Analisis Penambahan Nilai Momentum Pada Prediksi Produktivitas Kelapa Sawit Menggunakan Backpropagation Neural Network

BAB 2
TINJAUAN PUSTAKA
Pada bab ini akan dijelaskan mengenai teori-teori yang berhubungan dengan
penelitian ini, sehingga dapat dijadikan sebagai landasan berpikir dan akan
mempermudah dalam hal pembahasan hasil utama pada bab berikutnya. Adapun
teoriteori tersebut mencakup pengertian dasar jaringan saraf

biologi, JST, dan

algoritma pembelajaran backpropagation.

2.1 Jaringan Saraf Biologi
Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan
yang luar biasa. Otak manusia terdiri dari neuron-neuron dan penghubung yang
disebut sinapsis. Neuron bekerja berdasarkan sinyal yang diberikan neuron lain dan
meneruskannya pada neuron lainnya. Diperkirakan manusia memiliki 1012 neuron.
Dengan jumlah yang begitu banyak maka otak manusia mampu mengenali pola,
melakukan perhitungan, serta mengontrol organ-organ tubuh dengan baik. Neuron
memiliki 3 komponen utama, yaitu dendrit, badan sel (soma) dan akson. Gambar 2.1
dibawah ini merupakan gambar sel saraf biologi.

Dendrit berfungsi menerima sinyal informasi dari satu atau beberapa neuron
yang terhubung. Kemudian sinyal yang diterima oleh dendrit diteruskan ke badan sel.

Universitas Sumatera Utara

Jika total sinyal yang diterima oleh badan sel cukup kuat untuk
mengaktifkan sebuah neuron maka neuron tersebut akan mengirimkan sinyal ke
semua neuron terhubung melalui akson. Jadi semua neuron hanya memiliki
dua kemungkinan yaitu mengirimkan sinyal kepada neuron lain atau tidak.
Neuron biologi merupakan sistem yang “fault tolerant” dalam 2 hal.

Pertama, manusia dapat mengenali sinyal input yang agak berbeda dari yang
pernah kita terima sebelumnya. Sebagai contoh, manusia sering dapat mengenali
seseorang yang wajahnya pernah dilihat dari foto, atau dapat mengenali seseorang
yang wajahnya agak berbeda karena sudah lama tidak dijumpainya (Siang, J.J.
2004).
Kedua, otak manusia tetap mampu bekerja meskipun beberapa neuronnya
tidak mampu bekerja dengan baik. Jika sebuah neuron rusak, neuron lain kadangkadang dapat dilatih untuk menggantikan fungsi sel yang rusak tersebut (Siang,
J.J. 2004).

2.2 Jaringan Saraf Tiruan (JST)
Jaringan syaraf tiruan adalah merupakan salah satu representasi buatan dari otak
manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada
otak manusia tersebut. Istilah buatan disini digunakan karena jaringan syaraf ini
diimplementasikan dengan menggunakan program komputer yang mampu
menyelesaikan sejumlah proses perhitungan selama proses pembelajaran
(Kusumadewi, S.2003).
JST merupakan salah satu representasi buatan dari otak manusia yang selalu
mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut.
Istilah buatan digunakan karena jaringan saraf ini diimplementasikan dengan
menggunakan program komputer yang mampu menyelesaikan sejumlah proses
perhitungan selama proses pembelajaran berlangsung. Dikarenakan sebagai
generalisasi model maematika dari jaringan saraf biologi, maka JST diasumsikan
sebagai berikut:
1. Pengolahan informasi terjadi pada elemen pemrosesan yang disebut
neuron.

Universitas Sumatera Utara

2. Sinyal dikirimkan diantara neuron-neuron

melalui penghubung-

penghubung.
3. Setiap penghubung antar neuron memiliki nilai bobot.
4. Untuk menentukan output, setiap neuron menggunakan fungsi
aktivasi

terhadap total input jaringan (penjumlahan bobot input)

(Siang, J.J. 2004).
Karakteristik dari JST ialah:
1. Arsitektur jaringan: pola hubungan antar neuron
2. Algoritma pembelajaran: metode yang menentukan nilai bobot penghubung
3. Fungsi aktivasi: menentukan nilai output berdasarkan total nilai inputnya(Siang, J.J. 2004).
2.2.1 Komponen Jaringan Saraf Tiruan

Seperti otak manusia, JST juga memiliki neuron yang merupakan dasar dari
operasi JST yang berfungsi untuk memproses informasi. Sel saraf tiruan ini
biasa disebut processing element, neuron atau unit. Masing-masing neuron akan

meneruskan informasi yang diterimanya menuju neuron lainnya. Hubungan antar
neuron ini disebut edge dan memiliki nilai yang disebut bobot atau wieght
(disimbolkan dengan w1, ..., wn). Selain bobot,setiap unit juga memiliki input,
output dan error. Input yang disimbolkan dengan(x 1, ..., xn)merupakan nilai
atau angka yang ingin dilatih maupun untuk diuji didalam suatu jaringan
dimana nilainya harus berupa angka sedangkan output yang disimbolkan
dengan (y1, ..., yn) merupakan hasil keluaran dari suatu unit yang merupakan
solusiatau pemahaman jaringan terhadap data input, sedangkan error merupakan
tingkatkesalahan yang terdapat dalam suatu unit dari proses yang telah
dilakukan.Dalam jaringan terkadang ditambah sebuah unit input yang nilainya
selalu samadengan1,unit ini disebut bias.
JST memiliki banyak neuron yang tersebar di seluruh bagiannya.
Masingmasing neuron dikelompokkan ke dalam beberapa lapisan dan memiliki
hubungan satu dengan yang lain yang disebut dengan layer.
Layer terdiri dari beberapa bagian, yaitu:
1. Lapisan input

Universitas Sumatera Utara

Unit-unit di dalam lapisan input disebut unit-unit input. Unit-unit input

tersebut menerima pola inputan data dari luar yang menggambarkan suatu
permasalahan.
2. Lapisan tersembunyi
Unit-unit di dalam lapisan tersembunyi disebut unit-unit tersembunyi.
Dimana outputnya tidak dapat secara langsung diamati.
3. Lapisan output
Unit-unit di dalam lapisan output disebut unit-unit output. Output dari
lapisan ini merupakan solusi JST terhadap suatu permasalahan (Siang, J.J.
2004).
2.2.2 Arsitektur Jaringan

Arsitektur jaringan merupakan salah satu hal terpenting dalam JST selain dari
neuron dan algoritma pembelajaran. Arsitektur jaringan terbagi menjadi tiga jenis,
yaitu:
1. Jaringan lapis tunggal (single layer network)
Jaringan lapis tunggal ini hanya memiliki satu buah output dan
dapat juga memiliki lebih dari satu inputan. Pada jaringan ini tidak
memiliki lapisan tersembunyi. Jaringan lapis tunggal dapat dilihat pada
gambar 2.2 dibawah ini.

Gambar 2.2 Jaringan Lapis Tunggal
2. Jaringan multilapis (multilayer network)
Jaringan multilapis memiliki ciri khas tertentu yaitu memiliki 3 jenis
layer yakni layer input, layer output, dan layer tersembunyi.
Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan
yang lebih kompleks dibandingkan jaringan dengan lapisan tunggal.
Namun, proses pelatihan sering membutuhkan waktu yang cenderung.
Jaringan multilapis dapat dilihat pada gambar 2.3 berikut ini.

Universitas Sumatera Utara

Gambar 2.3 Jaringan Multilapis
3. Jaringan kompetitif (competitive layer network)
Jaringan kompetitif sering disebut feedback loop karena unit output ada
yang memberikan informasi terhadap unit masukan.

Gambar 2.4 Jaringan Kompetitif
2.2.3 Model Pelatihan JST

Seperti halnya otak manusia yang membutuhkan belajar dalam mengenali

sesuatu, pada JST juga demikian. Setiap neuron dibangun untuk dilatih dalam
mempelajari pola yang akan dijalankan. Pada saat pelatihan dilakukan, nilai dari
masing-masing hubungan antar neuron ditetapkan untuk menentukan output.
Semakin banyak pelatihan yang dilakukan maka akan semakin kecil tingkat dari
suatu error di lapisan keluarannya, sehingga pengenalan suatu pola akan
segera tercapai. Metode pembelajaran JST terdiri dari dua cara:
1. Supervised Learning

Universitas Sumatera Utara

Supervised learning merupakan metode pembelajaran dalam JST
dimana output target yang diinginkan telah diketahui sebelumnya
dan diharapkan setelah proses pelatihan output target tercapai. Pada
metode pembelajaran ini pasangan data (masukan-keluaran) dipakai
untuk melatih jaringan.Pada proses pembelajarannya pola masukan
diberikan pada lapisan input untuk terus dirambatkan sampai pada
lapisan output. Nilai yang diperoleh dari proses perhitungan pola
pembelajaran pada lapisan output akan dicocokkan dengan pola output
target awal. Jika diperoleh perbedaan antara kedua nilainy amaka akan
muncul error. Apabila nilai error belum sesuai dengan yang diinginkan.

maka pelatihan akan terus dilakukan dengan terus memodifikasi bobot
sampai
dihasilkan error yang sesuai. Model JST yang menggunakan
metode supervised learning adalah perceptron, ADALINE dan
backpropagation.
2.

Unsupervised Learning
Unsupervised learning merupakan metode pembelajaran dalam JST yang
tidak memerlukan output target dalam proses pembelajarannya.
Pelatihan dilakukan hanya pada data input saja. Model JST yang
menggunakan metode unsupervised learning adalah kohonen, hebbian,
dll.
Pada umumnya operasi model jaringan dalam JST terbagi atas dua
mekanis mekerja, yaitu:
a.

Mekanisme pelatihan atau belajar
Pada mekanisme ini jaringan dilatih untuk menghasilkan data
yang sesuai dengan output target yang diinginkan melalui satu

atau lebih pasangan data (masukan

dan keluaran). Semakin

banyak pelatihan pada tiap siklusnya (epoch) dilakukan maka
target yang diinginkan akan segera tercapai.
b. Mekanisme pengujian
Pada mekanisme ini jaringan diuji apakah dapat mengenali pola

Universitas Sumatera Utara

yang baru dengan data input yang berbeda dari data pelatihan
setelah proses pelatihan dilakukan.
2.2.4 Fungsi Aktivasi dan Error

Fungsi aktivasi merupakan bagian penting dalam tahap perhitungan JST
karena dipakai untuk menentukan keluaran dari suatu neuron. Beberapa fungsi
aktivasi yang dipakai dalam JST adalah:
1.

Fungsi sigmoid biner (logsig)
Fungsi ini pada umumnya digunakan untuk jaringan syaraf yang dilatih
dengan
menggunakan metode backpropagation. Fungsi sigmoid biner memiliki
nilai
antara 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk
jaringan
syaraf yang membutuhkan nilai output yang terletak pada interval 0 sampai
1.

(2.1)
2. Fungsi sigmoid bipolar (tansig)
Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya
saja fungsi ini memiliki range antara1 sampai -1. Fungsi sigmoid
bipolar dirumuskan sebagai:

(2.2)

Perhitungan kesalahan pada output jaringan menentukan apakah
jaringan

sudah mengenali pola atau belum. Jika error yang diinginkan belum

Universitas Sumatera Utara

terpenuhi, maka jaringan dianggap belum mengenali pola. Error jaringan
dihitung dengan persamaan Sum Square Error (SSE). SSE digunakan
tiap satu epoch pelatihan, dengan menghitung seluruh pola output aktual
dari tiap pola input untuk dihitung selisihnya dengan pola output yang
diinginkan. Jika nilai SSE ≤ error yang diinginkan maka jaringan
dianggap sudah mengenali pola tetapi jika belum maka jaringan terus
dilatih dan dihitung kembali tiap epochnya sampai nilai SSE ≤ error yang
diinginkan. Rumus menghitung nilai SSE ialah:
(2.3)
Dimana

tkn

=

nilai

terget

keluaran

yang

diinginkan

ykn = nilai keluaran aktual
Karena SSE > 0.1 maka jaringan dianggap belum mengenali pola.
2.3 Backpropagation
Backpropagation merupakan salah satu dari beberapa metode yang digunakan
dalam JST dan yang paling sering digunakan dalam berbagai bidang
aplikasi,

seperti pengenalan pola, peramalan dan optimisasi. Jaringan syaraf

tiruan backpropagation (BP) pertama kali diperkenalkan oleh Rumelhart, Hinton
dan William pada tahun 1986, kemudian Rumelhart dan Mc Cleland
mengembangkannya pada tahun 1988. Jaringan ini merupakan model jaringan
multilayer. backpropagation paling banyak digunakan oleh pemakai jaringan
saraf tiruan, bahkan diperkirakan lebih dari 80 % proyek jaringan saraf tiruan
yang

tengah

dikembangkan

menggunakan

backpropagation

(Haryono,

M.E.2004).
Backpropagation

merupakan algoritma pelatihan terbimbing yang

mempunyai banyak lapisan. Backpropagation menggunakan error output untuk
mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk
mendapatkan error ini, tahap perambatan maju (forward propagation) harus
dikerjakan terlebih dahulu. Syarat fungsi aktivasi dalam BPNN adalah bersifat
kontinu, terdifferensial dengan mudah, dan merupakan fungsi yang tidak turun.
Fungsi aktivasi yang dapat memenuhi ketiga syarat tersebut adalah logsig, tansig,
dan purelin (Nurmila, N. et al.2006).

Universitas Sumatera Utara

Salah satu arsitektur jaringan saraf tiruan yang sangat populer adalah
multilayer feedforward networks. Secara umum, jaringan seperti ini terdiri dari
sejumlah unit neuron sebagai lapisan input, satu atau lebih lapisan simpul-simpul
neuron komputasi hidden (lapisan tersembunyi), dan sebuah lapisan simpul-

simpul neuron komputasi output. Sinyal input dipropagasikan ke arah depan (arah
lapisan output), lapisan demi lapisan. Jenis jaringan ini adalah hasil generalisasi
dari arsitektur perceptron satu lapisan, jadi biasa disebut sebagai multilayer
perceptron (MLPs). Error backpropagation adalah algoritma MLPs yang

menggunakan prinsip supervised learning. Propagasi balik (ke arah lapisan input)
terjadi setelah jaringan menghasilkan output yang mengandung error . Pada fase
ini seluruh bobot synaptic (yang tidak memiliki aktivasi nol) dalam jaringan akan
disesuaikan untuk mengkoreksi/memperkecil error yang terjadi (error correction
rule). Untuk pelatihan jaringan, pasangan fase propagasi ke depan dan balik

dilakukan secara berulang untuk satu set data latihan, kemudian diulangi untuk
sejumlah epoch (satu sesi lewatan untuk seluruh data latihan dalam sebuah proses
pelatihan jaringan)sampai error yang terjadi mencapai batas kecil toleransi
tertentu atau nol (Suteja, R.B.2007).

2.3.1

Arsitektur Backpropagation

Gambar 2.5 Arsitektur Jaringan Backropagation
Backpropagation memiliki beberapa unit yang ada dalam satu atau

lebih lapis tersembunyi. Gambar 2.5 di atas adalah arsitektur backpropagation
dengan n buah masukan

(X1, X2, X3, ......., Xn) ditambah sebuah bias,

sebuah lapis tersembunyi yang terdiri dari j unit ditambah sebuah bias, serta k

Universitas Sumatera Utara

buah unit keluaran (Jurmawanto, A et al.2009).

2.3.2 Algoritma Backpropagation

Algoritma backpropagation terdiri dari dua bagian:
1. Algoritma Pelatihan Backpropagation
Di dalam proses pelatihan backpropagation terdapat tiga tahap. Tahap
pertama ialah

tahap maju. Pada

tahap

ini

seluruh

proses

awal

inisialisasi bobot-bobot input dilakukan. Pada tahap ini juga ditentukan
angka pembelajaran (α), nilai toleransi error dan jumlah epoch (siklus
setiap pola pelatihan) yang diperlukan selama

proses

komputasi

berlangsung. Setelah semua proses inisialisasi dilakukan, maka langkah
selanjutnya ialah proses maju. Setiap unit masukan xi akan mengirimkan
sinyal masukan ke lapisan tersembunyi.

Setelah dihitung dengan

menggunakan fungsi aktivasi maka keluarannya akan dikirimkan ke
lapisan di atasnya, yaitu lapisan output. Setelah nilai keluaran (yk)
diperoleh, maka dibandingkan dengan target keluaran sebenarnya (tk).
Selisih

yk

– tk disebut dengan error (δk). Jika nilai error lebih

kecil atau sama dengan dari nilai ambang maka proses iterasi dihentikan,
tetapi jika tidak maka nilai error tersebut digunakan untuk memodifikasi
bobot-bobot untuk mengoreksi kesalahan yang terjadi.
Tahap kedua adalah tahap mundur. Pada tahap ini, nilai error (δk)
yang diperoleh pada di lapisan output digunakan untuk mengoreksi
bobot-bobot yang ada pada lapisan tersembunyi yang berhubungan
langsung dengan lapisan output. Setelah itu nilai error (δj) di setiap
unit pada lapisan tersembunyi juga dihitung untuk mengoreksi bobotbobot yang menghubungkan lapisan input dengan lapisan tersembunyi.
Tahap ketiga adalah tahap pengoreksian bobot. Setelah seluruh
bobot pada lapisan input dan lapisan tersembunyi dimodifikasi sesuai
dengan besar faktor errornya, maka ketiga fase ini diulang secara
terus menerus sampai kondisi berhenti dipenuhi. Kondisi berhenti yang

Universitas Sumatera Utara

dimaksud adalah jika jumlah epoch yang ditetapkan tercapai ata jika nilai
error jaringan telah sama dengan atau lebih kecil dari nilai toleransi
error

yang

ditetapkan

sebelumnya.

Pada tahap pelatihan, jaringan

diharapkan dapat melatih seluruh data pelatihan yang diberikan untuk
mendapatkan bobot akhir

jaringan yang akan digunakan pada tahap

pengujian.
Struktur algoritma pelatihan Backpropagation adalah:
a.

Inisialisasi bobot-bobot
Tentukan pula nilai

Tentukan angka pembelajaran (α).

toleransi

error

yang diinginkan dan

set

maksimal epoch jika ingin membatasi jumlah epoch yang digunakan.
b.

Selama kondisi berhenti tidak terpenuhi, lakukan langkah ke-2
sampai langkah ke-9.

c.

Untuk setiap pasangan pola pelatihan, lakukan langkah ke-3
sampai langkah ke-8. Tahap maju

d.

Tiap-tiap unit input

(xi, i = 1, 2, 3, ..., o) menerima sinyal input

dan meneruskan sinyal tersebut ke tiap-tiap unit pada lapisan
tersembunyi.
e.

Tiap-tiap unit di lapisan tersembunyi (zj, j = 1, 2, 3, ..., p)
menjumlahkan sinyal-sinyal input yang berbobot, yaitu
(2.5)
Fungsi aktivasi untuk menghitung sinyal outputnya, yaitu:
(2.6)
dan mengirimkan sinyal tersebut ke semua unit pada lapisan di
atasnya (lapisan output).

f.

Tiap-tiap unit di

lapisan output

(yk,

k = 1, 2, 3,

..., m)

menjumlahkan sinyal input yang berbobot, yaitu:
(2.7)

Universitas Sumatera Utara

Fungsi aktivasi untuk menghitung sinyal outputnya, yaitu:
(2.8)
Tahap mundur
g. Tiap-tiap

unit

output

yk

menerima

pola

target

tk

untuk

menghitung error (δk), yaitu:
(2.9)
Kemudian hitung nilai koreksi bobot yang nantinya digunakan
untuk memperbaiki nilai bobot antara lapisan tersembunyi dan lapisan
output (wjk), yaitu:
(2.10)
Hitung juga koreksi bias yang digunakan untuk memperbaiki nilai
bias antara lapisan tersembunyi dan lapisan output (wk0), yaitu:
(2.11)
h.

Tiap-tiap unit pada lapisan tersembunyi (zj, j = 1, 2, 3, ..., p)
menjumlahkan sinyal-sinyal input dari lapisan output, yaitu:
∑

(2.12)

Kalikan nilai ini dengan fungsi aktivasi untuk menghitung error
pada lapisan tersembunyi (δj), yaitu:
(2.13)
Kemudian hitung koreksi bobot untuk memperbaiki nilai bobot antara
lapisan input dan lapisan tersembunyi (vji), yaitu:
(2.14)

Universitas Sumatera Utara

Kemudian hitung koreksi bias untuk memperbaiki nilai bobot
antara lapisan input dan lapisan tersembunyi (vj0), yaitu:
(2.15)
Tahap pengoreksian bobot
i. Tiap-tiap unit keluaran (yk, k = 1, 2, 3, ..., m)

memperbaiki bobot

dan bias, yaitu:

tiap-tiap unit tersembunyi memperbaiki bobot dan bias, yaitu:

j. Tes kondisi berhenti
2. Algoritma Pengujian Backpropagation
Setelah proses pelatihan, backpropagation dapat digunakan untuk
proses pengujian jaringan. Pada proses pengujian, tahap yang dilakukan
hanya sampai tahap maju saja, tidak ada tahap mundur apalagi tahap
modifikasi bobot. Seluruh bobot input diambil dari nilai bobot
terakhir yang diperoleh dari proses pelatihan. Pada tahap pengujian
ini, jaringan diharapkan dapat mengenali pola berdasarkan data baru
yang diberikan (generalisasi).
2.4 Optimalitas Arsitektur Backpropagation
Masalah utama yang terdapat dalam backpropagation ialah lamanya proses
iterasi yang dilakukan. Backpropagation tidak dapat memastikan berapa epoch
yang

harus dilalui sampai pola yang diinginkan terpenuhi. Oleh karena itu

terdapat beberapa cara yang digunakan untuk mengoptimalkan proses iterasi,
yaitu:
1. Pemilihan bobot dan bias awal

Universitas Sumatera Utara

Bobot awal merupakan unsur yang terpenting dalam pembentukan
jaringan

yang baik, karena bobot awal mempengaruhi kecepatan iterasi

jaringan dalam

mengenali pola. Bobot awal standar yang biasa

dipakai dalam melakukan proses komputasi dinilai memberikan waktu
yang

lama.

Inisialisasi

Nguyen

Widrow

sederhana bobot-bobot dan bias ke unit

merupakan

modifikasi

tersembunyi yang mampu

meningkatkan kecepatan jaringan dalam proses pelatihan jaringan.
Inisialisasi Nguyen Widrow didefinisikan dengan rumus:
√

dimana:

(2.16)

n = jumlah neuron pada lapisan input
p = jumlah neuron pada lapisan tersembunyi
β = faktor skala
Prosedur inisialisasi Nguyen Widrow ialah:
a. Inisialisasi bobot-bobot (vji) lama dengan bilangan acak dalam interval
[-0.5, 0.5]
b. Hitung

√

(2.17)

c. Bobot baru yang dipakai sebagai inisialisasi
d. Bias baru yang dipakai sebagai inisialisasi vj0 = bilangan acak
dalam interval [-β, β]
2. Momentum
Penambahan parameter momentum dalam tahap pengoreksian nilai
bobot dapat mempercepat proses pelatihan yaitu dengan memodifikasi
nilai bobot pada iterasi (t+1) yang nilainya ditentukan oleh nilai
bobot

pada

menyatakan

iterasi

ke-t dan

parameter

(t-1).

momentum

µ

adalah

konsanta

yang

yang nilainya 0≤ µ ≤1. Maka

persamaan untuk menentukan bobot baru ialah:
(2.18)
dengan:

Universitas Sumatera Utara

wkj (t)

= bobot awal pola kedua (hasil dari iterasi pola pertama)

wkj (t −1) = bobot awal pada iterasi pola pertama

(2.19)
dengan :
vji (t) = bobot awal pola kedua (hasil iterasi pola pertama)
vji (t-1)= bobot awal pada iterasi pertama
2.5 Pengenalan Pola
Pengenalan pola ialah disiplin ilmu yang bertujuan untuk mengklasifikasikan
dan mendeskripsikan pola atau objek kompleks melalui pengukuran sifat-sifat
atau ciri-ciri objek bersangkutan. Suatu sistem pengenalan pola melakukan
akuisisi data melalui alat pengindera atau sensor seperti scanner dan kamera,
mengatur bentuk representasi data serta melakukan proses analisis dan klasifikasi
data. Proses akuisisi data tersebut harus benar-benar

akurat dengan

mempertimbangkan semua karakteristik dari setiap sampel yang tidak lain
adalah suatu citra digital, dimana setiap citra digital memiliki karakteristik
tertentu. Tentunya data numerik yang dihasilkan haruslah benar-benar dapat
mewakili karakteristik atau ciri-ciri dari sampel yang diamati, sehingga
diharapkan dari sekumpulan data dengan target yang sama akan dihasilkan
suatu generalisasi terhadap suatu target yang sejenis.
Sampel-sampel yang akan diamati tentunya harus dibatasi dengan
suatu struktur dimensi dan homogenisasi piksel yang sederhana, sehingga
diharapkan dapat mempermudah proses analisa terhadap konsep ini. Setiap
sampel adalah satu citra digital yang nilai warna dari piksel-pikselnya
terhomo-genisasi menjadi dua representasi warna, yaitu warna aktif (hitam)
dan warna non aktif (selain hitam). Selain itu dimensi dari setiap sampel
dibatasi sebesar area yang disediakan pada program aplikasi, tetapi tidak
akan mengurangi fleksibilitas dan skalabilitas yang diharapkan.

Universitas Sumatera Utara

2.6

Prediksi

2.6.1 Definisi Prediksi

Prediksi atau peramalan merupakan studi terhadap data historis dengan tujuan
untuk menemukan hubungan kecenderungan dan pola sistematis (Sutono, 2008)
2.6.2

Metode dan Jenis Prediksi

Menurut Makridakit, et al (1999) dalam Sutono, (2008) metode prediksi dapat
diklasifikasikan ke dalam dua kategori utama yaitu:
1. Metode Kualitatif
Masukkan yang digunakan tergantung pada metode tertentu dan
umumnya berdasarkan pada pendapat ahli dan digunakan saat rekaman
data historis tidak banyak tersedia. Jenis prediksi tipe ini adalah
judgement

model,

model

prediksi

yang

dilakukan

berdasarkan

pengalaman dan survei serta cenderung bersifat subyektif.
2. Metode Kuantitatif
Metode ini menggunakan ekspresi matematika untuk memperlihatkan
hubungan antara variabel bebas dengan variabel tidak bebas juga
memerlukan rekaman data historis dimana data dapat dikuantitatifkan
sebagai data numerik dan berasumsi pola data masa lalu akan berlanjut
pada masa mendatang. Metode kuantitatif dikelompokkan dalam dua jenis
model yaitu :
a) Metode Prediksi
Deret-Berskala Metode Deret berskala merupakan metode prediksi
yang menggunakan sekumpulan data berdasarkan nilai data masa lalu
dalam interval waktu tertentu. Data masa lalu dianalisis untuk
menemukan pola yang tepat kemudian menggunakan pola data
tersebut untuk memprediksi sesuatu nilai masa depan
b) Metode Prediksi
Kausal Metode ini mengasumsikan bahwa faktor yang diprediksi
menunjukkan adanya hubungan sebab akibat dengan satu atau lebih
variabel lain disebut variabel bebas. Penggunaan metode kausal

Universitas Sumatera Utara

memungkinkan adanya faktor subyektifitas dalam memprediksi yaitu
saat penentuan variabel bebas apa saja yang akan dipertimbangkan.
2.7 Penelitian yang Relevan
Dalam melakukan penelitian, penulis menggunakan beberapa penelitian yang
relevan dengan permasalahan yang diteliti yang digunakan sebagai acuan agar
penelitian ini berjalan dengan lancar.
Tabel. 2.1. Penelitian yang relevan

No

Judul Riset

Algoritma/
Metode
Yang
digunakan
Dewi. C, et al algoritma
2013
backpropag
ation
Nama Peneliti
dan Tahun

Perbandingan
akurasi
backpropagation
neural network
1
dan
ANFIS
untuk
memprediksi
cuaca
Kelebihan :
Dimana dalam jurnal ini algoritma yang
digunakan mampu mendekati nilai yang
telah ditentukan dengan bobot yang
dimasukan
Particle Swarm Hamed,
Optimization For H.Z.A,
Neural Network Shamsuddin,
Learning
S.M&Salim,
Enhancement.
N. (2008)

Hasil Penelitian
salah sastu jaringan
syaraf tiruan yang
memiliki
proses
pembelajaran
maju
dan kesalahan secara
mundur

Kelemahan:
Dalam
Pengujian
ini
Backpropagation neural network
membutuhkan Kombinasi data yang
mencapai 60% dari keseluruhan data
algoritma
mengatasi
masalah
backpropag local minimal dengan
ation
membandingkan
penggunakan
algoritma
genetika
untuk
menentukan
nilai yang optimal
2
untuk
mendapatkan
parameter yang tepat
seperti
laju
pembelajaran
dan
momentum
serta
pengoptimuman bobot
Kelemahan
Kelebihan:
Tidak Bisa mendapatkan nilai yang
Dengan
menggunakan
Algoritma
akurat. Untuk mendapatkan nilai
Backpropagation dapat menentukan
yang akurat harus melakukan
kelulusan dari bobot yang masukan.
perbandingan dengan algoritma yang

Universitas Sumatera Utara

lainnya.

implementasi
Indriwaty Y, et
model
al, 2012
backpropagatio
n
dalam
3
mengenal pola
gambar untuk
mendiagnosa
penyakit kulit
Kelebihan:
Dari hasil pelatihan yang didapat bahwa
keakuratan nilainya mencapai 82,76 %
untuk mengenali penyakit.
Metode pembobotannya dilakukan
sistem pakar untuk kombinasi setiap
rule.
algoritma
Nurmila N et al
backpropagatio
n
neurak
4 network untuk
pengenalan
pola karakter
huruf jawa
Kelebihan:
Mendapatkan hasil yang maximal
dengan melakukan pelatihan dengan
nilai 99,563%, sedangkan untuk sampel
data diluar pelatihan mendapatkan nilai
61,359%. Jadi penggabungan dari 2
data sample tersebut mendapatkan nilai
75%
Prediction of Hermantoro
Oil
Palm 2009
Production
5 Base on Land
Quality Using
Artifical Neural
Network
Kelebihan:
metode
backpropagation
dapat
melakukan proses pembelajaran lebih
cepat untuk mengklasifikasikan pola
tanah/geologi
dalam
mengklasifikasikan pola

model
backpropag
ation

paradigma
pemrosesan
suatu
informasi
yang
terinspirasi
oleh
sistem
sel
syaraf
biologi,sama seperti
otak yang memproses
suatu informasi

Kelemahan:
Data berupa gambar yang berbentuk
RGB, sehingga data tersebut harus di
Grayscale terlebih dahulu untuk
mendapatkan nilai binner dari
gambar tersebut.
algoritma
backpropag
ation PNN

algoritma
backpropagation PNN
merupakan algoritma
pelatihan terbimbing
yang
mempunyai
banyak lapisan

Kelemahan:
Didalam pelatihan ini dilakukan
berulang-ulang dengan menggunakan
pelatihan, dan jumlah neurol dan
parameter jaringan berupa learning
rate dan momentum yang berbeda.

Algoritma
backpropaga
tion Neural
Network

nalogi sederhana dari
cara
kerja
otak
manusia
dalam
mengelompokan
informasi

Kelemahan:
Didalam
jurnal
ini
metode
backpropagation mendapatkan nilai
yang rendah.

Universitas Sumatera Utara