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.
8. Ayahanda dan Ibunda tercinta, ketiga adik saya tersayang, dan seluruh
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
Daftar Lampiran xiii
Bab 1 Pendahuluan 1
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
Bab 3 Analisis dan Perancangan 37
3.2.2 Ilustrasi Proses Perhitungan pada Jaringan Backpropagation 51
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
Hasil Pengujian Sistem
DAFTAR GAMBAR
No. Gambar
Nama Gambar Halaman
2.1
Neuron buatan sederhana
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
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
