IMPLEMENTASI ALGORITMA
BACKPROPAGATION
JARINGAN SYARAFTIRUANUNTUK
MENDETEKSIPENYAKITTANAMAN KARET
(Hevea brasiliensis)
SKRIPSI
GINA AGNESIA
081401042
PROGRAM STUDI S1 ILMU KOMPUTER
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
IMPLEMENTASI ALGORITMA BACKPROPAGATION JARINGAN SYARAFTIRUANUNTUKMENDETEKSI
PENYAKIT TANAMAN KARET (Hevea brasiliensis)
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Komputer
GINA AGNESIA
081401042
PROGRAM STUDI S1 ILMU KOMPUTER DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : IMPLEMENTASI ALGORITMA BACKPROPAGATION
JARINGAN SYARAFTIRUANUNTUK MENDETEKSIPENYAKITTANAMAN KARET (Hevea brasiliensis)
Kategori : SKRIPSI
Nama : GINA AGNESIA
Nomor Induk Mahasiswa : 081401042
Program Studi : SARJANA (S1) ILMU KOMPUTER
Departemen : ILMU KOMPUTER
Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN ALAM
(FMIPA) UNIVERSITAS SUMATERA UTARA
Diluluskan di Medan, 15Mei 2012
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Amer Sharif, S.Si, M.Kom Dr. Poltak Sihombing, M.Kom
NIP. - NIP. 196203171991031001
Diketahui/Disetujui oleh Departemen Ilmu Komputer Ketua,
PERNYATAAN
IMPLEMENTASI ALGORITMA BACKPROPAGATION JARINGAN SYARAFTIRUANUNTUK MENDETEKSI
PENYAKITTANAMAN KARET (Hevea brasiliensis)
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, 15 Mei 2012
PENGHARGAAN
Puji dan syukur kepada Tuhan Yesus Kristus atas penyertaan dan kasih setiaNya penulis dapat menyelesaikan skripsi yang berjudul Implementasi Algoritma Backpropagation Jaringan SyarafTiruanUntukMendeteksiPenyakitTanaman Karet (Hevea brasiliensis) dalam waktu yang telah ditetapkan.
Dalam pelaksanaan skripsi ini penulis mendapat banyak bantuan baik berupa dukungan material dan spiritual dari berbagai pihak. Maka dalam kesempatan ini penulis mengucapkan terima kasih kepada:
1. Bapak Dr. Poltak Sihombing, M.Kom selaku pembimbing I sekaligus Ketua Program Studi S1 Ilmu Komputer yang telah memberikan banyak bantuan, arahan, dan kesabaran dalam membimbing penulis hingga dapat menyelesaikan skripsi ini.
2. Bapak Amer Sharif, S.Si, M.Kom selaku pembimbing II yang telah memberikan banyak bantuan, arahan, dan kesabaran dalam membimbing penulis hingga dapat menyelesaikan skripsi ini.
3. Ibu Dian Rachmawati, S.Si, M.Kom selaku pembanding I yang telah memberikan kritik dan saran yang sangat bermanfaat bagi penulis dalam penyempurnaan skripsi ini.
4. Bapak Syahriol Sitorus, S.Si, MIT selaku pembanding II yang telah memberikan kritik dan saran yang sangat bermanfaat bagi penulis dalam penyempurnaan skripsi ini.
5. Ibu Maya Silvi Lydia, B.Sc, M.Sc selaku Sekretaris Program Studi S1 Ilmu Komputer sekaligus pembimbing akademik yang telah memberikan banyak bimbingan, arahan dan bantuan selama penulis kuliah di S1 Ilmu Komputer FMIPA USU.
6. Dekan FMIPA Bapak Dr. Sutarman, M.Sc dan Pembantu Dekan FMIPA, Bapak/Ibu Dosen Pengajar beserta seluruh pegawai dan staf Program Studi S1 Ilmu Komputer FMIPA USU.
7. Seluruh praktisi perkebunan karet yang telah membantu penulis selama wawancara.
9. Teman-teman mahasiswa S1 Ilmu Komputer stambuk 2008 khususnya Yeni Susanti br. Tarigan dan Yustina yang telah memberikan semangat dan bantuan selama penulis kuliah di S1 Ilmu Komputer FMIPA USU.
10. Teman-teman serta pihak-pihak lain yang tidak dapat saya sebutkan satu per satu atas segala dukungan dan bantuannya.
Akhir kata penulis berharap semoga skripsi ini menjadi sesuatu yang berguna bagi pembaca terutama teman-teman mahasiswa. Penulis juga meminta maaf atas segala kekurangan yang terdapat di dalam skripsi ini.
Medan, 15 Mei 2012
ABSTRAK
Pada skripsi ini, masalah yang diangkat adalah pendeteksian penyakit pada tanaman karet. Saat ini, hampir semua pekerjaan dapat dilakukan dengan menggunakan komputer, salah satunya adalah pendeteksian penyakit pada tanaman karet. Pendeteksian penyakit tanaman karet dapat dilakukan dengan menerapkan jaringan syaraf tiruan menggunakan algoritma backpropagation. Algoritma backpropagation merupakan salah satu metode pembelajaran jaringan syaraf tiruan yang membandingkan output yang diperoleh jaringan dengan target yang telah ditetapkan untuk menghitung error jaringan kemudian merambatkan error tersebut kelapisan sebelumnya untuk mendapatkan koreksi bobot yang akan menghasilkan output yang diharapkan. Penelitian ini menerapkan algoritma backpropagation dalam mengembangkan suatu jaringan syaraf tiruan untuk mendeteksi penyakit pada tanaman karet (Hevea brasiliensis). Gejala-gejala penyakit yang tampak pada tanaman karet digunakan sebagai input yang terdiri dari 7 variabel untuk tiap-tiap bagian tanaman yaitu akar, batang, bidang sadap, dan daun. Terdapat 3 target output yaitu: bagian tanaman terserang penyakit Akar putih atau terserang penyakit Jamur upas atau terserang penyakit Mouldy rot atau terserang penyakit Embun tepung; bagian tanaman sehat; dan bagian tanaman sakit. Pelatihan dalam penelitian ini menghasilkan bobot ideal dengan menggunakan 1 lapisan input, 2 lapisan tersembunyi, dan 1 lapisan output dengan 104 neuron pada lapisan tersembunyi pertama, 5 neuron pada lapisan tersembunyi kedua, fungsi aktivasi lapisan tersembunyi pertama dan kedua adalah sigmoid bipolar, fungsi aktivasi lapisan output adalah linear, dan learning rate 0,01, pada 148.013 iterasi dengan error 1x10-5.
IMPLEMENTATION OF ARTIFICIAL NEURAL NETWORK USING BACKPROPAGATION ALGORITHM TO DETECT
THE DISEASES OF RUBBER TREE (Hevea brasiliensis)
ABSTRACT
In this paper, the problem that is raised is detection of diseases in rubber tree. Nowadays, almost every task can be done by computer, one of them is detection of diseases in rubber tree. Rubber tree diseases detection can be done by applying artificial neural network using backpropagation algorithm. Backpropagation algorithmis an artificial neural networklearning methodthat compares theoutputobtained from the networkwiththe targetwhich had been setfor calculating thenetworkerrorandpropagates theerrorto previous layertoobtain theweights correctionthat will generatethe expectedoutput. This researchapplied the backpropagationalgorithmto developan artificial neural network fordetecting thediseasesof rubber tree(Hevea brasiliensis).Visible disease symptoms in the rubber tree used as input consisted of 7variablesfor each part ofthe plantsuch as root, stem, tapping panel, and leaf. There were 3 outputs target such as: part of plant infected withWhite root disease orinfected withPinkdisease or infected withMouldy rot disease orinfected with Powdery mildew disease; healthypart of plant; and diseased part of plant. Trainingin this researchgeneratedideal weightsby usingone inputlayer, twohiddenlayers, andanoutputlayerwith 104neuronsinthe firsthidden layer, 5neuronsinthe second hiddenlayer, the activation function of the first and second hidden layer are sigmoid bipolar, the activation function of the output layer is linear, and0.01 oflearningrate, with148,013 ofiterations, and error rate of 1x10-5.
DAFTAR ISI
Halaman
Persetujuan ii
Pernyataan iii
Penghargaan iv
Abstrak vi
Abstract vii
Daftar Isi viii
Daftar Tabel x
Daftar Gambar xi
Daftar Lampiran xiii
Bab 1 Pendahuluan 1
1.1 Latar Belakang 1
1.2 Perumusan Masalah 3
1.3 Batasan Masalah 3
1.4 Tujuan Penelitian 5
1.5 Manfaat Penelitian 5
1.6 Metode Penelitian 5
1.7 Sistematika Penulisan 6
Bab 2 Landasan Teori 8
2.1 Jaringan Syaraf Tiruan 8
2.1.1 Pengertian Jaringan Syaraf Tiruan 9
2.1.2 Komponen Jaringan Syaraf Tiruan 9
2.1.3 Manfaat dan Aplikasi Jaringan Syaraf Tiruan 13
2.1.4 Arsitektur Jaringan Syaraf Tiruan 14
2.1.5 Fungsi Aktivasi Jaringan Syaraf Tiruan 17
2.1.6 Bias dan Threshold 23
2.1.7 Pelatihan Jaringan Syaraf Tiruan 23
2.18 Aturan Pembelajaran Jaringan Syaraf Tiruan 24
2.2 Multilayer Perceptron 25
2.3 Backpropagation 28
2.3.1 Arsitektur Jaringan Backpropagation 29
2.3.2 Fungsi Aktivasi 30
2.3.3 Algoritma Backpropagation 31
2.3.4 Pemilihan Bobot dan Bias Awal 35
Bab 3 Analisis dan Perancangan 37
3.1 Analisis Sistem 37
3.1.1 Analisis Permasalahan 37
3.1.2 Analisis Input dan Output 38
3.1.3 Analisis Jaringan Backpropagation 42
3.1.3.1 Gambaran Proses pada Jaringan Backpropagation
Secara Umum 42
3.1.3.2 Arsitektur Jaringan 45
3.2 Perancangan Sistem 46
3.2.1 Perancangan Flowchart 46
3.2.2 Ilustrasi Proses Perhitungan pada Jaringan Backpropagation 51
3.2.3 Data Flow Diagram (DFD) 55
3.2.4 Membentuk Jaringan Bakpropagation dengan Matlab R2007b 61
3.2.5 Perancangan Struktur Sistem 61
3.2.6 Perancangan Antarmuka 65
Bab 4 Implementasi dan Pengujian Sistem 68
4.1 Implementasi Sistem 68
4.1.1 Pembelajaran Jaringan 68
4.1.2 Hasil Pelatihan Jaringan 69
4.2 Pengujian Sistem 85
4.3 Tampilan Antarmuka Sistem 87
4.3.1 Tampilan Form Utama 87
4.3.2 Tampilan Form Akar 88
4.3.3 Tampilan Form Batang 89
4.3.4 Tampilan Form BidSadap 90
4.3.5 Tampilan Form Daun 91
4.3.6 Tampilan Form DaftarPenyakit 92
4.3.7 Tampilan Form Keluar 92
4.3.8 Tampilan Form Hasil Pendeteksian Sistem 93
Bab 5 Kesimpulan dan Saran 95
5.1 Kesimpulan 95
5.2 Saran 96
DAFTAR TABEL
No. Tabel
Nama Tabel Halaman
3.1
Output dan Input untuk Bagian Akar Output dan Input untuk Bagian Batang Output dan Input untuk Bagian Bidang Sadap Output dan Input untuk Bagian Daun
Keterangan Diagram Konteks Keterangan DFD Pelatihan Level 1 Keterangan DFD Pengujian Level 1
Jumlah Epoch Hasil Pelatihan Dengan 1 Lapisan Tersembunyi
Jumlah Epoch Hasil Pelatihan Dengan 2 Lapisan Tersembunyi
Hasil Pelatihan untuk Bagian Akar Hasil Pelatihan untuk Bagian Batang Hasil Pelatihan untuk Bagian Bidang Sadap Hasil Pelatihan untuk Bagian Daun
DAFTAR GAMBAR
No. Gambar
Nama Gambar Halaman
2.1
Struktur neuron jaringan syaraf tiruan
Arsitektur jaringan syaraf tiruan dengan lapisan tunggal Arsitektur jaringan syaraf tiruan dengan banyak lapisan Arsitektur jaringan syaraf tiruan dengan lapisan
kompetitif
Fungsi aktivasi: Undak Biner (hard limit) Fungsi aktivasi: Undak Biner (threshold) Fungsi aktivasi: Bipolar (symetrichard limit) Fungsi aktivasi: Bipolar (threshold)
Fungsi aktivasi: Linear (identitas) Fungsi aktivasi: Saturating Linear
Fungsi aktivasi: Symetric Saturating Linear Fungsi aktivasi: Sigmoid Biner
Fungsi aktivasi: Sigmoid Bipolar Arsitektur jaringan perceptron
Arsitektur jaringan lapis banyak (multilayer)
Arsitektur jaringan backpropagation dengan satu lapisan tersembunyi
Fungsi aktivasi sigmoid bipolar
Gambaran proses pembelajaran jaringan backpropagation Gambaran proses pengujian jaringan backpropagation Arsitektur jaringan backpropagation dengan dua lapisan tersembunyi
Flowchart pelatihan jaringan Flowchart pengujian jaringan
Ilustrasi tahap feedforward pada jaringan Ilustrasi tahap backpropagation pada jaringan Diagram konteks
DFD pelatihan level 1 DFD pengujian level 1 Struktur sistem
Rancangan form Utama
Rancangan form Akar, Batang, BidSadap, dan Daun Rancangan form DaftarPenyakit
Rancangan form Keluar
4.5 4.6 4.7 4.8 4.9
4.10 4.11
Tampilan form BidSadap Tampilan form Daun
Tampilan form DaftarPenyakit Tampilan form Keluar
Tampilan hasil pendeteksian sistem jika akar terserang penyakit Akar putih
Tampilan hasil pendeteksian sistem jika akar sakit Tampilan hasil pendeteksian sistem jika akar sehat
90 91 92 92
DAFTAR LAMPIRAN
No. Lampiran
Nama Lampiran Halaman
A B
C D
Listing Program
Penyakit Tanaman Karet (Hevea brasiliensis) dan Pengendaliannya
Kuisioner Surat Izin Riset
A-1 B-1
ABSTRAK
Pada skripsi ini, masalah yang diangkat adalah pendeteksian penyakit pada tanaman karet. Saat ini, hampir semua pekerjaan dapat dilakukan dengan menggunakan komputer, salah satunya adalah pendeteksian penyakit pada tanaman karet. Pendeteksian penyakit tanaman karet dapat dilakukan dengan menerapkan jaringan syaraf tiruan menggunakan algoritma backpropagation. Algoritma backpropagation merupakan salah satu metode pembelajaran jaringan syaraf tiruan yang membandingkan output yang diperoleh jaringan dengan target yang telah ditetapkan untuk menghitung error jaringan kemudian merambatkan error tersebut kelapisan sebelumnya untuk mendapatkan koreksi bobot yang akan menghasilkan output yang diharapkan. Penelitian ini menerapkan algoritma backpropagation dalam mengembangkan suatu jaringan syaraf tiruan untuk mendeteksi penyakit pada tanaman karet (Hevea brasiliensis). Gejala-gejala penyakit yang tampak pada tanaman karet digunakan sebagai input yang terdiri dari 7 variabel untuk tiap-tiap bagian tanaman yaitu akar, batang, bidang sadap, dan daun. Terdapat 3 target output yaitu: bagian tanaman terserang penyakit Akar putih atau terserang penyakit Jamur upas atau terserang penyakit Mouldy rot atau terserang penyakit Embun tepung; bagian tanaman sehat; dan bagian tanaman sakit. Pelatihan dalam penelitian ini menghasilkan bobot ideal dengan menggunakan 1 lapisan input, 2 lapisan tersembunyi, dan 1 lapisan output dengan 104 neuron pada lapisan tersembunyi pertama, 5 neuron pada lapisan tersembunyi kedua, fungsi aktivasi lapisan tersembunyi pertama dan kedua adalah sigmoid bipolar, fungsi aktivasi lapisan output adalah linear, dan learning rate 0,01, pada 148.013 iterasi dengan error 1x10-5.
IMPLEMENTATION OF ARTIFICIAL NEURAL NETWORK USING BACKPROPAGATION ALGORITHM TO DETECT
THE DISEASES OF RUBBER TREE (Hevea brasiliensis)
ABSTRACT
In this paper, the problem that is raised is detection of diseases in rubber tree. Nowadays, almost every task can be done by computer, one of them is detection of diseases in rubber tree. Rubber tree diseases detection can be done by applying artificial neural network using backpropagation algorithm. Backpropagation algorithmis an artificial neural networklearning methodthat compares theoutputobtained from the networkwiththe targetwhich had been setfor calculating thenetworkerrorandpropagates theerrorto previous layertoobtain theweights correctionthat will generatethe expectedoutput. This researchapplied the backpropagationalgorithmto developan artificial neural network fordetecting thediseasesof rubber tree(Hevea brasiliensis).Visible disease symptoms in the rubber tree used as input consisted of 7variablesfor each part ofthe plantsuch as root, stem, tapping panel, and leaf. There were 3 outputs target such as: part of plant infected withWhite root disease orinfected withPinkdisease or infected withMouldy rot disease orinfected with Powdery mildew disease; healthypart of plant; and diseased part of plant. Trainingin this researchgeneratedideal weightsby usingone inputlayer, twohiddenlayers, andanoutputlayerwith 104neuronsinthe firsthidden layer, 5neuronsinthe second hiddenlayer, the activation function of the first and second hidden layer are sigmoid bipolar, the activation function of the output layer is linear, and0.01 oflearningrate, with148,013 ofiterations, and error rate of 1x10-5.
BAB 1
PENDAHULUAN
1.1Latar Belakang
Otak manusia merupakan pusat kecerdasan dan pengendali aktivitas manusia yang
memiliki kemampuan luar biasa. Otak mempunyai struktur yang menakjubkan karena
kemampuannya membentuk sendiri aturan-aturan atau pola berdasarkan pengalaman
yang diterima [14].
Jaringan saraf tiruan merupakan salah satu sistem pemrosesan informasi yang
didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu
masalah dengan melakukan proses belajar melalui perubahan bobot sinapsisnya.
Jaringan saraf mampu mengenali kegiatan dengan berbasis pada data masa lalu. Data
masa lalu akan dipelajari oleh jaringan saraf tiruan sehingga mempunyai kemampuan
untuk memberi keputusan terhadap data yang belum pernah dipelajari [15].
Jaringan saraf tiruan juga dikenal sebagai kotak hitam (black box technology)
atau tidak transparan (opaque) karena tidak dapat menerangkan bagaimana suatu hasil
didapatkan. Hal inilah yang membuat jaringan saraf tiruan mampu digunakan untuk
menyelesaikan persoalan yang tidak terstruktur dan sulit didefinisikan. Kenyataan
inilah yang menyebabkan jaringan saraf tiruan telah meluas dipakai sebagai alat bantu
memecahkan masalah pada berbagai bidang dan disiplin ilmu [3].
Backpropagation merupakan salah satu metode pembelajaran jaringan syaraf
ditetapkan untuk menghitung error jaringan kemudian merambatkan error tersebut
kelapisan sebelumnya untuk mendapatkan koreksi bobot yang akan menghasilkan
output yang diharapkan.
Tanaman karet (Hevea brasiliensis) merupakan tanaman yang berasal dari
Brazil. Tanaman ini merupakan sumber utama bahan karet alam dunia. Karet alam
merupakan salah satu komoditas pertanian yang penting untuk Indonesia dan lingkup
internasional. Di Indonesia, karet merupakan salah satu hasil pertanian yang banyak
menunjang perekonomian negara. Karet dapat diolah menjadi aneka jenis barang yang
sangat luas [11] seperti ban, sepatu karet, sabuk pengangkut, kabel, pembungkus
logam, dan benang karet. Hasil devisa yang diperoleh dari karet cukup besar.
Dalam susunan taksonomi tanaman karet (Hevea brasiliensis) berasal dari
genus Hevea dan spesies Hevea brasiliensis. Produktivitas tanaman karet dipengaruhi
oleh faktor kondisi lingkungan yang disebut faktor-faktor produksi alami seperti letak
daerah terhadap lintang, besarnya curah hujan, suhu harian rata-rata, ketinggian
tempat dari permukaan laut, intensitas sinar matahari, derajat keasaman tanah,
topografi tanah, dan kemiringan atau turun naiknya lahan [10]. Sedangkan
faktor-faktor yang dapat mengganggu tumbuh kembangnya tanaman karet adalah hama,
penyakit, dan gulma.
Penyakit yang menyerang tanaman karet sangat merugikan petani karet karena
mengganggu tumbuh kembangnya tanaman karet sehingga dapat mengakibatkan
penurunan jumlah produksi lateks bahkan dalam beberapa kasus dapat mengakibatkan
tanaman karet mati. Oleh karena itu, petani karet harus selalu melakukan pemeriksaan
tanaman untuk mendeteksi ada tidaknya penyakit pada tanaman karet. Hal ini
bertujuan agar petani dapat melakukan tindakan pencegahan dan pengendalian untuk
Dengan kemampuan jaringan syaraf tiruan yang menirukan kemampuan otak
manusia dalam mengolah pola-pola inputan yang diberikan untuk menghasilkan
keluaran atau kesimpulan yang ditarik berdasarkan pengalamannya selama proses
pembelajaran, jaringan syaraf tiruan dapat digunakan sebagai alat bantu untuk
mendeteksi penyakit tanaman karet.
Mencermati hal-hal di atas, penulis terdorong untuk mengangkat judul
Implementasi Algoritma Backpropagation Jaringan Syaraf Tiruan Untuk Mendeteksi
Penyakit Tanaman Karet (Hevea brasiliensis), yang diharapkan dapat membantu
petani karet untuk mendeteksi penyakit tanaman karet (Hevea brasiliensis).
1.2Perumusan Masalah
Permasalahan yang akan dibahas dalam penelitian ini adalah bagaimana membantu
petani karet mendeteksi penyakit pada tanaman karet (Hevea brasiliensis) dengan
merancang aplikasi komputer yang menerapkan algoritma backpropagation jaringan
syaraf tiruan sebagai alat bantu untuk mendeteksi penyakit tanaman karet (Hevea
brasiliensis).
1.3Batasan Masalah
Batasan masalah yang menjadi acuan dalam pengerjaan skripsi ini adalah:
1. Perancangan aplikasi untuk mendeteksi penyakit tanaman karet (Hevea
brasiliensis) pada 4 bagian tanaman yang berbeda yaitu akar, batang, bidang sadap,
2. Input dari aplikasi merupakan gejala dari masing-masing penyakit. Input dan
output dari tiap bagian tanaman yang dideteksi:
a. Akar
Input, terdiri dari 7 variabel yaitu ada tidaknya miselium (benang-benang jamur)
berwarna putih pada akar, daun berwarna hijau pucat/kuning pucat, daun
berguguran, akar tanaman busuk, bunga/buah/daun muda muncul lebih awal dari
waktunya, tepi/ujung daun terlipat/menggulung, dan ujung ranting
mati/kering.Output: Akar sehat, Akar sakit, atau Akar terserang penyakit Akar
putih.
b. Batang
Input terdiri dari 7 variabel yaitu ada tidaknya miselium (benang-benang jamur)
putih/kerak berwarna merah jambu pada batang/pangkal/bagian atas
percabangan, kulit mengeluarkan lateks berwarna cokelat/cokelat kehitaman,
kulit membusuk, bagian kayu di bawah kulit menghitam/rusak, terdapat
garis-garis hitam pada kulit, kulit kering dan pecah-pecah, dan kulit berwarna hitam.
Output: Batang sehat, Batang sakit, atau Batang terserang penyakit Jamur upas.
c. Bidang Sadap
Input terdiri dari 7 variabel yaitu ada tidaknya selaput tipis (lapisan jamur)
berwarna putih/kelabu dekat alur sadap, kulit pulihan di atas bidang sadap
bebercak hitam/putih, terdapat luka-luka/pecah-pecah pada kulit, kulit dekat
bidang sadap berwarna hitam kecokelatan, kulit membusuk, terdapat cekungan
hitam sejajar alur sadap, dan terdapat garis berwarna hitam pada kulit.
Output: Bidang sadap sehat, Bidang sadap sakit, atau Bidang sadap terserang
penyakit Mouldy rot.
d. Daun
Input terdiri dari 7 variabel yaitu ada tidaknya bercak-bercak putih/kuning
seperti tepung halus di bawah permukaan daun, daun bebercak cokelat/hitam,
tunas mengeriput agak berlendir, daun muda berguguran, bunga berguguran,
daun muda lemas/keriput, dan daun muda berwarna hitam.
Ouput: Daun Sehat, Daun Sakit, atau Daun terserang penyakit Embun tepung
(Oidium heveae).
4. Pembuatan aplikasi menggunakan 1 lapisan input, 2 lapisan tersembunyi, dan 1
lapisan output.
5. Fungsi aktivasi yang digunakan pada lapisan tersembunyi ke-1 dan lapisan
tersembunyi ke-2adalah sigmoid bipolar dan pada lapisan output digunakan fungsi
aktivasi linear.
6. Maximum epoch yang digunakan dalam pelatihan jaringan adalah 500.000 epoch.
7. Pembuatanaplikasi pada penelitian ini menggunakan Matlab R2007b.
1.4Tujuan Penelitian
Tujuan penelitian ini adalah membuat suatu aplikasi yang dapat dipergunakan sebagai
alat bantu untuk mendeteksi penyakit tanaman karet (Hevea brasiliensis) yang terjadi
di lapangan.
1.5Manfaat Penelitian
Manfaat dari penelitian ini adalah:
1. Membantu pengelola perkebunan dan petani karetmendeteksi penyakit tanaman
karet (Hevea brasiliensis) yang terjadi di lapangan dengan melihat
gejala-gejalanya.
2. Membantu peneliti dan mahasiswa untuk mengerti dan memahami algoritma
1.6 Metode Penelitian
Tahap-tahap yang dilakukan dalam penelitian ini adalah:
1. Studi Literatur
Pada tahap ini dilakukan studi pustaka dengan membaca buku-buku, hasil-hasil
penelitian ilmiah, jurnal-jurnal ilmiah, maupun artikel-artikel yang relevan dengan
penelitian.
2. Observasi dan Pengumpulan Data
Tahap observasi dan pengumpulan data dilakukan bersamaan yaitu melakukan
pengamatan pada objek penelitian bersamaan dengan pengumpulan data dengan
wawancara pada pakar di lapangan untuk mengetahui bagaimana mendeteksi gejala
awal penyakit tanaman karet.
3. Analisis data
Pada tahap ini dilakukan dengan melakukan analisis terhadap kriteria-kriteria tiap
variabel sebagai indikator penentu penyakit tanaman karet.
4. Perancangan Aplikasi
Pada tahap ini dilakukan perancangan aplikasi dengan membuat flowchart
program,Data Flow Diagram (DFD), struktur sistem, dan antarmuka aplikasi.
5. Implementasi Aplikasi
Pada tahap ini dilakukan penerapan rancangan aplikasi yang ada dalam
suatuprogram.
6. Pengujian Aplikasi
Pada tahap ini dilakukan pengujian aplikasi yang telah dibuat untuk mengetahui
ada atau tidaknya kesalahan dan memperbaiki kesalahan yang ada.
7. Penyusunan Laporan
Pada tahap ini dilakukan penyusunan laporan skripsi sebagai dokumentasi
1.7Sistematika Penulisan
Sistematika penulisan skripsi ini terdiri dari lima bab, yaitu sebagai berikut:
BAB 1 : PENDAHULUAN
Bab ini berisi penjelasan mengenai latar belakang pemilihan judul, perumusan
masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian,
dan sistematika penelitian.
BAB 2 : LANDASAN TEORI
Bab ini berisi teori-teori mengenai jaringan syaraf tiruan dan algoritma
backpropagation yang berkaitan dengan implementasi algoritma backpropagation
jaringan syaraf tiruanuntuk mendeteksi penyakit tanaman karet (Hevea brasiliensis).
BAB 3 : ANALISIS DAN PERANCANGAN
Bab ini berisi analisis dan perancangan sistem untuk mendeteksi penyakit tanaman
karet (Hevea brasiliensis). Pada bagian analisis sistem berisi uraian mengenai analisis
input dan output dan analisis jaringan backpropagation. Pada bagian perancangan
sistem berisi tentang perancanganflowchart, Data Flow Diagram (DFD), struktur
sistem, dan antarmuka sistem.
BAB 4 : IMPLEMENTASI DAN PENGUJIAN SISTEM
Bab ini membahas bagaimana mengimplementasikan sistem yang telah dirancang ke
dalam bahasa pemrograman Matlab R2007b kemudian dilanjutkan dengan pengujian
sistem yang telah dibangun.
BAB 5 : KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan yang diperoleh dari uraian bab-bab sebelumnya dan
BAB 2
LANDASAN TEORI
2.1 Jaringan Syaraf Tiruan
Jaringan saraf tiruan bisa dibayangkan seperti otak buatan di dalam cerita-cerita fiksi
ilmiah. Otak buatan ini dapat berpikir seperti manusia, dan juga sepandai manusia
dalam menyimpulkan sesuatu dari potongan-potongan informasi yang diterima.
Khayalan manusia tersebut mendorong para peneliti untuk mewujudkannya.
Komputer diusahakan agar bisa berpikir sama seperti cara berpikir manusia. Caranya
adalah dengan melakukan aktivitas-aktivitas yang terjadi di dalam sebuah jaringan
saraf biologis [13].
Jaringan saraf biologis merupakan kumpulan sel-sel saraf (neuron). Neuron
mempunyai tugas mengolah informasi yang bekerja berdasarkan impuls/sinyal yang
diberikan pada neuron. Komponen-komponen utama neuron dikelompokkan menjadi
tiga yaitu dendrit bertugas menerima informasi, badan sel (soma) berfungsi sebagai
tempat pengolahan informasi, dan akson (neurit) berfungsi mengirimkan
impuls-impluls ke sel saraf lainnya. Impuls dikirimkan melalui sinapsis-sinapsis. Sinapsis
merupakan koneksi antara neuron yang satu dengan neuron lainnya.
Pengembangan jaringansaraf tiruanpada awalnyatermotivasi
olehpenelitiansistem sarafbiologisyangterdiri darijaringanneuron-neuron yang saling
2.1.1 Pengertian Jaringan Syaraf Tiruan
Jaringan syaraf tiruan (JST) adalah sistem pemroses informasi yang memiliki
karakteristik mirip dengan jaringan syaraf biologi [15]. Menurut Kusumadewi
[7],jaringan saraf tiruanadalah salah satu representasi buatan dari otak manusia yang
selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia
tersebut.
JST merupakan suatu model kecerdasan yang diilhami dari struktur otak
manusia dan kemudian diimplementasikan menggunakan program komputer yang
mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran
berlangsung [2].
Jaringan syaraf tiruan akan mentransformasikan informasi dalam bentuk bobot
dari satu neuron ke neuron yang lainnya, informasi tersebut akan diproses oleh suatu
fungsi perambatan dan semua bobot input/masukan yang datang dijumlahkan
kemudian dibandingkan dengan suatu nilai ambang tertentu melalui fungsi aktivasi
setiap neuron. Bila nilai melampaui nilai ambang maka neuron akan diaktifkan dan
informasi keluaran diteruskan ke neuron yang tersambung dengannya [8].
2.1.2 Komponen Jaringan Syaraf Tiruan
Dalam meniru sistem jaringan biologis maka sistem jaringan saraf tiruan memiliki 3
karakteristik utama, yaitu:
1. Arsitektur jaringan: merupakan pola keterhubungan antara neuron.
Keterhubungan neuron-neuron inilah yang membentuk suatu jaringan.
2. Algoritma jaringan: merupakan metode untuk menentukan bobot hubungan.
3. Fungsi aktivasi: merupakan fungsi untuk menentukan nilai keluaran
Seperti halnya otak manusia, jaringan syaraf tiruan juga terdiri dari beberapa
neuron [7]. Neuron adalah unit pemrosesan informasi yang menjadi dasar dalam
pengoperasian jaringan syaraf tiruan [15]. Neuron terdiri dari tiga elemen pembentuk:
1. Himpunan unit-unit yang dihubungkan dengan jalur koneksi. Jalur-jalur
tersebut memiliki bobot/kekuatan yang berbeda-beda. Bobot yang bernilai
positif akan memperkuat sinyal dan yang bernilai negatif akan
memperlemah sinyal yang dibawanya.
2. Suatu unit penjumlahan yang akan menjumlahkan input-input sinyal yang
sudah dikalikan dengan bobotnya.
3. Fungsi aktivasi yang akan menentukan apakah sinyal dari input neuron akan
diteruskan ke neuron lain atau tidak.
Neuron buatan (artificial neuron) dirancang untuk menirukan karakteristik
neuron biologis [2].
Gambar 2.1 Neuron buatan sederhana
Keterangan:
x1, x2, ..., xn = input berupa sinyal yang masuk kedalam sinapsis neuron
wk1, wk2, ... , wkn = bobot penghubung sinapsis yang menyimpan pola pembelajaran
�
Bobot sinapsis
Fungsi Penjumlahan
uk
Input
. . .
xn
x1
x2
. . .
wk1
wk2
∑ = blok penjumlahan
uk = output
Dari gambar 2.1 terlihat serangkaian input yang dilakukan pada suatu neuron
buatan. Setiap sinyal dikalikan dengan bobot (weight), sebelum masuk ke blok
penjumlahan yang kurang lebih bersesuaian dengan badan sel syaraf biologis, fungsi
ini menjumlahkan semua input terboboti (perkalian semua input dengan bobotnya)
secara aljabar dan menghasilkan sebuah output (keluaran). Dalam unit keluaran,
variabel x dimasukkan ke dalam suatu fungsi f tertentu untuk menghasilkan keluaran
akhir.
Gambar 2.2 Struktur neuron jaringan syaraf tiruan
Keterangan:
∑ = fungsi penjumlahan
Jaringan syaraf tiruan terdiri dari neuron-neuron, dan ada hubungan antara
neuron-neuron tersebut. Neuron-neuron tersebut akan mentransformasikan informasi
yang diterima melalui sambungan keluar menuju neuron-neuron yang lain. Pada
jaringan syaraf, hubungan ini dikenal dengan nama bobot. Informasi tersebut disimpan
pada suatu nilai tertentu pada bobot tersebut. Informasi (disebut dengan input) akan
dikirimkan ke neuron dengan bobot kedatangan tertentu. Input ini akan diproses oleh
suatu fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot yang bobot Output ke
neuro-neuron
yang lain bobot
Input dari neuro-neuron
yang lain
�
Fungsi aktivasi
datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan suatu nilai
ambang (threshold) tertentu melalui fungsi aktivasi setiap neuron. Apabila input
tersebut melewati suatu nilai ambang tertentu, maka neuron tersebut akan diaktifkan,
tapi kalau tidak, maka neuron tersebut tidak akan diaktifkan. Apabila neuron tersebut
diaktifkan, maka neuron tersebut akan mengirimkan output melalui bobot-bobot
outputnya ke semua neuron yang berhubungan dengannya. Demikian seterusnya.
Pada jaringan syaraf, neuron-neuron akan dikumpulkan dalam lapisan-lapisan
(layer) yang disebut dengan lapisan neuron (neuron layers). Biasanya neuron-neuron
pada satu lapisan akan dihubungkan dengan lapisan-lapisan sebelum dan sesudahnya
(kecuali lapisan input dan lapisan output). Informasi yang diberikan pada jaringan
syaraf akan dirambatkan lapisan ke lapisan, mulai dari lapisan input sampai ke lapisan
output melalui lapisan yang lainnya, yang sering dikenal dengan nama lapisan
tersembunyi (hidden layer). Tergantung pada algoritma pembelajarannya [6].
Jaringan saraf tiruan bekerja berdasarkan asumsi awal yang diberikan sebagai
titik tolak pembanding pada proses selanjutnya. Proses belajar pada jaringan saraf
tiruan ditunjukkan dengan perubahan bobot penghubung antar-sel jaringan saraf [4].
Ciri utama yang dimiliki oleh jaringan saraf tiruan adalah kemampuannya
untuk belajar. Belajar (learning) pada JST dapat diartikan sebagai proses penyesuaian
parameter pembobot karena keluaran yang diinginkan tergantung pada harga
pembobot interkoneksi yang dimiliki oleh sel. Proses belajar akan dihentikan jika nilai
kesalahan atau error sudah dianggap cukup kecil untuk semua pasangan data latihan.
Jaringan yang sedang melakukan proses belajar disebut berada dalam tahap latihan
(training) [17].
Kemampuan JST untuk belajar dan memperbaiki dirinya telah menghasilkan
banyak algoritma atau aturan belajar alternatif yang dapat digunakan, dari sekian
banyak aturan yang ada, yang paling sering digunakan adalah aturan belajar
backpropagation yang termasuk kategori supervised learning yang dapat digunakan
2.1.3 Manfaat dan Aplikasi Jaringan Syaraf Tiruan
Dengan tingkat kemampuan yang sangat baik, beberapa aplikasi jaringan saraf tiruan
sangat cocok untuk diterapkan pada:
1. Klasifikasi, memilih suatu input data ke dalam satu kategori tertentu yang
ditetapkan
2. Asosiasi, menggambarkan suatu objek secara keseluruhan hanya dengan
sebuah bagian dari objek lain
3. Self organizing, kemampuan untuk mengolah data-data input tanpa harus
memiliki data sebagai target
4. Optimasi, menemukan suatu jawaban atau solusi yang paling baik sehingga
seringkali dengan meminimalisasikan suatu fungsi biaya (optimizer)
Berikut ini beberapa aplikasi jaringan syaraf tiruan [14]:
1. Detektor virus komputer
Jaringan saraf tiruan digunakan untuk mendeteksi dan mengoreksi virus
komputer. Contohnya, program anti virus IBM yang selain mendeteksi juga
mengeradikasi virus-virus baru secara otomatis. Virus baru yang ditemukan
kemudian digunakan sebagai set pelatihan untuk versi antivirus berikutnya yang
jauh lebih cerdas. Jaringan saraf yang digunakan adalah propagasi balik.
2. Pendeteksian kanker kulit
Jaringan saraf tiruan digunakan untuk mendiagnosis malignant melanoma.
3. Pengidentifikasian pola-pola data pasar saham
Jaringan saraf digunakan untuk memproses informasi dari basis data yang besar
untuk mencari pola dan kecenderungan. Hasil pengolahan ini digunakan dalam
keputusan investasi.
4. Pendeteksi bom
Jaringan saraf tiruan dilatih untuk mengenali bentuk-bentuk bom dalam
tampilan sinyal-sinyal spektrograf yang mengindikasikan muatan nitrogen tinggi
5. Pengontrol gerakan dan penglihatan robot
Jaringan saraf tiruan digunakan untuk koordinasi mata-tangan robot memegang
objek melalui pelatihan robot.
6. Pendukung pengolahan bahasa alami
Pada pengenalan suara, jaringan saraf tiruan melalui pelatihan menyimpan
informasi-informasi bagian-bagian pembicaraan untuk nantinya dicocokkan
secara cepat dengan pola-pola input.
7. Pendukung Decision Support System (DSS)
Optimasi: jaringan saraf tiruan dapat digunakan untuk menentukan solusi
optimal dari masalah-masalah yang melibatkan banyak parameter, misalnya
masalah TSP (Traveling Salesperson Problem). Alokasi sumber daya: alokasi
ditentukan berdasarkan data historis. Sistem hibrid: sistem yang melakukan
analisis statistikal standar pada kumpulan data yang telah diseleksi oleh jaringan
saraf tiruan. Basis data cerdas (intelligent databases): tujuan dari basis data
cerdas adalah untuk menangani informasi dan pembuatan keputusan dengan cara
yang lebih mirip manusia. Jaringan saraf berperan penting dalam penemuan
pola-pola data, menemukan pendekatan yang cocok, dan perkiraan terbaik.
2.1.4 Arsitektur Jaringan Syaraf Tiruan
Penyusunan neuron pada lapisan-lapisan dan pola koneksinya dalam dan antarlapisan
disebut arsitektur jaringan [9]. Dalam menentukan jumlah dari lapisan, unit input tidak
terhitung sebagai lapisan karena unit tersebut tidak melakukan proses komputasi. Atau
bisa dikatakan bahwa jumlah lapisan pada jaringan ditentukan berdasarkan lapisan
yang berisikan bobot antar koneksi dari kumpulan neuron-neuron.
Beberapa arsitektur jaringan syaraf tiruan, yaitu:
1. Jaringan dengan lapisan tunggal (single layer network)
bobot-akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi.
Pada Gambar 2.3, neuron-neuron pada lapisan input terhubung langsung dengan
neuron-neuron pada lapisan output.
Gambar 2.3 Arsitektur jaringan syaraf tiruan dengan lapisan tunggal
Keterangan:
X1, Xi,..., Xn = neuron-neuron pada lapisan input
Y1, Yj,..., Ym = neuron-neuron pada lapisan output
w11,..., wnm = bobot dari lapisan input ke lapisan output
2. Jaringan dengan banyak lapisan (multilayer network)
Jaringan dengan banyak lapisan memiliki satu atau lebih lapisan yang terletak di
antara lapisan input dan lapisan output. Lapisan tersebut disebut lapisan
tersembunyi (hidden layer). Jaringan dengan banyak lapisan ini dapat
menyelesaikan permasalahan yang lebih sulit daripada lapisan dengan lapisan
W1m W11
Wi1
Wn1
W1j
Wij
Wnj
Wim
Wnm
X1
Xi
Xn
Y1
Yj
tunggal, tentu saja dengan pembelajaran yang lebih rumit. Namun demikian,
pada banyak kasus, pembelajaran pada jaringan dengan banyak lapisan ini lebih
sukses dalam menyelesaikan masalah.
Gambar 2.4 Arsitektur jaringan syaraf tiruan dengan banyak lapisan
Keterangan:
X1, Xi,..., Xn = neuron-neuron pada lapisan input
Z1, Zj,..., Zp = neuron-neuron pada lapisan tersembunyi
Y1, Yk,..., Ym = neuron-neuron pada lapisan output
v11,..., vnp = bobot dari lapisan input ke lapisan tersembunyi
w11,..., wpm = bobot dari lapisan tersembunyi ke lapisan output
3. Jaringan dengan lapisan kompetitif (competitive layer network)
Hubungan antarneuron pada lapisan kompetitif ini tidak diperlihatkan pada
diagram arsitektur seperti jaringan yang lain. Pada jaringan kompetitif neuron
saling berkompetisi sehingga hanya satu diantaranya yang aktif, prinsip ini
disebut winner-takes-all atau yang menanglah yang mengambil bagiannya.
Gambar 2.5 Arsitektur jaringan syaraf tiruan dengan lapisan kompetitif
Keterangan:
A1, Ai,Aj, Am = neuron-neuron
-� = bobot antara neuron yang satu dengan neuron yang lainnya 1 = bobot pada neuron ke neuron itu sendiri
2.1.5 Fungsi Aktivasi Jaringan Syaraf Tiruan
Dalam jaringan syaraf tiruan, fungsi aktivasi dipakai untuk menentukan keluaran
suatu neuron. Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan
syaraf tiruan, antara lain:
1. Fungsi Undak Biner (Hard Limit)
Jaringan dengan lapisan tunggal sering menggunakan fungsi undak (step
function) untuk mengkonversikan input dari suatu variabel yang bernilai kontinu
ke suatu output biner (0 atau 1). A1
1
Am
1
Aj Ai
-ɛ -ɛ
-ɛ
-ɛ
1 1
-ɛ
Fungsi undak biner (hard limit) dirumuskan sebagai:
Gambar 2.6 Fungsi aktivasi: Undak Biner (hard limit)
2. Fungsi Undak Biner (Threshold)
Fungsi undak biner dengan menggunakan nilai ambang sering juga disebut
dengan nama fungsi nilai ambang (threshold) atau fungsi Heaviside.
Fungsi undak biner (dengan nilai ambang �) dirumuskan sebagai:
Gambar 2.7 Fungsi aktivasi: Undak Biner (threshold)
3. Fungsi Bipolar (Symetric Hard Limit)
Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner, hanya saja 0
1 y
x
θ
y = 0, jika x<� 1, jika x≥ � y =
0, jika x≤ 0
1, jika x>0
0 1 y
Fungsi Symetric Hard Limit dirumuskan sebagai:
Gambar 2.8 Fungsi aktivasi: Bipolar (symetric hard limit)
4. Fungsi Bipolar (dengan threshold)
Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner dengan
threshold, hanya saja output yang dihasilkan berupa 1, 0 atau –1.
Fungsi bipolar (dengan nilai ambang�) dirumuskan sebagai:
Gambar 2.9 Fungsi aktivasi: Bipolar (threshold)
5. Fungsi Linear (identitas)
Fungsi linear memiliki nilai output yang sama dengan nilai inputnya. 0
1 y
x
- 1
0 1 y
x
- 1
θ
y = 0, jika x= 0 1, jika x>0
-1, jika x< 0
Fungsi linear dirumuskan sebagai:
y = x
Gambar 2.10 Fungsi aktivasi: Linear (identitas)
6. FungsiSaturating Linear
Fungsi ini akan bernilai 0 jika inputnya kurang dari –½, dan akan bernilai 1
jika inputnya lebih dari ½. Sedangkan jika nilai input terletak antara –½ dan ½,
maka outpunya akan bernilai sama dengan nilai input ditambah ½.
Fungsi saturating linear dirumuskan sebagai:
Gambar 2.11 Fungsi aktivasi: Saturating Linear 0
1 y
x
- 0,5 0,5
y = x+0,5; jika −0,5≤x≤0,5 1; jika x≥ 0,5
0; jika x≤ −0,5
0 1 y
x
- 1
7. Fungsi Symetric Saturating Linear
Fungsi ini akan bernilai -1 jika inputnya kurang dari –1, dan akan bernilai 1
jika inputnya lebih dari 1. Sedangkan jika nilai input terletak antara –1 dan 1,
maka outpunya akan bernilai sama dengan nilai inputnya.
Fungsi symetric saturating linear dirumuskan sebagai:
Gambar 2.12 Fungsi aktivasi: Symetric Saturating Linear
8. Fungsi Sigmoid Biner
Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan menggunakan
metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0
sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan syaraf
yang membutuhkan nilai output yang terletak pada interval 0 sampai 1.
Namun, fungsi ini bisa juga digunakan oleh jaringan syaraf yang nilai
outputnya 0 atau 1.
Fungsi sigmoid biner dirumuskan sebagai:
y = �(�)= 1 1+ �−�
dengan �′(�) = �(�)[1− �(�)]
y = x; jika −1≤x≤1 1; jika x≥1
-1; jika x≤ −1
1
0 1 x
y
- 1
Gambar 2.13 Fungsi aktivasi: Sigmoid Biner
9. Fungsi Sigmoid Bipolar
Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja
output dari fungsi ini memiliki range antara 1 sampai –1.
Fungsi sigmoid bipolar dirumuskan sebagai:
y = �(�)= 2
1 + �−� − 1 dengan �′(�) =[1+�(�)][1−�(�)]
2
Gambar 2.14 Fungsi aktivasi: Sigmoid Bipolar 10. Fungsi Hyperbolic Tangent
Memiliki range antara –1 sampai 1. Untuk fungsi hyperbolic tangent,
dirumuskan sebagai:
y = �(�)= �
� −�−�
�� + �−�atauy = �(�)=
1 −�−� 1 + �−�
2.1.6 Bias dan Threshold
Kadang-kadang dalam jaringan ditambahkan sebuah unit masukan yang nilainya
selalu sama dengan 1. Unit yang sedemikian disebut bias. Bias dapat dipandang
sebagai input yang nilainya sama dengan 1. Bias berfungsi mengubah nilai
thresholdmenjadi sama dengan 0 [15].
2.1.7 Pelatihan Jaringan Syaraf Tiruan
Sebelum digunakan, JST dilatih untuk mengenal fungsi pemetaan. Pelatihan
merupakan proses belajar JST yang dilakukan dengan menyesuaikan bobot
interkoneksi jaringan [10]. Proses belajar JST diklasifikasikan menjadi dua:
1. Belajar dengan pengawasan (supervised learning)
Jaringan memberikan tanggapan dengan mendapatkan target tertentu. Sebelum
jaringan mengubah sendiri bobotnya untuk mencapai target, bobot interkoneksi
diinisialisasi. Proses belajar JST dengan pengawasan adalah proses belajar
dengan memberikan latihan untuk mencapai suatu target keluaran yang
ditentukan. JST mendapatkan latihan untuk mengenal pola-pola tertentu.
Dengan memberikan target keluaran, perubahan masukan akan diadaptasi oleh
keluaran dengan mengubah bobot interkoneksinya mengikuti algoritma belajar
yang ditentukan. Set pelatihan dipilih dari fungsi keluaran maksimum setiap
keadaan parameter yang diubah. Dengan menginisialisasi bobot tiap sel, JST
akan mencari errorterkecil, sehingga bentuk fungsi keluaran mendekati target
yang diinginkan. Berdasarkan proses belajar yang dilakukan, kita perlu
memperhatikan beberapa hal dalam menyusun set pelatihan, yaitu:
1) Pemberian urutan pola yang akan diajarkan
2) Kriteria perhitungan error
4) Jumlah iterasi yang harus dilalui
5) Inisialisasi bobot dan parameter awal
Pelatihan dilakukan dengan memberikan pasangan pola-pola masukan dan
keluaran. Salah satu contoh JST yang menggunakan pembelajaran dengan
pengawasan adalah jaringan bakpropagation.
2. Belajar tanpa pengawasan (unsupervised learning)
Pada belajar tanpa pengawasan jaringan tidak mendapatkan target, sehingga JST
mengatur bobot interkoneksi sendiri. JST akan mengklasifikasikan contoh
pola-pola masukan yang tersedia ke dalam kelompok yang berbeda-beda. Menurut
[6], selama proses pembelajaran, nilai bobot disusun dalam suatu range tertentu
tergantung pada nilai input yang diberikan. Tujuan pembelajaran ini adalah
mengelompokkan unit-unit yang hampir sama dalam suatu area tertentu.
Hal yang ingin dicapai dengan melatih/mengajari jaringan saraf tiruan adalah
untuk mencapai keseimbangan antara kemampuan memorisasi dan generalisasi. Yang
dimaksud kemampuan memorisasi adalah kemampuan untuk memanggil kembali
secara sempurna sebuah pola yang telah dipelajari. Kemampuan generalisasi adalah
kemampuan jaringan saraf tiruan untuk menghasilkan respon yang bisa diterima
terhadap pola-pola input yang serupa (namun tidak identik) dengan pola-pola yang
sebelumnya telah dipelajari. Hal ini sangat bermanfaat bila pada suatu saat ke dalam
jaringan saraf tiruan itu diinputkan informasi baru yang belum pernah dipelajari, maka
jaringan saraf tiruan itu masih tetap dapat memberikan tanggapan yang baik,
memberikan keluaran yang paling mendekati [14].
2.1.8 Aturan Pembelajaran Jaringan Syaraf Tiruan
Aturan pembelajaran adalah aturan kerja secara umum dari teknik/algoritma jaringan
1. Aturan Pengkoreksian Error
Prinsip dasar dari aturan pembelajaran pengkoreksian erroradalah memodifikasi
bobot-bobot koneksi dengan menggunakan sinyal kesalahan (output
target-output aktual) untuk mengurangi kesalahan secara bertahap.
2. Aturan Pembelajaran Boltzmann
Aturan pembelajaran boltzmann juga dapat dikatakan sebagai kasus lain dari
pembelajaran pengkoreksian error. Bedanya, kesalahan (error) diukur bukan
sebagai perbedaan langsung antara output aktual dengan output yang diinginkan,
melainkan perbedaan antara korelasi output-output dari 2 buah neuron dalam
kondisi operasi clamped dan free-running. Pada clamped, neuron-neuron visibel
ditahan pada keadaan-keadaan tertentu. Pada free-running, baik neuron visibel
maupun hiddendapat beroperasi dengan bebas.
3. Aturan Hebbian
Kekuatan koneksi antara 2 buah neuron akan meningkat jika kedua neuron
memiliki tingkah laku yang sama (keduanya memiliki aktivasi positif atau
keduanya memiliki aktivasi negatif).
4. Aturan Pembelajaran Kompetitif
Unit-unit output pada aturan pembelajaran kompetitif ini harus saling bersaing
untuk beraktivasi. Jadi hanya satu unit ouput yang aktif pada satu waktu
(winner-take-all). Bobot-bobotnya diatur setelah satu node pemenang terpilih.
2.2Multilayer Perceptron
Perceptron merupakan algoritma pembelajaran yang menjadi dasar algoritma
backpropagation. Arsitektur perceptron belajar mengenali pola dengan metode
pembelajaran terbimbing [4]. Perceptron memiliki jaringan lapis tunggal [2]. Jaringan
terdiri dari beberapa unit masukan (ditambah sebuah bias), dan memiliki sebuah unit
keluaran. Fungsi aktivasi bukan merupakan fungsi biner (atau bipolar), tetapi memiliki
Gambar 2.15 Arsitektur jaringan perceptron
Keterangan:
x1, x2,..., xn = sinyal-sinyal input
w1, w2,..., wn = bobot-bobot sinapsis ∑ xw + b = fungsi penjumlahan F(y_in) = fungsi aktivasi
y = sinyal output
Arsitektur jaringan dengan banyak lapisan (multilayer) merupakan perluasan
dari arsitektur lapisan tunggal (single layer). Jaringan dengan banyak lapisan memiliki
1 atau lebih lapisan yang terletak diantara lapisan input dan lapisan output (memiliki 1
atau lebih lapisan tersembunyi) [6]. Jumlah lapisan menentukan jumlah matriks bobot
[9].
Fungsi Penjumlahan
. . .
Bobot sinapsis
w1
w 2
w n
y y_in
F(y_in)
. .
x1
x2
xn
Input
Gambar 2.16 Arsitektur jaringan lapis banyak (multilayer)
Keterangan:
X1, Xi,..., Xn = neuron-neuron pada lapisan input
Z1, Zj,..., Zp = neuron-neuron pada lapisan tersembunyi
Y1, Yk,..., Ym = neuron-neuron pada lapisan output
v11,..., vnp = bobot dari lapisan input ke lapisan tersembunyi
w11,..., wpm = bobot dari lapisan tersembunyi ke lapisan output
Perceptron multilapis adalah jaringan saraf tiruan umpan maju (feedforward
neural network) dan merupakan jaringan yang pembelajarannya terawasi sehingga ke
dalam jaringan perlu dimasukkan contoh-contoh respon untuk dikenali. Seperti halnya
teknik jaringan saraf lainnya yang memiliki jenis pembelajaran terawasi, perceptron
multilapis belajar mentransformasikan data input sedemikian rupa sehingga
menghasilkan keluaran/ respon seperti yang diingini [13].
Jaringan dengan perceptron lapis banyak dengan metode back-propogation
(Backpropogation Multi Layer Perceptron) merupakan satu jenis JST yang sering
digunakan dalam berbagai aplikasi [16].
2.3 Backpropagation
Metode backpropagation (propagasi balik) merupakan metode pembelajaran lanjut
yang dikembangkan dari aturan perceptron. Hal yang ditiru dari perceptron adalah
tahapan dalam algoritma jaringan. Metode ini terdiri dari dua tahap, yaitu tahap
feedforward yang diambil dari perceptron dan tahap backpropagationerror [13].
Arsitektur jaringan backpropagation merupakan jaringan lapis banyak (multilayer).
Backpropagation merupakan algoritma pembelajaran yang terawasi dan
biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah
bobot-bobot yang terhubung 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 [6].
Menurut Haykin [3], backpropagation adalah sebuah teknik spesifik untuk
implementasi penurunan gradien bobot pada multilayer perceptron.
Training sebuah jaringan dengan backpropagation meliputi tahap berikut:
feedforward untuk training pola input, backpropagation untuk asosiasi error, dan
2.3.1 Arsitektur Jaringan Backpropagation
Gambar 2.17 Arsitektur Jaringan Backpropagation dengan Satu Lapisan Tersembunyi
Keterangan:
X1, Xi..., Xn = unit input
Z1, Zj...,Zp = unit lapisan tersembunyi (hidden layer)
Y1, Yk...,Ym = unit output
v11,...,vnp = bobot dari lapisan input ke lapisan tersembunyi
W11,...,wpm = bobot dari lapisan tersembunyi ke lapisan output
1 = bias
v01,v0j,...,v0p = bias dari lapisan input ke lapisan tersembunyi
w01, w0k,...,w0m = bias dari lapisan tersembunyi ke lapisan output
Selama feedforward setiap unit input menerima sinyal input dan mengirimkan
sinyal tersebut ke tiap unit tersembunyi. Tiap unit tersembunyi kemudian menghitung
aktivasinya dan mengirim sinyal tersebut (zj) ke tiap unit output. Tiap unit output (Yk)
menghitung aktivasinya (yk) untuk membentuk respon dari net untuk pola input yang
diberikan.
Selama training, tiap unit output membandingkan aktivasi yang telah dihitung
yk dengan nilai target tkuntuk medeterminasi asosiasi eror untuk pola dan unit tersebut.
Berdasarkan eror ini, faktor δk(k = 1,...,m) dihitung. δkdigunakan untuk distribusi
erortersebut pada unit output Ykkembali ke semua unit pada lapisan sebelumnya
(unit-unit tersembunyi yang terhubung ke Yk). Ini juga digunakan (nantinya) untuk
meng-updatebobot-bobot diantara lapisan output dan lapisan tersembunyi. Dengan cara yang
sama, faktor δj (j = 1,...,p) dihitung untuk tiap unit tersembunyi Zj. Tidak perlu
merambatkan eror kembali ke lapisan input, tetapi δj digunakan untuk
meng-update-bobot-bobot diantara lapisan tersembunyi dan lapisan input.
Setelah semua faktor δ dideterminasi, bobot-bobot untuk semua lapisan
disesuaikan secara simultan. Penyesuaian ke bobot wjk (dari unit tersembunyi Zjke
unit ouput Yk) didasarkan pada faktor δk dan aktivasi zj dari unit tersembunyi.
Penyesuaian bobot ke vij(dari unit input Xi ke unit tersembunyi Zj) didasarkan pada
faktor δj dan aktivasi xidari unit input.
2.3.2 Fungsi Aktivasi
Dalam backpropagation, fungsi aktivasi yang dipakai harus memenuhi syarat yaitu:
kontinu, terdiferensial dengan mudah, dan merupakan fungsi yang tidak turun. Salah
satu fungsi yang memenuhi syarat tersebut sehingga sering dipakai adalah fungsi
sigmoid bipolar yang memiliki range (-1,1).
y = �(�)= 2
1 + �−� − 1
dengan �′(�) =[1+�(�)][1−�(�)] 2
Fungsi sigmoid memiliki nilai maksimum = 1. Maka untuk pola yang targetnya lebih
besar dari 1, pola masukan dan keluaran harus terlebih dahulu ditransformasi sehingga
semua polanya memiliki range yang sama seperti fungsi sigmoid yang dipakai.
Alternatif lain adalah menggunakan fungsi aktivasi sigmoid hanya pada layar yang
bukan layar keluaran. Pada layar keluaran fungsi aktivasi yang dipakai adalah fungsi
Gambar 2.18 Fungsi aktivasi sigmoid bipolar
2.3.3 Algoritma Backpropagation
Algoritma pelatihan jaringan backpropagation:
1. Langkah 0 : Inisialisasi semua bobot dengan bilangan acak kecil
2. Langkah 1 :Selama kondisi berhenti tidak terpenuhi (bernilai salah),
kerjakan langkah-langkah berikut:
a. Untuk tiap-tiap pasangan pelatihan, lakukan:
Feedforward:
1) Tiap-tiap unit input (Xi, i = 1,2,3,…,n) menerima sinyal xi dan
meneruskan sinyal tersebut ke semua unit pada lapisan yang ada
diatasnya (lapisan tersembunyi).
2) Tiap-tiap unit tersembunyi (Zj, j = 1,2,3,..,p) menjumlahkan
sinyal-sinyal input berbobot:
�_���= �0�+ ∑��=1����� ...(2.1)
dimana v0 =bias dan v = bobot.
Gunakan fungsi aktivasi untuk menghitung sinyal outputnya:
zj = �(�_���) ...(2.2)
dan kirimkan sinyal tersebut ke semua unit lapisan atasnya
(unit-unit output).
3) Tiap-tiap unit output (Yk, k=1,2,3,…,m) menjumlahkan
�_��� = �0�+ ∑��=1����� (2.3)
dimana w0 = bias dan v = bobot.
Gunakan fungsi aktivasi untuk menghitung sinyal outputnya:
yk = �(�_���) (2.4)
Dan kirimkan sinyal tersebut ke semua unit di lapisan sisanya
(unit-unit output).
b. Untuk tiap-tiap pasangan pelatihan, lakukan:
Backpropagation:
1. Tiap-tiap unit output (Yk,k = 1,2,3,…,m) menerima target pola
yang berhubungan dengan pola input pembelajaran, hitung
informasi erornya
δk = (tk – Yk) �’ (�_���) ...(2.5)
dimana t = target output.
Kemudian hitung koreksi bobot (yang nantinya akan digunakan
untuk memperoleh nilai wjk):
Δwjk = αδkzj ...(2.6)
dimana α = learning rate
Hitung juga koreksi bias (yang nantinya akan digunakan untuk
memperbaiki nilai w0k):
Δw0k = αδk...(2.7)
Kirimkanδkini ke unit-unit yang ada di lapisan bawahnya.
2. Tiap-tiap unit tersembunyi (Zj, j=1,2,3,…,p) menjumlahkandelta
inputnya (dari unit-unit yang berada pada lapisan diatasnya): �_���= ∑��=1����� ...(2.8)
Kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk
Kemudian hitung koreksi bobot (yang nantinya akan digunakan
untuk memperbaiki nilai vij):
Δvij = αδjxi ...(2.10)
Hitung juga koreksi bias (yang nantinya akan digunakan untuk
memperbaiki nilai vij)
Δv0j = αδj ...(2.11)
c. Perbaharui bobot dan biasnya:
1. Tiap-tiap unit output (Yk, k=1,2,3,…m) memperbaiki bias dan
bobotnya (j = 0,1,2,…,p):
wjk(baru) = wjk(lama) + Δwjk (bobot) ... (2.12)
w0k(baru) = w0k(lama) + Δw0k(bias)... (2.13)
2. Tiap-tiap unit tersembunyi (Zj, j=1,2,3,…p) memperbaiki bias dan
bobotnya (i = 0,1,2,…,n):
vij(baru) = vij(lama) + Δvij (bobot) ...(2.14)
v0j(baru) = v0j(lama) + Δv0j(bias) ...(2.15)
d. Tes kondisi berhenti.
Setelah algoritma pelatihan jaringan backpropagationdilakukan dan diperoleh
output yang paling mendekati target maka bobot dan bias akhir dari hasil pelatihan
disimpan kemudian dilakukan proses pengujian dengan algoritma pengujian. Pada
algoritma pengujian yang digunakan hanyalah tahap umpan maju (feedforward) saja.
Algoritma pengujian jaringan backpropagation:
0. Langkah 0: Inisialisasi bobot. Bobot ini diambil dari bobot-bobot terakhir yang
diperoleh dari algoritma pelatihan.
1. Langkah 1: untuk setiap vektor input, lakukan langkah ke-2 sampai ke-4.
2. Langkah 2: setiap unit input xi(dari unit ke-1 sampai unit ke-n pada lapisan
input; i=1,...,n) menerima sinyal input pengujian xike semua unit pada lapisan di
3. Langkah 3: Setiap unit di lapisan tersembunyi zj(dari unit ke-1 sampai unit ke-p;
i=1,...,p) menghitung sinyal outputnya dengan menerapkan fungsi aktivasi
terhadap penjumlahan sinyal-sinyal input xi. Sinyal output dari lapisan
tersembunyi kemudian dikirim ke semua unit pada lapisan di atasnya.
�_���= �0�+ ∑��=1�����
Zj = �(�_���)
4. Langkah 4: Setiap unit output yk(dari unit ke-1 sampai unit ke-m; j=1,...,p;
k=1,...,m) menghitung sinyal outputnya dengan menerapkan fungsi aktivasi
terhadap penjumlahan sinyal-sinyal input bagi lapisan ini, yaitu sinyal-sinyal
input zjdari lapisan tersembunyi.
�_��� = �0�+ ∑��=1�����
Yk = �(�_���)
5. Langkah 5:Menentukan nilai keluaran berdasarkan threshold(nilai ambang)
yang telah ditetapkan (merupakan langkah tambahan). Dalam penelitian ini
digunakan thresholddan output:
if Yk< -0,5 then Yk= -1,
elseif-0,5≤Yk≤ 0,5 then Yk= 0,
else Yk= 1
Siklus dari satu kali pola pelatihan disebut epoch. Dalam penelitian bayaknya
epochmaksimal pada jaringan bisa diatur sebagai batasan pelatihan dimana pelatihan
jaringan boleh dihentikan.
Keterangan:
1. Xi (i = 1,2,...,n) : unit input
2. xi : sinyal input
3. Zj (j = 1,2,...,p) : unit tersembunyi
4. zj : sinyal dari lapisan tersembunyi ke lapisan output
7. voj : bias dari lapisan input ke lapisan tersembunyi
8. w0k : bias dari lapisan tersembunyi ke lapisan output
9. tk :target output
10. δk : informasi error yang diperoleh pada lapisan output
yang akan dirambatkan ke lapisan tersembunyi
11. δj : informasi error yang diperoleh pada lapisan
tersembunyi
12. α : laju pemahaman(learning rate)
2.3.4 Pemilihan Bobot dan Bias Awal
Bobot awal akan mempengaruhi apakah jaringan mencapai titik minimum lokal atau
global, dan seberapa cepat konvergensinya. Bobot yang menghasilkan nilai turunan
aktivasi yang kecil sedapat mungkin dihindari karena akan menyebabkan perubahan
bobot menjadi sangat kecil. Demikian pula bobot awal tidak boleh terlalu besar karena
nilai turunan aktivasinya menjadi sangat kecil juga. Oleh karena itu dalam standar
backpropagation, bobot dan bias diisi dengan bilangan acak kecil [15].
Nguyen dan Windrow mengusulkan cara membuat inisialisasi bobot dan bias
ke unit tersembunyi sehingga menghasilkan iterasi lebih cepat.
Dimana: n = jumlah unit masukan
p = jumlah unit tersembunyi
� = faktor skala = 0.7 ���
Algoritma Nguyen Windrow untuk setiap unit tersembunyi (j = 1,...,p) adalah sebagai
berikut:
1. Inisialisasi semua bobot dengan (vji(lama)) dengan bilangan acak dalam
interval [-0.5, 0.5]
2. Hitung || vj|| = ���21+ ��22+ … + ���2
3. Bobot yang dipakai sebagai inisialisasi = vji =
4. Bias yang dipakai sebagai inisialisasi = vj0= bilangan acak antara −� dan �
2.3.5 Lapisan Tersembunyi
Hasil teoritis yang didapat menunjukkan bahwa jaringan dengan sebuah layar
tersembunyi sudah cukup bagi backpropagation untuk mengenali sembarangan
perkawanan antara masukan dan target dengan tingkat ketelitian yang ditentukan.
Akan tetapi penambahan jumlah layar tersembunyi kadangkala membuat pelatihan
lebih mudah [15].
Menurut Diyah [14], tidak ada aturan yang pasti untuk mengetahui seberapa
banyak lapisan tersembunyi yang sebenarnya diperlukan. Ada 2 ide yang bisa dipakai.
Pertama adalah dengan menerapkan jaringan yang besar kemudian memangkas yang
tidak perlu, atau sebaliknya, bergerak dari jaringan yang kecil kemudian bergerak
melakukan penambahan yang dipandang perlu.
1. Dari jaringan besar ke kecil
Arsitektur jaringan dibangun berdasarkan data, membentuk jaringan yang besar
dan kemudian memangkas node-node dan koneksi-koneksi sampai menjadi
jaringan terkecil yang bisa melakukan aplikasi.
2. Dari jaringan kecil ke besar
Dimulai dari pembangunan sebuah jaringan kecil kemudian secara bertahap
BAB 3
ANALISIS DAN PERANCANGAN
3.1 Analisis Sistem
Pada tahap ini dilakukan analisis terhadap input, output, dan jaringan yang akan
dibangun menjadi sebuah sistem yang berguna untuk mendeteksi penyakit tanaman
karet (Hevea brasiliensis).
3.1.1 Analisis Permasalahan
Pendeteksian penyakit merupakan salah satu permasalahan yang menerapkan metode
klasifikasi pola input ke dalam satu kategori output dari beberapa kategori output yang
telah ditetapkan sebelumnya.
Dalam permasalahan pendeteksian penyakit, input adalah berupa gejala dari
suatu penyakit dan output berupa pernyataan keadaan apakah objek yang dideteksi
menderita suatu penyakit atau tidak. Pendeteksian penyakit ini bertujuan untuk
menentukan apakah objek yang dideteksi menderita suatu penyakit atau tidak
3.1.2 Analisis Input dan Output
Input yang digunakan dalam sistem merupakan gejala-gejala yang tampak pada
tanaman yang akan di deteksi. Gejala-gejala tersebut akan di masukkan ke dalam
sistem berupa angka 0 dan 1. Di dalam sistem akan tersedia form yang harus diisi user
yang terdiri dari pernyataan kondisi yang terlihat pada tanaman, jika pernyataan yang
tersedia benar maka user harus mengisi kotak kosong yang tersedia dengan angka 1
dan jika pernyataan yang tersedia tidak benar maka userharus mengisi kotak kosong
dengan angka 0. Dengan demikian variabel input berupa angka 0 dan 1 merupakan
representasi dari ada tidaknya gejala-gejala penyakit yang tampak pada tanaman.
Menurut PS [12],berikut ini adalah gejala-gejala pada tanaman karet yang
terserang penyakit:
a. Akar putih:
1) pada akar tanaman tampak benang-benang jamur putih dan agak tebal
2) daun-daun tanaman menjadi pucat kuning
3) tepi ujung daun terlipat ke dalam
4) daun-daun gugur
5) ujung rantingnya mati
6) adakalanya tanaman yang sakit membentuk daun-daun muda atau bunga dan
buah pada waktu yang lebih awal
7) akar tanaman yang sakit membusuk
b. Jamur upas:
1) pada pangkal atau bagian atas percabangan tampak benang-benang putih
seperti sutera atau lapisan kerak berwarna merah/merah tua
2) bagian tanaman yang terserang akan mengeluarkan lateks berwarna cokelat
kehitaman yang meleleh di permukaan batang tanaman
3) kulit tanaman yang terserang akan membusuk
6) kulit kering dan terkelupas
7) kulit menghitam
c. Mouldy rot:
1) tampak selaput tipis berwarna putih (kelabu) pada bidang sadap di dekat alur
sadap
2) bila lapisan kelabu dikerok akan tampak bintik-bintik berwarna cokelat atau
hitam
3) kulit rusak
4) bagian yang sakit tampak berwarna hitam kecokelatan
5) kulit membusuk
6) terdapat cekungan berwarna hitam
7) kulit menghitam
d. Embun tepung (Oidium heveae):
1) dibawah permukaan daun terdapat bercak-bercak bundar berwarna putih
seperti tepung halus yang terdiri dari benang-benang hifa dan spora jamur
2) daun berbercak
3) daun keriput seperti berlendir
4) daun dan tangkainya gugur
5) bunga berguguran
6) daun muda lemas dan keriput
7) daun muda berwarna hitam
Gejala-gejala penyakit yang tampak pada tanaman digunakan sebagai variabel
input pada sistem. Terdapat masing-masing 7 variabel input untuk keempat bagian
tanaman yaitu akar, batang, bidang sadap dan daun. Dengan tiga target output yaitu -1
(sakit), 0 (sehat), dan 1 (terserang penyakit Akar putih atau Jamur Upas atau Mouldy