Makalah Jaringan Syaraf Tiruan (Menggunakan Metode Perceptron)

BAB I PENDAHULUAN

1.1 Latar Belakang Kebutuhan akan piranti pengenal/pendeteksi yang handal sangat dibutuhkan. Pengembangan teknologi pengenalan yang berupa kecerdasan buatan (Artificial Intelligence) menjadi sangat penting dan membantu karena selain mempermudah, juga mempercepat pekerjaan manusia. Salah satu ilmu yang mendukung teknologi tersebut adalah Artificial Neural Network (Jaringan Syaraf Tiruan), dimana dalam sepuluh tahun terakhir pengaplikasiannya telah banyak dikembangkan di berbagai bidang dalam kehidupan manusia. Seperti contoh Aplikasi Adaptive Inteligent System adalah Sistem mengenali Panas, Hangat, dan Dingin Menggunakan Jaringan Syaraf Tiruan dan Himpunan Fuzzy begitu juga seperti Adaptive Noise Canceling yang menggunakan jaringan syaraf tiruan untuk membersihkan gangguan pada telephone (dikenal dengan echo) dan mengurangi kesalahan tranmisi modem dan lain-lain. Perkembangan perangkat lunak dan perangkat keras yang begitu pesat di era modern ini, ilmu kecerdasan buatan ini juga tidak ingin ketinggalan dengan perangkat-perangkat tersebut meskipun belum menyebar secara luas dalam masyarakat tapi bidang kecerdasan buatan ini sudah menunjukkan hasilnya terlihat seperti sedikit contoh yang disebutkan sebelumnya yang merupakan hasil dari kecerdasan buatan yang telah diaplikasikan dalam kehidupan nyata. Kecerdasan buatan ini juga bisa digunakan untuk menentukan pola maupun pendektisian dan pengenalan terhadap penyakit yang menyerang berbagai tanaman terutama daunnya. Daun merupakan bagian dari tumbuhan yang bisa diketahui secara langsung dengan melihat fisik daun tersebut apakah tanaman ini atau daun ini berpenyakit atau tidak berpenyakit yaitu dengan menggunakan kecerdasan buatan atau Artificial Intelligence meteode perceptron. Metode perceptron ini adalah metode yang cukup handal dalam jaringan syaraf tiruan

1

yaitu metode mengenali pola dengan baik, bisa dikatakan handal karena metode perceptron ini memiliki prosedur belajar yang dapat mengahasilkan bobot yang konvergen sehingga memungkinkan output yang didapat sesuai dengan target tiap input pola. Metode perceptron ini yang akan digunakan untuk mengidentifikasi daun apakah terkena penyakit cacar daun atau bercak daun. Metode perceptron ini cukup ampuh untuk pengenalan gejala-gejala yang terlihat secara fisik di daun tembakau dan cengkeh dengan menggunakan pola kusus dan perhitungan matematis yang akan kita buat untuk proses sample dan testing. Metode ini nantinya yang akan kita pakai untuk mengenali atau mengidentifikasi penyakit daun berupa cacar daun dan bercak daun dari gejala fisik yang ditimbulkan oleh daun itu sendiri. Salah satu penerapan metode perceptron ini yaitu pengenalan penyakit daun pada tanaman tembakau dan tanaman cengkeh. Disini identifikasi kita tujukan pada bagian daun, seperti permukaan daun, warna daun, pola daun dll. Pemilihan daun tembakau dan daun cengkeh disini didasarkan atas manfaat yang dihasilkan oleh kedua daun tersebut yang bermanfaat untuk kebutuhan manusia itu sendiri beberapa diantaranya seperti daun tembakau untuk pembuatan rokok, kemudian yang terbaru ini yaitu tembakau mempunyai kasiat sebagai reaktor protein anti kangker. Selanjutnya yaitu daun cengkeh mempunyai manfaat banyak manfaat diantaranya adalah untuk penyedap makanan dibidang kesehatan untuk pengobatan seperti mual, muntah-muntah, melancarkan pencernaan, kolera, asma, sakit gigi dan lain-lain. Pemilihan kedua daun tersebut didasarkan pada manfaat yang dimilikinya. Daun ini sangat bermanfaat untuk kehidupan manusia dan merupakan hal yang tidak rahasia lagi bagi umum mengenai manfaat kedua daun tersebut yaitu daun tembakau dan cengkeh. Disini dengan adanya manfaat yang besar dari kedua daun tersebut maka dengan menggunakan metode perceptron ini diharapkan bisa menjadi referensi untuk mengetahui cara menentukan apakah kedua daun tersebut terkena penyakit bercak daun dan cacar daun atau tidak sama sekali.

2

1.2 Rumusan Masalah Berdasarkan latar belakang, maka rumusan masalah dalam makalah ini adalah bagaimana menganalisis dan mengimplementasikan sistem berbasis jaringan syaraf tiruan dengan menggunakan algoritma perceptron untuk mendeteksi penyakit pada daun tembakau.

1.3 Tujuan Berdasarkan pada perumusan masalah yang telah dibahas, tujuan penyusunan makalah ini adalah sebagai berikut. 1. Menganalisis basis pengetahuan yang digunakan dalam jaringan syaraf tiruan untuk mendeteksi penyakit pada daun tembakau. 2. Mengimplementasikan basis pengetahuan dalam mendeteksi penyakit pada tembakau dengan menggunakan algoritma perceptron.

1.4 Manfaat Manfaat dari makalah ini dapat meningkatkan pengetahuan tentang jaringan syaraf tiruan dengan menggunakan metode pembelajaran terawasi yaitu perceptron dalam mendeteksi penyakit pada tembakau.

3

BAB II TINJAUAN PUSTKA

2.1 Jaringan Syaraf Tiruan 2.1.1 Komponen Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (JST) didefinisikan sebagai suatu system pemrosesan informasi yang mempunya karakteristik menyerupai jaringan syaraf manusia. JST tercipta sebagai suatu generalisasi model matematis dari pemahaman manusia (Andry, 2004). Jaringan syaraf tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi (Siang, 2005). Jaringan syaraf tiruan merupakan sistem komputasi yang didasarkan atas pemodelan sistem syaraf biologis (neuron) melalui pendekatan dari sifat-sifat komputasi biologis (biological computation) (Sekarwati, 2004). Jaringan syaraf tiruan adalah membuat model sistem komputasi yang dapat menirukan cara kerja jaringan syaraf biologi (Subiyanto, 2000). JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi, dengan asumsi sebagai berikut : a. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron) b. Sinyal dikirimkan diantara neuron-neuron melalui penghubung-penghubung c. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal d. Untuk menentukan keluaran, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlah masukan yang diterima. Besarnya keluaran ini selanjutnya dibandingkan dengan suatu batas ambang. JST ditentukan oleh tiga hal sebagai berikut, yaitu : a. Pola hubungan antar neuron disebut arsitektur jaringan

4

b. Metode

untuk

menentukan

bobot

penghubung

disebut

metode

pembelajaran c. Fungsi aktivasi. (Siang, 2005)

Ada beberapa tipe jaringan syaraf, namun demikian hampir semuanya memiliki komponen-komponen yang sama. Seperti halnya otak manusia, JST juga terdiri dari beberapa neuron dan terdapat penghubung antara neuron-neuron tersebut (Arif H, 2006). Gambar 2.1 di bawah ini menunjukkan struktur neuron jaringan syaraf tiruan.

Gambar 2.1 Struktur Neuron Jaringan Syaraf Tiruan (Sumber Arif H, Jaringan syaraf tiruan dan aplikasi)

Gambar 2.1 menunjukkan bahwa neuron buatan sebenarnya mirip dengan sel neuron biologis. Neuron-neuron bekerja dengan cara yang sama pula dengan sel neuron biologis. Jaringan Syaraf Tiruan yang telah dan sedang dikembangkan merupakan pemodelan matematika dari jaringan syaraf biologis, berdasarkan asumsi : 1. Pemrosesan informasi terjadi pada banyak elemen pemroses sederhana yang disebut neuron. 2. Sinyal dilewatkan antar neuron yang membentuk jaringan neuron. 3. Setiap elemen pada jaringan neuron memiliki 1 (satu) pembobot. Sinyal yang dikirimkan ke lapisan neuron berikutnya adalah informasi dikalikan dengan pembobot yang bersesuaian. 4. Tiap-tiap neuron mengerjakan fungsi aktivasi untuk mendapatkan hasil output masing-masing.

5

2.1.2 Aplikasi jaringan syaraf tiruan Beberapa aplikasi jaringan syaraf tiruan yang telah dilakukan adalah sebagai berikut : a. Pengenalan pola (pattern recognition) Jaringan syaraf tiruan dapat dipakai untuk mengenali pola (misal huruf, angka, suara atau tanda tangan) yang sudah sedikit berubah. Hal ini mirip dengan otak manusia yang masih mampu mengenali orang yang sudah beberapa waktu tidak dijumpainya (mungkin wajah/bentuk tubuhnya sudah sedikit berubah). Jurnal yang pernah membahas tentang pengenalan pola diantaranya yaitu : o Pemrosesan dan pengenalan suatu gambar dengan menggunakan jaringan syaraf tiruan (Egmont-Petersen M, de Ridder & Handels, 2002) o Pengenalan suatu pola yang terjadi dalam suatu kegiatan industri (Bhagat, 2005) b. Pemrosesan sinyal Jaringan syaraf tiruan model ADALINE dapat dipakai untuk menekan suatu noise yang terdapat dalam saluran telepon. Aplikasi pemrosesan sinyal ini telah digunakan dalam beberapa jurnal, salah satunya adalah jurnal pemrosesan sinyal dan gambar dengan menggunakan jaringan syaraf tiruan (Masters & Timothy, 1994). c. Peramalan Jaringan syaraf tiruan juga dapat dipakai untuk meramalkan apa yang akan terjadi di masa yang akan dating berdasarkan pola kejadian yang telah ada di masa lampau. Ini dapat dilakukan mengingat kemampuan jaringan syaraf tiruan untuk mengingat dan membuat generalisasi dari apa yang sudah ada sebelumnya. Beberapa jurnal yang pernah membahas tentang penggunaan jaringan syaraf tiruan dalam peramalan ini diantaranya adalah : o Proses prediksi menggunakan jaringan syaraf tiruan recurrent (Mandic & Chambers, 2001)

6

o Pendekatan suatu pola kejadian dengan fungsi aktivasi sigmoid Cybenko, 1989) o Implementasi jaringan syaraf tiruan untuk memprediksi kadar gula dalam darah (Suwarno, 2010) Disamping bidang-bidang yang telah disebutkan di atas, jaringan syaraf tiruan juga dapat menyelesaikan permasalahan di dalam bidang kontrol, kedokteran, ekonomi dan lain-lain.

2.1.3 Arsitektur jaringan syaraf tiruan Beberapa arsitektur jaringan yang sering dipakai dalam jaringan syaraf tiruan, antara lain : a. Jaringan dengan lapisan tunggal (single layer network) Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot-bobot terhubung. Jaringan ini hanya menerima input kemudian secara langsung akan mengelolahnya menjadi output tanpa harus melalui lapisan tersembunyi.

Gambar 2.2 Jaringan dengan Lapisan Tunggal

b. Jaringan dengan banyak lapisan (multilayer net) Jaringan dengan banyak lapisan memiliki 1 atau lebih lapisan yang terletak diantara lapisan input dan lapisan output (memiliki 1 atau lebih lapisan tersembunyi).

7

Gambar 2.3 Jaringan dengan Banyak Lapisan

c. Jaringan dengan lapisan kompetitif (competitive layer net) Umumnya, hubungan antar neuron pada lapisan kompetitif ini tidak diperlihatkan pada diagram arsitektur.

Gambar 2.4 Jaringan dengan Lapisan Kompetitif

2.1.4 Fungsi Aktivasi Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan, antara lain : a. Fungsi Undak Biner (Hard Limit) Jaringan dengan lapisan tunggal sering menggunakan fungsi undak (step function) untuk mengkonversi input dari suatu variabel yang bernilai kontinu ke suatu output biner (0 atau 1). b. Fungsi Undak Biner (dengan threshold)

8

Fungsi undak biner menggunakan nilai ambang sering juga disebut dengan nama fungsi nilai ambang (threshold) atau fungsi Heaviside. c. Fungsi Bipolar (Symetric Hard Limit) Fungsi bipolar sebenarnya hampir sama dengan undak biner, hanya saja output yang dihasilkan berupa 1, 0 atau -1. d. Fungsi Bipolar (dengan threshold) Fungsi bipolar sebenarnya hampir sama dengan undak biner dengan threshold, hanya saja output yang dihasilkan berupa 1, 0 atau -1.

2.1.5 Proses Pembelajaran Ada 2 jenis proses pembelajaran, yaitu : 1. Pembelajaran terawasi (supervised learning) Metode pembelajaran pada jaringan syaraf disebut terawasi jika output yang diharapkan telah diketahui sebelumnya. 2. Pembelajaran tak terawasi (unsupervised learning) Pada metode pembelajaran tak terawasi ini tidak memerlukan target output. Selama proses pembelajaran, nilai bobot disusun dalam suatu range tertentu tergantung pada nilai input yang diberikan.

2.1.6 Perceptron Perceptron termaksud salah satu bentuk jaringan syaraf yang sederhana. Perceptron biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu yang sering dikenal dengan pemisahan secara linear. Pada dasarnya perceptron pada jaringan syaraf dengan satu lapisan memiliki bobot yang bisa diatur dab suatu nilai ambang (threshold). Algoritma yang digunakan oleh aturan perceptron ini akan mengatur parameter-parameter bebasnya melalui proses pembelajaran. Nilai threshold (Ѳ) pada fungsi aktivasi adalah non negatif. Fungsi aktivasi ini dibuat sedemikian rupa sehingga terjadi pembatasan antara daerah positif dan daerah negatif (Gambar 2.5).

9

X2 +

+ daerah positif - daerah negatif

daerah nol X1

Gambar 2.5 Pembatasan Linear dengan perceptron

Garis pemisah

antara daerah positif

dan daerah nol memiliki

pertidaksamaan : W1X1 + W2X2 + ........ + WnXn + b > Ѳ Sedangkan garis pemisah antara daerah negatif dengan daerah nol memiliki pertidaksamaan : W1X1 + W2X2 + ........ + WnXn + b < - Ѳ Algoritma : 0. Insisialisasi semua bobot dan bias : (untuk sederhananya atur semua bobot dan bobot bias sama dengan nol ). Atur learning rate : α ( 0 < α ≤ 1 ). 1. Selama kondisdi herhenti bernilai false, lakukan langkah-langkah berikut : (i). Untuk setiap pasangan pembelajaran s-t, kerjakan : a. Atur input dengan nilai sam dengan vektor input : Xi = S i b. Hitung respon untuk unit output : y_in = b + ∑

10

y={ c. Perbaiki bobot dan bias jika terjadi error: Jika y ≠ t maka : Wi(baru) = Wi(lama) + α * t * Xi b(baru) = b(lama) + α * t Jika tidak, maka : Wi(baru) = Wi(lama) b(baru) = b(lama) (ii). Tes kondisi berhenti : jika tidak terjadi perubahan bobot pada (i) maka kondisi berhenti TRUE, namun jika masih terjadi perubahan maka kondisi berhenti FALSE.

2.2 Bercak dan Cacar Daun Tembakau dan Daun Cengkeh Daun cengkeh dan daun tembakau merupakan dua jenis daun yang sering dimanfaatkan oleh masyarakat, baik itu untuk dikonsumsi langsung maupun diolah lebih lanjut untuk menghasilkan suatu produk. Kedua jenis daun ini banyak sekali memberikan manfaat. Pada daun tembakau contohnnya, digunakan sebagai bahan dasar dalam pembuatan rokok dan dapat memproduksi protein untuk melawan sel-sel kanker . Sedangkan pada daun cengkeh, biasa dimanfaatkan oleh masyarakat sebagai tanaman obat dalam menyembuhkan penyakit seperti sakit gigi, mual, muntah, kembung, dan lain-lain (Asian Brain, 2010). Dikarenakan memiliki berbagai manfaat itulah, kedua jenis daun tersebut banyak diproduksi. Namun dalam produksinya, seringkali kedua jenis daun tersebut tidak memberikan kualitas yang baik pada saat pemilahan dari hasil penanaman para petani. Hal ini disebabkan daun-daun tersebut telah rusak akibat adanya jamur, bakteri atau virus dalam bentuk getah yang menghinggapi, sehingga membentuk

11

suatu bercak dan gelembung dipermukaannya yang lama kelamaan merusak daun. Hal ini didasarkan dari hasil penelitian yang dilakukan oleh seorang ilmuwan Jerman bernama Adolf Mayer terhadap daun tembakau, yang kemudian dikembangkan lagi penelitian tersebut oleh seorang ahli virus Amerika Serikat bernama Wendell Stanley, yang kemudian menyimpulkan bahwa bercak dan gelembung-gelembung yang terjadi pada permukaan daun tembakau disebabkan oleh organisme patogen bernama Tabacco Mosaic Virus (TMV).

12

BAB III PEMBAHASAN

3.1 Basis Pengetahuan (Knowledge Base) Basis pengetahuan yang digunakan dalam pengambilan kesimpulan dalam mendeteksi penyakit pada daun tembakau adalah berupa sekumpulan ciri-ciri atau gejala yang dapat dilihat oleh mata secara langsung pada daun cengkeh dan daun tembakau yang mengalami penyakit bercak dan cacar daun. Ciri-ciri atau gejala kedua penyakit daun tersebut dikelompokkan menjadi 8 jenis, yaitu : a. Gejala A : bercak merah kecoklatan; b. Gejala B : belang-belang; c. Gejala C : berlubang; d. Gejala D : bercak putih; e. Gejala E : bercak coklat kehijauan; f. Gejala F : bintik hitam; g. Gejala G : gugur daun; h. Gejala H : bercak menggelembung. Dimana untuk Gejala A, B, C, D, E, F merupakan gejala dari penyakit bercak daun, dan Gejala F, G, dan H adalah gejala dari penyakit cacar daun. Di bawah ini adalah tabel 3.1 yang menunjukkan data pelatihan yang akan digunakan pada proses berikutnya : Tabel 3.1 Sampel Daun untuk Pelatihan Daun ke1 2 3 4 5 6 7

Gejala A + + + + -

Gejala B + + + +

Gejala C + + + + -

Gejala D + + + + + -

Gejala E +

Gejala F + + + +

Gejala G + -

Gejala H + -

Target 1 1 1 1 1 1 1

13

8 9 10 11 12 13 14

-

-

+ -

-

+ + -

+ + + + + +

+ + + + -

+ + + -

1 1 -1 -1 -1 -1 -1

Keterangan : Target / Output : o Bercak Daun = 1 o Cacar Daun = -1 Input : o Ada Gejala (+) = 1 o Tidak Ada Gejala (-) = 0

3.2 Perancangan Motor Inferensi Deteksi penyakit pada daun tembakau dengan menerapkan algoritma Artificial Neural Network dengan menggunakan metode pembelajaran terawasi yaitu Perceptron. Data daun yang akan digunakan dalam proses JST, sebelumnya akan dikonversi ke dalam bentuk nilai-nilai bipolar [1, -1] dan biner [1, 0], dengan memiliki komposisi perbandingan 9 : 5 terhadap jumlah daun dan penyakit dari kedua jenis daun tersebut. Dengan nilai ambang (threshold) sebesar 0 dan learning rate sebesar 0,5. Dari tabel 3.1 diperoleh tabel 3.2 Sampel data pelatihan pada daun tembakau. Tabel 3.2 Sampel Data Pelatihan Pada Daun Tembakau. Daun ke1 2 3 4 5 6

Gejala A 1 1 1 1 0 0

Gejala B 1 1 0 1 0 0

Gejala C 1 0 1 0 1 1

Gejala D 1 1 0 1 1 1

Gejala E 0 0 0 0 0 0

Gejala F 1 0 0 1 0 1

Gejala G 1 0 0 0 0 0

Gejala H 0 0 0 0 1 0

Target 1 1 1 1 1 1

14

7 8 9 10 11 12 13 14

0 0 0 0 0 0 0 0

1 0 0 0 0 0 0 0

0 1 0 0 0 0 0 0

0 0 0 0 0 0 0 0

1 1 1 0 0 0 0 0

1 1 1 0 1 1 1 1

0 1 1 0 1 1 0 0

Bobot awal

: w = [0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0]

Bobot bias awal

: b = [0,0]

Learning rate (alfa)

: 0,7

Threshold (tetha Ѳ)

: 0,0

0 0 0 1 1 0 1 0

1 1 1 -1 -1 -1 -1 -1

Epoh ke-1 o Data 1 y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 = 0 Hasil aktivasi = 0 (-Ѳ ≤ y_in ≤ Ѳ) Target = 1 Bobot baru: W1 = 0,0 + 0,7 * 1,0 * 1,0 = 0,7 W2 = 0,0 + 0,7 * 1,0 * 1,0 = 0,7 W3 = 0,0 + 0,7 * 1,0 * 1,0 = 0,7 W4 = 0,0 + 0,7 * 1,0 * 1,0 = 0,7 W5 = 0,0 + 0,7 * 1,0 * 0,0 = 0,0 W6 = 0,0 + 0,7 * 1,0 * 1,0 = 0,7 W7 = 0,0 + 0,7 * 1,0 * 1,0 = 0,7 W8 = 0,0 + 0,7 * 1,0 * 0,0 = 0,0 Bias baru: b = 0,0 + 0,7 * 1,0 = 0,7 o Data 2 y_in = 0,7 + 0,7 + 0,7 + 0,0 + 0,7 + 0,0 + 0,0 + 0,0 + 0,0 = 2,8

15

Hasil aktivasi = 1 (y_in > 0) Target = 1 o Data 3 y_in = 0,7 + 0,7 + 0,0 + 0,7 + 0 + 0 + 0 + 0 + 0 = 2,1 Hasil aktivasi = 1 (y_in > 0) Target = 1 o Data 4 y_in = 0,7 + 0,7 + 0,7 + 0 + 0,7 + 0 + 0,7 + 0 + 0 = 3,5 Hasil aktivasi = 1 (y_in > 0) Target = 1 o Data 5 y_in = 0,7 + 0 + 0 + 0 + 0,7 + 0,7 + 0 + 0 + 0 + 0 = 2,1 Hasil aktivasi = 1 (y_in > 0) Target = 1 o Data 6 y_in = 0,7 + 0 + 0 + 0,7 + 0,7 + 0 + 0,7 + 0 + 0 = 2,8 Hasil aktivasi = 1 (y_in > 0) Target = 1 o Data 7 y_in = 0,7 + 0 + 0,7 + 0 + 0 + 0 + 0,7 + 0 + 0 = 2,1 Hasil aktivasi = 1 (y_in > 0) Target = 1 o Data 8 y_in = 0,7 + 0 + 0 + 0,7 + 0 + 0 + 0,7 + 0,7 + 0 = 2,8 Hasil aktivasi = 1 (y_in > 0) Target = 1 o Data 9 y_in = 0,7 + 0 + 0 + 0 + 0 + 0 + 0,7 + 0,7 + 0 = 2,1 Hasil aktivasi = 1 (y_in > 0)

Target = 1

16

o Data 10 y_in = 0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 = 0,7 Hasil aktivasi = 1 (y_in > 0) Target = -1 Bobot baru: W1 = 0,7 + 0,7 * -1,0 * 0 = 0,7 W2 = 0,7 + 0,7 * -1,0 * 0 = 0,7 W3 = 0,7 + 0,7 * -1,0 * 0 = 0,7 W4 = 0,7 + 0,7 * -1,0 * 0 = 0,7 W5 = 0,0 + 0,7 * -1,0 * 0 = 0,0 W6 = 0,7 + 0,7 * -1,0 * 0 = 0,7 W7 = 0,7 + 0,7 * -1,0 * 0 = 0,7 W8 = 0,0 + 0,7 * -1,0 * 1 = -0,7 Bias baru: b = 0,7 + 0,7 * -1,0 = 0,0 o Data 11 y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,7 + 0,7 + -0,7 = 0,7 Hasil aktivasi = 1 (y_in > 0) Target = -1 Bobot baru: W1 = 0,7 + 0,7 * -1,0 * 0 = 0,7 W2 = 0,7 + 0,7 * -1,0 * 0 = 0,7 W3 = 0,7 + 0,7 * -1,0 * 0 = 0,7 W4 = 0,7 + 0,7 * -1,0 * 0 = 0,7 W5 = 0,0 + 0,7 * -1,0 * 0 = 0,0 W6 = 0,7 + 0,7 * -1,0 * 1 = 0,0 W7 = 0,7 + 0,7 * -1,0 * 1 = 0,0 W8 = -0,7 + 0,7 * -1,0 * 1 = -1,4 Bias baru : b = 0,0 + 0,7 * -1,0 = -0,7

17

o Data 12 y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 =- 0,7 Hasil aktivasi = -1 (y_in < 0) Target = -1 o Data 13 y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + -1,4 = -2,1 Hasil aktivasi = -1 (y_in < 0) Target = -1 o Data 14 y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 = - 0,7 Hasil aktivasi = -1 (y_in < 0) Target = -1

Epoh ke-2 o Data 1 y_in = -0,7 + 0,7 + 0,7 + 0,7 + 0,7 + 0,0 + 0,0 + 0,0 + 0,0 = 2,1 Hasil aktivasi = 1 (y_in > 0) Target = 1 o Data 2 y_in = -0,7 + 0,7 + 0,7 + 0 + 0,7 + 0,0 + 0,0 + 0,0 + 0,0 = 1,4 Hasil aktivasi = 1 (y_in > 0) Target = 1 o Data 3 y_in = -0,7 + 0,7 + 0 + 0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 = 0,7 Hasil aktivasi = 1 (y_in > 0) Target = 1 o Data 4 y_in = -0,7 + 0,7 + 0,7 + 0 + 0,7 + 0,0 + 0,0 + 0,0 + 0,0 = 1,4 Hasil aktivasi = 1 (y_in > 0)

Target = 1

18

o Data 5 y_in = -0,7 + 0,0 + 0,0 + 0,7 + 0,7 + 0,0 + 0,0 + 0,0 + -1,4 = -0,7 Hasil aktivasi = -1 (y_in < 0) Target = 1 Bobot baru: W1 = 0,7 + 0,7 * 1,0 * 0 = 0,7 W2 = 0,7 + 0,7 * 1,0 * 0 = 0,7 W3 = 0,7 + 0,7 * 1,0 * 1 = 1,4 W4 = 0,7 + 0,7 * 1,0 * 1 = 1,4 W5 = 0,0 + 0,7 * 1,0 * 0 = 0,0 W6 = 0,0 + 0,7 * 1,0 * 0 = 0,0 W7 = 0,0 + 0,7 * 1,0 * 0 = 0,0 W8 = -1,4 + 0,7 * 1,0 * 1 = -0,7 Bias baru: b = -0,7 + 0,7 * 1,0 = 0,0 o Data 6 y_in = 0,0 + 0,0 + 0,0 + 1,4 + 1,4 + 0,0 + 0,0 + 0,0 + 0,0 = 2,8 Hasil aktivasi = 1 (y_in > 0) Target = 1 o Data 7 y_in = 0,0 + 0,0 + 0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 = 0,7 Hasil aktivasi = 1 (y_in > 0) Target = 1 o Data 8 y_in = 0,0 + 0,0 + 0,0 + 1,4 + 0 + 0,0 + 0,0 + 0,0 + 0,0 = 1,4 Hasil aktivasi = 1 (y_in > 0) Target = 1 o Data 9 y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0 + 0,0 + 0,0 + 0,0 + 0,0 = 0,0

19

Hasil aktivasi = 0 (-Ѳ ≤ y_in ≤ Ѳ) Target = 1 Bobot baru: W1 = 0,7 + 0,7 * 1,0 * 0 = 0,7 W2 = 0,7 + 0,7 * 1,0 * 0 = 0,7 W3 = 1,4 + 0,7 * 1,0 * 0 = 1,4 W4 = 1,4 + 0,7 * 1,0 * 0 = 1,4 W5 = 0,0 + 0,7 * 1,0 * 1 = 0,7 W6 = 0,0 + 0,7 * 1,0 * 1 = 0,7 W7 = 0,0 + 0,7 * 1,0 * 1 = 0,7 W8 = -0,7 + 0,7 * 1,0 * 0 = -0,7 Bias baru: b = 0,0 + 0,7 * 1,0 = 0,7 o Data 10 y_in = 0,7 + 0,0 + 0,0 + 0,0 + 0 + 0,0 + 0,0 + 0,0 - 0,7 = 0,0 Hasil aktivasi = 0 (-Ѳ ≤ y_in ≤ Ѳ) Target = -1 Bobot baru: W1 = 0,7 + 0,7 * -1,0 * 0 = 0,7 W2 = 0,7 + 0,7 * -1,0 * 0 = 0,7 W3 = 1,4 + 0,7 * -1,0 * 0 = 1,4 W4 = 1,4 + 0,7 * -1,0 * 0 = 1,4 W5 = 0,7 + 0,7 * -1,0 * 0 = 0,7 W6 = 0,7 + 0,7 * -1,0 * 0 = 0,7 W7 = 0,7 + 0,7 * -1,0 * 0 = 0,7 W8 = -0,7 + 0,7 * -1,0 * 1 = -1,4 Bias baru: b = 0,7 + 0,7 * -1,0 = 0,0

20

o Data 11 y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0 + 0,0 + 0,7 + 0,7 + -1,4 = 0,0 Hasil aktivasi = 0 (-Ѳ ≤ y_in ≤ Ѳ) Target = -1 Bobot baru: W1 = 0,7 + 0,7 * -1,0 * 0 = 0,7 W2 = 0,7 + 0,7 * -1,0 * 0 = 0,7 W3 = 1,4 + 0,7 * -1,0 * 0 = 1,4 W4 = 1,4 + 0,7 * -1,0 * 0 = 1,4 W5 = 0,7 + 0,7 * -1,0 * 0 = 0,7 W6 = 0,7 + 0,7 * -1,0 * 1 = 0,0 W7 = 0,7 + 0,7 * -1,0 * 1 = 0,0 W8 = -1,4 + 0,7 * -1,0 * 1 = -2,1 Bias baru: b = 0,0 + 0,7 * -1,0 = -0,7 o Data 12 y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0 + 0,0 + 0,0 + 0,0 + 0,0 = -0,7 Hasil aktivasi = -1 ( y_in < 0) Target = -1 o Data 13 y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0 + 0,0 + 0,0 + 0,0 - 2,1 = -2,8 Hasil aktivasi = -1 ( y_in < 0) Target = -1 o Data 14 y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0 + 0,0 + 0,0 + 0,0 + 0,0 = -0,7 Hasil aktivasi = -1 ( y_in < 0) Target = -1

21

Epoh ke-3 o Data 1 y_in = -0,7 + 0,7 + 0,7 + 1,4 + 1,4 + 0,0 - 0,7 - 0,7 + 0,0 = 2,1 Hasil aktivasi = 1 ( y_in > 0) Target = 1 o Data 2 y_in = -0,7 + 0,7 + 0,7 + 0 + 1,4 + 0,0 + 0,0 + 0,0 + 0,0 = 2,1 Hasil aktivasi = 1 ( y_in > 0) Target = 1 o Data 3 y_in = -0,7 + 0,7 + 0 + 1,4 + 0 + 0,0 + 0,0 + 0,0 + 0,0 = 1,4 Hasil aktivasi = 1 ( y_in > 0) Target = 1 o Data 4 y_in = -0,7 + 0,7 + 0,7 + 0,0 + 1,4 + 0,0 + 0,0 + 0,0 + 0,0 = 2,1 Hasil aktivasi = 1 ( y_in > 0) Target = 1 o Data 5 y_in = -0,7 + 0,0 + 0,0 + 1,4 + 1,4 + 0,0 + 0,0 + 0,0 - 2,1 = 0,0 Hasil aktivasi = 0 (-Ѳ ≤ y_in ≤ Ѳ) Target = 1 Bobot baru: W1 = 0,7 + 0,7 * 1,0 * 0 = 0,7 W2 = 0,7 + 0,7 * 1,0 * 0 = 0,7 W3 = 1,4 + 0,7 * 1,0 * 1 = 2,1 W4 = 1,4 + 0,7 * 1,0 * 1 = 2,1 W5 = 0,7 + 0,7 * 1,0 * 0 = 0,7 W6 = 0,0 + 0,7 * 1,0 * 0 = 0,0 W7 = 0,0 + 0,7 * 1,0 * 0 = 0,0

22

W8 = -2,1 + 0,7 * 1,0 * 1 = -1,4 Bias baru: b = -0,7 + 0,7 * 1,0 = 0,0 o Data 6 y_in = 0,0 + 0,0 + 0,0 + 2,1 + 2,1 + 0,0 + 0,0 + 0,0 + 0,0 = 4,2 Hasil aktivasi = 1 ( y_in > 0) Target = 1 o Data 7 y_in = 0,0 + 0,0 + 0,7 + 0,0 + 0,0 + 0,7 + 0,0 + 0,0 + 0,0 = 1,4 Hasil aktivasi = 1 ( y_in > 0) Target = 1 o Data 8 y_in = 0,0 + 0,0 + 0,0 + 2,1 + 0,0 + 0,7 + 0,0 + 0,0 + 0,0 = 2,8 Hasil aktivasi = 1 ( y_in > 0) Target = 1 o Data 9 y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,7 + 0,0 + 0,0 + 0,0 = 0,7 Hasil aktivasi = 1 ( y_in > 0) Target = 1 o Data 10 y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 - 1,4 = -1,4 Hasil aktivasi = -1 ( y_in < 0) Target = -1 o Data 11 y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 - 1,4 = -1,4 Hasil aktivasi = -1 ( y_in < 0) Target = -1 o Data 12 y_in = 0,0 + 0,0 + 0 + 0 + 0 + 0,0 + 0,0 + 0,0 + 0,0 = 0,0

23

Hasil aktivasi = 0 (-Ѳ ≤ y_in ≤ Ѳ) Target = -1 Bobot baru: W1 = 0,7 + 0,7 * -1,0 * 0 = 0,7 W2 = 0,7 + 0,7 * -1,0 * 0 = 0,7 W3 = 2,1 + 0,7 * -1,0 * 0 = 2,1 W4 = 2,1 + 0,7 * -1,0 * 0 = 2,1 W5 = 0,7 + 0,7 * -1,0 * 0 = 0,7 W6 = 0,0 + 0,7 * -1,0 * 1 = -0,7 W7 = 0,0 + 0,7 * -1,0 * 1 = -0,7 W8 = -1,4 + 0,7 * -1,0 * 0 = -1,4 Bias baru: b = 0,0 + 0,7 * -1,0 = -0,7 o Data 13 y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 - 0,7 + 0,0 – 1,4 = -2,8 Hasil aktivasi = -1 (y_in < 0) Target = -1 o Data 14 y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 - 0,7 + 0,0 + 0,0 = -1,4 Hasil aktivasi = -1 (y_in < 0) Target = -1

Epoh ke-4 o Data 1 y_in = -0,7 + 0,7 + 0,7 + 2,1 + 2,1 + 0,0 - 0,7 - 0,7 + 0,0 = 3,5 Hasil aktivasi = 1 (y_in > 0) Target = 1 o Data 2 y_in = -0,7 + 0,7 + 0,7 + 0,0 + 2,1 + 0,0 + 0,0 + 0,0 + 0,0 = 2,8

24

Hasil aktivasi = 1 (y_in > 0) Target = 1 o Data 3 y_in = -0,7 + 0,7 + 0,0 + 2,1 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 = 2,1 Hasil aktivasi = 1 (y_in > 0) Target = 1 o Data 4 y_in = -0,7 + 0,7 + 0,7 + 0,0 + 2,1 + 0,0 - 0,7 + 0,0 + 0,0 = 2,1 Hasil aktivasi = 1 (y_in > 0) Target = 1 o Data 5 y_in = -0,7 + 0,0 + 0,0 + 2,1 + 2,1 + 0,0 + 0,0 + 0,0 - 1,4 = 2,1 Hasil aktivasi = 1 (y_in > 0) Target = 1 o Data 6 y_in = -0,7 + 0,0 + 0,0 + 2,1 + 2,1 + 0,0 + -0,7 + 0,0 + 0,0 = 2,8 Hasil aktivasi = 1 (y_in > 0) Target = 1 o Data 7 y_in = -0,7 + 0,0 + 0,7 + 0,0 + 0,0 + 0,7 - 0,7 + 0,0 + 0,0 = 0,0 Hasil aktivasi = 0 (-Ѳ ≤ y_in ≤ Ѳ) Target = 1 Bobot baru: W1 = 0,7 + 0,7 * 1,0 * 0 = 0,7 W2 = 0,7 + 0,7 * 1,0 * 1 = 1,4 W3 = 2,1 + 0,7 * 1,0 * 0 = 2,1 W4 = 2,1 + 0,7 * 1,0 * 0 = 2,1 W5 = 0,7 + 0,7 * 1,0 * 1 = 1,4 W6 = -0,7 + 0,7 * 1,0 * 1 = 0,0

25

W7 = -0,7 + 0,7 * 1,0 * 0 = -0,7 W8 = -1,4 + 0,7 * 1,0 * 0 = -1,4 Bias baru: b = -0,7 + 0,7 * 1,0 = 0,0 o Data 8 y_in = 0,0 + 0,0 + 0,0 + 2,1 + 0,0 + 1,4 + 0,0 - 0,7 + 0,0 = 2,8 Hasil aktivasi = 1 (y_in > 0) Target = 1 o Data 9 y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 1,4 + 0,0 - 0,7 + 0,0 = 0,7 Hasil aktivasi = 1 (y_in > 0) Target = 1 o Data 10 y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 - 1,4 = -1,4 Hasil aktivasi = -1 (y_in < 0) Target = -1 o Data 11 y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + -0,7 - 1,4 = -2,1 Hasil aktivasi = -1 (y_in < 0) Target = -1 o Data 12 y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + -0,7 + 0,0 = -0,7 Hasil aktivasi = -1 (y_in < 0) Target = -1 o Data 13 y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 - 1,4 = -1,4 Hasil aktivasi = -1 (y_in < 0) Target = -1

26

o Data 14 y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 = 0,0 Hasil aktivasi = 0 (-Ѳ ≤ y_in ≤ Ѳ) Target = -1 Bobot baru: W1 = 0,7 + 0,7 * -1,0 * 0 = 0,7 W2 = 1,4 + 0,7 * -1,0 * 0 = 1,4 W3 = 2,1 + 0,7 * -1,0 * 0 = 2,1 W4 = 2,1 + 0,7 * -1,0 * 0 = 2,1 W5 = 1,4 + 0,7 * -1,0 * 0 = 1,4 W6 = 0,0 + 0,7 * -1,0 * 1 = -0,7 W7 = -0,7 + 0,7 * -1,0 * 0 = -0,7 W8 = -1,4 + 0,7 * -1,0 * 0 = -1,4 Bias baru: b = 0,0 + 0,7 * -1,0 = -0,7

Epoh ke-5 o Data 1 y_in = -0,7 + 0,7 + 1,4 + 2,1 + 2,1 + 0,0 + -0,7 - 0,7 + 0,0 = 4,2 Hasil aktivasi = 1 (y_in > 0) Target = 1 o Data 2 y_in = -0,7 + 0,7 + 1,4 + 0,0 + 2,1 + 0,0 + 0,0 + 0,0 + 0,0 = 3,5 Hasil aktivasi = 1 (y_in > 0) Target = 1 o Data 3 y_in = -0,7 + 0,7 + 0,0 + 2,1 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 = 2,1 Hasil aktivasi = 1 (y_in > 0) Target = 1

27

o Data 4 y_in = -0,7 + 0,7 + 1,4 + 0,0 + 2,1 + 0,0 + -0,7 + 0,0 + 0,0 = 3,5 Hasil aktivasi = 1 (y_in > 0) Target = 1 o Data 5 y_in = -0,7 + 0,0 + 0,0 + 2,1 + 2,1 + 0,0 + 0,0 + 0,0 - 1,4 = 2,1 Hasil aktivasi = 1 (y_in > 0) Target = 1 o Data 6 y_in = -0,7 + 0,0 + 0,0 + 2,1 + 2,1 + 0,0 - 0,7 + 0,0 + 0,0 = 2,8 Hasil aktivasi = 1 (y_in > 0) Target = 1 o Data 7 y_in = -0,7 + 0,0 + 1,4 + 0,0 + 0,0 + 1,4 - 0,7 + 0,0 + 0,0 = 1,4 Hasil aktivasi = 1 (y_in > 0) Target = 1 o Data 8 y_in = -0,7 + 0,0 + 0,0 + 2,1 + 0,0 + 1,4 + -0,7 - 0,7 + 0,0 = 1,4 Hasil aktivasi = 1 (y_in > 0) Target = 1 o Data 9 y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 1,4 + -0,7 - 0,7 + 0,0 = -0,7 Hasil aktivasi = -1 ( y_in < 0) Target = 1 Bobot baru: W1 = 0,7 + 0,7 * 1,0 * 0 = 0,7 W2 = 1,4 + 0,7 * 1,0 * 0 = 1,4 W3 = 2,1 + 0,7 * 1,0 * 0 = 2,1 W4 = 2,1 + 0,7 * 1,0 * 0 = 2,1

28

W5 = 1,4 + 0,7 * 1,0 * 1 = 2,1 W6 = -0,7 + 0,7 *1,0 * 1 = 0,0 W7 = -0,7 + 0,7 * 1,0 * 1 = 0,0 W8 = -1,4 + 0,7 * 1,0 * 0 = -1,4 Bias baru: b = -0,7 + 0,7 * 1,0 = 0,0 o Data 10 y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 - 1,4 = -1,4 Hasil aktivasi = -1 (y_in < 0) Target = -1 o Data 11 y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 - 1,4 = -1,4 Hasil aktivasi = -1 (y_in < 0) Target = -1 o Data 12 y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 = 0,0 Hasil aktivasi = 0 (-Ѳ ≤ y_in ≤ Ѳ) Target = -1 Bobot baru: W1 = 0,7 + 0,7 * -1,0 * 0 = 0,7 W2 = 1,4 + 0,7 * -1,0 * 0 = 1,4 W3 = 2,1 + 0,7 * -1,0 * 0 = 2,1 W4 = 2,1 + 0,7 * -1,0 * 0 = 2,1 W5 = 2,1 + 0,7 * -1,0 * 0 = 2,1 W6 = 0,0 + 0,7 * -1,0 * 1 = -0,7 W7 = 0,0 + 0,7 * -1,0 * 1 = -0,7 W8 = -1,4 + 0,7 * -1,0 * 0 = -1,4 Bias baru: b = 0,0 + 0,7 * -1,0 = -0,7

29

o Data 13 y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 - 0,7 + 0,0 – 1,4 = -2,8 Hasil aktivasi = -1 ( y_in < 0) Target = -1 o Data 14 y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 - 0,7 + 0,0 + 0,0 = -1,4 Hasil aktivasi = -1 ( y_in < 0) Target = -1

Epoh ke-6 o Data 1 y_in = -0,7 + 0,7 + 1,4 + 2,1 + 2,1 + 0,0 - 0,7 - 0,7 + 0,0 = 4,2 Hasil aktivasi = 1 ( y_in > 0) Target = 1 o Data 2 y_in = -0,7 + 0,7 + 1,4 + 0,0 + 2,1 + 0,0 + 0,0 + 0,0 + 0,0 = 3,5 Hasil aktivasi = 1 ( y_in > 0) Target = 1 o Data 3 y_in = -0,7 + 0,7 + 0,0 + 2,1 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 = 2,1 Hasil aktivasi = 1 ( y_in > 0) Target = 1 o Data 4 y_in = -0,7 + 0,7 + 1,4 + 0,0 + 2,1 + 0,0 + -0,7 + 0,0 + 0,0 = 2,8 Hasil aktivasi = 1 ( y_in > 0) Target = 1 o Data 5 y_in = -0,7 + 0,0 + 0,0 + 2,1 + 2,1 + 0,0 + 0,0 + 0,0 + -1,4 = 2,1 Hasil aktivasi = 1 ( y_in > 0)

Target = 1

30

o Data 6 y_in = -0,7 + 0,0 + 0,0 + 2,1 + 2,1 + 0,0 + -0,7 + 0,0 + 0,0 = 2,8 Hasil aktivasi = 1 ( y_in > 0) Target = 1 o Data 7 y_in = -0,7 + 0,0 + 1,4 + 0,0 + 0,0 + 2,1 + -0,7 + 0,0 + 0,0 = 2,1 Hasil aktivasi = 1 ( y_in > 0) Target = 1 o Data 8 y_in = -0,7 + 0,0 + 0,0 + 2,1 + 0,0 + 2,1 + -0,7 + -0,7 + 0,0 = 2,1 Hasil aktivasi = 1 ( y_in > 0) Target = 1 o Data 9 y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 2,1 + -0,7 + -0,7 + 0,0 = 0,0 Hasil aktivasi = 0 (-Ѳ ≤ y_in ≤ Ѳ) Target = 1 Bobot baru: W1 = 0,7 + 0,7 * 1,0 * 0 = 0,7 W2 = 1,4 + 0,7 * 1,0 * 0 = 1,4 W3 = 2,1 + 0,7 * 1,0 * 0 = 2,1 W4 = 2,1 + 0,7 * 1,0 * 0 = 2,1 W5 = 2,1 + 0,7 * 1,0 * 1 = 2,8 W6 = -0,7+ 0,7 * 1,0 * 1 = 0,0 W7 = -0,7+ 0,7 * 1,0 * 1 = 0,0 W8 = -1,4 + 0,7 * 1,0 * 0 = -1,4 Bias baru: b = -0,7 + 0,7 * 1,0 = 0,0 o Data 10 y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + -1,4 = -1,4

31

Hasil aktivasi = -1 ( y_in < 0) Target = -1 o Data 11 y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + -1,4 = -1,4 Hasil aktivasi = -1 ( y_in < 0) Target = -1 o Data 12 y_in = 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 = 0 Hasil aktivasi = 0 (-Ѳ ≤ y_in ≤ Ѳ) Target = -1 Bobot baru: W1 = 0,7 + 0,7 * -1,0 * 0 = 0,7 W2 = 1,4 + 0,7 * -1,0 * 0 = 1,4 W3 = 2,1 + 0,7 * -1,0 * 0 = 2,1 W4 = 2,1 + 0,7 * -1,0 * 0 = 2,1 W5 = 2,8 + 0,7 * -1,0 * 0 = 2,8 W6 = 0,0 + 0,7 * -1,0 * 1 = -0,7 W7 = 0,0 + 0,7 * -1,0 * 1 = -0,7 W8 = -1,4 + 0,7 * -1,0 * 0 = -1,4 Bias baru: b = 0,0 + 0,7 * -1,0 = -0,7 o Data 13 y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + -0,7 + 0,0 + -1,4 = -2,8 Hasil aktivasi = -1 ( y_in < 0) Target = -1 o Data 14 y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + -0,7 + 0,0 + 0,0 = -1,4 Hasil aktivasi = -1 ( y_in < 0) Target = -1

32

Epoh ke-7 o Data 1 y_in = -0,7 + 0,7 + 1,4 + 2,1 + 2,1 + 0,0 - 0,7 - 0,7 + 0,0 = 4,2 Hasil aktivasi = 1 ( y_in > 0) Target = 1 o Data 2 y_in = -0,7 + 0,7 + 1,4 + 0,0 + 2,1 + 0,0 + 0,0 + 0,0 + 0,0 = 3,5 Hasil aktivasi = 1 ( y_in > 0) Target = 1 o Data 3 y_in = -0,7 + 0,7 + 0,0 + 2,1 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 = 2,1 Hasil aktivasi = 1 ( y_in > 0) Target = 1 o Data 4 y_in = -0,7 + 0,7 + 1,4 + 0,0 + 2,1 + 0,0 + -0,7 + 0,0 + 0,0 = 2,8 Hasil aktivasi = 1 ( y_in > 0) Target = 1 o Data 5 y_in = -0,7 + 0,0 + 0,0 + 2,1 + 2,1 + 0,0 + 0,0 + 0,0 + -1,4 = 2,1 Hasil aktivasi = 1 ( y_in > 0) Target = 1 o Data 6 y_in = -0,7 + 0,0 + 0,0 + 2,1 + 2,1 + 0,0 + -0,7 + 0,0 + 0,0 = 2,8 Hasil aktivasi = 1 ( y_in > 0) Target = 1 o Data 7 y_in = -0,7 + 0,0 + 1,4 + 0,0 + 0,0 + 2,8 + -0,7 + 0,0 + 0,0 = 2,8 Hasil aktivasi = 1 ( y_in > 0) Target = 1

33

o Data 8 y_in = -0,7 + 0,0 + 0,0 + 2,1 + 0,0 + 2,8 + -0,7 + -0,7 + 0,0 = 2,8 Hasil aktivasi = 1 ( y_in > 0) Target = 1 o Data 9 y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 2,8 + -0,7 + -0,7 + 0,0 = 0,7 Hasil aktivasi = 1 ( y_in > 0) Target = 1 o Data 10 y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + -1,4 = -2,1 Hasil aktivasi = -1 ( y_in < 0) Target = -1 o Data 11 y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + -0,7 + -0,7 + -1,4 = -3,5 Hasil aktivasi = -1 ( y_in < 0) Target = -1 o Data 12 y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + -0,7 + -0,7 + 0,0 = -2,1 Hasil aktivasi = -1 ( y_in < 0) Target = -1 o Data 13 y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + -0,7 + 0,0 + -1,4 = -2,8 Hasil aktivasi = -1 ( y_in < 0) Target = -1 o Data 14 y_in = -0,7 + 0,0 + 0,0 + 0,0 + 0,0 + 0,0 + -0,7 + 0,0 + 0,0 = -1,4 Hasil aktivasi = -1 ( y_in < 0) Target = -1

34

Pada epoh ke-7 sudah tidak terjadi perubahan bobot, sehingga proses pembelajaran dihentikan. Hasil akhir diperoleh : Nilai bobot, W1 = 0,7; W2 = 1,4; W3 = 2,1; W4 = 2,1; W5 = 2,8; W6 = -0,7; W7 = -0,7; dan W8 = -1,4. Bobot bias, b = - 0,7.

Dengan demikian garis yang membatasi daerah positif dengan daerah nol memenuhi pertidaksamaan : 0,7 X1 + 1,4 X2 + 2,1 X3 + 2,1 X4 + 2,8 X5 – 0,7 X6 – 0,7 X7 – 1,4 X8 – 0,7 > 0 Sedangkan garis yang membatasi daerah negatif dengan daerah nol memenuhi persamaan : 0,7 X1 + 1,4 X2 + 2,1 X3 + 2,1 X4 + 2,8 X5 – 0,7 X6 – 0,7 X7 – 1,4 X8 – 0,7 < 0

3.3 Pengujian Pada tahap ini, akan dilakukan proses pengujian akhir terhadap ke-10 data daun yang belum diketahui output atau targetnya dengan mempergunakan hasil bobot dari sampel data pelatihan sebelumnya. Tabel 3.3 menunjukan sampel data pengujian untuk mendeteksi penyakit pada daun tembakau. Tabel 3.3 Sampel Daun untuk Pengujian Daun ke1 2 3 4 5 6 7 8 9 10

Gejala A + + -

Gejala B + + + -

Gejala C + + -

Gejala D + + -

Gejala E + -

Gejala F + + + + + -

Gejala G + + + + +

Gejala H + + + +

Keterangan

Input : Ada Gejala (+) = 1;

Tidak Ada Gejala (-) = 0

35

Hasil dari pengujian pada tabel 3.3 akan memiliki persentase keberhasilan 100% jika output yang dihasilkan memiliki urutan 5 daun pertama adalah bercak daun dan 5 urutan kedua adalah cacar daun. 

Daun ke-1 Xn = [ 1,0 1,0 0,0 0,0 0,0 0,0 1,0 0,0 ] Y = 0,7 X1 + 1,4 X2 + 2,1 X3 + 2,1 X4 + 2,8 X5 – 0,7 X6 – 0,7 X7 – 1,4 X8 – 0,7 Y = 0,7*1 + 1,4*1 + 2,1*0 + 2,1*0 + 2,8*0 – 0,7*0 – 0,7*1 – 1,4*0 – 0,7 Y = 0,7 + 0,14 – 0,7 – 0,7 = 0,7

Daun ke-1 mengalami penyakit bercak daun. Hal ini ditunjukan dengan nilai y lebih besar dari nilai threshold 0 yaitu 0,7. 





Daun ke-4 Xn = [ 0,0 0,0 1,0 0,0 1,0 0,0 0,0 0,0 ]

36

Y = 0,7 X1 + 1,4 X2 + 2,1 X3 + 2,1 X4 + 2,8 X5 – 0,7 X6 – 0,7 X7 – 1,4 X8 – 0,7 Y = 0,7*0 + 1,4*0 + 2,1*1 + 2,1*0 + 2,8*1 – 0,7*0 – 0,7*0 – 1,4*0 – 0,7 Y = 2,1 + 2,8 – 0,7 = 4,2




Daun ke-6 Xn = [ 0,0 0,0 0,0 0,0 0,0 1,0 1,0 0,0 ] Y = 0,7 X1 + 1,4 X2 + 2,1 X3 + 2,1 X4 + 2,8 X5 – 0,7 X6 – 0,7 X7 – 1,4 X8 – 0,7 Y = 0,7*0 + 1,4*0 + 2,1*0 + 2,1*0 + 2,8*0 – 0,7*1 – 0,7*1 – 1,4*0 – 0,7 Y = – 0,7 – 0,7 – 0,7 = - 2,1

Daun ke-6 mengalami penyakit cacar daun. Hal ini ditunjukan dengan nilai y lebih kecil dari nilai threshold 0 yaitu -2,1. 


Daun ke-7 mengalami penyakit cacar daun. Hal ini ditunjukan dengan nilai y lebih kecil dari nilai threshold 0 yaitu -2,8.

37








Daun ke-10 mengalami penyakit cacar daun. Hal ini ditunjukan dengan nilai y lebih kecil dari nilai threshold 0 yaitu -2,8.

Dari perhitungan di atas, dapat dilihat bahwa proses pengujian menghasilkan prediksi dengan tepat, yaitu 5 urutan pertama adalah bercak daun dan 5 urutan kedua adalah cacar daun sehingga memiliki persentase keberhasilan 100%.

38

BAB IV PENUTUP

4.1 Kesimpulan Berdasarkan hasil pemaparan pada makalah ini, maka dapat disimpulkan beberapa hal antara lain sebagai berikut: 1. Basis pengetahuan yang digunakan untuk menentukan prediksi penyakit pada daun tembakau adalah bercak daun dan cacar daun yang merupakan penyakit pada daun tembakau dengan bercak merah kecoklatan, belangbelang, berlubang, bercak putih, bercak coklat kehijauan, bintik hitam, gugur daun dan bercak menggelembung sebagai gejala dari penyakit daun tembakau. 2. Metode Artificial network denggan menggunakan algoritma perceptron merupakan metode untuk menentukan prediksi penyakit pada daun tembakau. Sehingga diperoleh persamaan 0,7 X1 + 1,4 X2 + 2,1 X3 + 2,1 X4 + 2,8 X5 – 0,7 X6 – 0,7 X7 – 1,4 X8 – 0,7 > 0, untuk garis yang membatasi daerah positif dengan daerah nol, Sedangkan garis yang membatasi daerah negatif dengan daerah nol memiliki persamaan 0,7 X1 + 1,4 X2 + 2,1 X3 + 2,1 X4 + 2,8 X5 – 0,7 X6 – 0,7 X7 – 1,4 X8 – 0,7 < 0. Persamaan ini diperoleh dari 14 data penyakit bercak daun dan cacar daun dengan gejala tertentu yang dimiliki yang digunakan sebagai data pelatihan. 3. Jika suatu daun memiliki nilai yang diperoleh dari persamaan lebih besar dibandingkan nilai threshold yaitu 0 maka daun tersebut terdeteksi dengan penyakit bercak daun dan jika lebih kecil dari nilai threshold maka daun terdeteksi dengan penyakit cacar daun. Hasil pengujian menggunakan data pengujian dengan perbandingan penggunaan data sebesar 50 : 50 dari data daun berpenyakit bercak dan cacar daun, memiliki persentase keberhasilan sebesar 100%.

39

4.2 Saran Berdasarkan hasil pemaparan makalah ini, maka penulis menyarankan sebagai berikut: 1.

Diharapkan pada tahap pengujian dilakukan penambahan data pengujian dengan perbandingan penggunaan data yang tidak imbang, sehingga memiliki tingkat keberhasilan yang lebih akurat.

40

DAFTAR PUSTAKA

Andry H. 2004. Studi Kasus Mengenai Aplikasi Multilayer Perceptron Neural Network Pada Sistem Pendeteksi Gangguan (IDS) Berdasarkan Anomali Suatu Jaringan. Bandung : Institut Teknologi Bandung. Arif H. 2006. Jaringan Syaraf Tiruan Teori dan Aplikasi. Yogyakarta : Penerbit ANDI. Ary N, Satryo PH, Wahyono. Pengenalan Huruf Berbasis Jaringan Syaraf Tiruan Menggunakan Algoritma Perceptron. Http : //www.scrib.com/doc/13826849/pengenalan-huruf-berbasis-jaringansyaraf-tiruan-menggunakan-algoritma-perceptron. Yogyakarta : Universitas Gadjah Mada. AsianBrain.com. Cengkeh dan Manfaatnya. http://www.anneahira.com/tanaman-obat/cengkeh.htm. [diakses Mei 2010] Laily Fithri, Diana. 2013. Deteksi Penyakit Pada Daun Tembakau Dengan Menerapkan Algoritma Artificial Neural Network. Jurnal SIMETRIS. Vol 3 No 1. Kusumadewi, S. 2003. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta : Graha Ilmu.

41

Makalah Jaringan Syaraf Tiruan (Menggunakan Metode Perceptron)

Recommend Documents