Jurnal KomTekInfo, Vol. 3, No. 1, 2016, Hal 01-10, ISSN CETAK : , ISSN ONLINE : by LPPM UPI YPTK Padang

Jurnal KomTekInfo, Vol. 3, No. 1, 2016, Hal 01 - 10 , Copyright@2016 by LPPM UPI YPTK Padang

ISSN CETAK : 2356 – 0010, ISSN ONLINE :

2502-8758

PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH DPT PEMILU DENGAN MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS DI KOMISI PEMILIHAN UMUM (KPU) KABUPATEN BUNGO PROVINSI JAMBI) Herawati Universitas Muara Bungo, Indonesia [email protected] ABSTRACT According to experts in the field of computers, ANN is a computing paradigm that employs a simple model of a biological neuron system, although loosely based on the characteristics of a variety of human brain function. ANN is a powerful data modeling tool that is able to capture and represent the input - output relationship is complex. In this study created a prediction accuracy of the modeling system fixed number of voters in the general election of 2014 in Bungo Regency with artificial neural network back propagation method (back propagation ) using a personal computer. After we compare the neural network system with manual methods manual calculations the average number of people in 17 districts Bungo, then it could be a researcher and head of the KPU could see, which method is more accurate and having a bit rate error in estimating the number of voters remain in 2014 election. In the test results using the artificial neural network architecture with 8 4-4-1 9 training data and test data shows that the data into 9 districts namely Pelepat Ilir show good prediction results is 1.00 with an error rate of only 0:00 and the data to the 12 namely the District Bunge Dani showed good predictive results also that the error rate is only 0.01 to 0.01. Keywords : backpropagation neural network, backpropagation, turnout remains, Matlab

1. Pendahuluan Jaringan Syaraf Tiruan adalah sebuah paradigma komputasi yang mempekerjakan model sederhana dari sistem neuron biologis, meskipun longgar didasarkan pada karakteristik beragam fungsi otak manusia. JST adalah alat pemodelan data yang kuat yang mampu menangkap dan mewakili hubungan input-output yang kompleks. Keunggulan yang utama dari sistem JST adalah kemampuan untuk “belajar” dari contoh yang diberikan. Backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak layar lapisan untuk mengubah bobot-bobot yang ada pada lapisan tersembunyinya (M.F. Andrijasa, 2010). Konsep praktis dari JST untuk memprediksi jumlah daftar pemilih tetap (DPT) pada Pemilu 2014 dengan cara pola data jumlah DPT periode masa lalu yang dimasukkan ke dalam system dilakukan proses pelatihan menggunakan (JST) dan algoritma pembelajaran Backpropagation.

2. Tinjauan Literatur Jaringan Syaraf Tiruan merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan 1



2502-8758

digunakan karena jaringan syaraf ini diimplementasikan dengan menggunakan program computer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. (Fitriani, Dkk. 2012). Jaringan syaraf tiruan dirancang dengan menggunakan suatu aturan yang bersifat menyeluruh (general rule), dimana seluruh model jaringan memiliki konsep dasar yang sama. Arsitektur jaringan akan menentukan keberhasilan target yang akan dicapai karena tidak semua permasalahan dapat diselesaikan dengan arsitektur yang sama. Ada 3 model arsitektur Backpropagation, yakni: (Hermawan, Arif. 2006) 1. Jaringan Dengan Lapiran Tunggal (single layer net) Jaringan syaraf satu lapisan pertama kali dirancang oleh Widrow dan Holf pada tahun 1960. Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot terhubung. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi.

Gambar 1 : Jaringan Syaraf Tiruan Lapisan Tunggal

2. Jaringan dengan banyak lapisan (multilayer net) Jaringan dengan banyak lapisan memiliki satu atau lebih lapisan yang terletak di antara lapisan input dan lapisan output seperti terlihat pada gambar 2.6. Umumnya terdapat lapisan bobot-bobot yang terletak antara 2 lapisan yang bersebelahan. Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit daripada lapisan dengan lapisan tunggal, dengan pembelajaran yang lebih rumit.

2



2502-8758

Gambar 2 : Jaringan Syaraf Tiruan Lapisan Banyak

3. Jaringan dengan lapisan kompetitif (competitif layer net) Hubungan antar neuron pada lapisan kompetitif ini tidak diperlihatkan pada diagram arsitektur. Pada gambar 2.7 menunjukkan salah satu contoh arsitektur jaringan dengan lapisan kompetitif yang memiliki bobot -

Gambar 3 : Jaringan Syaraf dengan Kompetitif

3



2502-8758

2.1 Topologi JST Back Propagation Gambar 4 menunjukkan jaringan Syaraf 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 ditandai dengan w , bias pada unit tersembunyi z ditandai dengan v . Bias bertindak k

0k

j

0j

sebagaimana halnya bobot dimana outputnya selalu 1. Selama proses pembelajaran backpropagation, sinyal dikirim dalam arah yang berlawanan.

Gambar 4 : Topologi Jaringan Back Propagation

Simbol-simbol yang digunakan ini tidaklah mutlak, bisa saja berganti dengan simbol-simbol yang lainnya asalkan fungsi logika yang dimaksudkannya tetap sama. Secara sederhana dapat dikatakan bahwa jika output memberikan hasil yang salah, maka penimbang (bobot) dikoreksi supaya errornya (galat) dapat diperkecil dan respon jaringan selanjutnya diharapkan akan lebih mendekati harga yang benar. 2.2 Langkah-Langkah JST Back Propagation Langkah-langkah dalam melakukan evaluasi menggunakan JST Back Propagation terdiri dari: Langkah 0 : Pemberian inisialisasi penimbang (diberi nilai kecil secara acak) Langkah 1 : Ulangi langkah 2 hingga 9 sampai kondisi akhir iterasi dipenuhi Langkah 2 : Untuk masing-masing pasangan data pelatihan (training data) lakukan langkah 3 sampai 8 Propagasi maju (feed forward) Langkah 3 : Masing-masing unit masukan ( , i = 1,.....n) menerima sinyal masukan dan sinyal tersebut disebarkan ke unit-unit bagian berikutnya (unit-unit lapisan tersembunyi) Langkah 4 : Masing-masing unit lapisan tersembunyi dikalikan dengan faktor penimbang dan dijumlahkan serta ditambah dengan biasnya

..................................................................................................... .. (6) Kemudian menghitung sesuai dengan fungsi aktivasi yang digunakan: ........................................................................................................................ (7) Bila yang digunakan adalah fungsi sigmoid maka bentuk fungsi aktivasi tersebut adalah:

4


Langkah 5


2502-8758

: Masing-masing unit keluaran (xk, k = 1,2,3,.....m) dikalikan dengan factor penimbang dan dijumlahkan:

............................................(9) Menghitung kembali sesuai dengan fungsi aktivasi: ............................................(10) Back Propagasi dan Galatnya Langkah 6 : Masing-masing unit keluaran (yk, k=1,...,m) menerima pola target sesuai dengan pola masukan saat pelatihan/training dan dihitung galatnya ............................................(11) Karena f’(y_ink) = yk menggunakan fungsi sigmoid, maka:

Langkah 7

.......................................................(12) Menghitung perbaikan faktor penimbang (kemudian untuk memperbaiki faktor wjk). ............................................(13) Menghitung perbaikan koreksi: .................................................(14) Dan menggunakan nilai pada semua unit lapisan sebelumnya. : Masing-masing penimbang yang menghubungkan unit-unit lapisan keluaran dengan unit-unit pada lapisan tersembunyi (Zj, j=1,...,p) dikalikan delta dan dijumlahkan sebagai masukan ke unit-unit lapisan berikutnya: ............................................(15) Selanjutnya dikalikan dengan turunan dari fungsi aktivasinya untuk menghitung galat. ............................................(16) Kemudian menghitung perbaikan penimbang (digunakan untuk memperbaiki Vij) ............................................(17) Kemudian menghitung perbaikan bias (untuk memperbaiki V0j) ............................................(18) Memperbaiki penimbang dan bias

Langkah 8

: Masing-masing keluaran unit (yk, k=1,...,m) diperbaiki bias dan penimbangnya (j=0,...,p), ............................................(19) Masing-masing unit tersembunyi (Zj, j=1,....,p) diperbaiki bias dan penimbangnya (j=0,.....,n) ............................................(20) Langkah 9 : Uji kondisi pemberhentian (akhir iterasi).

5



2502-8758

3. Metodologi Dalam hal ini penulis mengambil data sampel sebanyak 17, sedangkan variabel yang digunakan 4 jenis yakni: jumlah daftar pemilih tetap dan daftar pemilih sementara dari 17 kecamatan yang ada di Kabupaten Bungo. Tabel 1 : Nilai Awal yang sudah Ditentukan

No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 Sumber

Daftar Pemilih Daftar Pemilih Target Tetap (DPT) Sementara (DPS) L P L P 8237 7834 8326 8111 Pasar Muara Bungo 16254 3637 3752 3701 3768 Rantau Pandan 7429 7062 7666 7701 8064 Tanah Tumbuh 15250 6311 5952 7871 7314 Jujuhan 13724 8119 8308 9396 9489 Tanah Sepenggal 17656 10790 10134 11418 10759 Pelepat 21551 4767 4843 4759 4923 Muko-Muko Bathin VII 9646 5695 5337 5286 5006 Limbur Lubuk Mengkuang 10662 17697 16797 17902 16997 Pelepat Ilir 34697 4685 4577 5015 4823 Bhatin II Babeko 9550 7437 6951 6897 7011 Bhatin III 14148 9103 8987 8879 8862 Bungo Dani 17916 8191 8114 7793 7694 Rimbo Tengah 15896 3223 3165 3597 3400 Bhatin III Ulu 6693 3431 3140 3455 3114 Bhatin II Pelayang 6570 4505 4147 4804 4453 Jujuhan Ilir 8955 8434 8308 8638 8473 Tanah Sepenggal Lintas 16927 : Data Rekapitulasi Daftar Pemilih Sementara (DPS) dan Data Rekapitulasi Daftar Pemilih Tetap (DPT) dari Komisi Pemilihan Umum Kab. Bungo, 2013 Kecamatan

6



2502-8758

Kerangka Kerja Penelitian

Gambar 5 : Kerangka Kerja Penelitian

4. Hasil dan Pembahasan Untuk mengolah jaringan saraf tiruan dengan metode Backpropagation terlebih dahulu data dipisah menjadi data pelatihan dan data pengujian ke dalam bentuk matrik P berukuran 4x9, matriks Q berukuran 4x10, matriks R berukuran 4x8, dan data sisanya digunakan untuk pengujian dengan matriks U berukuran 4x8, matriks V berukuran 4x7, matriks W berukuran 4x9. Kemudian data pelatihan dan pengujian akan diuji dengan 5 model arsitektur yakni: arsitektur 4-4-1, 4-5-1, 4-3-1, 4-2-1, dan 4-1-1. Dari hasil perancangan yang dibuat dihasilkan hasil pelatihan yang terbaik yaitu: mempunyai hasil ketepatan atau kebenaran yang cukup baik dan pembelajaran yang cukup baik. Dari hasil pengujian yang dilakukan didapat jumlah iterasi maksimal yang dicapai 5000 epoch dengan Mean Squared Error (MSE= 0.666671). Selain hal tersebut juga ditetapkan konstanta pembelajaran terbaik adalah 0.01 dengan toleransi kesalahan 1e-05 dan lapisan tersembunyi 4 layer dengan jumlah neuron 4. Berikut hasil gambar hasil pelatihan terbaik dan hasil pengujian terbaik yang didapatkan: 7



2502-8758

Gambar 6: Best Training Performance Dihentikan Pada 5000 Epochs

Gambar 7 : Hasil Pengujian Data Pelatihan dengan Target

8



2502-8758

Pada gambar 7 terlihat hasil pengujian data pelatihan dengan target. Data ke 1, 3, 4, 5 dan data ke 6 di mana hasil pelatihan sesuai dengan target (1) yang diinginkan dengan nilai aktual 1,00 dan nilai error 0,00. Berdasarkan data hasil pelatihan dan pengujian yang dilakukan terhadap jaringan syaraf tiruan dengan 4 neuron pada lapisan tersembunyi dapat dilihat seperti pada tabel 2 berikut ini : Tabel 2 : Perbandingan Nilai Real Dengan Estimasi Pengujian Matlab No.

Target

Hasil

Error

Keterangan

1.

1,00

1,00

0,00

Benar

2.

1,00

0,67

0,33

Benar

3.

1,00

1,00

0,00

Benar

4.

1,00

1,00

0,00

Benar

5.

1,00

1,00

0,00

Benar

6.

1,00

1,00

0,00

Benar

0,67

0,33

Benar

7. 8.

1,00

-0,67 0,00 0,67 Jumlah Benar / Salah Persentase Benar / Salah (%)

Benar 8/0 100% / 0%

5. Kesimpulan 1.

2.

Jaringan syaraf tiruan dapat digunakan untuk melakukan permodelan keakuratan jumlah Daftar Pemilih Tetap pada Komisi Pemilihan Umum Kabupaten Bungo tahun 2014, berdasarkan jumlah pemilih dari 17 kecamatan yang di Kabupaten Bungo, yang terdiri dari jumlah laki-laki pemilih tetap, jumlah perempuan pemilih tetap, jumlah laki-laki pemilih sementara, jumlah perempuan pemilih sementara. Arsitektur Jaringan yang paling tepat digunakan untuk permodelan keakuratan jumlah Daftar Pemilih Tetap pada Komisi Pemilihan Umum Kabupaten Bungo tahun 2014 dengan jaringan syaraf tiruan menggunakan algoritma backpropagation dengan momentum adalah 4-4-1 dengan membagi data menjadi 2 bagian yaitu 8 data pelatihan dan 9 data pengujian

Daftar Pustaka [1] Fitriani. 2012. Aplikasi Artificial Neural Network Untuk Memprediksi Nilai Potensial Korosi Pada Balok Beton Bertulang.(Agustus 2012) [2] Hermawan, Arief, 2006. Jaringan Syaraf Tiruan Teori dan Aplikasi. Andi Offset. Yogyakarta [3] Jayalakshim, T dan Santhakumaran, Dr. A. 2011. Statistical Normalization and Back Propagation for Classification. Internasional Journal of Computer Theory and Engineering, Vol. 3 No. 1 ( February 2011) [4] Kusumadewi,S. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan Matlab dan Excel Link. Penerbit Graha Ilmu. Yogyakarta. [5] Kosbatwar, Prof. S.P, dkk. Pattern Association for character recognition by Back-Propagation algorithm using Neural Network approach (Februari 2012)

9



2502-8758

[6] M.F. Andrijasa dan Mistianingsih, 2010. Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran Backpropagation (Februari 2010) [7] Norhamreza Abdul Hamid, dkk. 2011. Accelerating Learning Performance of Back Propagation Algorithm by Using Adaptive Gain Together with Adaptive Momentum and Adaptive Learning Rate on Classification Problems (Oktober 2011) [8] Siang,J.J. 2009. Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan Matlab. Penerbit ANDI. Yogyakarta. [9] S. Roy Chatterje, dkk. 2013. A Comparative Analysis of Several Back Propagation Algorithms in Wireless Channel for ANN-Based Mobile Radio Signal Detector (Agustus 2013) [10] Widodo Prabowo P, dkk. 2012. Penerapan Soft Computing dengan Matlab. Penerbit Rekayasa Sains. Bandung. [11] Zulfian Azmi. Aplikasi jaringan syaraf tiruan untuk pengenalan pola Pembukaan permainan catur (Februari 2012)

10

Jurnal KomTekInfo, Vol. 3, No. 1, 2016, Hal 01-10, ISSN CETAK : , ISSN ONLINE : by LPPM UPI YPTK Padang

Recommend Documents