IMPLEMENTASI JARINGAN SARAF TIRUAN UNTUK
MENDETEKSI PENYAKIT TEMBAKAU
(
Nicotiana tabacum
L) DENGAN METODE
BACKPROPAGATION
SKRIPSI
DEBORA NAINGGOLAN 071401038
PROGRAM STUDI S1 ILMU KOMPUTER DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA
IMPLEMENTASI JARINGAN SARAF TIRUAN UNTUK
MENDETEKSI PENYAKIT TEMBAKAU
(
Nicotiana tabacum
L) DENGAN METODE
BACKPROPAGATION
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Komputer
DEBORA NAINGGOLAN 071401038
PROGRAM STUDI S1 ILMU KOMPUTER DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : IMPLEMENTASI JARINGAN SARAF TIRUAN
UNTUK MENDETEKSI PENYAKIT TEMBAKAU
(Nicotiana tabacum L) DENGAN METODE
BACKPROPAGATION. Kategori : SKRIPSI
Nama : DEBORA NAINGGOLAN
Nomor Induk Mahasiswa : 071401038
Program Studi : SARJANA (S1) ILMU KOMPUTER
Departemen : ILMU KOMPUTER
Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN
ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA
Diluluskan di
Medan, 18 Agustus 2011
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Amer Sharef, S.Si, M.kom Dr. Poltak Sihombing, M.Kom
NIP. - NIP. 196203171991021001
Diketahui/Disetujui oleh
Program Studi S1 Ilmu Komputer Ketua,
PERNYATAAN
IMPLEMENTASI JARINGAN SARAF TIRUAN UNTUK MENDETEKSI PENYAKIT TEMBAKAU (Nicotiana tabacum L) DENGAN METODE
BACKPROPAGATION
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, 18 Agustus 2011
PENGHARGAAN
Puji dan syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa, karena penulis merasakan kasih karuniaNya yang sungguh selama mengerjakan dan menyelesaikan skripsi ini.
Skripsi ini merupakan salah satu syarat yang wajib diselesaikan guna meraih gelar Sarjana Komputer pada jurusan S1-Ilmu Komputer USU. Pada pengerjaan skripsi dengan judul Implementasi Jaringan Saraf Tiruan untuk Mendeteksi Penyakit Tembakau (Nicotiana tabacum L) dengan Metode Backpropagation dengan Matlab R2010a, penulis menyadari bahwa banyak campur tangan pihak yang turut membantu dan memotivasi dalam pengerjaannya. Dalam kesempatan ini, penulis mengucapkan terima kasih kepada:
1. Bapak Amer Sharif, S.Si, M.Kom sebagai pembimbing yang telah memberikan arahan dan motivasi kepada penulis dalam pengerjaan skripsi ini.
2. Bapak Drs. Suyanto, M.Kom dan Bapak Drs. James P Marbun, M.Kom sebagai dosen penguji yang telah memberikan panduan ringkas, padat dan profesional kepada penulis dalam penyempurnaan skripsi ini.
3. Ketua Jurusan S1-Ilmu Komputer sekaligus sebagai pembimbing Bapak Dr. Poltak Sihombing, M.Kom dan Sekretaris Ibu Maya Silvi Lydia, B.Sc, M.Sc, Dekan dan Pembantu Dekan Fakultas MIPA beserta para pegawai S1-Ilmu Komputer.
4. Ayahanda tercinta Parlindungan Nainggolan dan Ibu Minar Ventiara Purba yang telah memberikan kasih sayang penuh, motivasi dan setiap hal yang mendukung penulis sejak lahir bahkan dalam pengerjaan skripsi ini.
5. Ketiga adikku yang senantiasa menjadi inspirasi dan motivasi terbaik Daniel P Nainggolan, Dominggo Nainggolan dan Dony Wenry Nainggolan. Biarlah skripsi ini bisa menjadi motivasi bagi mereka dalam pengerjaan studi mereka.
6. Kepada Abanganda Horas Marbun, SP yang tidak henti memberi dukungan dan memotivasi, serta menjadi penopang doa.
7. Teman-teman seperjuangan mahasiswa S1-Ilmu Komputer stambuk 2007 secara khusus Alam, Dwi, Jelita, Novy, kelompok rohaniku Benhaill, Kakanda mita, Oka, Boris, Niskarto, adik-adikku Resurrexit Dominus Harmanto, Jakup, Bertua, Ales, Santo, Juni yang telah banyak memberikan dukungan dan inspirasi bagi penulis.
9. Semua pihak yang terlibat langsung ataupun tidak langsung yang tidak dapat penulis ucapkan satu per satu yang telah membantu penyelesaian skripsi ini.
Penulis menyadari bahwa dalam penyelesaian skripsi ini masih jauh dari sempurna. Untuk itu penulis sangat mengharapkan kritik dan saran yang membangun guna penyempurnaan dimasa mendatang.
Akhirnya penulis berharap semoga skripsi ini dapat bermanfaat dan menjadi berkat bagi penulis dan pembaca. Semoga Tuhan memberkati kita semua.
Medan, Agustus 2011
ABSTRAK
Jaringan saraf tiruan merupakan salah satu cabang dari kecerdasan buatan (Artificial Intelligence) yang dirancang dengan menirukan cara kerja otak manusia. Jaringan saraf tiruan mampu memprediksi dan menganalisis suatu masalah dengan proses belajar yang dilakukan melalui pengubahan bobot sinapsisnya. Penelitian ini mengembangkan jaringan saraf tiruan dalam medeteksi penyakit tembakau (Nicotiana tabacum L) yang terjadi di lapangan. Pelatihan yang digunakan menggunakan pelatihan backpropagation yang merupakan pelatihan terawasi. Gejala – gejala penyakit yang terjadi di lapangan merupakan masukan yang menjadi data input pada sistem yang terdiri dari 11 variabel. Target yang dihasilkan oleh sistem ada 2, yaitu tanaman sehat dan tanaman berpenyakit. Jaringan terdiri dari 3 lapisan, 1 lapisan masukan, 1 lapisan tersembunyi dan 1 lapisan keluaran, dimana ada 100 sel lapisan tersembunyi dan 1 sel lapisan keluaran. Dari proses pelatihan didapat hasil maksimal pada iterasi 2408, error 1x105 dan konstanta belajar 0.01.
Kata kunci: Artificial Intelligence, Jaringan Saraf Tiruan, Backpropagation,
ABSTRACT
Artificial neural network is a branch of artificial intelligence which is designed to imitate the workings of the human brain. Artificial neural networks are able to predict and analyze a problem with the process of learning through changing the weight of its synapses. This study developed a neural network for detecting diseases of tobacco (Nicotiana tabacum L) occurring in the field. Method of training used is backpropagation training, which is a form of supervised training, input data for the system are the symtomps which occur in the field which consist of 11 variables. Targets generated by the system are 2, healthy plants or diseased plants. The network consists of three layers, an input layer, one hidden layer and an output layer. There are 100 neurons in the hidden layer and one neuron in the output layer. The optimal result was obtained with 2408 iterations with an error of 1x105 and a learning rate of 0.01.
DAFTAR ISI
2.1.1 Pengertian Jaringan Saraf Tiruan 9
2.1.2 Manfaat Jaringan Saraf Tiruan 12
2.1.3 Struktur Dasar Jaringan Daraf Tiruan 15
2.1.4 Arsitektur Jaringan 17
2.2 Backpropagation 20
2.2.1 Arsitektur Jaringan Backpropagation 21
2.2.2 Algoritma 22
2.2.3 Fungsi Aktivasi 26
2.2.4 Bobot dan Bias 31
2.2.5 Lapisan Tersembunyi dan Neuron Tersembunyi 33
Bab 3 Analisis dan Perancangan Sistem
3.1 Analisis Jaringan Backpropagation 36
3.1.1 Input dan Output Jaringan 36
3.1.2 Topologi Jaringan 39
3.2 Membangun Jaringan Backpropagation 40
3.2.1 Ilustrasi dari proses backpropagation 42
3.2.2 Struktur Sistem 46
3.2.3 Spesifikasi Sistem 48
3.2.3.1 Data Flow Diagram (DFD) 48
3.2.3.2 Flowchart(Bagan Alir) 50
Bab 4 Implementasi dan Pengujian
4.1 Implementasi 54
4.1.1 Simulasi Pembelajaran 54
4.1.2 Hasil Pelatihan 60
4.2 Pengujian 63
4.2.1 Hasil Pengujian Sistem 64
4.3 Tampilan Sistem 66
4.3.1 Tampilan Depan Sistem 66
4.3.2 Tampilan Menu Utama 68
4.3.3 Form Hasil Pengujian Sistem 69
Bab 5 Kesimpulan dan Saran
5.1 Kesimpulan 71
5.2 Saran 72
Daftar pustaka 73
LAMPIRAN
LAMPIRAN A : Source Code Sistem
DAFTAR TABEL
Halaman
3.1 Variabel Inputan 38
3.2 Hasil Pelatihan 39
3.3 Penjelasan Parameter Argumen yang Diperlukan pada Newff 41
3.4 Keterangan DFD level 0 48
3.5 Keterangan DFD level 1 50
4.1 Data Pelatihan Jaringan 55
4.2 EpochPelatihan Jaringan 60
4.3 Hasil pelatihan jaringan 61
DAFTAR GAMBAR 2.5 Topologi Jaringan Lapis Backpropagation 22
2.6 Fungsi Identitas (Linear) 26
2.12 Fungsi Symetric Saturating Linear 30
2.13 Fungsi Invers Sigmoid Bipolar 30
2.14 Ilustrasi Piramida Geometris 33
3.1 Jaringan Feedfoward 40
3.2 Perhitungan maju node lapisan tersembunyi 42 3.3 Perhitungan maju node lapisan output 43 3.4 Perhitungan balik bobot lapisan tersembunyi 44 3.5 Perhitungan balik bobot lapisan masukan 45
3.6 Struktur Sistem 47
4.4 Grafik Regresi Target dan Output 59
4.5 Tampilan Menu Depan 66
4.6 Tampilan Menu Keluar 67
4.7 Tampilan Aplikasi 68
ABSTRAK
Jaringan saraf tiruan merupakan salah satu cabang dari kecerdasan buatan (Artificial Intelligence) yang dirancang dengan menirukan cara kerja otak manusia. Jaringan saraf tiruan mampu memprediksi dan menganalisis suatu masalah dengan proses belajar yang dilakukan melalui pengubahan bobot sinapsisnya. Penelitian ini mengembangkan jaringan saraf tiruan dalam medeteksi penyakit tembakau (Nicotiana tabacum L) yang terjadi di lapangan. Pelatihan yang digunakan menggunakan pelatihan backpropagation yang merupakan pelatihan terawasi. Gejala – gejala penyakit yang terjadi di lapangan merupakan masukan yang menjadi data input pada sistem yang terdiri dari 11 variabel. Target yang dihasilkan oleh sistem ada 2, yaitu tanaman sehat dan tanaman berpenyakit. Jaringan terdiri dari 3 lapisan, 1 lapisan masukan, 1 lapisan tersembunyi dan 1 lapisan keluaran, dimana ada 100 sel lapisan tersembunyi dan 1 sel lapisan keluaran. Dari proses pelatihan didapat hasil maksimal pada iterasi 2408, error 1x105 dan konstanta belajar 0.01.
Kata kunci: Artificial Intelligence, Jaringan Saraf Tiruan, Backpropagation,
ABSTRACT
Artificial neural network is a branch of artificial intelligence which is designed to imitate the workings of the human brain. Artificial neural networks are able to predict and analyze a problem with the process of learning through changing the weight of its synapses. This study developed a neural network for detecting diseases of tobacco (Nicotiana tabacum L) occurring in the field. Method of training used is backpropagation training, which is a form of supervised training, input data for the system are the symtomps which occur in the field which consist of 11 variables. Targets generated by the system are 2, healthy plants or diseased plants. The network consists of three layers, an input layer, one hidden layer and an output layer. There are 100 neurons in the hidden layer and one neuron in the output layer. The optimal result was obtained with 2408 iterations with an error of 1x105 and a learning rate of 0.01.
BAB 1
PENDAHULUAN
1.1Latar Belakang
Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang sangat luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut sinapsis. Setiap neuron bekerja meneruskan sinyal yang diterima ke neuron yang lain dalam jumlah yang sangat besar sehingga dihasilkan sebuah informasi. Dengan sistem kerja neuron tersebut, otak mampu mengerjakan banyak hal seperti mengenali pola, melakukan penghitungan dan mengklasifikasikan data [12].
Pola yang terjadi di otak dipelajari dan disimulasikan cara kerjanya ke dalam bentuk sebuah generalisasi model matematis dari pemahaman manusia (human cognition) disebut jaringan saraf tiruan yang didasarkan pada asumsi:
1. Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron. 2. Sinyal dikirimkan di antara neuron-neuron melalui penghubung-penghubung. 3. Penghubung antarneuron memiliki bobot yang akan memperkuat atau
memperlemah sinyal.
4. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan input yang diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang.
dalam menggeneralisasikan dari apa yang sudah ada sebelumnya atau yang diinputkan.
Jaringan saraf tiruan sangat diminati oleh banyak peneliti dengan alasan yang berbeda-beda. Para insinyur elektro menemukan berbagai macam aplikasi pada pemrosesan sinyal. Insinyur komputer tertarik dengan potensi hardware yang diimplementasikan pada jaringan saraf secara efektif dan aplikasinya pada bidang robotika. Sedangkan ahli ilmu komputer menemukan bahwa jaringan saraf menjanjikan solusi bagi masalah yang sulit seperti pada kecerdasan buatan dan pengenalan pola. Pada matematika aplikatif, jaringan saraf tiruan merupakan alat yang baik untuk masalah pemodelan dari hubungan antara variabel-variabel tertentu yang belum diketahui [3].
Tanaman tembakau (Nicotiana tabacum L) termasuk genus Nicotinae, serta familia Solanaceae[16]. Spesies-spesies yang mempunyai nilai ekonomis adalah
Nicotiana tabacum L dan Nicotianae rustica L dengan rincian sebagai berikut:
1. Nicotiana rustica Lmengandung kadar nikotin yang tinggi (max n = 16%) biasanya digunakan untuk membuat abstrak alkoloid (sebagai bahan baku obat dan insektisida), jenis ini banyak berkembang di Rusia dan India.
2. Nicotiana tabacum L mengandung kadar nikotin yang rendah (min n = 0,6%) jenis ini umumnya digunakan sebagai bahan baku pembuatan rokok.
Susunan taksonomi Nicotiana Tabacum Lditunjukkan sebagai berikut:
1. Famili : Solanaceae 2. Subfamili : Nicotianae 3. Genus : Nicotiana 4. Subgenus : Tabacum
melibatkan sejumlah penduduk untuk mendapatkan pekerjaan dan penghasilan. Berbagai jenis tembakau dengan berbagai kegunaannya diusahakan di Indonesia, baik oleh rakyat maupun oleh perusahaan, secara garis besar berdasarkan iklim tembakau yang diproduksi di Indonesia dapat dibagi antara lain:
1. Tembakau musim kemarau/Voor-Oogst (VO), yaitu bahan untuk membuat rokok putih dan rokok kretek.
2. Tembakau musim penghujan/Na-Oogst (NO), yaitu jenis tembakau yang dipakai untuk bahan dasar membuat cerutu maupun cigarillo, di samping itu juga ada jenis tembakau hisap dan kunyah.
Penerimaan negara dari komoditi tembakau sangat besar yaitu dari cukai dan setiap tahun terus meningkat, pada tahun 2007 sebesar 42 trilyun, tahun 2008 sebesar Rp50,2 trilyun dan tahun 2009 ditargetkan mencapai 52 trilyun, demikian juga pada periode 5 tahun terakhir devisa yang dihasilkan dari ekspor tembakau senilai US $100.627 (48.278 ton). Di samping itu komoditi tembakau juga merupakan komoditi yang kontroversial yaitu antara manfaat dan dampaknya terhadap kesehatan, sehingga dalam pengembangannya harus mengacu pada penyeimbangan supply dan demand,
peningkatan produktivitas dan mutu serta peningkatan peran kelembagaan petani.
Pada perkembangan tanaman tembakau ada dua faktor yang mempengaruhi tumbuh kembangnya tanaman tersebut, yaitu hama dan penyakit. Pengaruh kedua faktor tersebut dapat terlihat di lapangan dan dapat mempengaruhi kualitas produksi dari tembakau yang dapat merugikan petani tembakau.
1.2Perumusan Masalah
Permasalahan yang akan dibahas dalam penelitian ini adalah bagaimana cara merancang suatu aplikasi yang berfungsi sebagai alat bantu dalam mendeteksi penyakit tanaman tembakau, yang hasilnya didasarkan pada basis pengetahuan mengenai jaringan saraf tiruan khususnya dengan metode backpropagation dan mengenai tembakau sebagai objek yang diteliti, yang dikumpulkan dan didapatkan dari berbagai sumber di antaranya buku serta pengalaman salah seorang pakar dengan melakukan wawancara dan kemudian disatukan ke dalam sebuah jaringan saraf tiruan untuk diproses dengan metode backpropagation.
1.3Batasan Masalah
Batasan masalah yang menjadi acuan dalam pengerjaan skripsi ini adalah:
1. Perancangan aplikasi untuk mendeteksi penyakit tembakau (Nicotiana tabacum L) dengan menggunakan metode backpropagation.
2. Variabel yang akan diberi bobot terdiri dari 11 variabel meliputi bentuk daun, warna daun, ada tidaknya bau daun, kondisi daun, ada tidaknya bercak pada daun, ada tidaknya bintik pada daun, bentuk batang, kondisi batang, warna batang, warna akar dan kondisi akar.
3. Aplikasi hanya membahas gejala penyakit tembakau yang tampak di lapangan. 4. Output dari aplikasi hanya ada 2 yaitu tanaman sehat dan tanaman berpenyakit. 5. Pelatihan jaringan dilakukan dengan menggunakan metode backpropagation. 6. Perancangan sistem pada penelitian ini menggunakan Matlab R2010a.
1.4Tujuan Penelitian
Tujuan penelitian ini adalah membuat suatu aplikasi yang dapat dipergunakan sebagai alat bantu mendeteksi penyakit tamanan tembakau (Nicotiana tabacum L) yang terjadi di lapangan.
1.5Manfaat Penelitian
Manfaat dari penelitian ini adalah:
1. Membantu praktisi lapangan pengelola perkebunan tembakau dalam hal penegakan pendeteksian penyakit tembakau yang terjadi di lapangan.
2. Membantu petani tembakau untuk mengetahui jenis penyakit tembakau dengan melihat gejala yang dialami tanaman.
1.6Metode Penelitian
Tahapan yang dilakukan dalam penelitian ini adalah:
1. Studi Literatur
Tahapan ini dilakukan dengan mempelajari sumber-sumber atau buku-buku referensi yang berkaitan dengan skripsi ini, baik dari text book atau internet.
2. Pengumpulan Data
Pada tahapan pengumpulan data ini dilakukan wawancara pada pakar untuk mengetahui bagaimana mendeteksi gejala awal penyakit tembakau di lapangan.
3. Analisis data
Tahapan ini dilakukan dengan menganalisis batasan-batasan tiap variabel sebagai indikator penentu penyakit tanaman tembakau yang diterapkan dengan metode
4. Perancangan Perangkat Lunak
Pada tahapan ini dilakukan gambaran sistem baik berupa diagram alir, masukan, keluaran, DFD (Data Flow Diagram), antarmuka dan struktur data.
5. Implementasi Aplikasi Penentuan jenis penyakit tanaman.
Pada tahapan ini dilakukan penerapan rancangan yang dibuat dalam suatu program.
6. Pengujian Aplikasi
Pada tahapan ini dilakukan pengujian akan perangkat lunak yang telah dibuat untuk mengetahui kesalahan dan memperbaiki kesalahan yang ada serta mengukur ketepatan output dari perangkat lunak terhadap keadaaan sebenarnya.
1.7Sistematika Penulisan
Sistematika penulisan skripsi ini terdiri dari lima bagian utama sebagai berikut:
BAB 1 : PENDAHULUAN
Bab ini menjelaskan mengenai latar belakang pemilihan judul skripsi “ Implementasi Jaringan Saraf Tiruan untuk Mendeteksi Penyakit Tembakau (Nicotiana tabacum L) dengan Metode Backpropagation ”, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian, dan sistematika penulisan.
BAB 2 : LANDASAN TEORI
Bab ini membahas mengenai teori-teori yang berkaitan dengan perancangan sistem implementasi jaringan saraf tiruan untuk menentuan penyakit tembakau (Nicotiana tabacum L) dan teori lainnya yang mendukung pembuatan aplikasi.
BAB 3 : ANALISIS DAN PERANCANGAN SISTEM
analisis data sistem dan komponen sistem. Pada bagian perancangan sistem, membahas tentang perancangan variabel yang akan diberi bobot sebagai neuron yang akan diolah dalam jaringan saraf tiruan untuk penegakan penyakit tembakau (Nicotiana tabacum L) dan perancangan form yang akan diimplementasikan pada sistem.
BAB 4 : IMPLEMENTASI DAN PENGUJIAN
Bab ini membahas bagaimana mengimplementasikan aplikasi yang telah dirancang ke dalam bahasa pemprograman dan menguji aplikasi yang telah dibangun.
BAB 5 : KESIMPULAN DAN SARAN
Bab ini memuat kesimpulan dari keseluruhan uraian bab-bab sebelumnya dan
BAB 2
LANDASAN TEORI
2.1 Jaringan Saraf Tiruan (JST)
Saat ini, komputer modern dengan teknologi canggih merupakan sebuah kekuatan bagi perkembangan zaman. Meskipun demikian banyak hal yang masih tetap belum dapat diselesaikan dengan menggunakan komputer, baik karena algoritmanya yang belum diketahui ataupun walaupun algoritma penyelesaiannya sudah diketahui namun run time nya masih sangat lama. Hal inilah yang menjadi tantangan bagi para ahli untuk mendapatkan metode lain untuk memecahkan masalah ini, sehingga kegiatan manusia bahkan yang paling sederhana dapat dikerjakan secara komputasi. Cara kerja jaringan saraf manusia menjadi inspirasi untuk menyelesaikan masalah tersebut [5].
2.1.1 Pengertian Jaringan Saraf Tiruan
Jaringan saraf tiruan merupakan implementasi dari teknologi artificial intelligence. Jaringan saraf tiruan adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut [9]. Istilah buatan digunakan karena jaringan saraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. Jaringan saraf tiruan merupakan sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan saraf biologi [14]. Menurut Subiyanto [16], jaringan saraf tiruan adalah membuat model sistem komputasi yang dapat menirukan cara kerja jaringan saraf biologi.
Secara umum Haykin [4] mendefinisikan sebuah jaringan saraf tiruan adalah sebuah mesin yang dirancang untuk mempolakan cara bagaimana otak mengerjakan sebuah fungsi tertentu. Jaringan biasanya diimplementasikan dengan menggunakan komponen elektronika atau disimulasikan dalam sebuah perangkat lunak pada komputer digital. Untuk mencapai tampilan yang baik, jaringan saraf tiruan memakai interkoneksi yang sangat besar antara sel-sel komputasi yang disebut “neuron” atau “unit pemroses”. Sebagai mesin yang adaptif, sebuah jaringan saraf tiruan adalah sebuah prosessor besar terdistribusi yang paralel yang tersusun dari unit pemroses sederhana yang mempunyai kecenderungan untuk menyimpan pengalaman dan pengetahuan dan membuatnya siap untuk digunakan. Hal itu menyerupai otak dalam dua aspek:
1. Pengetahuan dibutuhkan oleh jaringan dari lingkungannya melalui proses pembelajaran.
2. Kekuatan koneksi interneuron, dikenal sebagai bobot sinapsis, digunakan untuk menyimpan pengetahuan yang dibutuhkan.
1. Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron. 2. Sinyal dilewatkan antarneuron melalui link penghubung.
3. Setiap link penghubung mempunyai sebuah bobot dimana pada jaringan saraf tertentu bobot digandakan oleh sinyal yang dipancarkan.
4. Setiap neuron menggunakan fungsi aktivasi (biasanya nonlinear) pada jaringan inputnya (penjumlahan bobot sinyal input) untuk menentukan sinyal output.
Jaringan saraf tiruan dikarakteristikkan dengan pola koneksi antarneuron yang disebut arsitektur, metode penentuan bobot pada setiap koneksinya (yang disebut
training atau learning, algoritma) dan fungsi aktivasinya [10].
Jaringan saraf terdiri dari elemen pemroses sederhana yang dinamakan neuron, unit, sel atau node. Setiap neuron terkoneksi dengan neuron yang lain masing-masing dengan bobot terhubung. Bobot merepresentasikan informasi yang digunakan oleh jaringan untuk menyelesaikan masalah. Jaringan saraf dapat diaplikasikan untuk masalah yang sangat luas, seperti penyimpanan dan pemanggilan kembali data atau pola, mengklasifikasian pola, menampilkan pemetaan secara umum dari pola input menjadi pola output, mengelompokkan pola yang sama, atau menemukan solusi untuk mengoptimisasikan masalah [12].
Setiap neuron mempunyai fungsi aktivasi atau level aktivitas, yang merupakan fungsi dari input yang telah diterima. Neuron mengirimkan aktivasinya sebagai sebuah sinyal ke beberapa neuron yang lain. Sebuah neuron hanya dapat mengirimkan sebuah sinyal dalam satu waktu, walaupun sinyalnya disebarkan pada beberapa neuron yang lain.
pasangan data latihan. Jaringan yang sedang melakukan proses belajar disebut berada dalam tahap latihan (training). Pada tahap awal pelatihan ini perlu dilakukan terlebih dahulu sebelum melakukan pengujian suatu objek [21].
Berdasarkan tingkat kemampuannya, jaringan saraf tiruan dapat diterapkan pada beberapa aplikasi yang cocok bila diterapkan pada klasifikasi pola, yakni memilih suatu input data ke dalam suatu kategori tertentu yang diterapkan. Di samping itu jaringan saraf tiruan dapat diterapkan pada prediksi dan self organizing, yakni menggambarkan suatu obyek secara keseluruhan hanya dengan mengetahui bagian dari obyek lain dan memiliki kemampuan untuk mengolah data-data tanpa harus memiliki data sebagai target. Selanjutnya jaringan saraf tiruan juga mampu diterapkan pada masalah optimasi, yakni mencari jawaban atau solusi terbaik dari suatu masalah [1].
Prosedur yang digunakan untuk menampilkan proses pembelajaran disebut algoritma pembelajaran yang fungsinya memodifikasi bobot sinapsis pada jaringan dalam sebuah cara yang teratur untuk mencapai rancangan objek yang diinginkan. Modifikasi bobot sinapsis menyediakan sebuah metode untuk merancang jaringan saraf tiruan. Seperti sebuah pendekatan yang mendekati teori linear adaptif, yang telah didirikan dan sukses diaplikasikan pada bermacam-macam bidang. Bagaimanapun, sangat mungkin bagi jaringan saraf tiruan untuk memodifikasi topologinya sendiri yang dimotivasi dengan fakta bahwa neuron pada otak manusia dapat mati dan koneksi sinapsis baru dapat bertumbuh [4].
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
2.1.2 Manfaat Jaringan Saraf Tiruan
Sangat jelas jika sebuah jaringan saraf tiruan mendapatkan kekuatan komputasinya melalui stuktur distribusi paralel yang sangat besar dan kemampuannya untuk belajar dan menggeneralisasikan data. Generalisasi merujuk pada jaringan saraf tiruan yang menghasilkan output yang sesuai walaupun input belum pernah ditemukan sebelumnya selama pembelajaran (training). Kemampuan memproses informasi yang seperti inilah yang memungkinkan jaringan saraf tiruan mampu mencari solusi atas masalah dalam skala yang besar dan sulit. Dalam prakteknya, jaringan saraf tiruan tidak dapat menyediakan solusi dengan bekerja sendiri. Jaringan saraf tiruan harus diintegrasikan ke dalam sebuah sistem yang konsisten dengan keahlian teknik, khususnya pada masalah yang kompleks [4]. Jaringan saraf tiruan menawarkan kemampuan sebagai berikut:
1. Nonlinearity. Sebuah neuron buatan bisa saja linear atau tidak linear. Jaringan saraf tiruan yang terdiri dari interkoneksi neuron yang nonlinear yang membuat jaringan saraf tersebut nonlinear. Ketidaklinearan adalah sifat yang sangat penting secara khusus jika mekanisme fisik yang berperan untuk membangkitkan sinyal input bersifat nonlinear.
2. Input-output mapping. Sebuah paradigma populer dari pembelajaran disebut
learning with a teacher (belajar dengan guru) atau supervised learning
3. Adaptivity. Neural network memiliki kemampuan untuk menyesuaikan bobot sinaptik mereka terhadap perubahan pada lingkunganya. Secara khusus, jaringan saraf dilatih untuk beroperasi pada lingkungan tertentu terlebih dalam menghadapi perubahan kecil yang terjadi dalam kondisi lingkungan operasi. Arsitektur alami jaringan saraf untuk klasifikasi pola, pemrosesan sinyal dan aplikasi kontrol, ditambah dengan kemampuan adaptif jaringan, membuatnya menjadi alat yang berguna dalam klasifikasi pola adaptif, pengolahan kemampuan adaptif dan kontrol adaptif. Secara umum, dapat dikatakan bahwa semakin adaptif kita membuat sebuah sistem memastikan bahwa sistem akan semakin stabil dan semakin kuat daya gunanya ketika sistem diperlukan untuk beroperasi di lingkungan nonstasioner. Harus ditekankan, bagaimanapun adaptivitas tidak selalu menimbulkan kekuatan, sebaliknya dapat berlawanan. Misalnya. sistem adaptif dengan konstanta waktu yang singkat cenderung untuk merespon gangguan palsu, menyebabkan penurunan drastis pada kinerja sistem.
4. Evidential Response. Dalam konteks klasifikasi pola, jaringan saraf dapat dirancang untuk memberikan informasi tidak hanya tentang pola yang khusus, tetapi juga kepercayaan (confidence) tentang keputusan yang dibuat. Informasi yang terakhir ini dapat digunakan untuk menolak pola ambigu, dengan demikian meningkatkan kinerja klasifikasi jaringan.
5. Contextual Information. Pengetahuan direpresentasikan oleh struktur dan aktivasi dari jaringan saraf. Setiap neuron dalam jaringan berpotensi dipengaruhi oleh aktivitas global semua neuron lain dalam jaringan. Akibatnya, informasi kontekstual ditangani dengan secara alami oleh jaringan saraf.
6. Fault Tolerance. Jaringan saraf yang diimplementasikan pada bentuk
yang tersimpan akan terganggu kualitasnya. Berhubungan dengan sifat distribusi informasi yang tersimpan dalam jaringan, kerusakan harus segera diperbaiki sebelum respon keseluruhan jaringan menurun secara drastis. Pada prinsipnya, sebuah jaringan saraf menunjukkan penurunan dalam kinerjanya. Ada beberapa bukti empiris untuk komputasi yang kuat, tetapi biasanya hal ini tidak terkendali. Untuk memastikan bahwa jaringan saraf toleran terhadap kesalahan, mungkin perlu untuk membuat pengukuran korektif dalam merancang algoritma yang digunakan untuk melatih jaringan.
7. VLSI Implementability. Sifat dasar dari jaringan saraf tiruan yang paralel membuatnya berpotensi untuk mengkomputasikan tugas-tugas tertentu dengan cepat. Fitur yang sama ini membuat jaringan saraf tiruan tepat pada implementasi penggunaan teknologi VLSI (very large scale integrated). Salah satu manfaat dari VLSI adalah menyediakan sebuah cara untuk mendapatkan sebuah tingkah laku yang kompleks dalam sebuah kebiasaan yang hirarki.
8. Uniformity of Analysis and Design. Pada dasarnya, jaringan saraf tiruan dikenal sebagai pemroses informasi. Dikatakan demikian sama dengan notasi yang digunakan pada semua domain yang melibatkan aplikasi jaringan saraf tiruan. Fitur ini memanifestasikan dirinya dengan cara yang berbeda:
a. Neuron, antara satu dengan yang lain, merepresentasikan sebuah bahan yang sama terhadap semua jaringan saraf tiruan.
b. Keadaan yang sama ini membuat jaringan saraf tiruan mungkin untuk berbagi teori dan algoritma pembelajaran dalam aplikasi yang berbeda. c. Jaringan modular dapat dibangun melalui integrasi tanpa hubungan pada
modul-modul.
2.1.3 Struktur Dasar Jaringan Saraf Tiruan
Out m Out
2 Out
1
Internal processing
In 1 In 1 In n
Gambar 2.1 Jaringan Feedforward
Gambar 2.1 diatas mengilustrasikan struktur jaringan saraf tiruan secara umum. Biasanya terdapat satu atau lebih masukan. Gambar di atas juga menunjukkan bahwa neuron input terkoneksi dengan neuron output melalui sebuah proses dalam “kotak”. Model jaringan yang sebenarnya menentukan sifat dari kotak ini. Susunan ini sangat umum, namun bukanlah satu-satunya. Beberapa model menghilangkan media penghubung dan langsung menghubungkan neuron input dengan neuron output.
Dalam kasus ini, seluruh beban dari jaringan diambil alih oleh proses yang dikerjakan oleh neuron output. Model yang lain memperbolehkan neuron output terkoneksi satu sama lain sabagaimana dengan lapisan sebelumnya. Hanya model lain tidak membedakan secara jelas antara neuron input dan neuron output. Jika neuron masukan telah masuk, jaringan mengolah neuron sampai kepada sebuah kesimpulan dimana neuron input telah menjadi neuron output.
pelatihan dan merepresentasikan contoh pada subset pada jaringan pada waktu yang sama. Untuk setiap contoh, kita membandingkan output yang dihasilkan jaringan dengan output yang kita harapkan untuk dihasilkan. Setelah semua subset pelatihan telah diproses, kita memperbaharui bobot yang mengkoneksikan neuron dalam jaringan. Pembaharuan ini dilakukan dengan harapan mengurangi error pada hasil jaringan.
Metode pelatihan lain adalah pelatihan tak terbimbing (unsupervised training). Sebagaimana pelatihan terbimbing, kita juga harus memasukkan contoh input. Tetapi tidak menyediakan output target untuk jaringan. Diasumsikan setiap input berasal dari kelas yang berbeda-beda, dan output jaringan adalah identifikasi dari kelas dimana input berasal. Proses dari pelatihan yaitu, menemukan fitur yang menonjol pada pelatihan dan menggunakannya untuk mengelompokkan input dalam kelas-kelas dan menemukan perbedaannya. Pelatihan tak terbimbing biasanya tidak digunakan sepopuler pelatihan terbimbing.
Dan yang ketiga adalah metode pelatihan hibrid. Gabungan antara pelatihan terbimbing dan tak terbimbing. Tak terbimbing dikarenakan output target tidak dispesifikasikan. Disebut terbimbing dikarenakan pada waktu yang bersamaan, jaringan memberikan respon pada pelatihan dimana responnya baik atau buruk.
2.1.4 Arsitektur Jaringan
Menurut Fausett [3], sering kali sangat tepat memvisualisasikan neuron sebagai lapisan. Umumnya, neuron-neuron pada lapisan yang sama berkelakuan sama. Faktor kunci untuk menentukan perilaku dari sebuah neuron adalah dengan fungsi aktivasinya dan pola koneksi dengan neuron yang lain sehingga neuron dapat mengirim dan menerima sinyal. Lebih spesifik lagi, pada banyak jaringan saraf tiruan, neuron pada sebuah lapisan bisa saja terkoneksi sepenuhnya atau tidak terkoneksi sama sekali. Jika setiap neuron pada sebuah lapisan (misalkan lapisan tersembunyi/hidden layer) terkoneksi dengan neuron pada lapisan yang lain (misalkan lapisan output) maka setiap unit tersembunyi terkoneksi dengan setiap unit output.
Penyusunan neuron pada lapisan-lapisan dan pola koneksinya dalam dan antarlapisan disebut arsitektur jaringan. Banyak jaringan memiliki lapisan input yang aktivasi dari setiap unitnya sama dengan sinyal input external. Jaringan saraf diklasifikasikan sebagai lapisan tunggal dan lapisan banyak. 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. Hal inilah yang mendasari bahwa bobot pada jaringan saraf berisikan informasi yang sangat penting.
Sebuah lapisan adalah kumpulan dari neuron-neuron yang berbagi input yang sama. Setiap neuron pada sebuah lapisan mempunyai dendrit yang berhubungan dengan axon pada neuron pada lapisan sebelumnya. Lapisan pertama sebagai lapisan input dimana neuron tidak mempunyai dendrit. Neuron tersebut hanya sebagai
1. Jaringan berlapis tunggal
Jaringan berlapis tunggal mempunyai satu lapisan bobot terkoneksi. Pada lapisan ini, unit input dapat dibedakan dengan unit output. Dimana unit input merupakan unit yang menerima sinyal dari dunia luar sedangkan unit output adalah unit dimana respon dari jaringan dapat terlihat. Pada Gambar 2.2 jelas terlihat bahwa unit input sepenuhnya terkoneksi dengan unit output, sedangkan unit input dengan masing-masing unit input tidak terkoneksi demikian juga pada antara unit output dengan unit output yang lain tidak terkoneksi.
Gambar 2.2 Topologi jaringan lapis tunggal
2. Jaringan berlapis banyak
Jaringan berlapis banyak adalah jaringan dengan satu atau lebih lapisan diantara lapisan input dan lapisan output yang biasa disebut lapisan tersembunyi (hidden layer). Jaringan berlapis banyak dapat memecahkan masalah yang lebih kompleks daripada jaringan berlapis tunggal, namun pada pelatihannya akan lebih sulit. Pada beberapa kasus, pelatihan pada jaringan ini lebih baik karena memungkinkan bagi jaringan untuk memecahkan masalah yang tidak dapat
diselesaikan jaringan berlapis tunggal karena jaringan tidak dapat dilatih untuk
Gambar 2.3 Topologi jaringan berlapis banyak
3. Jaringan dengan lapisan kompetitif
Bentuk lapisan kompetitif merupakan jaringan saraf tiruan yang sangat besar. Interkoneksi antarneuron pada lapisan ini tidak ditunjukkan pada arsitektur seperti jaringan yang lain. Prinsip dari prosesnya adalah winner-take-all atau yang menanglah yang mengambil bagiannya.
1 1
Gambar 2.4 Topologi Jaringan dengan Lapisan Kompetitif
2.2 Backpropagation
Jaringan saraf tiruan backpropagation pertama kali diperkenalkan oleh Rumelhart, Hinton dan William pada tahun 1986, kemudian Rumelhart dan Mc Clelland mengembangkannya pada tahun 1988[14]. Algoritma backpropagation untuk neural network umumnya diterapkan pada perceptron berlapis banyak (multilayer perceptrons). Perceptron paling tidak mempunyai bagian input, bagian output dan beberapa lapis yang berada di antara input dan output. Lapis di tengah ini, yang juga dikenal dengan lapis tersembunyi (hidden layers), bisa satu, dua, tiga dst. Dalam praktek, banyaknya hidden layer paling banyak adalah tiga lapis. Dengan tiga lapis ini hampir semua permasalahan dalam dunia industri telah bisa diselesaikan. Outputlapis terakhir dari hidden layer langsung dipakai sebagai outputdari neural network.
Training pada metode backpropagation melibatkan 3 tahapan: pola training
feedfoward, penghitungan error dan penyesuaian bobot. Setelah training aplikasi jaringan hanya menggunakan komputasi tahapan pertama yaitu feedfoward. Walaupun tahap training sangat lambat, namun jaringan dapat mengasilkan output dengan sangat cepat. Metode backpropagation telah divariasikan dan dikembangkan untuk meningkatkan kecepatan proses training. Walaupun satu lapisan jaringan sangat
terbatas dalam pembelajarannya, jaringan dengan lapis banyak dapat memperlajari lebih banyak lagi. Lebih dari satu lapisan tersembunyi mungkin bermanfaat untuk beberapa aplikasi, namun satu lapisan tersembunyi adalah cukup.
Metode backpropagation dapat digunakan untuk melakukan pendeteksian suatu jenis penyakit, gangguan, maupun kasus yang memiliki data masa lalu dan dengan metode backpropagation target output yang diinginkan lebih mendekati ketepatan dalam melakukan pengujian karena terjadi penyesuaian nilai bobot dan bias yang semakin baik pada proses pelatihan (Kusumadewi, 2003). Bahkan, jaringan saraf tiruan telah digunakan untuk menganalisa perilaku panas pada kultur jaringan. Pada tahun 1997, prinsip plant speaking digunakan untuk memonitor perkembangan tanaman selada di phytotron dimana jaringan saraf tiruan digunakan sebagai otak untuk mengendalikan pemberian air dan unsur hara untuk pertumbuhannya[15]. Selain itu jaringan saraf tiruan dengan metode backpropagation, juga diterapkan dalam lokalisasi target through-the-wall dengan metode time reversal music dan terbukti sangat efisien secara komputasi [21]
2.2.1 Arsitektur Jaringan Backpropagation
Y1 Yk Ym
w01 w11 wj1 wp1 w0k w1k wjk wpk w0m w1m wjm wpm
Z1 Zj Zp
X1 Xi Xn
v01 v11 vi1 vn1 v0j v1j vij vnj v0p v1p vip vnp 1
1
Gambar 2.5 Topologi Jaringan Backpropagation
Simbol-simbol yang digunakan ini tidaklah mutlak, bisa saja berganti dengan simbol-simbol yang lainnya asalkan fungsi logika yang dimaksudkannya tetap sama.
2.2.2 Algoritma
Algoritma pelatihan jaringan backpropagation: 1. Langkah 0 : Inisialisasi bobot.
2. Langkah 1 : Selama kondisi berhenti bernilai salah, kerjakan: a. Untuk masing-masing pasangan pelatihan, lakukan:
1) Masing-masing unit input (Xi, i = 1,2,3,…,n) menerima sinyal xi dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi).
2) Masing-masing unit tersembunyi (Zj, j = 1,2,3,..p) menjumlahkan sinyal-sinyal input berbobot:
Gunakan fungsi aktivasi untuk menghitung sinyal outputnya:
Zj = (Z_inj)
Kirimkan sinyal tersebut ke semua unit lapisan atasnya (unit-unit output).
3) Masing-masing unit output (Yk, k=1,2,3,…,m) menjumlah sinyal-sinyal input berbobot:
Y_ink = w0k + Zjwjk w0 = bias ; v = bobot
Gunakan fungsi aktivasi untuk menghitung sinyal outputnya:
Yk = (Y_ink)
Dan kirimkan sinyal tersebut ke semua unit di lapisan sisanya (unit-unit output).
b. Untuk masing-masing pasangan pelatihan, lakukan:
Backpropagation (perambatan mundur):
1) Masing-masing unit output (Yk,k = 1,2,3,…,m) menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasi errornya
δk = (tk – Yk) ’ (Y_ink) t = target output
Kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperoleh nilai wjk):
Δwjk = αδkZj α = learning rate
Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai w0k):
Δw0k = αδk
Kirimkan ini ke unit-unit yang ada di lapisan bawahnya.
2) Masing-masing unit tersembunyi (Zj, j=1,2,3,…,p) menjumlahkan delta inputnya (dari unit-unit yang berada pada lapisan diatasnya):
δ_inj = δkwjk
δj = δ_inj (Z_inj)
Kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai vij):
Δvij = αδkXi
Hitung koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai vij)
Δv0j = αδj c. Perbaharui bobot dan biasnya:
1) Masing-masing unit output (Yk, k=1,2,3,…m) memperbaiki bias dan bobotnya (j = 1,2,3,…p):
wjk(baru) = wjk(lama) + Δwjk (bobot)
w0k(baru) = w0k(lama) + Δw0k (bias)
2) Masing-masing unit tersembunyi (Zj, j=1,2,3,…p) memperbaiki bias dan bobotnya (l = 0,1,2,3,…n):
vij(baru) = vij(lama) + Δvij (bobot)
v0j(baru) = v0j(lama) + Δv0j (bias)
d. Tes kondisi berhenti.
Setelah algoritma pelatihan di atas dilakukan, dan didapat output yang paling mendekati target, maka bobot dan bias akhir dari pelatihan disimpan dan dilakukan proses pengujian. Algoritma pengujian jaringan backpropagation:
1. Langkah 0 : inisialisasi bobot (dari algoritma pelatihan)
2. Langkah 1 : untuk setiap vektor masukan, lakukan langkah 2-4. 3. Langkah 2 : for i=1...n: atur aktivasi unit masukan x
4. Langkah 3 : for j=1...p
Z_inj = v0j + Xivij
Zj = (Z_inj)
Y_ink = w0k +
Yk = (Y_ink)
6. Langkah 5 : jika Yk ≥ 0.5 maka Yk = 1, else Yk = 0.
Sekali pelatihan subset dengan pembaharuan bobot jaringan disebut epoch. Banyaknya contoh pada subset disebut epoch size/ukuran epoch. Beberapa peneliti menggunakan sebuah epoch bernilai satu yang berarti bobot diperbaharui setelah setiap kasus pelatihan ditampilkan. Ketika ukuran epoch lebih kecil dari seluruh pelatihan, maka subset dipilih secara acak setiap waktunya atau gangguan bisa saja terjadi. Epoch pelatihan diulang sampai hasil dari jaringan memuaskan atau sampai waktunya berakhir.
Keterangan:
1. x input pelatihan, x = (x1. . .xi. . .xn)
2. t output target, t = (t1. . .tk. . .tm)
3. δk penyesuaian bobot dari koreksi error untuk wjk yang disebabkan oleh error pada unit output Yk yang dipropagasikan kembali terhadap lapisan tersembunyi.
4. δj penyesuaian bobot dari koreksi error untuk vij yang disebabkan oleh propagasi balik dari informasi error dari lapisan output terhadap lapisan tersembunyi Zj.
5. α periode pembelajaran / learning rate.
Fungsi aktivasi pada jaringan backpropagation harus mempunyai beberapa karakteristik penting, berlanjut (continue), dapat dibedakan, dan tidak meningkat secara monoton. Demi keefisiensian komputasi, diharapkan turunan dari fungsi tersebut mudah untuk dikomputasikan. Fungsi diharapkan memenuhi pendekatan nilai maksimum dan nilai minimum.
Fungsi-fungsi aktivasi yang umum di gunakan menurut Fausett[2] adalah:
1. Fungsi Identitas
Fungsi identitas disebut juga sebagai fungsi linear. Fungsi linear memiliki nilai output yang sama dengan nilai inputnya. y = x
Gambar 2.6 Fungsi Identitas (Linear)
f x x
untuk semua harga x
Fungsi ini biasanya digunakan pada unit input untuk memberi nilai awal harga setiap
unitnya.
2. Fungsi Tangga Binary
Gambar 2.7 Fungsi Tangga Binary
Neural network berlapis tunggal sering menggunakan fungsi tangga untuk
mengkonversi unit input, di mana nilai variabelnya bersifat kontinu yang
menghasilkan nilai output bernilai biner (yaitu 1 atau 0) atau bipolar (1 atau -1).
Fungsi tangga binary ini juga dikenal sebagai fungsi threshold atau fungsi heaviside.
1
3. Fungsi Symetric Hard Limit
Berfungsi mengkonversikan input dari suatu variabel yang bernilai kontinyu ke suatu
outputberupa nilai 1,0 atau -1.
1 0
Gambar 2.8 Fungsi Symetric Hard Limit.
4. Fungsi Sigmoid Binary
Fungsi sigmoid (kurva dengan bentuk S) adalah fungsi aktivasi yang berguna. Fungsi
sigmoid yang umum adalah fungsi logistik dan fungsi tangent hyperbolic. Kedua
fungsi ini bermanfaat khususnya untuk penggunaan neural network karena hubungan
yang sederhana antara nilai fungsi pada sebuah point dan nilai dari derivatif pada
Gambar 2.9 Fungsi Sigmoid Binary.
Untuk fungsi logistik yang memiliki range 0 sampai 1, sering di gunakan
untuk menghasilkan output yang diinginkan bernilai binary atau berada pada interval
0 dan 1. Fungsi dengan range ini juga dikenal dengan binary sigmoid.
1
5. Fungsi Sigmoid Bipolar
Fungsi sigmoid bipolar adalah fungsi logistik yang memiliki range output dari -1
sampai 1.
Gambar 2.10 Fungsi Sigmoid Bipolar.
Fungsi bipolar sigmoid erat kaitannya dengan fungsi tangent hyperbolic, yang
sering juga di gunakan sebagai fungsi aktivasi ketika range output yang di inginkan
bernilai -1 sampai dengan 1.
6. Fungsi Saturating Linear
Fungsi dirumuskan sebagai berikut:
1 0
Gambar 2.11 Fungsi saturating linear.
7. Fungsi Symetric Saturating Linear
Fungsi dirumuskan sebagai berikut:
1 1
8. Fungsi Invers Sigmoid Bipolar
Fungsi merupakan invers Sigmoid Bipolar umum dipakai untuk recurrent network
misal model jaringan Hopfield (Haykin,1999).
Gambar 2.13 Fungsi Invers Sigmoid Bipolar
9. Fungsi Tangent Hyperbolic
2.2.4 Bobot dan Bias
Pemilihan bobot dan bias akan mempengaruhi apakah jaringan mencapai error
bobot terlalu kecil, input jaringan terhadap unit tersembunyi dan unit output akan mendekati nol dan menyebabkan proses pembelajaran yang sangat lambat.
Prosedur yang umum untuk menginisialisasi bobot dan bias adalah dengan membuat nilai acak dengan range -0,5 dan 0,5 atau -1 dan 1 atau interval lain yang sesuai. Nilai bobot mungkin saja positif atau negatif karena nilai akhirnya setelah pelatihan dapat berubah tanda. Modifikasi sederhana untuk inisialisasi acak dikembangkan oleh Nguyen dan Widrow.
Pada inisialisasasi Nguyen dan Widrow, modifikasi inisialisasi bobot secara acak biasanya menghasilkan pelatihan yang lebih cepat. Pendekatannya berdasarkan analisi geometris respon neuron tersembunyi terhadapt sebuah input, analisis dilanjutkan pada kasus untuk beberapa input dengan menggunakan tranfromasi fourier. Bobot dari unit tersembunyi terhadap unit output (dan bias pada unit output) diinisialisasikan dengan acak antara nilai -0.5 dan 0.5.
Inisialisasi bobor dari unit input ke unit tersembunyi dirancang untuk meningkatkan kemampuan unit tersembunyi untuk belajar diselesaikan dengan mendistribusikan bobot dan bias sehingga untuk setiap pola input berada dalam rentang dimana neuron tersembunyi akan belajar dengan cepat. Definisi yang digunakan adalah:
n jumlah unit input
p jumlah unit tersembunyi
faktor skala
= 0.7 (p)1/n = 0.7 n
Prosedur terdiri dari langkah berikut:
Inisialisasikan vektor bobot dari unit input:
vij(lama) = jumlah acak antara -0.5 dan 0.5 (atau antara – dan )
vij(lama) =
inisialisasi ulang bobot:
Set bias:
v0j = nilai acak antara – dan .
Analisis Nguyen dan Widrow didasarkan pada fungsi aktivasi
2.2.5 Lapisan Tersembunyi dan Neuron Tersembunyi
Tidak ada alasan yang teoritis yang menyatakan untuk menggunakan lebih dari dua lapisan tersembunyi. Masalah penggunaan lebih dari dua lapisan tersembunyi dapat kita temukan pada konsisi kehidupan nyata. Masalah yang sering terjadi adalah pelatihan seringkali berjalan sangat lambat ketika menggunakan lebih lapisan tersembunyi, hal ini disebabkan oleh dua efek:
1. Lapisan tambahan dimana error harus dipropagasikan kembali membuat gradient semakin tidak stabil. Keberhasilan dari algoritma optimisasi gradient terarah tergantung pada tingkat dimana gradient tidak berubah sebagaimana bobot pada jaringan saraf tiruan.
Satu lapisan tersembunyi harus menjadi pilihan pertama dalam merancang jaringan saraf tiruan. Jika dengan neuron tersembunyi yang sangat banyak tidak memuaskan dalam memecahkan masalah, kemudian menggunakan lapisan tersembunyi yang kedua dan mengurangi neuron tersembunyi menjadi solusi bagi permasalahan.
Menentukan banyaknya neuron tersembunyi merupakan hal yang sangat penting. Menggunakan neuron yang sangat sedikit akan membuat jaringan kekurangan sumber daya pada saat memecahkan masalah. Menggunakan neuron terlalau banyak akan membuat waktu pelatihan menjadi sangat lama dan akan mengakibatkan masalah yang disebut overfitting.
Salah satu cara untuk menentukan jumlah neuron tersembunyi adalah dengan aturan piramida geometris. Dimana jumlah neuron mengikuti bentuk piramida dengan menurunnya jumlah input terhadap output. Diilustrasikan pada Gambar 2.14.
Output = m
Hidden =
Input = n
Gambar 2.14 Ilustrasi Paramida Geometris
yang sangat kecil. Latih dan uji jaringan sesuai dengan tampilannya. Kemudian tingkatkan jumlahnya, latih dan uji kembali. Ulangi sampai error yang dihasilkan sangat kecil. Jika validasi mudah diperoleh, kita mungkin akan mencoba menaikkan jumlah neuron, dengan perhitungan pada validasi akan mengingatkan akan terjadinya
overfitting.
Jaringan juga bisa saja mengalami overtraining, dimana terjadi kelebihan pelatihan pada jaringan. Ada beberapa alasan mengapa kita harus membatasi pelatihan pada jaringan:
1. Hal itu memperbaiki gejala bukan penyakitnya. Mengurangi jumlah neuron pada titik dimana jaringan tidak mempunyai kapasitas untuk memperlajari hal aneh yang terjadi, atau meningkatkan ukuran dan jenis pelatihan dan penyakitnya disembuhkan.
2. Jangan melupakan bahwa pelatihan dimulai dengan inisialisasi bobot secara acak. Kita dapat menghentikan pelatihan sebelum waktunya, kita mungkin telah memperoleh apa yang ingin kita ketahui, atau mungkin saja belum.
BAB 3
ANALISIS DAN PERANCANGAN
3.1 Analisis Jaringan Backpropagation
Jaringan backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama pelatihan. Kata
backpropagation merujuk pada cara bagaimana gradien perubahan bobot dihitung. Sifat generalisasi yang dimiliki oleh jaringan backpropagation membuat pelatihan menjadi lebih efisien karena tidak perlu dilakukan pada semua data.
3.1.1 Input dan Output Jaringan
bagian dalam seperti empulur dan yang lainnya. Jika lebih 3 dari kondisi itu tidak terpenuhi maka, tembakau sudah tergolong berpenyakit.
Pada jaringan saraf tiruan, diberikan contoh pola untuk belajar, sehingga jaringan dapat mengenali pola tanpa perancang yang nyata yang mengkalkulasikan bobot yang seharusnya. Pembelajaran diulang beberapa kali untuk mendapatkan bobot yang ideal yang menjamin jaringan memberikan target yang diinginkan [8].
Kesebelas variabel tersebutlah yang akan diberi bobot pada jaringan saraf tiruan yang dibentuk dengan metode backpropagation dengan ketentuan jika kondisi peyakit sesuai dengan kondisi sehat di atas maka akan diberi target 0 dan jika diluar dari kondisi sehat diatas akan diberi target 1. Pada jaringan yang dibuat pada penelitian ini, kesebelas jaringan tersebut merupakan neuron pada lapisan pertama jaringan yang menjadi pola yang akan dilatih untuk mendapat pola yang menghasilkan bobot yang ideal.
Target jaringan adalah tanaman sehat dan tanaman berpenyakit, jika tanaman tembakau memenuhi semua kriteria pada kondisi tanaman sehat, maka neuron pada lapisan pertama mempunyai bobot 0 0 0 0 0 0 0 0 0 0 0 dengan target 0. Sedangkan jika tidak satupun kondisi tanaman sehat terpenuhi maka neuron mempunyai bobot 1 1 1 1 1 1 1 1 1 1 1 dengan target 1. Sehingga jaringan mempunyai dua target yaitu tanaman sehat (0) dan tanaman berpenyakit (1).
Varibel input diberi nilai dengan range [0,1] pemberian nilai berdasarkan tingkat pengaruh gejala terhadap penyakit, jika gejala yang terlihat sangat berpengaruh terhadap penyakit maka nilai yang diberi semakin tinggi. Pada lapisan output, ada 2 variabel yang menjadi unit keluaran yaitu: tanaman sehat dan tanaman berpenyakit.
Tabel 3.1 Variabel inputan
No Variabel-variabel Nilai dari variabel
1 Bentuk daun Lonjong = 0 Melengkung = 1 2 Warna daun Hijau = 0
Coklat = 1 3 Bau daun Tidak berbau = 0
Berbau = 1 4 Kondisi daun Tidak layu = 0
Layu = 1 5 Bercak Tidak ada = 0
Ada = 1 6 Bintik Tidak ada = 0
Ada = 1 7 Bentuk batang Tegak = 0
Berlekuk = 1 8 Kondisi batang Tidak busuk = 0
Busuk = 1 9 Warna batang Hijau = 0
Coklat = 1 10 Warna akar Coklat = 0 Hitam = 1 11 Keadaan akar Tidak busuk = 0
Busuk = 1
Target penyakit
Hasil pelatihan
0 Tanaman sehat
1 Tanaman berpenyakit
3.1.2 Topologi Jaringan
Topologi jaringan yang digunakan pada penulisan ini adalah jaringan feedforward
yang memiliki satu atau lebih lapisan tersembunyi dari sigmoid neurons yang diikuti oleh lapisan output. Lapisan ganda dari neuron dengan fungsi transfer yang tidak linear membuatkan jaringan dapat mempelajari hubungan nonlinear dan linear antara vektor input dan output. Lapisan output yang linear mengijinkan jaringan untuk menghasilkan nilai diluar antara -1 dan +1.
Jika ingin membatasi output jaringan seperti misalnya hanya nilai antara 0 dan 1, termasuk nilai pecahan 0.1; 0.25 dan seterusnya, maka fungsi transfer akan menggunakan sigmoid transfer function (seperti misalnya logsig). Pada penelitian ini
output di set antara 0 dan 1 maka fungsi aktivasi yang digunakan adalah fungsi tansig.
Gambar 3.1 Jaringan feedforward
Jaringan ini dapat digunakan sebagai fungsi penduga secara umum. Jaringan ini dapat menduga fungsi lain dengan angka yang terbatas dari sebuah kondisi yang belum diketahui dan tidak kontinu dengan baik, yang diberikan oleh neuron pada lapisan tersembunyi.
3.2 Membangun Jaringan Backpropagation
Langkah pertama pada pembelajaran suatu jaringan alur maju adalah membuat obyek jaringan. Fungsi newff merupakan suatu objek jaringan alur maju. Fungsi Newff
memerlukan empat input dan kembalian dari objek jaringan. Input pertama adalah R dengan 2 matriks nilai minimum dan maksimum untuk setiap elemen R dari vektor input. Input kedua adalah sebuah array yang mengandung ukuran (size) dari setiap lapisan. Input ketiga adalah sebuah sel array yang mengandung nama dari fungsi transfer yang digunakan pada setiap lapisan. Input terakhir adalah input yang mengandung nama dari fungsi training yang digunakan.
Perintah yang dipakai untuk membentuk sebuah jaringan backpropagation
adalah newff dengan format:
net = newff(PR[S1 S2...SN],{TF1 TF2...TFN}, BTF,BLF,PF)
Tabel 3.3 Penjelasan Parameter Argumen yang Diperlukan pada Newff
No Fungsi Keterangan
1 PR Matriks berukuran R x 2 yang berisi nilai maksimum dan minimum, dengan R adalah jumlah variabel input.
2 Si Jumlah neuron pada lapisan ke-i dengan i = 1,2,...N1. 3 TFi Fungsi aktivasi pada lapisan ke-i dengan i = 1,2,...N1
dengan fungsi default yang dipakai adalah tansig
4 BTF Fungsi pelatihan jaringan dengan fungsi default adalah trainm
5 BLF Fungsi pelatihan untuk bobot dalam jaringan dengan fungsi default adalah learngdm
7 PF Fungsi Performance, jika tidak diisi maka default = 'mse'.
Fungsi aktivasi TF harus merupakan fungsi yang dapat dideferensialkan, seperti tansig, logsig atau purelin. Fungsi pelatihan BTP dapat digunakan fungsi-fungsi pelatihan untuk backpropagation seperti trainlm, trainbfg, trainrp atau traingd. Fungsi kinerja yang digunakan merupakan fungsi kinerja yang dapat dideferensialkan seperti mse atau msereg.
dimasukkan dalam bentuk matriks.
3.2.1 Ilustrasi dari proses backpropagation
Pada penelitian ini, jaringan backpropagation yang terbentuk terdiri dari sebelas
neuron masukan yaitu x1 sampai dengan x11. Setiap neuron terkoneksi dengan neuron
pada lapisan di atas nya atau lapisan tersembunyi ditandai dengan adanya bobot
koneksi yaitu v11 sampai dengan v111, pada gambar dibawah ditandai dengan warna
kuning. Untuk menghitung sinyal output untuk node pertama z1 diadakan
penghitungan maju dari lapisan masukan ke lapisan tersembunyi dan lapisan keluaran,
dengan menjumlahkan bobot dengan bias dengan f merupakan fungsi aktivasi yang
dipakai dengan perhitungan matematis sebagai berikut:
Gambar 3.2 Perhitungan maju node lapisan tersembunyi
Demikian selanjutnya diadakan perhitungan yang sama untuk node berikutnya yaitu Z2 sampai dengan Z10 sehingga didapat sinyal output dari setiap neuron pada lapisan tersembunyi yang akan dikirim pada lapisan berikutnya atau lapisan output.
Jika setiap node telah mempunyai sinyal output dengan bobot yang didapat dari perhitungan sebelumnya, pada gambar dibawah ditandai dengan warna merah, maka akan diadakan penjumlahan bobot untuk menentukan output Y1 dari jaringan dengan perhitungan:
Gambar 3.3 Perhitungan maju node lapisan output
Yk = (Y_ink)
Dari perhitungan tersebut didapatlah Y1 yang menjadi keluaran dari jaringan. Untuk menghitung hasil output dari Y2 maka akan dikerjakan algoritma yang sama dengan penghitungan keluaran Y1. Hasil keluaran dari jaringan dibandingkan dengan target yang telah ditentukan ditandai dengan tk, untuk menghitung error yang ditandai dengan δk dari jaringan, dilakukan perhitungan sebagai berikut:
δk = (tk – Yk) ’ (Y_ink)
Jika ternyata hasil error jaringan tidak sama dengan error yang telah ditentukan, kemudian dilakukan penghitungan koreksi bobot dengan melibatkan
learning rate atau konstanta pembelajaran dimana akan digunakan untuk memperoleh nilai wjk dengan perhitungan:
Δwjk = αδkZj α = learning rate
Koreksi bias juga dihitung yang nantinya akan digunakan untuk memperbaiki nilai w0k:
Δw0k = αδk
Kemudian hasil ini dikirimkan ke unit-unit yang ada di lapisan bawahnya, disinilah terjadi propagasi balik dengan proses yang terjadi sebagai berikut:
Gambar 3.4 Perhitungan balik bobot lapisan tersembunyi
Masing-masing unit output Y1 dan Y2 memperbaiki bias dan bobotnya dengan perhitungan matematisnya adalah:
wjk(baru) = wjk(lama) + Δwjk (bobot)
w0k(baru) = w0k(lama) + Δw0k (bias)
Kemudian hitung koreksi bobot untuk lapisan masukan yang nantinya akan digunakan untuk memperbaiki nilai vij:
Δvij = αδkXi
Hitung koreksi bias yang akan digunakan untuk memperbaiki nilai vij:
Δv0j = αδj
Masing-masing unit tersembunyi Z1 sampai dengan Z10 memperbaiki bias dan bobotnya dengan perhitungan:
vij(baru) = vij(lama) + Δvij (bobot)
v0j(baru) = v0j(lama) + Δv0j (bias)
Dari hasil penghitungan bobot baru yang telah didapat dari propagasi balik, maka kembali diulang algoritma perhitungan maju sehingga didapat target yang diharapkan atau error yang lebih kecil dari yang telah ditentukan.
3.2.2 Struktur sistem
Sebelum diadakan pelatihan terhadap jaringan dan perancangan aplikasi dalam GUI, perlu dianalisis gambaran struktur dari sistem secara keseluruhan terlebih dahulu. Analisis ini diperlukan untuk memudahkan pengembangan proses perancangan yang mendetail dari aplikasi yang dibuat. Struktur yang dibuat menjadi acuan dalam menghubungkan setiap komponen yang ada dalam sistem yang sedang dibangun.
Analisis setiap struktur menu yang akan dibangun dalam aplikasi ini adalah :
1. Halaman depan
Merupakan halaman awal aplikasi yang tampil pertama kali ketika user mulai menggunakan aplikasi.
2. Mulai Aplikasi
Menu yang terdapat pada halaman depan yang mengizinkan user untuk mulai menggunakan aplikasi untuk medeteksi penyakit tanaman.
3. Keluar
Menu untuk keluar dari aplikasi jika tidak ingin menggunakan lebih lanjut.
4. Test
sehingga menghasilkan informasi yang dibutuhkan oleh user.
5. Reset
Button yang digunakan jika user ingin mendeteksi penyakit yang terjadi pada tanaman berikutnya. Aplikasi hanya dapat mendeteksi penyakit satu batang tanaman, untuk mendeteksi penyakit tanaman berikutnya perlu mereset aplikasi.
6. Selesai
Button yang digunakan untuk keluar dari aplikasi jika user telah selesai menggunakan aplikasi.
Gambaran struktur sistem yang dirancang, ditunjukkan pada gambar berikut ini:
Software Mendeteksi Penyakit Tembakau (Nicotiana tabacumL)
Halaman depan
Mulai Aplikasi Keluar
Test Reset Selesai
Gambar 3.6 Struktur sistem
3.2.3 Spesifikasi Sistem
backpropagation, yang dibuat dalam bentuk Data Flow Diagram (DFD), flowchart
dan perancangan form tampilan aplikasi.
3.2.3.1 Data Flow Diagram (DFD)
Gambar 3.7 DFD level 0
Diagram diatas merupakan gambaran seluruh proses dari sistem secara garis besar yang terdiri dari entitas, masukan, proses dan keluaran. Penjelasan dari proses yang dilakukan dalam diagram tersebut, dijelaskan menggunakan spesifikasi proses sebagai berikut:
Tabel 3.4 Keterangan DFD level 0
No / Nama Proses Masukan Keterangan Proses Keluaran P0 / Deteksi penyakit
tembakau dengan
backpropagation dataInput
Melatih setiap varibel inputan yang diterima oleh jaringan dengan metode
backpropagation, mencari iterasi terbaik dari setiap latihan, mendapat
bobot dan bias terbaik, dan menguji data baru pada jaringan.
dataHasil
Lebih spesifiknya lagi, proses P0 pada diagram di atas, akan diuraikan menjadi beberapa proses kecil yang ditunjukkan oleh diagram dibawah ini:
Proses yang terjadi pada diagram aliran level 1 di atas, disajikan dalam Tabel 3.5 dengan spesifikasi proses sebagai berikut:
Tabel 3.5 Keterangan DFD level 1
No / Nama Proses Masukan Keterangan Proses Keluaran P1 / Menjumlahkan bobot
yang diterima setiap lapisan
dataInput
Menerima inputan berupa variabel dari setiap gejala penyakit yang tampak pada
tanaman
dataOutput Sementara
P2 / Membandingkan hasil dari pelatihan dengan target yang diinginkan
dataOutput Sementara
Melihat perbandingan antara
target dengan hasil pelatihan Dataerror
P3 / Mengulang pelatihan sampai error terkecil dan
epoch terbaik dicapai
Dataerror
Melakukan pelatihan kembali dengan mengubah
learning rate dan jumlah lapisan tersembunyi
Menguji data baru pada jaringan dengan bobot dan
bias yang telah diperoleh dari jaringan
dataHasil
3.2.3.2 Flowchart (Bagan Alir)
Mulai
Epoch maximum, target error, learning rate dan lapisan tersembunyi
Inisialisasi bobot acak
Epoch = 0
tidak
Ya
tidak
Epoch = epoch+1
Feedforward
Hitung error
Hitung perubahan bobot
Perhitungan MSE
MSE < target error? Epoch<= epoch
Gambar 3.9 Flowchart program
3.2.3.3 Perancangan Form
Rancangan program yang akan diimplementasikan dengan menggunakan GUI Matlab R2010a dibuat untuk mempermudah prancangan sistem yang akan dikerjakan. Gambaran form yang akan dibuat yaitu:
1. Form depan
Form inilah yang tampak pada saat sistem pertama kali dipergunakan. Dengan memilih menu lanjut maka user akan membuka dialog selanjutnya dan jika memilih menu keluar maka user akan keluar dari aplikasi.
lanjut keluar
DETEKSI PENYAKIT TEMBAKAU (Nicotiana tabacum L)
Gambar 3.10 Form depan
2. Form menu utama
IMPLEMENTASI JARINGAN SARAF TIRUAN UNTUK MEDETEKSI PENYAKIT TEMBAKAU (Nicotiana tabacum L)
Pilihan kondisi tanaman dengan 11 variabel berupa radiobutton.
Test Hasil pengujian Pengendalian
Reset Tanaman yang sehat/sakit Cara mengatasi penyakit
Selesai
Gambar 3.11 Form menu utama
memasukkan data baru user dapat menekan tombol reset dan jika hasil penyakit telah didapat dengan otomatis cara pengendaliannya akan langsung tampil.
BAB 4
IMPLEMENTASI DAN PENGUJIAN
4.1 Implementasi
Implementasi merupakan tahap dimana sistem dirancang dibuat dalam sebuah bahasa pemrograman agar dapat dioperasikan. Dalam tahap ini, perancangan sistem yang telah dibuat akan diwujudnyatakan dalam bahasa pemrograman dimana pada penelitian ini dipakai alat bantu Matlab R2010a. Dalam bab ini akan dijelaskan hasil pelatihan dari simulasi pembelajaran dan form-form tampilan yang merupakan hasil implementasi sistem.
4.1.1 Simulasi Pembelajaran
neuron yang diberikan pada jaringan diambil secara acak, dimana 50 data akan diperguanakan untuk pelatihan dan 25 data akan dipergunakan untuk pengujian. Berikut ditunjukkan nilai variabel pelatihan jaringan dalam Tabel 4.1:
Tabel 4.1 Data pelatihan jaringan
No Bentukdaun Warna daun
Bau daun
Keadaan
daun Bercak Bintik
33 1 1 0 1 1 0 0 0 1 0 0 Berpenyakit
Tabel 4.1 Data pelatihan jaringan (lanjutan)
No Bentuk
daun Bercak Bintik
Bentuk
Untuk melatih jaringan mengenali 50 data di atas yang akan dilatih dengan matlab R2010a maka digunakan perintah train seperti ini:
[net,tr]=train(net,p,t);
