ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN
BACKPROPAGATION NEURAL NETWORK
TESIS
EKA IRAWAN 147038036
PROGRAM STUDI S2 TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
2016
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN
BACKPROPAGATION NEURAL NETWORK
TESIS
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister Teknik Informatika
EKA IRAWAN 147038036
PROGRAM STUDI S2 TEKNIK INFORMATIKA
2016
PERSETUJUAN
Judul : Analisis Penambahan Nilai Momentum Pada Prediksi Produktivitas Kelapa Sawit Menggunakan
Backpropagation Neural Network
Nama : Eka Irawan
Nomor Induk Mahasiswa : 147038036
Program Studi : MAGISTER (S-2) TEKNIK INFORMATIKA
Fakultas :
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Dr. Erna Budhiarti Nababan, M.IT Prof. Dr. Muhammad Zarlis
Diketahui/disetujui Oleh
Program Studi S2 Teknik Informatika Ketua,
Prof. Dr. Muhammad Zarlis NIP. 19570701 198601 1 003
PERNYATAAN
ANALISIS PENAMBAHAN MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION NEURAL
NETWORK
TESIS
Saya mengakui bahwa tesis ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, Agustus 2016
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN
AKADEMIS
Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan dibawah ini:
Nama : Eka Irawan
NIM : 147038036
Program Studi : Teknik Informatika Jenis Karya Ilmiah : Tesis
Demi Pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalty Free Right) atas tesis saya yang berjudul :
ANALISIS PENAMBAHAN MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN
BACKPROPAGATION NEURAL NETWORK
Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non-Eksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat, mengolah dalam bentuk database, merawat dan mempublikasikan tesis saya tanpa meminta izin dari saya selama tetap mencantumkan nama saya sebagai penulis dan sebagai pemegang dan/atau sebagai pemilik hak cipta
Demikian pernyataan ini dibuat dengan sebenarnya.
Medan, Agustus 2016
147038036
Telah diuji pada
Tanggal : Agustus 2016
PANITIA PENGUJI TESIS
Ketua : Prof. Dr. Muhammad Zalis
RIWAYAT HIDUP
DATA PRIBADI
Nama Lengkap : Eka Irawan, S.Kom
Tempat dan Tanggal Lahir : Pondok Lama, 18 Januari 1989
Alamat Rumah : Jl. Malanthon Siregar, Gg. Cantik Manis No 2, Pematangsiantar
Telp/Fax/HP : 0812 6548 3736
Email : ekaatb09@gmail.com
Instansi Tempat Bekerja : AMIK & STIKOM Tunas Bangsa Alamat Kantor : Jl. Jend. Sudirman Blok A, No. 1, 2 & 3
Pematangsiantar
DATA PENDIDIKAN
KATA PENGANTAR
Ucapan syukur dan terimakasih penuli kepada Allah SWT, atas segala rahmatNya
sehingga penelitian ini yang berjudul “Analisis Penambahan Momentum Pada Prediksi
Produktivitas Kelapa Sawit Menggunakan Backpropagation Neural Network ” dapat diselesaikan dengan baik. Maka dengan kerendahan hati penulis mengucapkan terimakasih kepada :
1. Bapak Prof. Dr. Muhammad Zarlis selaku Ketua Program Studi S2 Teknik Informatika.
2. Bapak Mohammad Andri Budiman, ST., M.Comp.Sc., M.E.M Selaku Sekretaris Program Studi S2 Teknik Informatika.
3. Bapak Prof. Dr. Muhammad Zarlis selaku pembimbing utama penulis atas arahan dan kesempatan yang diberikan kepada penulis untuk mengikuti dan menyelesaikan Program Magister pada Program Studi Magister Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas
Sumatera Utara.
4. Bapak Dr. Erna Budhiarti Nababan, M.IT selaku pembimbing kedua penulis atas arahan dan kesempatan yang diberikan kepada penulis untuk mengikuti dan menyelesaikan Program Magister pada Program Studi Magister Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
5. Seluruh Dosen dan Staf Pegawai Program Studi S2 Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, yang telah memberikan bantuan dan pelayanan terbaik selama mengikuti perkuliahan hingga pada penyelesaian tesis ini.
7. Bapak Dedy Hartama, ST., M.Kom, yang telah memberikan bantuan, moril dan motifasi kepada penulis selama mengikuti perkuliahan hingga pada penyelesaian tesis ini.
8. Seluruh Dosen dan Staf Pegawai AMIK Tunas Bangsa, yang telah memberikan bantuan dan moril selama mengikuti perkuliahan hingga pada penyelesaian tesis ini.
9. Orangtua tercinta, ayahanda Edi Susanto dan Ibunda Wagiati serta
saudara-saudaraku atas ketulusan do‟a, motifasi dan nasehat-nasehat sepanjang waktu
sehingga dapat menyelesaikan pendidikan.
10. Istri tercinta Yuyun Astri Ningsih Nasution atas ketulusan do‟a, motifasi -motifasi yang diberikan kepada penulis sepanjang waktu sehingga dapat menyelesaikan pendidikan.
11.Teman-teman seperjuangan KOM-A stambuk 2014 Fasilkom TI USU buat kebersamaan dan kekompakkan dalam perkuliahan dan tetap semangat sampai akhir.
12.Grup seperjuangan pengerjaan tesis Sumarno, M.Kom, Indra Gunawan,
M.Kom, Heru Satria, M.Kom, Muhammad Ridwan Lubis, M.Kom, Herry Siagian, M.Kom, Budi Sibarani, M.Kom dan Eva Desiana, M.Kom.
Penulis menyadari bahwa isi tesis ini masih jauh dari kesempurnaan , untuk itu mohon kiranya para pembaca memberikan masukan, kritik dan saran yang sifatnya membangun untuk perbaikan sehingga dapat bermanfaat. Semoga karya ilmiah ini bermanfaat bagi kemajuan Ilmu pengetahuan dan pendidikan.
Medan, Agustus 2016
Abstrak
Algoritma backpropagation merupakan multi layer perceptron yang banyak digunakan untuk menyelesaikan persoalan yang luas, namun algoritma backpropagation juga mempunyai keterbatasan yaitu laju konvergensi yang cukup lambat. Pada penelitian
ini penulis menambahkan parameter learning rate secara adaptif pada setiap iterasi dan koefisien momentum untuk menghitung proses perubahan bobot. Dari hasil simulasi komputer maka diperoleh perbandingan antara algoritma backpropagation standar dengan backpropagation dengan penambahan momentum. Untuk algoritma
backpropagation standar kecepatan konvergensi 727 epoch dengan nilai MSE 0,01, sedangkan algoritma backpropagation standar mencapai 4000 epoch dengan nilai MSE 0,001. . Hal ini menunjukkan bahwa algoritma backpropagation adaptive learning lebih cepat mencapai konvergensi daripada algoritma backpropagation standar.
Abstract
Backpropagation algorithm is a multi- layer perceptron that is widely used to solve problems that are spacious, but also have limitations backpropagation algorithm is fairly slow convergence rate . In this study, the authors add in an adaptive learning rate parameter at each iteration and momentum coefficient to calculate the weight of the change process . From the results of the computer simulations for the comparison between the standard back propagation algorithm with propagation with additional momentum. For standard backpropagation algorithm convergence speed of 727 epoch with MSE value of 0.01 , while the standard back propagation algorithm reaches 4000 epoch with MSE value of 0.001 . , This shows that adaptive learning backpropagation algorithm more quickly achieve convergence than the standard back propagation algorithm.
2.3.1 Arsitektur Backprpagation ... 12
2.3.2 Algoritma Backpropagation ... 13
2.4. Optimalitas Arsitektur Backpropagation... 16
2.5. Pengenalan Pola ... 18
3.3.1. Perancangan Jaringan Backpropagation ... 24
3.3.2. Arsitektur jaringan ... 24
3.4. Proses Normalisasi ... 26
3.5. Komputasi Backpropagation ... 27
3.5.1. Pelatihan Jaringan ... 30
3.5.2. Proses Testing/Pengujian ... 31
BAB 4 HASIL DAN PEMBAHASAN ... 32
4.1. Hasil Analisi ... 32
4.1.1 Pembobotan Awal ... 32
4.1.2 Traning Data Algoritma Backpropagation Standar . 33 4.1.3 Hasil Pelatihan Algoritma Standar ... 36
4.1.4 Hasil Pelatihan Algoritma Backpropagation dengan Momentum ... 37
4.2. Hasil Pengujian ... 38
4.3. Pembahasan ... 38
BAB 5 KESIMPULAN DAN SARAN ... 39
5.2. Saran ... 39
DAFTAR TABEL
Tabel 2.1. Penelitian yang Relevan ... 18
Tabel 3.1. Data Input/Atribut yang digunakan ... 23
Tabel 3.2. Data Unnormalisasi ... 27
Tabel 3.3. Data setelah di Normalisasi ... 28
Tabel 3.4. Pelatihan Jaringan ... 31
Tabel 4.1. Data Input yang digunakan ... 34
DAFTAR GAMBAR
Gambar 2.1. Sel Saraf Biologi ... 5
Gambar 2.2. Jaringan Lapis Tunggal ... 7
Gambar 2.3. Jaringan Multilapis ... 7
Gambar 2.4. Jaringan Kompetitif ... 8
Gambar 2.5. Arsitektur Jaringan Backpropagation ... 12
Gambar 3.1. Rancangan Penelitian ... 24
Gambar 3.2. Arsitektur JST Untuk Produktivitas Kelapa Sawit ... 26
Gambar 4.1. Pelatihan Menggunakan Arsitektur 6-4-1 ... 35
Gambar 4.2. Grafik Pelatihan Menggunakan Arsitektur 6-4-1 ... 35
Gambar 4.3. Grafik Pembelajaran Backpropagation Standar ... 37