JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
Seminar Nasional Informatika 2014
JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION
UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
Dahriani Hakim Tanjung
STMIK POTENSI UTAMA
Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan
notashapire@gmail.com
Abstrak
Penelitian ini bertujuan untuk mendeteksi penyalahgunaan narkotika menggunakan teknik pengenalan pola
yaitu jaringan saraf tiruan dengan metode backpropagation. Data yang menjadi masukan adalah segala jenis
gejala penderita narkotika. Jaringan saraf tiruan dilakukan dengan menentukan jumlah unit untuk setiap
lapisan dengan fungsi aktivasi sigmoid biner. Pengujian dilakukan menggunakan perangkat lunak matlab
yang diuji dengan beberapa bentuk arsitektur jaringan. Arsitektur dengan konfigurasi terbaik terdiri dari 23
lapisan masukan, 5 lapisan tersembunyi dan 5 lapisan keluaran dengan nilai learning rate sebesar 0.5, nilai
toleransi error 0.01, Dapat dilihat bahwa hasil penelitian ini mencapai keakuratan 95% dari data penelitian,
sehingga dapat disimpulkan bahwa jaringan syaraf tiruan dengan backpropagation mampu mengenali pola
dan mampu mendeteksi penyalahgunaan narkotika dengan jumlah iterasi 6341 dan MSE 0.00999889. MSE
berada di bawah nilai error yaitu 0.01, Parameter tersebut dipilih menjadi parameter terbaik, karena nilai
MSE paling kecil dari arsitektur yang lain serta nilai MSE dibawah dari nilai error yang ditentukan. Sigmoid
Biner Fungsi ini digunakan untuk jaringan saraf yang dilatih dengan menggunakan metode backpropagation.
Fungsi sigmoid memiliki nilai range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan
saraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1.
Kata Kunci : Jaringan Saraf Tiruan, Backpropagation, Narkotika, Sigmoid biner, Matlab
1. PENDAHULUAN
Di era globalisasi sekarang ini dan juga
pengaruh perdagangan bebas, menjadikan
peredaran barang-barang impor semakin banyak
masuk ke tanah air seperti, otomotif, alat
komunikasi, alat-alat kesehatan, dan juga obatobatan. Di samping itu dengan sistem
perdagangan bebas ini, menambah ruang gerak
peredaran obat-obatan terlarang dan narkotika
semakin marak ditanah air.
Faktor minimnya pengetahuan masyarakat
tentang penggunaan narkotika menyebabkan
sulitnya masyarakat awam mengidentifkasi
seseorang ataupun anggota keluarganya yang
telah menjadi korban penyalahgunaan narkotika.
Dengan demikian pemanfaatan teknologi,
khususnya
teknologi
informasi
telah
diimplementasikan ke berbagai bidang seperti
pemerintahan, pendidikan, bisnis, periklanan,
kesehatan, dan sebagainya. Berdasarkan uraian di
atas penulis mencoba untuk memanfaatkan
teknologi informasi untuk dapat membantu
masyarakat.
Metode problem solving yang digunakan
dalam penelitian ini adalah jaringan syaraf tiruan
(JST). Jaringan syaraf tiruan telah banyak
digunakan untuk membantu menyelesaikan
berbagai macam permasalahan, salah satu
permasalahan
tersebut
adalah
pencocokan/keakurasian berdasarkan pelatihan
yang diberikan. JST dapat dimanfaatkan untuk
mendeteksi penyalahgunaan narkotika dengan
menggunakan metode Backpropagation.
2. DASAR TEORI
2.1 Jaringan Saraf Tiruan
Jaringan Saraf Tiruan (arficial neural
network) merupakan metode yang dapat
menemukan hubungan non-linear antara beban
dan faktor-faktor ekonomi yang bervariasi serta
faktor- faktor lainnya yang dapat melakukan
penyesuaian terhadap perubahan-perubahan yang
terjadi [1].
Gambar 1. Komponen Neuron
Dari gambar diatas terlihat bahwa dalam
otak manusia, sebuah neuron (sel saraf) tertentu
mengumpulkan sinyal berupa rangangan dari
neuron lain melalui dendrit. Sinyal yang dating
dan diterima oleh dendrit akan dijumlahkan
(summation) dan dikirim melalui axon ke dendrit
69
Seminar Nasional Informatika 2014
akhir yang bersentuhan dengan dendrit dari
neuron yang lain. Siyal ini akan diterima oleh
neuron lain jika memenuhi nilai threshold
tertentu. Dalam hal ini neuron dikatakan
teraktivasi. Pembelajaran pada otak manusia
terjadi ketika da hubungan antara satu neuron
dengan neuron lain yang terjadi secara adaptif dan
berlangsung secara dinamis [2].
2.2 Metode Backpropagation
Backpropagation merupakan algoritma
pembelajaran yang terawasi dan baisanya
digunakan oleh perceptron dengan banyak lapisan
untuk mengubah bobot-bobot yang berhubungan
dengan neuron-neuron yang ada pada lapisan
tersembunyinya. Algoritma 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.
Pada dasarnya, pelatihan dengan metode
backpropagtion terdiri atas tiga langkah, yaitu
sebagai berikut :
a. Data dimasukkan ke input jaringan
(feedforward)
b. Perhitungan dan propagasi balik dari error
yang bersangkutan
Pembaharuan (adjustment) bobot dan
bias[1].
2.3 Fungsi Aktivasi Sigmoid Biner
Fungsi ini digunakan untuk jaringan saraf
yang dilatih dengan menggunakan metode
backpropagation. Fungsi sigmoid memiliki nilai
pada range 0 sampai 1. Oleh karena itu, fungsi ini
sering digunakan untuk jaringan saraf yang
membutuhkan nilai output yang terletak pada
interval 0 sampai 1. Namun, fungsi ini bisa juga
digunakan oleh jaringan saraf yang nilai
outputnya 0 atau 1 [3]
fungsi sigmoid dirumuskan sebagai berikut :
Fungsi Step dirumuskna sebagai :
dengan
(1)
:
2.4
Arsitektur
Jaringan
Metode
Backpropagation
Jaringan saraf terdiri dari 3 lapisan, yaitu
lapisan masukan/input terdiri atas variable
masukan unit sel saraf, lapisan tersembunyi dan
lapisan keluaran/output. Lapisan masukan
digunakan untuk menampung 23 variabel yaitu
X1 sampai dengan X23, lapisan tersembunyi
terdiri atas 5 unit sel saraf, lapisan tersembunyi
ditentukan sendiri oleh pengguna sistem melalui
cara percobaan konvergensi terbaik (trial and
error) sampai diperoleh hasil konvergensi
70
pelatihan yang paling baik (jumlah epoch
terkecil). dan lapisan keluaran/output terdiri atas
5 sel saraf, lapisan keluaran digunakan untuk
mempresentasikan pengelompokan pola, nilai
00001 untuk Opium+Heroin, nilai 00010 untuk
Morphine, nilai 00100 untuk Cocain, nilai 01000
untuk Marijuana, dan nilai 10000 untuk Sintetik
(Pethidin + Methadon)[4]. Gambar 2 merupakan
arsitektur jaringan saraf tiruan.
X1
Y1
Opium + Heroin
Y2
Morphine
Y3
Cocain
Y4
Marijuana
Z1
X2
Z2
X3
X4
Zn
Y5
Sintetik (Pethidin
+ Metahdon)
X23
W0
B0
Gambar 2. Arsitektur Jaringan Untuk
Mendeteksi Penyalahgunaan Narkotika
2.5 Inisialisasi Input
Pada tahap ini dilakukan proses inisialisasi
data input yang diperoleh dari gejalagejala/kriteria dan seluruh jennies narkotika. Nilai
terhadap variable ditentuka Antara 0 sampai 1
disesuaikan dengan kasus dari masing gejala.
Tabel 1. Kriteria dan Inisialisasi Gejala
Narkotika
No
Kriteria Yang Dinilai
Inisialisasi
1 Nafsu Makan Hilang
X1
2 Sembelit
X2
3 Keracunan
X3
4 Napas Pendek
X4
5 Mudah Koma
X5
6 Kematian
X6
7 Mual
X7
8 Gelisah
X8
Ketergantungan Fisik
9
X9
Mental
10 Perasaan Tertekan
X10
11 Kejang-kejang
X11
12 Kecanduan
X12
13 Ketagihan
X13
14 Paru-paru terganggu
X14
15 Daya ingat rusak
X15
16 Gangguan Sex
X16
17 Mudah Marah
X17
18 Suhu Tubuh Naik
X18
19 Halusinasi
X19
20 Mudah Lelah
X20
21 Paranoid
X21
Seminar Nasional Informatika 2014
22
23
Susunan Syaraf Pusat
Rusak
Sembelit
X22
X23
2.6 Inisialisasi Output
Hasil yang diiinginkan pada tahap ini adalah
terdeteksinya suatu nilai untuk mendeteksi
narkotika. Tabel 2 berikut adalah nilai target
keluaran.
Tabel 2. Prediksi dan Inisialisasi Narkotika
Prediksi
No
Inisialisasi
Penyalahgunaan
Narkotika
00001
1 Opium + Heroin
2 Morphine
00010
3 Cocain
00100
4 Marijuana
01000
Sintetik (Pethidin +
10000
5 Methadon)
3.
Learning rate (α) = 0.5
Maksimal error = 0.01
Maksimal epoch = 10000
Fungsi Aktivasi = Logsig.
3.1.2 Tahap Pelatihan
Pada tahap ini sistem jaringan saraf
diberikan
25
data
sampel
penilaian
penyalahgunaan narkotika untuk dilatihkan
sebagai proses pembelajaran. Untuk mendapatkan
nilai keluaran, yang pertama harus dilakukan
adalah menentukan matriks masukan dan matriks
target. Berikut dapat di lihat Tabel 3.
Tabel 3. Data Pelatihan
HASIL dan PEMBAHASAN
Pada
bab
ini
dibahas
mengenai
implementasi dan pengujian dari jaringan saraf
tiruan dengan metode backpropagation, dimulai
dari
menjelaskan
pengujian
(Matlab),
pemrograman
jaringan
saraf
tiruan
(Backpropagation), langkah pengolahan data
dengan Matlab dan pelatihan jaringan saraf tiruan.
3.1 Pengujian Sistem
Pengujian jaringan saraf tiruan metode
backpropagation
untuk
mendeteksi
penyalahgunaan narkotika dilakukan untuk
melihat apakah sistem jaringan saraf ini sudah
sesuai dengan kondisi sebenarnya atau tidak.
Pengujian jaringan saraf tiruan ini dibagi menjadi
beberapa tahap yaitu:
3.1.1 Tahap Inisialisasi
Pada tahap ini sistem jaringan saraf
diberikan masukan berupa nilai parameter
inisialisasi yang terdiri dari :
Jumlah sel lapisan masukan terdiri dari 23
simpul input
Jumlah sel lapisan tersembunyi dicari
berdasarkan percobaan (trial and error)
dengan cara mengubah konstanta belajar dan
lapisan tersembunyi secara terus menerus
sampai diperoleh konfigurasi terbaik yaitu
jumlah epoch yang terkecil. Pada sistem
deteksi penyalahgunaan narkotika ini
diperoleh konfigurasi lapisan tersembunyi
adalah 5 simpul.
Jumlah lapisan keluaran terdiri dari 5 simpul
yaitu Opium + Heroin, Morphine, Cocain,
Marijuana dan Sintetik (Pethidin +
Methadon).
Adapun hasil pelatihan yang dilakukan
dengan jaringan saraf tiruan adalah:
Gambar 3. Hasil Pengujian Data Pelatihan
dengan 2704 iterasi
Dengan actual output sebagai berikut:
a=
71
Seminar Nasional Informatika 2014
Columns 1 through 7
0.0073 0.0180 0.0180
0.0128 0.0763
0.0040 0.9252 0.9252
0.0790 0.0024
0.1009 0.0472 0.0472
0.0003 0.8970
0.0140 0.0660 0.0660
0.9116 0.0032
0.7802 0.0082 0.0082
0.0080 0.1109
Columns 8 through 14
0.0128 0.0128 0.0763
0.0073 0.0763
0.0790 0.0790 0.0024
0.0040 0.0024
0.0003 0.0003 0.8970
0.1009 0.8970
0.9116 0.9116 0.0032
0.0140 0.0032
0.0080 0.0080 0.1109
0.7802 0.1109
Columns 15 through 21
0.8881 0.0180 0.8881
0.8881 0.0763
0.0160 0.9252 0.0160
0.0160 0.0024
0.0395 0.0472 0.0395
0.0395 0.8970
0.0007 0.0660 0.0007
0.0007 0.0032
0.0019 0.0082 0.0019
0.0019 0.1109
0.0073
0.0160
0.0040
0.0395
0.1009
0.0007
0.0140
0.0019
0.7802
0.0180
0.0073
0.9252
0.0040
0.0472
0.1009
0.0660
0.0140
0.0082
0.7802
0.0763
0.0073
0.0024
0.0040
0.8970
0.1009
3.1.3 Tahap Pengujian
Tahap pengujian merupakan tahapan yang
digunakan untuk menguji data penelitian yang
telah didapat pada JST, dimana sebelumnya telah
dilatih data penelitian pada proses pelatihan. Pada
data pengujian ini telah ditetapkan hasil keluaran
atau target. Data pengujian berfungsi untuk
menguji ke akuratan sistem JST yang telah dibuat.
Data pengujian dapat dilihat pada Tabel 5.
0.0032
0.0140
Tabel 5. Data Pengujian
0.1109
0.7802
Columns 22 through 25
0.0128 0.0073 0.0128 0.8881
0.0790 0.0040 0.0790 0.0160
0.0003 0.1009 0.0003 0.0395
0.9116 0.0140 0.9116 0.0007
0.0080 0.7802 0.0080 0.0019
Pada pelatihan yang dilakukan dengan
MATLAB didapat hasil yang dapat dilihat pada
tabel 4 dan tabel 6 di bawah. Pada proses
pelatihan jaringan saraf tiruan aini akan berhenti
jika iterasi telah sampai pada batas maksimum
yaitu 10.000 iterasi, atau pelatihan akan berhenti
jika MSE (Mean Square Error) telah berada
dibawah target error, disini diketahui target
errornya sebesar 0.01. Dengan pelatihan di atas
dapat dilihat output yang sesuai dengan target. Di
mana untuk nilai output actual diambil yang
bernilai 1. Adapun parameter penilaian output
actual dengan fungsi aktivasi : Y =
untuk melihat hasil pelatihan
yang dilakukan oleh jaringan saraf tiruan dengan
target yang telah ditentukan dapat dilihat pada
tabel 4 sebagai berikut:
72
Tabel 4. Pengujian Data Pelatihan Untuk
Arsitektur 23-5-5
0.8881
Adapun grafik hasil pengujian data baru dengan
10 sampel data yang dilakukan dengan jaringan
saraf tiruan adalah:
Gambar 4. Grafik Hasil Data Pengujian
dengan 6341 iterasi
Dengan output actual sebagai berikut:
Seminar Nasional Informatika 2014
a=
Columns 1 through 7
0.9095 0.1042
0.9095 0.1042
0.0096 0.0908
0.0096 0.0908
0.1296 0.6886
0.1296 0.6886
0.0035 0.0110
0.0035 0.0110
0.0358 0.0029
0.0358 0.0029
0.0000 0.0128
0.0128
0.9114 0.0000
0.0000
0.3059 0.1380
0.1380
0.0122 0.0621
0.0621
0.0000 0.9459
0.9459
Columns 8 through 10
0.0128 0.0025 0.9095
0.0000 0.0059 0.0096
0.1380 0.0109 0.1296
0.0621 0.9074 0.0035
0.9459 0.0128 0.0358
Dari beberapa hasil ujicoba yang telah
dilakukan dapat diambil kesimpulan bahwa suatu
arsitektur mempunyai kinerja sangat bagus jika
nilai MSE berada di bawah nilai error yaitu 0.01.
Dari uji coba yang dilakukan diperoleh parameter
yaitu learning rate sebesar 0.5, toleransi error
0.01, maksimal epoch 6341 dan hidden layer 5
dengan nilai MSE 0.00999889. Parameter
tersebut dipilih menjadi parameter terbaik karena
menghasilkan jumlah iterasi yang memiliki nilai
akurasi MSE yang cukup baik, karena nilai MSE
paling kecil dari arsitektur yang lain serta nilai
MSE dibawah dari nilai error yang ditentukan.
4.
untuk melihat hasil pengujian 10 data baru
yang dilakukan oleh jaringan saraf tiruan dengan
target yang telah ditentukan dapat dilihat pada
tabel 6 sebagai berikut:
Tabel 6. Pengujian Data Baru Untuk Arsitektur
23-5-5
Keterangan :
HPU
= Hasil Pengujian
KJST
= Ketepatan Jaringan Saraf
Tiruan
Kemudian Untuk memperoleh konfigurasi
terbaik maka dilakukan beberapa pengujian
dengan berbagai model arsitektur jaringan saraf
tiruan yaitu 23-5-5, 23-10-5, 23-15-5, 23-20-5,
dan 23-25-25 Berikut ini merupakan tabel hasil
pelatihan jaringan saraf tiruan dari 5 arsitektur
tersebut dengan perubahan nilai hidden layer.
Tabel 7. Tabel Perubahan Nilai Uji Coba Data
Pengujian Dengan Perubahan Nilai Hidden
Layer
Erro
Hidden Epochs Lr
MSE
r
5
6341
0.5
0.01
0.00999889
10
802
0.5
0.01
0.00997535
15
1444
0.5
0.01
0.00998684
20
519
0.5
0.01
0.00999857
25
411
0.5
0.01
0.00996887
KESIMPULAN
Berdasarkan hasil dari analisis pada tahap
pelatihan
dan
tahap
pengujian
deteksi
penyalahgunaan narkotika ini didapat beberapa
kesimpulan, antara lain:
Metode backpropagation dapat digunakan
untuk
menyelesaikan
masalah
untuk
mendeteksi
penyalahgunaan
narkotika
dengan menggunakan lima pola tampilan
output
yang
terdiri
dari
Opium/
Heroin, Morphine, Cocain, Marijuana dan
Sintetik (Pethidin + Methadon).
Pengujian jaringan saraf dilakukan dengan
memasukkan data pelatihan dan pengujian
dan diperoleh hasil pengujian sampai 100%
sesuai dengan target yang di inginkan
Pelatihan terhadap jaringan saraf dengan 23
sel lapisan masukan dilakukan pada 25 data
sampel yang terdiri dari 6 data dengan pola
keluaran Opium + Heroin, 5 data dengan pola
keluaran Morphine, 5 data dengan pola
keluaran Cocain, 4 data dengan pola keluaran
Marijuana dan 5 data dengan pola kularan
Sintetik (Pethidin + Methadon).
5.
SARAN
Berdasarkan pengujian yang telah dilakukan
pada jaringan saraf tiruan yang telah dibuat,
tentunya masih ada kekurangan dan kelemahan
yang terjadi sehingga perlu dikembangkan lagi
agar kinerjanya lebih baik. Adapun saran untuk
pengambangan penelitian ini adalah:
Untuk pengembangan penelitian yang lebih
baik lagi dapat membuat suatu perangkat
lunak untuk mengimplementasikan jaringan
saraf tiruan dengan metode backpropagation
untuk mendeteksi penyalahgunaan narkotika
agar lebih mudah dipahami oleh masyarakat
awam.
Setelah dilakukan pelatihan dan pengujian
untuk mendeteksi penyalahgunaan narkotika
menggunakan jaringan saraf tiruan metode
backpropagation, disarankan agar diadakan
penelitian lebih lanjut dengan menggunakan
73
Seminar Nasional Informatika 2014
metode-metode lainnya agar dapat di ambil
kesimpulan metode apa yang paling baik
dalam kasus mendeteksi penyalahgunaan
narkotika.
6.
[1]
.
74
[2]
[3]
DAFTAR PUSTAKA
Marleni, et.al, (2012). Pengembangan
Sistem Jaringan Syaraf Tiruan Dalam
Memprediksi Jumlah Dokter Keluarga
Menggunakan Backpropagation (Studi
Kaus : Regional X Cabang Palu) , Seminar
Nasional Teknologi Informasi dan
Komunikasi.
[4]
T. Sutojo, Edy Mulyant dan Vincent
Suhartono, (2011). Kecerdasan Buatan,
Andi Yogyakarta
Novi Indah Pradasari, et.al, Jaringan
Syaraf Tiruan Untuk Memprediksi
Penyakit Saluran Pernafasan Dengan
Metode Backpropagation, Jurnal Coding
Vol , No.1 Juli 2013.
Iskandar
Zulkarnain,
2012,
Sistem
Pendeteksi Penyalahgunaan Narkoba
Menggunakan Jaringan Saraf Tiruan
Model Backpropagation, Jurnal Saintikom
Vol. 10/No. 2/Mei 2010
JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION
UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
Dahriani Hakim Tanjung
STMIK POTENSI UTAMA
Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan
notashapire@gmail.com
Abstrak
Penelitian ini bertujuan untuk mendeteksi penyalahgunaan narkotika menggunakan teknik pengenalan pola
yaitu jaringan saraf tiruan dengan metode backpropagation. Data yang menjadi masukan adalah segala jenis
gejala penderita narkotika. Jaringan saraf tiruan dilakukan dengan menentukan jumlah unit untuk setiap
lapisan dengan fungsi aktivasi sigmoid biner. Pengujian dilakukan menggunakan perangkat lunak matlab
yang diuji dengan beberapa bentuk arsitektur jaringan. Arsitektur dengan konfigurasi terbaik terdiri dari 23
lapisan masukan, 5 lapisan tersembunyi dan 5 lapisan keluaran dengan nilai learning rate sebesar 0.5, nilai
toleransi error 0.01, Dapat dilihat bahwa hasil penelitian ini mencapai keakuratan 95% dari data penelitian,
sehingga dapat disimpulkan bahwa jaringan syaraf tiruan dengan backpropagation mampu mengenali pola
dan mampu mendeteksi penyalahgunaan narkotika dengan jumlah iterasi 6341 dan MSE 0.00999889. MSE
berada di bawah nilai error yaitu 0.01, Parameter tersebut dipilih menjadi parameter terbaik, karena nilai
MSE paling kecil dari arsitektur yang lain serta nilai MSE dibawah dari nilai error yang ditentukan. Sigmoid
Biner Fungsi ini digunakan untuk jaringan saraf yang dilatih dengan menggunakan metode backpropagation.
Fungsi sigmoid memiliki nilai range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan
saraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1.
Kata Kunci : Jaringan Saraf Tiruan, Backpropagation, Narkotika, Sigmoid biner, Matlab
1. PENDAHULUAN
Di era globalisasi sekarang ini dan juga
pengaruh perdagangan bebas, menjadikan
peredaran barang-barang impor semakin banyak
masuk ke tanah air seperti, otomotif, alat
komunikasi, alat-alat kesehatan, dan juga obatobatan. Di samping itu dengan sistem
perdagangan bebas ini, menambah ruang gerak
peredaran obat-obatan terlarang dan narkotika
semakin marak ditanah air.
Faktor minimnya pengetahuan masyarakat
tentang penggunaan narkotika menyebabkan
sulitnya masyarakat awam mengidentifkasi
seseorang ataupun anggota keluarganya yang
telah menjadi korban penyalahgunaan narkotika.
Dengan demikian pemanfaatan teknologi,
khususnya
teknologi
informasi
telah
diimplementasikan ke berbagai bidang seperti
pemerintahan, pendidikan, bisnis, periklanan,
kesehatan, dan sebagainya. Berdasarkan uraian di
atas penulis mencoba untuk memanfaatkan
teknologi informasi untuk dapat membantu
masyarakat.
Metode problem solving yang digunakan
dalam penelitian ini adalah jaringan syaraf tiruan
(JST). Jaringan syaraf tiruan telah banyak
digunakan untuk membantu menyelesaikan
berbagai macam permasalahan, salah satu
permasalahan
tersebut
adalah
pencocokan/keakurasian berdasarkan pelatihan
yang diberikan. JST dapat dimanfaatkan untuk
mendeteksi penyalahgunaan narkotika dengan
menggunakan metode Backpropagation.
2. DASAR TEORI
2.1 Jaringan Saraf Tiruan
Jaringan Saraf Tiruan (arficial neural
network) merupakan metode yang dapat
menemukan hubungan non-linear antara beban
dan faktor-faktor ekonomi yang bervariasi serta
faktor- faktor lainnya yang dapat melakukan
penyesuaian terhadap perubahan-perubahan yang
terjadi [1].
Gambar 1. Komponen Neuron
Dari gambar diatas terlihat bahwa dalam
otak manusia, sebuah neuron (sel saraf) tertentu
mengumpulkan sinyal berupa rangangan dari
neuron lain melalui dendrit. Sinyal yang dating
dan diterima oleh dendrit akan dijumlahkan
(summation) dan dikirim melalui axon ke dendrit
69
Seminar Nasional Informatika 2014
akhir yang bersentuhan dengan dendrit dari
neuron yang lain. Siyal ini akan diterima oleh
neuron lain jika memenuhi nilai threshold
tertentu. Dalam hal ini neuron dikatakan
teraktivasi. Pembelajaran pada otak manusia
terjadi ketika da hubungan antara satu neuron
dengan neuron lain yang terjadi secara adaptif dan
berlangsung secara dinamis [2].
2.2 Metode Backpropagation
Backpropagation merupakan algoritma
pembelajaran yang terawasi dan baisanya
digunakan oleh perceptron dengan banyak lapisan
untuk mengubah bobot-bobot yang berhubungan
dengan neuron-neuron yang ada pada lapisan
tersembunyinya. Algoritma 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.
Pada dasarnya, pelatihan dengan metode
backpropagtion terdiri atas tiga langkah, yaitu
sebagai berikut :
a. Data dimasukkan ke input jaringan
(feedforward)
b. Perhitungan dan propagasi balik dari error
yang bersangkutan
Pembaharuan (adjustment) bobot dan
bias[1].
2.3 Fungsi Aktivasi Sigmoid Biner
Fungsi ini digunakan untuk jaringan saraf
yang dilatih dengan menggunakan metode
backpropagation. Fungsi sigmoid memiliki nilai
pada range 0 sampai 1. Oleh karena itu, fungsi ini
sering digunakan untuk jaringan saraf yang
membutuhkan nilai output yang terletak pada
interval 0 sampai 1. Namun, fungsi ini bisa juga
digunakan oleh jaringan saraf yang nilai
outputnya 0 atau 1 [3]
fungsi sigmoid dirumuskan sebagai berikut :
Fungsi Step dirumuskna sebagai :
dengan
(1)
:
2.4
Arsitektur
Jaringan
Metode
Backpropagation
Jaringan saraf terdiri dari 3 lapisan, yaitu
lapisan masukan/input terdiri atas variable
masukan unit sel saraf, lapisan tersembunyi dan
lapisan keluaran/output. Lapisan masukan
digunakan untuk menampung 23 variabel yaitu
X1 sampai dengan X23, lapisan tersembunyi
terdiri atas 5 unit sel saraf, lapisan tersembunyi
ditentukan sendiri oleh pengguna sistem melalui
cara percobaan konvergensi terbaik (trial and
error) sampai diperoleh hasil konvergensi
70
pelatihan yang paling baik (jumlah epoch
terkecil). dan lapisan keluaran/output terdiri atas
5 sel saraf, lapisan keluaran digunakan untuk
mempresentasikan pengelompokan pola, nilai
00001 untuk Opium+Heroin, nilai 00010 untuk
Morphine, nilai 00100 untuk Cocain, nilai 01000
untuk Marijuana, dan nilai 10000 untuk Sintetik
(Pethidin + Methadon)[4]. Gambar 2 merupakan
arsitektur jaringan saraf tiruan.
X1
Y1
Opium + Heroin
Y2
Morphine
Y3
Cocain
Y4
Marijuana
Z1
X2
Z2
X3
X4
Zn
Y5
Sintetik (Pethidin
+ Metahdon)
X23
W0
B0
Gambar 2. Arsitektur Jaringan Untuk
Mendeteksi Penyalahgunaan Narkotika
2.5 Inisialisasi Input
Pada tahap ini dilakukan proses inisialisasi
data input yang diperoleh dari gejalagejala/kriteria dan seluruh jennies narkotika. Nilai
terhadap variable ditentuka Antara 0 sampai 1
disesuaikan dengan kasus dari masing gejala.
Tabel 1. Kriteria dan Inisialisasi Gejala
Narkotika
No
Kriteria Yang Dinilai
Inisialisasi
1 Nafsu Makan Hilang
X1
2 Sembelit
X2
3 Keracunan
X3
4 Napas Pendek
X4
5 Mudah Koma
X5
6 Kematian
X6
7 Mual
X7
8 Gelisah
X8
Ketergantungan Fisik
9
X9
Mental
10 Perasaan Tertekan
X10
11 Kejang-kejang
X11
12 Kecanduan
X12
13 Ketagihan
X13
14 Paru-paru terganggu
X14
15 Daya ingat rusak
X15
16 Gangguan Sex
X16
17 Mudah Marah
X17
18 Suhu Tubuh Naik
X18
19 Halusinasi
X19
20 Mudah Lelah
X20
21 Paranoid
X21
Seminar Nasional Informatika 2014
22
23
Susunan Syaraf Pusat
Rusak
Sembelit
X22
X23
2.6 Inisialisasi Output
Hasil yang diiinginkan pada tahap ini adalah
terdeteksinya suatu nilai untuk mendeteksi
narkotika. Tabel 2 berikut adalah nilai target
keluaran.
Tabel 2. Prediksi dan Inisialisasi Narkotika
Prediksi
No
Inisialisasi
Penyalahgunaan
Narkotika
00001
1 Opium + Heroin
2 Morphine
00010
3 Cocain
00100
4 Marijuana
01000
Sintetik (Pethidin +
10000
5 Methadon)
3.
Learning rate (α) = 0.5
Maksimal error = 0.01
Maksimal epoch = 10000
Fungsi Aktivasi = Logsig.
3.1.2 Tahap Pelatihan
Pada tahap ini sistem jaringan saraf
diberikan
25
data
sampel
penilaian
penyalahgunaan narkotika untuk dilatihkan
sebagai proses pembelajaran. Untuk mendapatkan
nilai keluaran, yang pertama harus dilakukan
adalah menentukan matriks masukan dan matriks
target. Berikut dapat di lihat Tabel 3.
Tabel 3. Data Pelatihan
HASIL dan PEMBAHASAN
Pada
bab
ini
dibahas
mengenai
implementasi dan pengujian dari jaringan saraf
tiruan dengan metode backpropagation, dimulai
dari
menjelaskan
pengujian
(Matlab),
pemrograman
jaringan
saraf
tiruan
(Backpropagation), langkah pengolahan data
dengan Matlab dan pelatihan jaringan saraf tiruan.
3.1 Pengujian Sistem
Pengujian jaringan saraf tiruan metode
backpropagation
untuk
mendeteksi
penyalahgunaan narkotika dilakukan untuk
melihat apakah sistem jaringan saraf ini sudah
sesuai dengan kondisi sebenarnya atau tidak.
Pengujian jaringan saraf tiruan ini dibagi menjadi
beberapa tahap yaitu:
3.1.1 Tahap Inisialisasi
Pada tahap ini sistem jaringan saraf
diberikan masukan berupa nilai parameter
inisialisasi yang terdiri dari :
Jumlah sel lapisan masukan terdiri dari 23
simpul input
Jumlah sel lapisan tersembunyi dicari
berdasarkan percobaan (trial and error)
dengan cara mengubah konstanta belajar dan
lapisan tersembunyi secara terus menerus
sampai diperoleh konfigurasi terbaik yaitu
jumlah epoch yang terkecil. Pada sistem
deteksi penyalahgunaan narkotika ini
diperoleh konfigurasi lapisan tersembunyi
adalah 5 simpul.
Jumlah lapisan keluaran terdiri dari 5 simpul
yaitu Opium + Heroin, Morphine, Cocain,
Marijuana dan Sintetik (Pethidin +
Methadon).
Adapun hasil pelatihan yang dilakukan
dengan jaringan saraf tiruan adalah:
Gambar 3. Hasil Pengujian Data Pelatihan
dengan 2704 iterasi
Dengan actual output sebagai berikut:
a=
71
Seminar Nasional Informatika 2014
Columns 1 through 7
0.0073 0.0180 0.0180
0.0128 0.0763
0.0040 0.9252 0.9252
0.0790 0.0024
0.1009 0.0472 0.0472
0.0003 0.8970
0.0140 0.0660 0.0660
0.9116 0.0032
0.7802 0.0082 0.0082
0.0080 0.1109
Columns 8 through 14
0.0128 0.0128 0.0763
0.0073 0.0763
0.0790 0.0790 0.0024
0.0040 0.0024
0.0003 0.0003 0.8970
0.1009 0.8970
0.9116 0.9116 0.0032
0.0140 0.0032
0.0080 0.0080 0.1109
0.7802 0.1109
Columns 15 through 21
0.8881 0.0180 0.8881
0.8881 0.0763
0.0160 0.9252 0.0160
0.0160 0.0024
0.0395 0.0472 0.0395
0.0395 0.8970
0.0007 0.0660 0.0007
0.0007 0.0032
0.0019 0.0082 0.0019
0.0019 0.1109
0.0073
0.0160
0.0040
0.0395
0.1009
0.0007
0.0140
0.0019
0.7802
0.0180
0.0073
0.9252
0.0040
0.0472
0.1009
0.0660
0.0140
0.0082
0.7802
0.0763
0.0073
0.0024
0.0040
0.8970
0.1009
3.1.3 Tahap Pengujian
Tahap pengujian merupakan tahapan yang
digunakan untuk menguji data penelitian yang
telah didapat pada JST, dimana sebelumnya telah
dilatih data penelitian pada proses pelatihan. Pada
data pengujian ini telah ditetapkan hasil keluaran
atau target. Data pengujian berfungsi untuk
menguji ke akuratan sistem JST yang telah dibuat.
Data pengujian dapat dilihat pada Tabel 5.
0.0032
0.0140
Tabel 5. Data Pengujian
0.1109
0.7802
Columns 22 through 25
0.0128 0.0073 0.0128 0.8881
0.0790 0.0040 0.0790 0.0160
0.0003 0.1009 0.0003 0.0395
0.9116 0.0140 0.9116 0.0007
0.0080 0.7802 0.0080 0.0019
Pada pelatihan yang dilakukan dengan
MATLAB didapat hasil yang dapat dilihat pada
tabel 4 dan tabel 6 di bawah. Pada proses
pelatihan jaringan saraf tiruan aini akan berhenti
jika iterasi telah sampai pada batas maksimum
yaitu 10.000 iterasi, atau pelatihan akan berhenti
jika MSE (Mean Square Error) telah berada
dibawah target error, disini diketahui target
errornya sebesar 0.01. Dengan pelatihan di atas
dapat dilihat output yang sesuai dengan target. Di
mana untuk nilai output actual diambil yang
bernilai 1. Adapun parameter penilaian output
actual dengan fungsi aktivasi : Y =
untuk melihat hasil pelatihan
yang dilakukan oleh jaringan saraf tiruan dengan
target yang telah ditentukan dapat dilihat pada
tabel 4 sebagai berikut:
72
Tabel 4. Pengujian Data Pelatihan Untuk
Arsitektur 23-5-5
0.8881
Adapun grafik hasil pengujian data baru dengan
10 sampel data yang dilakukan dengan jaringan
saraf tiruan adalah:
Gambar 4. Grafik Hasil Data Pengujian
dengan 6341 iterasi
Dengan output actual sebagai berikut:
Seminar Nasional Informatika 2014
a=
Columns 1 through 7
0.9095 0.1042
0.9095 0.1042
0.0096 0.0908
0.0096 0.0908
0.1296 0.6886
0.1296 0.6886
0.0035 0.0110
0.0035 0.0110
0.0358 0.0029
0.0358 0.0029
0.0000 0.0128
0.0128
0.9114 0.0000
0.0000
0.3059 0.1380
0.1380
0.0122 0.0621
0.0621
0.0000 0.9459
0.9459
Columns 8 through 10
0.0128 0.0025 0.9095
0.0000 0.0059 0.0096
0.1380 0.0109 0.1296
0.0621 0.9074 0.0035
0.9459 0.0128 0.0358
Dari beberapa hasil ujicoba yang telah
dilakukan dapat diambil kesimpulan bahwa suatu
arsitektur mempunyai kinerja sangat bagus jika
nilai MSE berada di bawah nilai error yaitu 0.01.
Dari uji coba yang dilakukan diperoleh parameter
yaitu learning rate sebesar 0.5, toleransi error
0.01, maksimal epoch 6341 dan hidden layer 5
dengan nilai MSE 0.00999889. Parameter
tersebut dipilih menjadi parameter terbaik karena
menghasilkan jumlah iterasi yang memiliki nilai
akurasi MSE yang cukup baik, karena nilai MSE
paling kecil dari arsitektur yang lain serta nilai
MSE dibawah dari nilai error yang ditentukan.
4.
untuk melihat hasil pengujian 10 data baru
yang dilakukan oleh jaringan saraf tiruan dengan
target yang telah ditentukan dapat dilihat pada
tabel 6 sebagai berikut:
Tabel 6. Pengujian Data Baru Untuk Arsitektur
23-5-5
Keterangan :
HPU
= Hasil Pengujian
KJST
= Ketepatan Jaringan Saraf
Tiruan
Kemudian Untuk memperoleh konfigurasi
terbaik maka dilakukan beberapa pengujian
dengan berbagai model arsitektur jaringan saraf
tiruan yaitu 23-5-5, 23-10-5, 23-15-5, 23-20-5,
dan 23-25-25 Berikut ini merupakan tabel hasil
pelatihan jaringan saraf tiruan dari 5 arsitektur
tersebut dengan perubahan nilai hidden layer.
Tabel 7. Tabel Perubahan Nilai Uji Coba Data
Pengujian Dengan Perubahan Nilai Hidden
Layer
Erro
Hidden Epochs Lr
MSE
r
5
6341
0.5
0.01
0.00999889
10
802
0.5
0.01
0.00997535
15
1444
0.5
0.01
0.00998684
20
519
0.5
0.01
0.00999857
25
411
0.5
0.01
0.00996887
KESIMPULAN
Berdasarkan hasil dari analisis pada tahap
pelatihan
dan
tahap
pengujian
deteksi
penyalahgunaan narkotika ini didapat beberapa
kesimpulan, antara lain:
Metode backpropagation dapat digunakan
untuk
menyelesaikan
masalah
untuk
mendeteksi
penyalahgunaan
narkotika
dengan menggunakan lima pola tampilan
output
yang
terdiri
dari
Opium/
Heroin, Morphine, Cocain, Marijuana dan
Sintetik (Pethidin + Methadon).
Pengujian jaringan saraf dilakukan dengan
memasukkan data pelatihan dan pengujian
dan diperoleh hasil pengujian sampai 100%
sesuai dengan target yang di inginkan
Pelatihan terhadap jaringan saraf dengan 23
sel lapisan masukan dilakukan pada 25 data
sampel yang terdiri dari 6 data dengan pola
keluaran Opium + Heroin, 5 data dengan pola
keluaran Morphine, 5 data dengan pola
keluaran Cocain, 4 data dengan pola keluaran
Marijuana dan 5 data dengan pola kularan
Sintetik (Pethidin + Methadon).
5.
SARAN
Berdasarkan pengujian yang telah dilakukan
pada jaringan saraf tiruan yang telah dibuat,
tentunya masih ada kekurangan dan kelemahan
yang terjadi sehingga perlu dikembangkan lagi
agar kinerjanya lebih baik. Adapun saran untuk
pengambangan penelitian ini adalah:
Untuk pengembangan penelitian yang lebih
baik lagi dapat membuat suatu perangkat
lunak untuk mengimplementasikan jaringan
saraf tiruan dengan metode backpropagation
untuk mendeteksi penyalahgunaan narkotika
agar lebih mudah dipahami oleh masyarakat
awam.
Setelah dilakukan pelatihan dan pengujian
untuk mendeteksi penyalahgunaan narkotika
menggunakan jaringan saraf tiruan metode
backpropagation, disarankan agar diadakan
penelitian lebih lanjut dengan menggunakan
73
Seminar Nasional Informatika 2014
metode-metode lainnya agar dapat di ambil
kesimpulan metode apa yang paling baik
dalam kasus mendeteksi penyalahgunaan
narkotika.
6.
[1]
.
74
[2]
[3]
DAFTAR PUSTAKA
Marleni, et.al, (2012). Pengembangan
Sistem Jaringan Syaraf Tiruan Dalam
Memprediksi Jumlah Dokter Keluarga
Menggunakan Backpropagation (Studi
Kaus : Regional X Cabang Palu) , Seminar
Nasional Teknologi Informasi dan
Komunikasi.
[4]
T. Sutojo, Edy Mulyant dan Vincent
Suhartono, (2011). Kecerdasan Buatan,
Andi Yogyakarta
Novi Indah Pradasari, et.al, Jaringan
Syaraf Tiruan Untuk Memprediksi
Penyakit Saluran Pernafasan Dengan
Metode Backpropagation, Jurnal Coding
Vol , No.1 Juli 2013.
Iskandar
Zulkarnain,
2012,
Sistem
Pendeteksi Penyalahgunaan Narkoba
Menggunakan Jaringan Saraf Tiruan
Model Backpropagation, Jurnal Saintikom
Vol. 10/No. 2/Mei 2010