Sebagaimana halnya pada manusia, sebelum JST dapat digunakan untuk mengolah data, terlebih
dahulu harus dilakukan pelatihan agar JST dapat mengetahui sasaran target yang benar dari suatu
data yang dimasukkan. Dalam pelatihan tersebut terjadi penyesuaian terhadap bobot antar neuron.
Penyesuaian bobot-bobot ini adalah proses penambahan pengetahuan pada JST setiap ia
mengolah data atau informasi baru. Selama proses pelatihan, nilai bobot-bobot jaringan diperbarui terus-
menerus hingga selisih atau kesalahan error antara keluaran jaringan terhadap mendekati targetnya
sangat kecil sesuai yang telah ditentukan. Dalam praktiknya, terdapat beberapa metoda JST yakni
perceptron, adaline,
backpropagation, Adaptive Resonance Theory
ART, Adaptive Bidirectional Associative Memory
BAM.
1.3 Backpropagation
Backpropagation merupakan jaringan syaraf tiruan
yang terdiri atas beberapa layer yaitu lapisan masukan input layer, lapisan tersembunyi hidden
layer dan lapisan keluaran output layer. Pelatihan
jaringan backpropagation adalah sebagai berikut : • data masukan ditransmisikan dari lapisan
masukan ke lapisan tersembunyi kemudian ke lapisan keluaran dengan nilai bobot awal,
• dihitung error antara keluaran dengan targetnya, • jika error tersebut masih lebih besar dari error
yang diharapkan maka nilai error tersebut ditransmisikan kembali dari lapisan keluaran ke
lapisan tersembunyi kemudian ke lapisan masukan,
• bobot disesuaikan untuk memperkecil error, • kemudian data masukan ditransmisikan lagi ke
lapisan keluaran melalui lapisan tersembunyi dengan bobot baru yang telah disesuaikan,
• pelatihan selesai jika nilai kuadrat kesalahannya atau mean square error MSE telah lebih kecil
dari MSE yang diharapkan. Fungsi aktivasi yang biasa digunakan dalam
backpropagation di antaranya adalah sigmoid biner,
sigmoid bipolar dan linier.
2. PERANCANGAN DAN IMPLEMENTASI SISTEM IDENTIFIKASI PESAWAT
TERBANG BERBASIS JST BACK PROPAGATION NETWORK
Perangkat lunak identifikasi jenis pesawat yang dibuat memiliki beberapa batasan di antaranya adalah
sebagai berikut : a. data masukan untuk perangkat lunak ini
adalah kecepatan dan RCS pesawat; b. perangkat lunak ini belum diterapkan di
Radar, maka data masukan dimasukkan melalui keyboard;
c. perangkat lunak ini dibuat dengan menggunakan program Matlab dengan
memanfaatkan toolbox neural network yang ada di Matlab;
d. data sampel yang digunakan untuk dilatih oleh JST backpropagation ada 8 jenis
pesawat beserta kecepatan dan RCS- nya. Berikut ini adalah data-data yang digunakan untuk
melatih jaringan :
Tabel 1 : Data jenis pesawat terbang, kecepatan rata-rata
dan RCS
[5]
.
No Jenis pesawat
terbang Kecepatan
rata-rata kmjam
RCS m
2
1. Bell 47G
168,532 3
2. F-16 Fighting
Falcon 1.470 5
3. Hawk 200
1000,08 8
4. Su-30 Sukhoi
2.878,75 15
5. Cobra AH-1S
227,796 18
6. Casa C-212
364,844 27
7. CN-235 PT DI
459,296 30
8. A-310 Airbus
980 100
Dikarenakan jenis pesawat terbang ditentukan oleh dua jenis data yaitu kecepatan rata-rata dan RCS,
maka diperlukan dua JST untuk mengolah kedua data tersebut. JST pertama berfungsi untuk mengolah data
kecepatan diberi nama JST1, sedangkan JST kedua berfungsi untuk mengolah data RCS diberi nama
JST2. Dari data di atas dapat dibuat hubungan masukan dan target untuk kedua jaringan. Masukan
dan target untuk kedua JST diperlihatkan pada Tabel 2 dan Tabel 3.
Tabel 2 : Masukan data dan pola target kecepatan pada
JST1
No. Masukan Target
1. 168,532 00000001 2. 1.470 00000010
3. 1000,08 00000100 4. 2.878,75 00001000
5. 227,796 00010000 6. 364,844 00100000
7. 459,296 01000000 8. 980 10000000
12
Tabel 3 : Masukan data dan pola target RCS pada JST2
No. Masukan Target
1. 3 00000001 2. 5 00000010
3. 8 00000100 4. 15 00001000
5. 18 00010000 6. 27 00100000
7. 30 01000000 8. 100 10000000
Arsitektur untuk kedua JST diperlihatkan pada Gambar 1 dan Gambar 2.
Gambar 1 : Arsitektur JST1.
Gambar 2 : Arsitektur JST2.
Jaringan JST1 dan JST2 yang dibuat kemudian dilatih dengan MSE yang diharapkan sebesar 0,001.
Agar kedua jaringan yang dibuat dapat melakukan pelatihan dengan cepat dan akurat, maka perlu
dilakukan pengujian terhadap beberapa kondisi yang mempengaruhi performa jaringan. Setelah dilakukan
pengujian atau trial and error didapatkan hasil yaitu beberapa kondisi terbaik sebagai berikut :
a. Kondisi JST1 • Fungsi aktivasi di hidden layer adalah
sigmoid biner dan fungsi aktivasi di output layer
adalah linear. • Jumlah neuron di hidden layer sebanyak
1000 neuron. • Learning rate yang digunakan besarnya 1.
b. Kondisi JST2 • Fungsi aktivasi di hidden layer adalah
sigmoid biner dan fungsi aktivasi di output layer
adalah linear. • Jumlah neuron di hidden layer sebanyak 20
neuron .
• Learning rate yang digunakan besarnya 1.
3. Hasil Pelatihan SIPT-BBPN
