan dengan hasil yang
sebenarnya yang dihasilkan oleh jaringan dengan sinyal input sesuai dengan
kriteria statistika. Pelatihan jaringan diulangi sampai mencapai kondisi dimana
tidak ada perubahan yang signifikan pada bobot sinapsis.

Universitas Sumatera Utara

3. Adaptivity. Neural network memiliki kemampuan untuk menyesuaikan bobot
sinaptik mereka terhadap perubahan pada lingkunganya. Secara khusus,
jaringan saraf dilatih untuk beroperasi pada lingkungan tertentu terlebih dalam
menghadapi perubahan kecil yang terjadi dalam kondisi lingkungan operasi.
Arsitektur alami jaringan saraf untuk klasifikasi pola, pemrosesan sinyal dan
aplikasi kontrol, ditambah dengan kemampuan adaptif jaringan, membuatnya
menjadi alat yang berguna dalam klasifikasi pola adaptif, pengolahan
kemampuan adaptif dan kontrol adaptif. Secara umum, dapat dikatakan bahwa
semakin adaptif kita membuat sebuah sistem memastikan bahwa sistem akan
semakin stabil dan semakin kuat daya gunanya ketika sistem diperlukan untuk
beroperasi di lingkungan nonstasioner. Harus ditekankan, bagaimanapun
adaptivitas tidak selalu menimbulkan kekuatan, sebaliknya dapat berlawanan.
Misalnya. sistem adaptif dengan konstanta waktu yang singkat cenderung
untuk merespon gangguan palsu, menyebabkan penurunan drastis pada kinerja
sistem.

4. Evidential Response. Dalam konteks klasifikasi pola, jaringan saraf dapat
dirancang untuk memberikan informasi tidak hanya tentang pola yang khusus,
tetapi juga kepercayaan (confidence) tentang keputusan yang dibuat. Informasi
yang terakhir ini dapat digunakan untuk menolak pola ambigu, dengan
demikian meningkatkan kinerja klasifikasi jaringan.

5. Contextual Information. Pengetahuan direpresentasikan oleh struktur dan
aktivasi dari jaringan saraf. Setiap neuron dalam jaringan berpotensi
dipengaruhi oleh aktivitas global semua neuron lain dalam jaringan.
Akibatnya, informasi kontekstual ditangani dengan secara alami oleh jaringan
saraf.

6. Fault Tolerance. Jaringan saraf yang diimplementasikan pada bentuk
hardware, memiliki potensi untuk bersifat fault tolerant (toleran terhadap
kesalahan), dalam arti bahwa kinerjanya menurun dalam kondisi operasi
buruk. Contohnya, jika neuron atau link penghubung rusak, pemanggilan pola

Universitas Sumatera Utara

yang tersimpan akan terganggu kualitasnya. Berhubungan dengan sifat
distribusi informasi yang tersimpan dalam jaringan, kerusakan harus segera
diperbaiki sebelum respon keseluruhan jaringan menurun secara drastis. Pada
prinsipnya, sebuah jaringan saraf menunjukkan penurunan dalam kinerjanya.
Ada beberapa bukti empiris untuk komputasi yang kuat, tetapi biasanya hal ini
tidak terkendali. Untuk memastikan bahwa jaringan saraf toleran terhadap
kesalahan, mungkin perlu untuk membuat pengukuran korektif dalam
merancang algoritma yang digunakan untuk melatih jaringan.
 

7. VLSI Implementability. Sifat dasar dari jaringan saraf tiruan yang paralel
membuatnya berpotensi untuk mengkomputasikan tugas-tugas tertentu dengan
cepat. Fitur yang sama ini membuat jaringan saraf tiruan tepat pada
implementasi penggunaan teknologi VLSI (very large scale integrated). Salah
satu manfaat dari VLSI adalah menyediakan sebuah cara untuk mendapatkan
sebuah tingkah laku yang kompleks dalam sebuah kebiasaan yang hirarki.

8. Uniformity of Analysis and Design. Pada dasarnya, jaringan saraf tiruan
dikenal sebagai pemroses informasi. Dikatakan demikian sama dengan notasi
yang digunakan pada semua domain yang melibatkan aplikasi jaringan saraf
tiruan. Fitur ini memanifestasikan dirinya dengan cara yang berbeda:

a. Neuron, antara satu dengan yang lain, merepresentasikan sebuah bahan
yang sama terhadap semua jaringan saraf tiruan.
b. Keadaan yang sama ini membuat jaringan saraf tiruan mungkin untuk
berbagi teori dan algoritma pembelajaran dalam aplikasi yang berbeda.
c. Jaringan modular dapat dibangun melalui integrasi tanpa hubungan pada
modul-modul.

9. Neurobiological Analogy. Rancangan jaringan saraf tiruan dianalogikan
dengan otak manusia, yang merupakan bukti nyata bahwa toleransi terhadap
kesalahan pada pemrosesan paralel tidak hanya mungkin tetapi juga cepat dan
kuat.

Universitas Sumatera Utara

2.1.3

Struktur Dasar Jaringan Saraf Tiruan

Out
1

Out
m

Out
2

Internal processing

In 1

In 1

In n

Gambar 2.1 Jaringan Feedforward
Gambar 2.1 diatas mengilustrasikan struktur jaringan saraf tiruan secara umum.
Biasanya terdapat satu atau lebih masukan. Gambar di atas juga menunjukkan bahwa
neuron input terkoneksi dengan neuron output melalui sebuah proses dalam “kotak”.
Model jaringan yang sebenarnya menentukan sifat dari kotak ini. Susunan ini sangat
umum, namun bukanlah satu-satunya. Beberapa model menghilangkan media
penghubung dan langsung menghubungkan neuron input dengan neuron output.

Dalam kasus ini, seluruh beban dari jaringan diambil alih oleh proses yang
dikerjakan oleh neuron output. Model yang lain memperbolehkan neuron output
terkoneksi satu sama lain sabagaimana dengan lapisan sebelumnya. Hanya model lain
tidak membedakan secara jelas antara neuron input dan neuron output. Jika neuron
masukan telah masuk, jaringan mengolah neuron sampai kepada sebuah kesimpulan
dimana neuron input telah menjadi neuron output.

Sebuah jaringan saraf tiruan biasanya dilatih dalam dua metode. Yang paling
umum adalah pelatihan terbimbing (supervised training). Setiap contoh pada pelatihan
ini secara lengkap menspesifikasikan semua input sebagaimana output yang
diinginkan ketika input direpresentasikan. Kemudian kita memilih subset dari

Universitas Sumatera Utara

pelatihan dan merepresentasikan contoh pada subset pada jaringan pada waktu yang
sama. Untuk setiap contoh, kita membandingkan output yang dihasilkan jaringan
dengan output yang kita harapkan untuk dihasilkan. Setelah semua subset pelatihan
telah diproses, kita memperbaharui bobot yang mengkoneksikan neuron dalam
jaringan. Pembaharuan ini dilakukan dengan harapan mengurangi error pada hasil
jaringan.

Metode pelatihan lain adalah pelatihan tak terbimbing (unsupervised training).
Sebagaimana pelatihan terbimbing, kita juga harus memasukkan contoh input. Tetapi
tidak menyediakan output target untuk jaringan. Diasumsikan setiap input berasal dari
kelas yang berbeda-beda, dan output jaringan adalah identifikasi dari kelas dimana
input berasal. Proses dari pelatihan yaitu, menemukan fitur yang menonjol pada
pelatihan dan menggunakannya untuk mengelompokkan input dalam kelas-kelas dan
menemukan perbedaannya. Pelatihan tak terbimbing biasanya tidak digunakan
sepopuler pelatihan terbimbing.

Dan yang ketiga adalah metode pelatihan hibrid. Gabungan antara pelatihan
terbimbing dan tak terbimbing. Tak terbimbing dikarenakan output target tidak
dispesifikasikan. Disebut terbimbing dikarenakan pada waktu yang bersamaan,
jaringan memberikan respon pada pelatihan dimana responnya baik atau buruk.

Sangat sulit melatih sebuah jaringan dan langsung menggunakannya.
Kompetensinya harus diuji terlebih dahulu. Proses pengujian sebuah pelatihan disebut
validasi. Pelatihan digunakan untuk melatih jaringan sedangkan validasi digunakan
untuk menguji jaringan yang telah dilatih. Validasi tidak dapat diangggap remeh.
Dalam banyak bidang, validasi yang baik lebih penting daripada pelatihan yang baik.

Universitas Sumatera Utara

2.1.4

Arsitektur Jaringan

Menurut Fausett [3], sering kali sangat tepat memvisualisasikan neuron sebagai
lapisan. Umumnya, neuron-neuron pada lapisan yang sama berkelakuan sama. Faktor
kunci untuk menentukan perilaku dari sebuah neuron adalah dengan fungsi
aktivasinya dan pola koneksi dengan neuron yang lain sehingga neuron dapat
mengirim dan menerima sinyal. Lebih spesifik lagi, pada banyak jaringan saraf tiruan,
neuron pada sebuah lapisan bisa saja terkoneksi sepenuhnya atau tidak terkoneksi
sama

sekali.

Jika

setiap

neuron

pada

sebuah

lapisan

(misalkan

lapisan

tersembunyi/hidden layer) terkoneksi dengan neuron pada lapisan yang lain (misalkan
lapisan output) maka setiap unit tersembunyi terkoneksi dengan setiap unit output.

Penyusunan neuron pada lapisan-lapisan dan pola koneksinya dalam dan
antarlapisan disebut arsitektur jaringan. Banyak jaringan memiliki lapisan input yang
aktivasi dari setiap unitnya sama dengan sinyal input external. Jaringan saraf
diklasifikasikan sebagai lapisan tunggal dan lapisan banyak. Dalam menentukan
jumlah dari lapisan, unit input tidak terhitung sebagai lapisan karena unit tersebut
tidak melakukan proses komputasi. Atau bisa dikatakan bahwa jumlah lapisan pada
jaringan ditentukan berdasarkan lapisan yang berisikan bobot antar koneksi dari
kumpulan neuron-neuron. Hal inilah yang mendasari bahwa bobot pada jaringan saraf
berisikan informasi yang sangat penting.

Sebuah lapisan adalah kumpulan dari neuron-neuron yang berbagi input yang
sama. Setiap neuron pada sebuah lapisan mempunyai dendrit yang berhubungan
dengan axon pada neuron pada lapisan sebelumnya. Lapisan pertama sebagai lapisan
input dimana neuron tidak mempunyai dendrit. Neuron tersebut hanya sebagai
placeholder atau penopang sehingga lapisan berikutnya dapat menyadap

nilai

inputnya sama dengan cara kerja lapisan berikutnya. Lapisan terakhir merupakan
lapisan output. Lapisan diantara lapisan input dan lapisan output disebut lapisan
tersembunyi atau “hidden layer”. Lapisan pertama hanya memberikan nilai input pada
jaringan. Pada lapisan berikutnya, neuron ditugasi untuk mengidentifikasi karakter
dari input [8]. Adapun jenis arsitektur jaringan yang sering dipergunakan yaitu:

Universitas Sumatera Utara

1. Jaringan berlapis tunggal
Jaringan berlapis tunggal mempunyai satu lapisan bobot terkoneksi. Pada
lapisan ini, unit input dapat dibedakan dengan unit output. Dimana unit input
merupakan unit yang menerima sinyal dari dunia luar sedangkan unit output adalah
unit dimana respon dari jaringan dapat terlihat. Pada Gambar 2.2 jelas terlihat bahwa
unit input sepenuhnya terkoneksi dengan unit output, sedangkan unit input dengan
masing-masing unit input tidak terkoneksi demikian juga pada antara unit output
dengan unit output yang lain tidak terkoneksi.

W1j

X

Wi1

Y

Wn1
W1j

Xi

Wij

Yj

Wnj

W1

X

Wim

Y

Wnm

Gambar 2.2 Topologi jaringan lapis tunggal

2. Jaringan berlapis banyak
Jaringan berlapis banyak adalah jaringan dengan satu atau lebih lapisan
diantara lapisan input dan lapisan output yang biasa disebut lapisan tersembunyi
(hidden layer). Jaringan berlapis banyak dapat memecahkan masalah yang lebih
kompleks daripada jaringan berlapis tunggal, namun pada pelatihannya akan lebih
sulit. Pada beberapa kasus, pelatihan pada jaringan ini lebih baik karena
memungkinkan bagi jaringan untuk memecahkan masalah yang tidak dapat

Universitas Sumatera Utara

diselesaikan jaringan berlapis tunggal karena jaringan tidak dapat dilatih untuk
menampilkan secara benar.

W11

V11

X
1

Y
1

Wj1
Vi1

Z1

Vn1
V1j

Xi

Wn1

W1k

Zj

Vij

Y
k

Wjk

Vnj

Wnk

V1p
Vip

Z

W1m

Wjm

X
Vnp
Wpm

Y
m

Gambar 2.3 Topologi jaringan berlapis banyak

3. Jaringan dengan lapisan kompetitif
Bentuk lapisan kompetitif merupakan jaringan saraf tiruan yang sangat besar.
Interkoneksi antarneuron pada lapisan ini tidak ditunjukkan pada arsitektur seperti
jaringan yang lain. Prinsip dari prosesnya adalah winner-take-all atau yang menanglah
yang mengambil bagiannya.

Universitas Sumatera Utara

1

1
-

A1

-

-

Ai

1

Am

-

-

-

Aj

1

Gambar 2.4 Topologi Jaringan dengan Lapisan Kompetitif

2.2

Backpropagation

Jaringan saraf tiruan backpropagation pertama kali diperkenalkan oleh Rumelhart,
Hinton dan William pada tahun 1986, kemudian Rumelhart dan Mc Clelland
mengembangkannya pada tahun 1988[14]. Algoritma backpropagation untuk neural
network umumnya diterapkan pada perceptron berlapis banyak (multilayer
perceptrons). Perceptron paling tidak mempunyai bagian input, bagian output dan
beberapa lapis yang berada di antara input dan output. Lapis di tengah ini, yang juga
dikenal dengan lapis tersembunyi (hidden layers), bisa satu, dua, tiga dst. Dalam
praktek, banyaknya hidden layer paling banyak adalah tiga lapis. Dengan tiga lapis ini
hampir semua permasalahan dalam dunia industri telah bisa diselesaikan. Output lapis
terakhir dari hidden layer langsung dipakai sebagai output dari neural network.

Training pada metode backpropagation melibatkan 3 tahapan: pola training
feedfoward, penghitungan error dan penyesuaian bobot. Setelah training aplikasi
jaringan hanya menggunakan komputasi tahapan pertama yaitu feedfoward. Walaupun
tahap training sangat lambat, namun jaringan dapat mengasilkan output dengan sangat
cepat. Metode backpropagation telah divariasikan dan dikembangkan untuk
meningkatkan kecepatan proses training. Walaupun satu lapisan jaringan sangat

Universitas Sumatera Utara

terbatas dalam pembelajarannya, jaringan dengan lapis banyak dapat memperlajari
lebih banyak lagi. Lebih dari satu lapisan tersembunyi mungkin bermanfaat untuk
beberapa aplikasi, namun satu lapisan tersembunyi adalah cukup.

Metode backpropagation dapat digunakan untuk melakukan pendeteksian
suatu jenis penyakit, gangguan, maupun kasus yang memiliki data masa lalu dan
dengan metode backpropagation target output yang diinginkan lebih mendekati
ketepatan dalam melakukan pengujian karena terjadi penyesuaian nilai bobot dan bias
yang semakin baik pada proses pelatihan (Kusumadewi, 2003). Bahkan, jaringan saraf
tiruan telah digunakan untuk menganalisa perilaku panas pada kultur jaringan. Pada
tahun 1997, prinsip plant speaking digunakan untuk memonitor perkembangan
tanaman selada di phytotron dimana jaringan saraf tiruan digunakan sebagai otak
untuk mengendalikan pemberian air dan unsur hara untuk pertumbuhannya[15]. Selain
itu jaringan saraf tiruan dengan metode backpropagation, juga diterapkan dalam
lokalisasi target through-the-wall dengan metode time reversal music dan terbukti
sangat efisien secara komputasi [21]

2.2.1 Arsitektur Jaringan Backpropagation

Gambar 2.5 menunjukkan jaringan saraf tiruan banyak lapis dengan satu lapisan
tersembunyi (unit Z) , unit output (unit Y) dan unit tersembunyi yang juga mempunyai
bias. Bias pada unit output Y k ditandai dengan w 0k , bias pada unit tersembunyi Z j
ditandai dengan v 0j . Bias bertindak sebagaimana halnya bobot dimana outputnya
selalu 1. Selama proses pembelajaran backpropagation, sinyal dikirim dalam arah
yangberlawanan.

Universitas Sumatera Utara

Y1

w01

w11

1

v01

1

Yk

wj1

wp1

w0k

w1k

Z1

v11

Ym

wjk

wpk

w0m

w1m

Zj

vi1

vn1

v0j

v1j

X1

wjm

wpm

vip

vnp

Zp

vij

vnj

v0p

v1p

Xi

Xn

Gambar 2.5 Topologi Jaringan Backpropagation

Simbol-simbol yang digunakan ini tidaklah mutlak, bisa saja berganti dengan simbolsimbol yang lainnya asalkan fungsi logika yang dimaksudkannya tetap sama.

2.2.2 Algoritma
Algoritma pelatihan jaringan backpropagation:
1. Langkah 0

: Inisialisasi bobot.

2. Langkah 1

: Selama kondisi berhenti bernilai salah, kerjakan:

a. Untuk masing-masing pasangan pelatihan, lakukan:
1) Masing-masing unit input (X i , i = 1,2,3,…,n) menerima sinyal x i
dan meneruskan sinyal tersebut ke semua unit pada lapisan yang
ada di atasnya (lapisan tersembunyi).
2) Masing-masing unit tersembunyi (Z j , j = 1,2,3,..p) menjumlahkan
sinyal-sinyal input berbobot:
Z_in j = v 0j +

X i v ij

v0 = bias ; v = bobot

Universitas Sumatera Utara

Gunakan fungsi aktivasi untuk menghitung sinyal outputnya:
Z j = (Z_in j )
Kirimkan sinyal tersebut ke semua unit lapisan atasnya (unit-unit
output).
3) Masing-masing unit output (Y k , k=1,2,3,…,m) menjumlah sinyalsinyal input berbobot:
Y_in k = w 0k +

Z j w jk

w0 = bias ; v = bobot

Gunakan fungsi aktivasi untuk menghitung sinyal outputnya:
Y k = (Y_in k )
Dan kirimkan sinyal tersebut ke semua unit di lapisan sisanya (unitunit output).

b. Untuk masing-masing pasangan pelatihan, lakukan:
Backpropagation (perambatan mundur):
1) Masing-masing unit output (Y k ,k = 1,2,3,…,m) menerima target
pola yang berhubungan dengan pola input pembelajaran, hitung
informasi errornya
δ k = (t k – Y k )

’ (Y_in k ) t = target output

Kemudian hitung koreksi bobot (yang nantinya akan digunakan
untuk memperoleh nilai w jk ):
Δw jk = αδ k Z j α = learning rate
Hitung juga koreksi bias (yang nantinya akan digunakan untuk
memperbaiki nilai w 0k ):
Δw 0k = αδ k
Kirimkan ini ke unit-unit yang ada di lapisan bawahnya.

2) Masing-masing unit tersembunyi (Z j , j=1,2,3,…,p) menjumlahkan
delta inputnya (dari unit-unit yang berada pada lapisan diatasnya):
δ_in j =

δ k w jk

Kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk
menghitung informasi error:

Universitas Sumatera Utara

δ j = δ_in j

(Z_in j )

Kemudian hitung koreksi bobot (yang nantinya akan digunakan
untuk memperbaiki nilai v ij ):
Δv ij = αδ k X i
Hitung koreksi bias (yang nantinya akan digunakan untuk
memperbaiki nilai v ij )
Δv 0j = αδ j
c. Perbaharui bobot dan biasnya:
1) Masing-masing unit output (Y k , k=1,2,3,…m) memperbaiki bias
dan bobotnya (j = 1,2,3,…p):
w jk (baru) = w jk (lama) + Δw jk
w 0k (baru) = w 0k (lama) + Δw 0k

(bobot)
(bias)

2) Masing-masing unit tersembunyi (Z j , j=1,2,3,…p) memperbaiki
bias dan bobotnya (l = 0,1,2,3,…n):
v ij (baru) = v ij (lama) + Δv ij

(bobot)

v 0j (baru) = v 0j (lama) + Δv 0j

(bias)

d. Tes kondisi berhenti.

Setelah algoritma pelatihan di atas dilakukan, dan didapat output yang paling
mendekati target, maka bobot dan bias akhir dari pelatihan disimpan dan dilakukan
proses pengujian. Algoritma pengujian jaringan backpropagation:

1. Langkah 0 : inisialisasi bobot (dari algoritma pelatihan)
2. Langkah 1 : untuk setiap vektor masukan, lakukan langkah 2-4.
3. Langkah 2 : for i=1...n: atur aktivasi unit masukan x

4. Langkah 3 : for j=1...p
Z_in j = v 0j +

X i v ij

Z j = (Z_in j )
5. Langkah 4 : for k=1..m:

Universitas Sumatera Utara

Y_in k = w 0k +
Y k = (Y_in k )
6. Langkah 5 : jika Y k ≥ 0.5 maka Y k = 1, else Y k = 0.

Sekali pelatihan subset dengan pembaharuan bobot jaringan disebut epoch.
Banyaknya contoh pada subset disebut epoch size/ukuran epoch. Beberapa peneliti
menggunakan sebuah epoch bernilai satu yang berarti bobot diperbaharui setelah
setiap kasus pelatihan ditampilkan. Ketika ukuran epoch lebih kecil dari seluruh
pelatihan, maka subset dipilih secara acak setiap waktunya atau gangguan bisa saja
terjadi. Epoch pelatihan diulang sampai hasil dari jaringan memu

Dokumen baru

PENGARUH PENERAPAN MODEL DISKUSI TERHADAP KEMAMPUAN TES LISAN SISWA PADA MATA PELAJARAN ALQUR’AN HADIS DI MADRASAH TSANAWIYAH NEGERI TUNGGANGRI KALIDAWIR TULUNGAGUNG Institutional Repository of IAIN Tulungagung

117 3864 16

PENGARUH PENERAPAN MODEL DISKUSI TERHADAP KEMAMPUAN TES LISAN SISWA PADA MATA PELAJARAN ALQUR’AN HADIS DI MADRASAH TSANAWIYAH NEGERI TUNGGANGRI KALIDAWIR TULUNGAGUNG Institutional Repository of IAIN Tulungagung

40 1026 43

PENGARUH PENERAPAN MODEL DISKUSI TERHADAP KEMAMPUAN TES LISAN SISWA PADA MATA PELAJARAN ALQUR’AN HADIS DI MADRASAH TSANAWIYAH NEGERI TUNGGANGRI KALIDAWIR TULUNGAGUNG Institutional Repository of IAIN Tulungagung

40 924 23

PENGARUH PENERAPAN MODEL DISKUSI TERHADAP KEMAMPUAN TES LISAN SISWA PADA MATA PELAJARAN ALQUR’AN HADIS DI MADRASAH TSANAWIYAH NEGERI TUNGGANGRI KALIDAWIR TULUNGAGUNG Institutional Repository of IAIN Tulungagung

20 616 24

PENGARUH PENERAPAN MODEL DISKUSI TERHADAP KEMAMPUAN TES LISAN SISWA PADA MATA PELAJARAN ALQUR’AN HADIS DI MADRASAH TSANAWIYAH NEGERI TUNGGANGRI KALIDAWIR TULUNGAGUNG Institutional Repository of IAIN Tulungagung

26 772 23

KREATIVITAS GURU DALAM MENGGUNAKAN SUMBER BELAJAR UNTUK MENINGKATKAN KUALITAS PEMBELAJARAN PENDIDIKAN AGAMA ISLAM DI SMPN 2 NGANTRU TULUNGAGUNG Institutional Repository of IAIN Tulungagung

60 1320 14

KREATIVITAS GURU DALAM MENGGUNAKAN SUMBER BELAJAR UNTUK MENINGKATKAN KUALITAS PEMBELAJARAN PENDIDIKAN AGAMA ISLAM DI SMPN 2 NGANTRU TULUNGAGUNG Institutional Repository of IAIN Tulungagung

65 1214 50

KREATIVITAS GURU DALAM MENGGUNAKAN SUMBER BELAJAR UNTUK MENINGKATKAN KUALITAS PEMBELAJARAN PENDIDIKAN AGAMA ISLAM DI SMPN 2 NGANTRU TULUNGAGUNG Institutional Repository of IAIN Tulungagung

20 803 17

KREATIVITAS GURU DALAM MENGGUNAKAN SUMBER BELAJAR UNTUK MENINGKATKAN KUALITAS PEMBELAJARAN PENDIDIKAN AGAMA ISLAM DI SMPN 2 NGANTRU TULUNGAGUNG Institutional Repository of IAIN Tulungagung

31 1084 30

KREATIVITAS GURU DALAM MENGGUNAKAN SUMBER BELAJAR UNTUK MENINGKATKAN KUALITAS PEMBELAJARAN PENDIDIKAN AGAMA ISLAM DI SMPN 2 NGANTRU TULUNGAGUNG Institutional Repository of IAIN Tulungagung

41 1315 23