UAS JST
Juni 08, 2020
Bahan Presentasi Untuk Mata Kuliah JST
Semester Genap 2020
Dosen : Darwison, M.T
Oleh:
Meiry Asriya
1610953001
Jurusan Teknik Elektro
Fakultas Teknik
Universitas Andalas
Padang
2020
Referensi :
- D. Puspitaningrum, Pengantar Jaringan Saraf Tiruan, Penerbit ANDI, Yogyakarta, 2006.
- A. Sudarsono, Jaringan Saraf Tiruan untuk Memprediksi Laju Pertumbuhan Penduduk Menggunakan Metode Backpropagation, Studi Kasus di Kota Bengkulu, 2016.
- Anwar, B. 2011. Penerapan Algoritma Jaringan Syaraf Tiruan Backpropagation Dalam Memprediksi Tingkat Suku Bunga Bank. Jurnal SAINTIKOM, Vol. 10 / No. 2.
- Maharani Dessy Wuryandari, I. A. 2012. Perbandingan Metode Jaringan Syaraf TiruanBackpropagation Dan Learning Vector Quantization Pada Pengenalan Wajah. Jurnal Komputer dan Informatika (KOMPUTA), Edisi. I Volume. 1.
- Norhamreeza Abdul Hamid, N. M. N., Rozaida Ghazali, Mohd Najib Mohd Salleh 2011. Accelerating Learning Performance of Back Propagation Algorithm by Using Adaptive Gain Together with Adaptive Momentum and Adaptive Learning Rate on Classification Problems. International Journal of Software Engineering and Its Applications, Vol. 5 No. 4.
Tujuan dari aplikasi UAS mata kuliah Jaringan Saraf Tiruan ini adalah melakukan prediksi jumlah penduduk pada suatu daerah X dengan sistem prediksi urutan waktu menggunakan algoritma jaringan syaraf tiruan radial basis function (rbf neural network).
Judul Aplikasi [Kembali]
Prediksi jumlah penduduk pada suatu daerah X dengan sistem prediksi urutan waktu menggunakan algoritma jaringan syaraf tiruan radial basis function (rbf neural network).
Latar Belakang [Kembali]
Pemanfaatan teknologi infomasi yang semakin maju
pada saat ini, Jaringan Syaraf Tiruan (Artificial
Neural Network) dapat digunakan untuk memprediksi tingkat pertumbuhan
penduduk.
Teknologi informasi merupakan
suatu teknologi yang digunakan untuk mengelola data, memproses,
mendapatkan, menyusun, menyimpan, memanipulasi data dalam berbagai cara
untuk menghasilkan informasi yang berkualitas, yaitu informasi yang relevan,
akurat dan tepat waktu, yang digunakan untuk keperluan pribadi, bisnis, swasta
dan pemerintah yang merupakan informasi yang strategis dalam pengambilan
keputusan. Menurut Wiliam dan Li, penggunaan ANN dengan algoritma training back-propagation untuk
melakukan prediksi pacuan kuda di Jamaika. ANN dengan jenis feed forward network atau Backpropagationyang digunakan dalam
penelitian ini telah terbukti
memberikan hasil yang baik untuk keperluan prediksi.
Jaringan Syaraf Tiruan merupakan pemodelan data
yang kuat yang mampu menangkap dan mewakili hubungan Input-Output yang komplek,
karena kemampuannya untuk memecahkan beberapa masalah relatif mudah digunakan,
ketahnan untuk mengimput data kecepatn untuk eksekusi, dan menginisialisasikan
sistem yang rumit. (Norhamreeza Abdul Hamid, 2011)
Pembahasan [Kembali]
Jaringan Syaraf Tiruan (JST)
merupakan suatu sistem pemrosesan informasi yang mempunyai karakteristik
menyerupai jaringan syaraf biologis (JSB) Jaringan Syaraf Tiruan tercipta
sebagai suatu generalisasi model matematis dari pemahaman manusia (human cognition) (Maharani Dessy
Wuryandari, 2012)
Gambar 1.
Syaraf Secara Biologis
Model Jaringan Syaraf Tiruan
Seperti halnya otak manusia,
jaringan syaraf juga terdiri dari beberapa neuron,
dan terdapat hubungan antara neuron-neuron
tersebut. Pada gambar 2. menunjukkan struktur neuron yang mana Neuron-neuron
akan mentransformasikan informasi yang
diterima melalui sambungan keluarannya menuju ke neuron-neuron yang lain. Pada jaringan syaraf hubungan ini dikenal
dengan nama bobot. Informasi tersebut tersimpan pada suatu nilai tertentu pada
bobot tersebut.
Gambar 2 Struktur neuron Jaringan Saraf Tiruan
Gambar 3 Model Neuron Sederhana
Metode propagasi balik (Backpropagation) merupakan suatu algoritma yang banyak digunakan dalam menangani masalah pada pola-pola kompleks. Pada jaringan propagasi balik, setiap unit yang berada di lapisan input terhubung dengan setiap lapisan unit tersembunyi.
Pada Jaringan Saraf Tiruan propagasi balik terdiri dari lapisan input, lapisan tersembunyi, dan lapisan output.
Gambar 4 Lapisan neuron
Gambar 5 Alur kerja Backpropagation
Gambar 6 Arsitektur BackPropagation
Fungsi Aktivasi
Merupakan fungsi pengolah jumlahan data input menjadi data output. Karakteristik yang harus ada pada fungsi aktivasi Backpropagation kontinue, dapat
diturunkan, kontinue dan tidak
menurun secara monoton, fungsi aktivasi merupakan lengkung sigmoit (Iskandar Zulkarnain, 2011)
1. Fungsi Sigmoid Biner
2. Fungsi Linear (Identitas)
Gambar 8 Fungsi Linear (identitas)
Pengertian Peramalan
Peramalan adalah proses untuk
memperkirakan berapa kebutuhan dimasa yang akan datang yang meliputi kebutuhan
dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka
memenuhi permintaan barang ataupun jasa.(Pakaja et al., 2013)
Pengertian Penduduk
Penduduk adalah semua orang ang
berdomisili di wilayah geografis Indonesia selama enam bulan atau lebih dan
atau mereka yang berdomisili kurang dari enam bulan tetapi bertujuan menetap.
Pertumbuhan penduduk diakibatkan oleh tiga komponen yaitu: fertilitas,
mortalitas dan migrasi.
Pertumbuhan penduduk adalah angka
yang menunjukkan tinkat pertambahan penduduk pertahun dalam jangka waktu
tertentu (Safarul Aufa, 2013).
- Mempersiapkan data jumlah penduduk. Data jumlah penduduk disuatu daerah X disajikan per bulan dari tahun 2006 sampai dengan tahun 2016
- Untuk mereduksi perhitungan komputasi yang terlalu besar, maka dilakukan normalisasi data ke dalam range 0.1 s.d 0.9 menggunakan persamaan berikut.
dimana:
X' = data hasil normalisasi
X = data asli/data awal
a = nilai maksimum data asli
b = nilai minimum data asli - Pada pemograman ini, data jumlah penduduk diprediksi berdasarkan data jumlah penduduk 12 bulan sebelumnya. Data latih yang digunakan adalah data jumlah penduduk dari bulan Januari 2006 sampai dengan bulan November 2012
- Melakukan pelatihan jaringan radial basic function dengna masukan berupa data latih dan target latih yang sebelumnya telah disusun.
Sehingga susunan data latih dan target latih seperti berikut
Kemudian tampilan pelartihan jaringan ditunjukkan pada gambar dibawah ini
- Menampilkan hasil pelatihan dalam bentuk grafik beserta nilai MSE (Mean Square Error) dan koefisien korelasi
Sedangkan grafik kolerasinya seperti berikut
- Mempersiapkan data uji dan target uji. Pada proses pengujian, target uji digunakan hanya untuk menvalidasi hasil pengujian. Gambar penggunaan data uji dan target uji ditunjukkan pada tabel berikut
- Menampilkan hasil pengujian dalam bentuk grafik beserta nilai MSE (Mean Square Error) dan koefisien korelasi
Berikut bentuk grafik kolerasinya:
- Melakukan prediksi untuk bulan Januari 2017 sampai dengan Desember 2017 (12 bulan)
Download File disini
Download Program disini
Video Simulasi disini
Download HTML disini