PENENTUAN JUMLAH NEURON DALAM LAPISAN TERSEMBUNYI PADA JARINGAN SYARAF TIRUAN

(1)

PENENTUAN JUMLAH NEURON DALAM LAPISAN

TERSEMBUNYI PADA JARINGAN SYARAF TIRUAN

SKRIPSI

diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer

CHINTIA PERMATA PUTRI

1403040026

(2)

HALAMAN PERNYATAAN ORISINALITAS

Saya yang bertanda tangan di bawah ini:

Nama : Chintia Permata Putri

NIM : 1403040026

Program Studi : Teknik Informatika S1

Fakultas : Teknik dan Sains

Perguruan Tinggi : Universitas Muhammadiyah Purwokerto

Menyatakan dengan sebenar-benarnya bahwa skripsi ini adalah hasil karya saya

dan semua sumber baik yang dikutip maupun dirujuk telah saya nyatakan dengan

benar serta bukan hasil penjiplakan dari karya orang lain.

Demikian pernyataan ini saya buat dan apabila kelak dikemudian hari terbukti ada

unsur penjiplakan, saya bersedia mempertanggungjawabkan sesuai dengan

ketentuan yang berlaku.

Purwokerto, 21 April 2018 Yang membuat pernyataan

(3)

HALAMAN PERSETUJUAN

Skripsi yang diajukan oleh :

NIM : 1403040026

Judul : Penentuan Jumlah Neuron Dalam Lapisan

Tersembunyi Pada Jaringan Syaraf Tiruan

Telah diterima dan di setujui Purwokerto, 15 Mei 2018

PEMBIMBING

(4)

HALAMAN PENGESAHAN

Skripsi yang diajukan oleh :

NIM : 1403040026

Judul : Penentuan Jumlah Neuron Dalam Lapisan

Tersembunyi Pada Jaringan Syaraf Tiruan

Telah berhasil dipertahankan di hadapan Dewan Penguji dan diterima sebagai

bagian persyaratan yang diperlukan untuk memperoleh gelar Sarjana Teknik

(S.Kom.) pada Program Studi Teknik Informatika, Fakultas Teknik dan Sains,

Ditetapkan di : Purwokerto Tanggal : 15 Mei 2018

Mengetahui,

Dekan Fakultas Teknik dan Sains

(5)

HALAMAN PERSEMBAHAN

Dengan segala kerendahan hati, serta rasa syukur terhadap Allah SWT

yang telah memberikan rahmat dan nikmat-Nya, maka saya persembahkan

Laporan Tugas Akhir ini kepada :

1. (Alm) Bapak terimakasih atas limpahan kasih sayang semasa hidupnya

dan memberikan rasa rindu yang berarti.

2. Mamahku tersayang, mamah yang selalu sabar, terimakasih atas doa,

cinta, dukungan, nasihat dan kasih sayang yang tak terhingga dan selalu

memberikan yang terbaik.

3. Kakak-kakaku, Mba Shelly, Mas Tathit, Mba Yhuan, Mas Andri

terimakasih atas semangat, dukungan dan kasih sayang kalian.

4. Keponakanku Aqilla dan Tomy yang selalu menjadi penyemangat.

5. Embah Putri, dan keluarga besarku terimakasih atas doa, dukungan dan

semangat dari kalian.

6. Sahabat-sahabat ku Sonia, Nita, Amrisa, Silvi, Karlina, Ekky, dan Yosi

(6)

HALAMAN MOTTO

“Jangan berhenti untuk berikhtiar, sebab jalan dan pertolongan Allah itu banyak

(7)

KATA PENGANTAR

Puji syukur penyusun ucapkan atas kehadirat Allah SWT yang telah

melimpahkan rahmat, hidayah dan anugerah-Nya sehingga penyusun dapat

menyelesaikan penulisan Laporan Tugas Akhir dengan judul “PENENTUAN

JUMLAH NEURON DALAM LAPISAN TERSEMBUNYI” dengan baik. Tugas

Akhir ini merupakan salah satu persyaratan kurikulum untuk menyelesaikan

pendidikan sarjana pada Jurusan Teknik Informatika Fakultas Teknik dan Sains

Universitas Muhammadiyah Purwokerto.

Dalam pelaksanaan tugas akhir dan pembuatan laporan, penyusun tidak

lepas dari bantuan yang berupa fasilitas dan bimbingan secara materiil dan

spiritual. Dengan segala kerendahan hati dan rasa hormat melalui tulisan ini,

penyusun ingin mengucapkan terimakasih kepada:

1. Dr. H. Syamsuhadi Irsyad, M.H. selaku Rektor Universitas Muhammadiyah

Purwokerto.

2. Muhamad Taufiq Tamam, S.T., M.T. selaku Dekan Fakultas Teknik dan

Sains.

3. Hindayati Mustafidah, S.Si, M.Kom. Selaku dosen pembimbing Tugas Akhir

dan dosen pembimbing akademik program studi Teknik Informatika tahun

2014.

4. Segenap dosen Program Studi Teknik Informatika yang telah banyak

memberikan ilmu dan bimbingannya selama penulis masih dalam masa

(8)

5. Teman-teman Teknik Informatika angkatan 2014 yang telah memberi

dukungan.

6. Serta semua pihak yang tidak dapat disebutkan satu per satu yang telah

membantu penyusun menyelesaikan laporan ini.

Penyusun menyadari bahwa laporan ini jauh dari sempurna dan masih

banyak kekurangan mengingat keterbatasan pengalaman dan kemampuan

penyusun, oleh karena itu kritik dan saran yang membangun sangat diharapkan

penulis demi hasil yang lebih baik di masa mendatang.

Purwokerto, April 2018

(9)

DAFTAR ISI

HALAMAN JUDUL ... i

HALAMAN PERNYATAAN ORISINALITAS ... ii

HALAMAN PERSETUJUAN ... iii

HALAMAN PENGESAHAN ... iv

HALAMAN PERSEMBAHAN... v

HALAMAN MOTTO ... vi

2. Arsitektur Jaringan Syaraf Tiruan ... 5

B. ALGORITMA PEMBELAJARAN BACKPROPAGATION ... 8

C. ALGORITMA LEVENBERG-MARQUARDT ... 12

D. MEAN SQUARED ERROR(MSE) ... 14

E. MATLAB ... 15

F. SPSS ... 17

(10)

B. MANFAAT ... 19

BAB IV METODE PENELITIAN ... 20

A. JENIS PENELITIAN ... 20

B. WAKTU DAN TEMPAT PENELITIAN ... 20

C. VARIABEL YANG DITELITI ... 20

D. SUMBER DATA ... 21

E. ALAT PENELITIAN ... 21

F. ALUR PENGEMBANGAN PROGRAM... 22

G. ANALISIS DATA ... 23

BAB V HASIL DAN PEMBAHASAN ... 25

A. DATA PENELITIAN ... 25

B. ANALISIS HASIL PENELITIAN ... 25

BAB VI PENUTUP ... 32

A. KESIMPULAN ... 32

B. SARAN ... 32

(11)

DAFTAR TABEL

Tabel 1. Data Masukan Jaringan dan Target dengan Banyak Neuron = 5 ... 24

Tabel 2. Hasil Uji ANAVA Pada Neuron Hidden Layer 2 ... 24

Tabel 3. Rata – Rata Setiap Learning Rate pada Neuron Hidden Layer 2 ... 25

Tabel 12. MSE (error) terkecil berdasarkan learning rate pada setiap n neu-ron hidden layer ... 29

Tabel 13 Hasil Uji ANAVA pada Banyaknya Neuron Hidden layer ... 30

Tabel 14. Hasil Uji Duncan pada Setiap Neuron ... 30

(12)

DAFTAR GAMBAR

Gambar 1. Jaringan Syaraf Tiruan dengan Lapisan Tunggal ... 6

Gambar 2. Jaringan Syaraf Tiruan dengan Banyak Lapisan ... 7

Gambar 3. Jaringan Syaraf Tiruan dengan Kompetitif ... 7

Gambar 4. Arsitektur Jaringan Backpropagation ... 10

Gambar 5. Desain Jaringan Syaraf Tiruan dengan 5 Neuron ... 21

Gambar 6. Alur Pengembangan Program JST ... 22

Gambar 7. Desain Pengujian Statistik untuk Setiap Learning Rate ... 23

(13)

DAFTAR LAMPIRAN

Lampiran 1 Tabulasi Data ... 37

(14)

INTISARI

Algoritma pelatihan merupakan bagian terpenting dalam jaringan syaraf tiruan (JST). JST adalah model komputasi yang terinspirasi secara biologis, jaringan syaraf tiruan terdiri dari beberapa elemen pengolahan (neuron) dan ada hubungan antara neuron – neuron tersebut. Dalam JST terdapat metode pembelajaran backpropogation. Backpropagation adalah algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot – bobot yang terhubung dengan neuron yang ada pada lapisan tersembunyi. Algoritma ini dipengaruhi oleh beberapa parameter jaringan diantaranya adalah banyaknya neuron dalam lapisan input, maksimum epoh yang digunakan, besarnya laju pemahaman (learning rate), dan kesalahan yang dihasilkan (MSE). Kinerja algoritma pelatihan dikatakan optimal bisa dilihat dari

error yang dihasilkan oleh jaringan. Semakin kecil error yang dihasilkan, maka

semakin optimal kinerja dari algoritma. Pengujian yang dilakukan pada penelitian sebelumnya diperoleh bahwa algoritma pelatihan yang paling optimal berdasarkan hasil error terkecil adalah algoritma pelatihan Levenberg – Marquardt dengan rata – rata MSE 0.001 dengan tngkat pengujian α = 5%. Pada penelitian ini dilakukan analisis ketepatan banyaknya n neuron dalam lapisan tersembunyi dengan menggunakan algoritma pelatihan Levenberg – Marquardt dimana (n = 2, 4, 5, 7, 9). Parameter Jaringan yang digunakan yaitu target error 0.001, maksimum epoh = 1000. Penelitian ini menggunakan metode campuran (mixed

method) yaitu penelitian pengembangan dengan pengujian kuantitatif dan

kualitatif ( menggunakan uji statistik ANAVA). Data penelitian diambil dari data random dengan 5 neuron masukan dan 1 neuron pada lapisan keluaran. Jadi dari hasil penelitian bahwa dengan 9 neuron pada lapisan tersembunyi (hidden layer) menghasilkan error paling kecil yaitu 0.000137501 ± 0.000178355 dengan ting-kat laju (learning rate / lr) = 0.5

(15)

ABSTRACT

The training algorithm is the most important part in artificial neural net-works (ANN). ANN is a biologically realized model, a neural network consisting of several processing elements (neurons) and there is a connection between the neurons. In ANN there is a method of learning Backpropogation. Backpropaga-tion is a supervised learning algorithm that can be used by many people. The al-gorithms used by some network parameters are: neurons in the input layer, the maximum epoh which is the magnitude of the learning rate, and the resulting damage (MSE). The performance of the optimal teaching training program can be seen from errors generated by the network. The smaller the error generated, the more optimal the performance of the algorithm. Testing which was done in previ-ous research is that the most optimal training based on error result is application

of training of Levenberg - Marquardt with mean of MSE 0,001 with credit level α

= 5%. This study analyzes the accuracy of n neurons in layers using the Leven-berg - Marquardt training algorithm where (n = 2, 4, 5, 7, 9). Network Parameter which is target error 0.001, maximum epoh = 1000. This research used mixed method that is research using qualitative analysis and ANAVA. Answer of data from random data with 5 input neurons and 1 neuron at Output layer. So from the results of research with 9 neurons in the hidden layer, it gives the smallest error 0.000137501 ± 0,000178355 with the rate rate (learning rate / lr) = 0.5