JARINGAN SYARAF TIRUAN DENGAN ALGORITMA BACKPROPAGATION UNTUK PENENTUAN KELULUSAN SIDANG SKRIPSI

Pelita Informatika Budi Darma, Volume : IV, Nomor: 1, Agustus 2013

ISSN : 2301-9425

JARINGAN SYARAF TIRUAN DENGAN ALGORITMA BACKPROPAGATION UNTUK PENENTUAN KELULUSAN SIDANG SKRIPSI Zekson Arizona Matondang Dosen Tetap STMIK Budi Darma Medan Jl. Sisingamangaraja No. 338 Sp. Limun Medan http://www.stmik-budidarma.ac.id // Email : [email protected] ABSTRAK Dalam proses penentuan kelulusan sidang skripsi dengan mengimplementasikan jaringan syaraft tiruan menggunakan metode algoritma backpropagation. Metode ini dipilih karena mampu menentukan kelulusan sidang skripsi berdasarkan input dari nilai ujian sidang meja hijau. Penelitian dilakukan dengan dua cara, yaitu pelatihan dan pengujian. Data akan dibagi menjadi dua bagian, data pertama untuk proses pelatihan dan data kedua untuk proses pengujian. Proses pelatihan bertujuan untuk mengenali atau mencari goal yang diharapkan dengan menggunakan banyak pola, sehinggan akan dapat menghasilkan mana pola yang terbaik untuk melatih data tersebut. Setelah pelatihan mencapai goal berdasarkan pola yang terbaik maka akan dilakukan pengujian dengan data yang baru untuk melihat keakuratan antara target dengan menggunakan software Matlab 6.1. Berdasarkan hasil pengujian dengan menggunakan software Matlab 6.1 dapat mempercepat proses penentuan kelulusan sidang skripsi mahasiswa STMIK Budidarma Medan. Kata Kunci: Jaringan Syaraf Tiruan, Algoritma Backpropagation, Kelulusan, Skripsi. 1. Pendahuluan 1.1. Latar Belakang Masalah Perguruan tinggi swasta STMIK Budidarma Medan selama ini belum menerapkan sistem penentuan kelulusan sidang skripsi pada mahasiswa yang hendak selesai, di mana mahasiswa tersebut langsung disidangkan tanpa menentukan kelayakan skripsinya, hal ini mengakibatkan mahasiswa yang mengikuti sidang meja hijau merasa kesulitan mengikuti sidang meja hijau dengan dosen penguji. Prediksi dalam konteks komputasi merupakan salah satu kegiatan matematis. Prediksi ini telah dilakukan bertahun-tahun sebelum penguasaan komputer, yaitu dengan menggunakan alat hitung seperti kalkulator. Prediksi penentuan kelulusan sidang skripsi dapat membantu mahasiswa untuk memperlancar dalam mengikuti prosedur sidang meja hijau. Untuk menentukan kelulusan sidang skripsi tersebut dilakukan dengan cara melakukan penilaian (scoring) terhadap beberapa pembuatan skripsi yang akan dijadikan sebagai kriteria masing-masing skripsi, setelah diperoleh target atau goal dari penilain yang diinginkan maka dilakukan penentuan (determination) bagi skripsi mahasiswa tersebut. Jaringan Syaraf Tiruan merupakan salah satu sistem pemrosesan informasi yang didesain dengan meniru cara kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses belajar melalui perubahan bobot sinapsisnya. Ada banyak teknik yang dapat digunakan untuk implementasi Jaringan Syaraf Tiruan yaitu

Perceptron, Backpropagation dan Fuzzy. Jaringan Syaraf Tiruan dengan menggunakan algoritma backpropagation telah banyak digunakan untuk menyelesaikan beberapa masalah salah satunya masalah prediksi. Pada penelitian sebelumnya dalam jurnal yang berjudul Penerapan Jaringan Syaraf Tiruan Untuk Mengukur Tingkat Korelasi Antara NEM dengan IPK kelulusan Mahasiswa (Yeni Nuraeni 2009) nilai (Training) dan pengujian (Testing), di mana pada proses pelatihan melakukan pengenalan pola dermatoglifi. Dengan data pelatihan yang cukup diharapkan pada saat pengujian dapat memprediksi curah hujan. 1.2. Perumusan Masalah Berdasarkan uraian latar belakang masalah di atas, maka yang menjadi perumusan masalah adalah: 1. Bagaimana menentukan parameter kelulusan sidang skripsi berdasarkan algoritma backpropogation? 2. Bagaimana implementasi jaringan syaraf tiruan untuk menentukan kelulusan sidang skripsi STMIK Budidarma medan? 3. Bagaimana menerapkan Jaringan syaraf tiruan untuk kriteria-kriteria kelulusan sidang skripsi? 1.3. Batasan Masalah Dari uraian perumusan masalah di atas, agar tidak menyimpang dari tujuan yang diharapkan maka dibuat beberapa pembatasan masalah antara lain :

Jaringan Syaraf Tiruan Dengan Algoritma Backpropagation Untuk Penentuan Kelulusan Sidang Skripsi. Oleh : Zekson Arizona Matondang

84


1.

2.

3.

4.

5.

Kriteria penentuan sidang skripsi ini hanya membahas pada program studi S1 dan telah lulus semua matakuliah yang dikonfersi Menganalisa kelulusan sidang skripsi dengan jaringan syaraf tiruan dengan algoritma backpropogation. Input data untuk penilaian (scoring) dan penentuan (determination) pada penelitian ini diambil dari nilai akumulasi yudisium sidang meja hijau, yang terdiri atas pembimbing dan penguji. Metode yang digunakan algoritma backpropagation dan fungsi aktivasi yang digunakan tansig untuk melakukan penilaian (scoring) dan penentuan. Implementasi menggunakan tools MATLAB 6.1.

1.4. Tujuan Penelitian Tujuan penelitian ini adalah : 1. Menentukan kriteria penentuan kelulusan sidang skripsi. 2. Mengimplementasikan Jaringan Syaraf Tiruan untuk penentuan kelulusan sidang skripsi bagi mahasiswa STMIK Budidarma Medan dengan menggunakan metode backpropagation. 3. Menguji keakuratan algoritma backpropagation dalam menentukan kelulusan sidang skripsi. 1.5. Manfaat Penelitian Manfaat penelitian ini adalah : 1. Dapat membantu proses penentuan kelulusan sidang skripsi. 2. Dapat membantu mahasiswa untuk mengetahui lebih cepat mutu skripsinya layak atau tidak layak, lulus atau gagalnya skripsi tersebut.

berikut : 1. Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron. 2. Isyarat mengalir diantara sel syaraf (neuron) melalui suatu sambungan penghubung. 3. Setiap sambungan penghubung memiliki bobot yang bersesuaian. 4. Setiap sel syaraf akan merupakan fungsi aktivasi terhadap isyarat hasil penjumlahan berbobot yang masuk kepadanya untuk menentukan isyarat keluarannya (Arif Jumarwanto , 209). 2.3. Pemodelan Jaringan Syaraf Tiruan (JST) Prosedur pemodelan dengan ANN secara umum terdiri dari empat langkah yaitu: 1. Penyiapan data 2. Pemilihan arsitektur 3. Pembelajaran (learning ) dan pengujian (testing) Untuk menilai kedekatan atau kecocokan dengan menggunakan fungsi objektif atau fungsi kesalahan yang merupaka persamaan dari perhitungan dan pengamatan. Bentuk dari fungsi objektif ini digunakan kesalahan absolute rata-rata (KAR). Persamaan yang diformulasikan (Hadihardaja 2005)

= Debit hasil Penghitungan N

2. Landasan Teori 2.1. Jaringan Syaraf Tiruan (JST) Jaringan Saraf Tiruan (JST) saat ini telah berkembang dengan pesat dan telah diimplementasikan dalam berbagai bidang. Salah satu implementasi dalam bidang ekonomi adalah untuk memprediksi kebangkrutan. Prediksi kebangkrutan telah menjadi salah satu topik yang menarik, mengingat keuntungan yang diperoleh apabila dapat melakukan prediksi kebangkrutan dengan baik (Ruth Chrestanti 2002). 2.2. Definisi Jaringan Sayraf Tiruan Jaringan Syaraf Tiruan adalah merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran otak manusia tersebut (M.F Andrijasa, 2010). Jaringan Syaraf Tiruan tercipta sebagai suatu generalisasi model matematis dari pemahaman manusia (human cognition) yang didasarkan atas asumsi sebagai

ISSN : 2301-9425

= Debit hasil pengamatan = Banyak data

Gambar 1 : Model Jaringan Syaraf Tiruan 2.4.

Konsep Dasar Jaringan Syaraf Tiruan Setiap pola-pola informasi input dan output yang diberikan kedalam JST diproses dalam neuron. Neuron-neuron tersebut terkumpul di dalam lapisan-lapisan yang disebut neuron layers. Lapisan-lapisan penyusun JST tersebut dapat dibagi menjadi 3, yaitu : 1. Lapisan Input, unit-unit di dalam lapisan input disebut unit-unit input. Unit-unit


85

ISSN : 2301-9425


2.

3.

input tersebut menerima pola inputan data dari luar yang menggambarkan suatu permasalahan. Lapisan Tersembunyi, unit-unit di dalam lapisan tersembunyi disebut unit-unit tersembunyi. Di mana outputnya tidak dapat secara langsung diamati. Lapisan Output, unit-unit di dalam lapisan output disebut unit-unit output. Output dari lapisan ini merupakan solusi JST terhadap suatu permasalahan.

2..5. Arsitektur Jaringan Syaraf Tiruan (JST) JST memiliki beberapa arsitektur jaringan yang sering digunakan dalam berbagai aplikasi. Arsitektur JST tersebut, antara lain (Sukma Puspitorini, 2012) : 1. Jaringan Layar Tunggal (Single Layer Network) Jaringan dengan lapisan tunggal terdiri dari 1 layer input dan 1 layer output. Setiap neuron/unit yang terdapat di dalam lapisan/layer input selalu terhubung dengan setiap neuron yang terdapat pada layer output. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi. Contoh algoritma JST yang menggunakan metode ini yaitu : ADALINE, Hopfield, Perceptron. Nilai Input X

X

X

1

2

3

W1

W

1

12

W2 1

W22 W3 W 3 1

X

X

1

2

2

Lapisan Input

X

X

1

2

V

V11

12

Lapisan output

Gambar 2 : Arsitektur Jaringan Syaraf Tiruan Layer Tunggal Jaringan Banyak Lapisan (Multilayer Net) Jaringan dengan lapisan jamak memiliki ciri khas tertentu yaitu memiliki 3 jenis layer yakni layer input, layer output, dan juga layer tersembunyi. Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih kompleks dibandingkan jaringan dengan lapisan tunggal. Namun, proses

V21

Y

Nilai Input Lapisan Input

X 3

V22 V31 V32

X

X

1

2

Matriks Bobot 1 Lapisan Tersembunyi

Nilai output

Gambar 3 : Arsitektur Jaringan Syaraf Tiruan Multi Layer 3.

Jaringan Lapisan Kompetitif (Competitive Layer) Pada jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif. Contoh algoritma yang menggunakan metode ini adalah LVQ.

1 A1 -η

Matriks Bobot

Nilai output

2.

pelatihan sering membutuhkan waktu yang cenderung lama. Contoh algoritma Jaringan Syaraf Tiruan yang menggunakan metode ini yaitu : MADALINE, backpropagation, Neocognitron.

Am

Aj Ai Gambar 4 : Arsitektur Jaringan Syaraf Tiruan Lapisan Kompetitif 2.6. Arsitektur Backpropagation Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih lapis tersembunyi. Gambar 2.4 di bawah 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 buah unit keluaran (Jong Jek Siang,2009).


86


V

W

X1 j X2

Z 1

X3

Z

b

k

3.1.Pelatihan Pertama dengan 50 Pelatihan dan 50 Pengujian Langkah pertama yang harus dilakukan untuk metode backpropagation dengan Matlab 6.1 adalah dengan membuat inisialisasi jaringan. Namun sebelumnya data yang akan diujikan haruslah dibagi menjadi dua (2) bagian, di mana bagian pertama adalah untuk data pelatihan dan bagian kedua adalah untuk data pengujian. Tabel data yang akan dilatih dan diujikan dapat dilihat pada tabel 5.1 dan tabel 5.2 seperti berikut :Data Pengujian Penentuan Kelulusan sidang skripsi

b

Y2

2 Xn Lapisan Masukan

Y1

ISSN : 2301-9425

Z

Lapisan Keluaran

3

Tabel 1 : Data Platihan Penentuan Kelulusan sidang skripsi

Y3

Lapisan Tersembunyi Z

4 Yk Z j

Gambar 5 : Arsitektur Backpropagation dengan Tiga Layer 2.7. Algoritma Backpropagation Algoritma Backpropagation merupakan salah satu algoritma yang sering digunakan dalam menyelesaikan masalah-masalah yang rumit. Hal ini dimungkinkan karena jaringan dengan algoritma ini dilatih dengan menggunakan metode belajar terbimbing. Pada jaringan diberikan sepasang pola yang terdiri dari atas pola masukan dan pola yang diinginkan. Algoritma pelatihan jaringan syaraf perambatan galat mundur terdiri atas dua langkah, yaitu perambatan maju dan perambatan mundur. Langkah perambatan maju dan peramabatan mundur ini dilakukan pada jaringan untuk setiap pola yang diberikan selama jaringan mengalami pelatihan (Badrul Anwar, 2011). 3. Implementasi Dan Pengujian Dalam melakukan pelatihan dan pengujian hasil dari pengolahan data nilai ujian sidang skripsi mahasiswa STMIK Budidarna Medan, maka pengolahan data tersebut juga akan diujikan ke dalam sistem komputerisasi. Software yang akan digunakan dalam pengujian data proses penentuan kelulusan sidang skripsi tersebut yaitu dengan memanfaatkan software Matlab 6.1.

Tabel 2 : Nilai Pembimbing dan Penguji


87

ISSN : 2301-9425


pembimbing dan penguji sidang skripsi antara lain sebagai berikut :

3.2. Analisa Penentuan Kelulusan Sidang Skripsi Pada penentuan kelulusan sidang skripsi selama ini, pihak kampus biasanya menentukan kelulusan skripsi tersebut terlebih dahulu telah lulus berkas administrasi, diantaranya, Uang kuliah, biaya perpustakaan, dan untuk persyaratan akademik hanya tergantung kapada dosen Tabel 3 : Penentuan Kelulusan PEMBIMBING PENGUJI Pembimbing I Pembimbing II Penguji I 25% 25% 25% 3.3. Analisa Variabel Penentuan Kelulusan Sidang Skripsi Variabel penentuan Kelulusan sidang skripsi mahasiswa merupakan kriteria yang menjadi acuan dalam pengambilan keputusan pada penilaian dengan menggunakan jaringan syaraf tiruan (Artificial Neural Network). Variabel yang digunakan adalah :

Penguji II 25%

Pembimbing I X1 , Pembimbing II X2, Penguji I X3, Penguji II X4 4.2. Arsitektur Jaringan Syaraf Tiruan Pada permasalahan ini arsitektur Jaringan Syaraf Tiruan yang digunakan adalah Jaringan Syaraf Tiruan dengan banyak lapisan (multilayer net) dengan algoritma Backpropagation, yang terdiri dari:


88

ISSN : 2301-9425


a. b. c.

Lapisan masukan (input) dengan 4 simpul (x1, x2, x3, x4). Lapisan tersembunyi (Hidden) dengan jumlah simpul ditentukan oleh pengguna (y1, y2… yn). Lapisan keluaran (Output) dengan 1 simpul (z).

3.5. Data Input Data input diperoleh dari berkas sidang skripsi tahun ajaran 2011/2012 di STMIK Budidarma Medan. Dari hasil berkas sidang skripsi yang sudah meja hijau dan sudah dinilai oleh tim penguji seperti yang terdapat pada tabel 4 dibawah ini:

Keterangan: X1 = Input nilai pembimbing I dan II, nilai penguji I dan II

1 2 3 4 5 6 7 8 9 . . 99 100

Tabel 4 Data Nilai Sidang Skripsi STMIK Budidarma Medan Tahun Ajaran 2011/2012 Pembimbing Penguji Penguji Nama Mahasiswa Pembibing I II I II Eka Delvina 20.75 20 14.44 15.63 Kiki Mariani Hasibuan 21.25 21.5 17.50 15.00 Sonya Anne 20.75 21 14.50 13.88 Muhaimin Ravi 20.75 20 7.50 5.00 Riffi Wijaya 20.75 21.25 19.25 17.63 Puspa Sari Dewi 20.75 21.25 18.75 16.56 Syarifah Batubara 22 21.25 15.88 17.31 Arfandi Beruh 21 12.5 6.25 17.50 Rini Rafdiana 21.25 20 17.50 18.25

Mita Rahmadani Ahmad Faisal Nasution

20.5 20.75

22 18.75

Narasi: Tabel 4 diatas merupakan data nilai sidang skripsi yang belum dinormalisasikan. Untuk itu di atas

No 1

Jaringan syaraf yang akan dibangun adalah algoritma propagasi balik (Backpropagation) dengan fungsi aktivasi Sigmoid. Fungsi aktivasi dalam jaringan syaraf tiruan dipakai untuk proses perhitungan terhadap nilai aktual output pada hidden layer dan menghitung nilai aktual output pada output layer. 3.4. Data Input dan Target Sebelum proses pengolahan data dilakukan, perlu proses penentuan masukan (input) serta target atau hasil yang ingin didapatkan dari proses pengolahan data, sehingga akan memudahkan dalam melakukan pembagian data dan proses pengolahan data untuk mendapatkan hasil sesuai dengan apa yang diharapkan sebelumnya.

Gambar 7 : Arsitektur Jaringan Syaraf Tiruan Penentuan Kelulusan Sidang Skripsi

No

Y1- Yn = Banyaknya Layer Tersembunyi (Hidden Layer) Z= Output

17.50 17.63

18.75 20.00

Target 1 1 1 0 1 1 1 0 1

1 1

akan diubah kedalam bentuk normalisasi sesuai dengan ketentuan rumus.

Tabel 5 :Hasil Normalisasi Data Nilai Sidang Skripsi TA 2011/2012 STMIK Budidarma Medan Nilai Pembimbing & Penguji Skripsi Nama Mahasiswa Pembimbing I Pembimbing II Penguji I Penguji II Eka Delvina -0.75 -0.77 -0.91 -0.88


89

ISSN : 2301-9425


2 Kiki Mariani Hasibuan -0.73 3 Sonya Anne -0.75 4 Muhaimin Ravi -0.75 5 Riffi Wijaya -0.75 6 Puspa Sari Dewi -0.75 7 Syarifah Batubara -0.71 8 Arfandi Beruh -0.74 9 Rini Rafdiana -0.73 . . 99 Mita Rahmadani -0.75 100 Ahmad Faisal Nasution -0.75 Narasi : Tabel 5 di atas merupakan hasil normalisasi nilai sidang skripsi yang akan dilatih dengan menggunakan algoritma backpropagation dengan menggunakan pola yang bervariasi.

-0.73 -0.74 -0.77 -0.73 -0.73 -0.73 -0.96 -0.77

-0.83 -0.91 -1.09 -0.79 -0.80 -0.87 -1.13 -0.83

-0.71 -0.83 -0.80 -0.80 -0.83 -0.77 Setelah data nilai input dinormalisasikan dan dilatih menggunakan algoritma backpropogation maka nilai tersebut ditargertkan dengan angka, adapun data target adalah 1 menunjukkan Lulus dan apabila nilai skripsi tersebut ≥ 60, sedangkan 0 menunjukkan Gagal apabila nilai skripsi tersebut ≤ 60. Data target dapat dilihat pada tabel 6.

Tabel 6 : Data Target Keterangan

No

Bobot

1

Lulus

1

2

Gagal

0

3.6. Pengolahan Data Pengolahan data yang akan dilakukan adalah memberikan nilai target atau output data dari nilai skripsi mahasiswa STMIK Budidarma Medan

No

Nama Mahasiswa

1 2 3 4 5 6 7 8 9 . . 99 100

Eka Delvina Kiki Mariani Hasibuan Sonya Anne Muhaimin Ravi Riffi Wijaya Puspa Sari Dewi Syarifah Batubara Arfandi Beruh Rini Rafdiana

Mita Rahmadani Ahmad Faisal Nasution

-0.90 -0.93 -1.16 -0.83 -0.86 -0.84 -0.83 -0.81

berdasarkan hasil lulus atau gagal pada saat sidang meja hijau. Data nilai sidang skripsi mahasiswa STMIK Budidarma Medan berdasarkan target atau output yang dipilih terdapat pada Tabel 7 berikut:

Tabel 7 :Data Nilai Target Sidang Skripsi Mahasiswa STMIK Budidarma Medan Nilai Pembimbing & Penguji Skripsi Pembimbing Pembimbing Penguji Penguji I II I II -0.75 -0.77 -0.91 -0.88 -0.73 -0.73 -0.83 -0.90 -0.75 -0.74 -0.91 -0.93 -0.75 -0.77 -1.09 -1.16 -0.75 -0.73 -0.79 -0.83 -0.75 -0.73 -0.80 -0.86 -0.71 -0.73 -0.87 -0.84 -0.74 -0.96 -1.13 -0.83 -0.73 -0.77 -0.83 -0.81

-0.75 -0.75

3.7. Penetapan Output Hasil yang diinginkan pada tahap ini adalah terdeteksinya suatu nilai untuk penentuan kelulusan sidang skripsi lulus atau gagal mahasiswa tersebut. Adapun hasil yang dimaksud adalah sebagai berikut:

-0.71 -0.80

-0.83 -0.83 a.

b.

-0.80 -0.77

Target 1 1 1 0 1 1 1 0 1

1 1

Untuk menentukan output dari keterangan ada 2 output, yaitu : 1. Lulus 1 2. Gagal 0 Kategorisasi Lulus atau Gagal Kategorisasi Lulus ditentukan oleh tingkat error minimum dari target yaitu 1 dan


90

ISSN : 2301-9425


kategorisasi Gagal ditentukan oleh tingkat error minimum dari target yaitu 0 ,

No 1 2

kategrori dapat dilihat pada tabel 8 :

Tabel 8 Data Target Lusan dan Gagal Keterangan Error Minimum Lulus 0.0000 - 0.0010 Gagal 0,0011 - 0,0100

3.8. Perancangan Manual Jaringan Syaraf Tiruan Perancangan data dengan jaringan syaraf tiruan untuk data pelatihan dan pengujian, maka digunakan 4 variabel input yaitu: X1 :Pembimbing I X2 : Pembibing II X3 : Penguji I X4 : Penguji II Dalam perhitungan secara manual ini hanya diberikan sampel data input dari data nilai sidang skripsi sebagai contoh pembuktian dengan menggunakan 4 variabel input, yaitu x1, x2, x3, x4 Berikut tahapan-tahapan yang akan dilakukan dalam pengguna algoritma propagasi balik (Backpropogation) dengan fungsi aktivasi sigmoid. Tahapan yang harus dilakukan adalah sebagai berikut: 1. Inisialisasi (initialization), merupakan tahap di mana variabel-variabel nilai akan diset atau didefinisikan terlebih dahulu, misalnya seperti : nilai data input, weight, nilai output yang diharapkan, learning rate dan nilai-nilai data lainnya. 2. Aktivasi (activation),merupakan proses perhitungan terhadap nilai aktual output pada hidden layer dan menghitung nilai actual output pada output layer. 3. Weight Training,merupakan proses perhitungan nilai error gradient pada output layer dan menghitung nilai error gradient pada hidden layer. Iteration, merupakan tahap akhir dalam pengujian, di mana jika masih terjadi error yang diharapkan belum ditemukan maka kembali pada tahap aktivasi (activation). Dalam pelatihan ataupun pembentukan jaringan syaraf tiruan yang perlu dilakukan pertama kali adalah inisialisasi bobot awal. Di mana bobot awal ini akan menghubungkan simpul-simpul pada lapisan input dan juga lapisan tersembunyi (hidden layer).Bobot awal pada algoritma di atas adalah v= (v1.1, v1.2, v2.1, v2.2, v3.1, v3.2, v4.1, v4.2,), sedangkan bobot biasnya dipilih secara acak pada simpul-simpul lapisan tersembunyi (hidden layer) dan lapisan output ( y1.1…yn ) dipilih secara acak.

Berikut analisa masalah dengan menggunakan arsitektur 4-3-1 dan 4-2-1 seperti di bawah ini : Tahap inialisasi pada arsitektur 4-2-1 : a.

b.

Tuliskan nilai input yang diberikan x1 = -0.75 x2 = -0.77 x3 = 0.91 x4 = -0.88 T=1 Leraning rate(α )=0.1 Berikan nilai bobot (V) dari input ke lapisan tersembunyi dengan nilai acak.

Tabel 9 : Nilai Bobot dari Input ke Hidden Layer Pola 4-3-1 Y1 Y2 V1 0.2 -0.3 V2 0.4 0.1 V3 0.3 -0.5 V4 0.5 -0.4 c.

Berikan nilai bobot (W) dari lapisan tersembunyi ke output dengan nilai acak.

Tabel 10 :Nilai Bobot dari Hidden Layer ke Output Pola 4-2-1 Z W1 -0.3 W2 -0.2 Tahap Iterasi 1: a. Hitung Keluaran tiap node Y1= X1. V11+ X2. V21+ X3. V31+ X4. V41 = -0,75.0,2 + -0,77. 0,4 + -0,91. 0,3 + -0,88. 0,5 = -1,171 = Sigmoid [-1,171] = 0,763 Y2= X1. V12+ X2. V22+ X3. V32+ X4. V42 = -0,75. -0,3 + -0,77. 0,1 + -0,91.-0,5 + -0,88.-0,4 = 0,955


91

ISSN : 2301-9425


= Sigmoid [0,955] 0.278 Z= Y1. W11+ Y2. W21 = 0,763.(-0,3) + 0,278.(-0,2) = -0,285 = Sigmoid[-0,285]

=

=

0,571 Hitung nilai error pada outpu layer dan error output pada hidden layer 1. Menghitung error pada output layer Err Z= Z.( α- Z).(T-Z) = 0,571.(0.1 - 0,571).(1 - 0,571) = -0,115 2. Menghitung error pada hidden layer Err Y1= Y1.( α- Y1).(Err Z.W11) = 0,763.(0.1- 0,763).( -0,115.(0.3)) = 0,0687 Err Y2= Y2.( α- Y2).(Err Z- W21) = 0.278.(0.1- 0.278).( -0,115.(0.2)) = 0,0056 Modifikasi/hitung bobot baru 1. Menghitung bobot baru pada output layer W11= W11+ α. Err Z. Y1 = -0,3 + 0,1. -0,115. 0,763 = -0,3088 W21= W21+ α. Err Z. Y2 = -0,2+0,1. -0,115. 0.278 = -0,2032 2. Menghitung bobot baru pada hidden layer V11= V11+ α. Err Y1. X1 = 0,2+0,1. 0,0687. -0.75 = 0,1935 V12= V12+ α. Err Y2. X1 = -0,3+0,1. 0,0056. -0.75 = -0,3004 V21= V21+ α. Err Y1. X2 = 0,4+0,1. 0,0687. -0.77 = 0,3933 V22= V22+ α. Err Y2. X2 = 0,1+0,1. 0,0056. -0.77 = 0,0996 V31= V31+ α. Err Y1. X3 = 0,3+0,1. 0,0687. -0,91 = 0,2921 V32= V32+ α. Err Y2. X3 = -0,5+0,1. -0,0056. -0,91 = -0,5005 V41= V41+ α. Err Y1. X4 = 0,5+0,1. 0,0687. -0,88 = 0,4924 V42= V42+ α. Err Y2. X4 = -0,4+0,1. 0,0056. -0,88

= -0,4005

Dengan memperoleh hasil pengelolahan dan perancangan sistem yang menggunakan jaringan syaraf tiruan dapat digunakan untuk menentukan kelulusan sidang skripsi mahasiswa STMIK Budidarma Medan. Hal ini dapat ditunjukkan dengan melihat output layer (nilai Z). dari hasil data penelitian di atas, maka dapat dihasilkan nilai bobot baru pada output layer dengan pola 4-2-1 sebagai berikut : Tabel 11 : Hasil Bobot Baru Pada Output Layer Pola 4-2-1

Tabel 11 di atas merupakan hasil bobot baru pada output layer pelatihan dengan pola 4-2-1 dengan iterasi pertama, di mana hasilnya masih jauh dari error minimum yang diharapkan. Hasil dari bobot baru pada hidden layer dapat dilihat pada tabel 12 di bawah ini : Tabel 12 : Hasil Bobot Baru Pada Hidden Layer Pola 4-2-1

Tabel 12 di atas merupakan hasil bobot baru pada hidden layer pelatihan dengan pola 4-2-1 dengan iterasi pertama, di mana hasilnya masih jauh dari error minimum yang diharapkan. Disimpulkan bahwa hasil pelatihan untuk penentuan kelulusan sidang skripsi mahasiswa belum mencapai goal, hal ini dikarenakan masih pada iterasi pertama. Untuk mencapai goal perlu melakukan iterasi selanjutnya sampai goal ditemukan dengan nilai error (e) yang dihasilkan adalah 0 ( nol ) atau sesuai dengan kategorisasi Lulus. 4. Penutup

Setelah dilakukan pelatihan terhadap data pertama maka korelasi hasil jaringan syaraf tiruan Jaringan Syaraf Tiruan Dengan Algoritma Backpropagation Untuk Penentuan 92 Kelulusan Sidang Skripsi. Oleh : Zekson Arizona Matondang


terhadap penentuan kelulusan sidang skripsi belum dapat hasil yang maksimal, hal ini dikarenakan masih melakukan pelatihan pada iterasi pertama dan belum mencapai error sesuai dengan target. Hasil percobaan atau pelatihan jaringan syaraf tiruan menunjukan bahwa backpropagation yang sudah dilatih dengan baik akan memberikan keluaran yang masuk akal jika diberi masukan yang serupa (tidak harus sama) dengan pola yang dipakai dalam pelatihan sifat backpropagation yang generalisasi ini membuat pelatihan lebih efisien karena tidak perlu dilakukan pada semua data. Setiap kali membentuk jaringan backpropagation selalu diberi nilai bobot dan bias awal dengan bilangan acak kecil. Bobot dan bias ini akan berubah setiap ada pembentukan jaringan. Dari hasil iterasi p=1 masih terdapat nilai yang berada di bawah 0 (nol), hal ini menunjukkan bahwa prediksi yang diharapkan kurang baik atau tidak sesuai (tidak akurat). Untuk mencapai nilai keluaran yang kuat dan akurat, maka perlu dilakukan beberapa perbandingan arsitektur jaringan lainnya dan tidak mungkin dilakukan secara manual akan tetapi harus dibantu dengan menggunakan software Mathlab 6.1 atau versi yang lebih tinggi.

[3]

M.F Andrijasa,(2010). “Jurnal Penerapan jaringan syaraf tiruan untuk memprediksiPenyakit THT di rumah sakiy Mardhi Rahayu Kudus”

[4]

Irawan Afrianto. (2012). “Jurnal Aplikasi Jaringan Syaraf Tiruan Backpropagation dan Learning Vector Quantization Pada Pengenalan Wajah”

[5]

Hadihardaja. (2005). “Jurnal Pemodelan Curah Hujan –Limpasan menggunakan Artificial Neural Network (AAN) dengan metode Backpropogation”.

[6]

Sukma Puspitorini. (2012). “Penyelesaian Masalah traveling salesmen problem dengan jaringan syaraf self organizing.

[7]

Badrul Anwar, (2011). “Penerapan Algoritma Jaringan syaraf tiruan backpropogation dalam memprediksi tingkat suku bunga bank”.

[8]

Jong Jek Siang, (2009). “Jaringan Syaraf Tiruan”. ANDI Yogyakarta.

[9]

Sri Kusumadewi, (2010). “Artificial Intelligence (Teknik dan Aplikasinya )” Graha Ilmu

[10]

Diyah Puspitaningrum, (2006). “Pengantar Jaringan Saraf Tiruan ).Penerbit Andi.

[11]

Nurmalasari Rusmiati, (2011) “Jurnal Jaringan Syaraf Tiruan Backpropogation sebagai metode peramalan pada perhitungan tingkat suku bungan pinjaman di Indonesia”

DAFTAR PUSTAKA [1]

[2]

Yeni Nuraeni. (2009). “Jurnal Penerapan Jaringan syaraf tiruan untuk mengukur tingkat kolerasi antara NEM dengan IPK kelulusan Mahasiswa” Ruth Chrestanti . (2002). “Jurnal Implementasi Backpropogation dalam mempresiksi kebangkrutan bank di indonesia”

ISSN : 2301-9425


93

JARINGAN SYARAF TIRUAN DENGAN ALGORITMA BACKPROPAGATION UNTUK PENENTUAN KELULUSAN SIDANG SKRIPSI

Recommend Documents