deteksi hunian menggunakan metode jaringan...

DETEKSI HUNIAN MENGGUNAKAN METODE JARINGAN SARAF

TIRUAN PROPAGASI BALIK

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Matematika

Program Studi Matematika

Oleh :

Gabriel Fransiscoli Sipayung

NIM: 163114018

PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2020

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

i

DETEKSI HUNIAN MENGGUNAKAN METODE JARINGAN SARAF

TIRUAN PROPAGASI BALIK

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Matematika

Program Studi Matematika

Oleh :


NIM: 163114018

PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2020


ii

OCCUPANCY DETECTION USING ARTIFICIAL NEURAL NETWORK

BACK PROPAGATION METHODS

THESIS

Presented as Partial Fulfillment of the

Requirements to Obtain the Degree of Sarjana Matematika

Mathematics Study Program

Written by


Student ID : 163114018

MATHEMATICS STUDY PROGRAM

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2020


v

HALAMAN PERSEMBAHAN

“Mintalah, maka akan diberikan kepadamu; Carilah, maka kamu akan mendapat;

Ketuklah, maka pintu akan dibukakan bagimu”

(Matius 7: 7)

“Apapun yang kamu perbuat, perbuatlah dengan segenap hatimu seperti untuk

Tuhan dan bukan untuk manusia”

(Kolose 3: 23)

“Ia membuat segala sesuatu indah pada waktunya”

(Pengkhotbah 3: 11)

Skripsi ini penulis persembahkan kepada kedua orang tua,

Fransiskus Xaverius Sariden Sipayung dan Agnesa Sutiyah

Kedua kakak,

Ruth Erika Kristina Sipayung dan Elisabeth Advencia Natalia Sipayung

Kedua adik,

Maria Rosari Epifanya Sipayung dan Aloysius Romanon Sipayung


viii

ABSTRAK

Deteksi hunian banyak digunakan pada sebuah gedung atau bangunan. Hal ini

terjadi karena penentuan deteksi hunian yang akurat yang diterapkan pada sebuah

bangunan dapat menghemat energi secara signifikan. Oleh karena itu sangatlah

penting untuk menemukan cara mendeteksi hunian sebuah gedung atau bangunan.

Dalam melakukan deteksi hunian ini, kita menggunakan metode jaringan saraf

tiruan. Tujuan dari penelitian ini adalah membangun sistem deteksi hunian

menggunakan jaringan saraf tiruan. Pada skripsi ini akan dibahas bagaimana

membangun sistem deteksi hunian menggunakan metode jaringan saraf tiruan

propagasi balik. Untuk membangun sistem deteksi hunian yang optimal

dibutuhkan model jaringan serta nilai akurasi yang dihasilkan oleh model

jaringan. Selanjutnya model jaringan serta nilai akurasi yang dihasilkan akan

dianalisis agar model yang dihasilkan dapat melakukan deteksi hunian dengan

akurat.

Berdasarkan penelitian ini, model jaringan terbaik yang dihasilkan adalah

model jaringan dengan lima masukan (input), satu lapisan tersembunyi (hidden

layer) dengan jumah 12 neuron, dan satu luaran (output). Nilai akurasi yang

dihasilkan dari model jaringan ini adalah 99.3580%.

Kata kunci: Deteksi hunian, jaringan saraf tiruan, propagasi balik, model

jaringan, nilai akurasi.


ix

ABSTRACT

Occupancy detection are mostly used in a building. This is because an

accurate determination of occupancy detection applied to a building can save

energy significantly. Hence, it is very important to find a way to detect the

occupancy of a building. In occupancy detection, we used a method called

artificial neural network. The purpose of this research is to build occupancy

detection system using artificial neural network. This thesis will discuss how to

build occupancy detection system using artificial neural network back

propagation. To build an optimal occupancy detection system, it needs network

model and accuracy value from the network models. Next, the network model and

the accuracy that was produced will be analyzed in order to produce a model with

high occupancy detection.

Based on this research, the best network model is a network model with

five inputs, one hidden layers with 12 neurons, and one output. The accuracy

value resulted from this network model is 99.3580%.

Keyword: Occupancy detection, artificial neural network, back propagation,

network model, accuracy value.


xii

DAFTAR ISI

HALAMAN JUDUL ................................................................................................ i

HALAMAN JUDUL .............................................................................................. ii

HALAMAN PERSETUJUAN PEMBIMBING .................................................... iii

HALAMAN PENGESAHAN ................................................................................ iv

HALAMAN PERSEMBAHAN ............................................................................. v

PERNYATAAN KEASLIAN KARYA ................................................................ vi

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI................................ vii

ABSTRAK ........................................................................................................... viii

ABSTRACT ............................................................................................................. ix

KATA PENGANTAR ............................................................................................ x

DAFTAR ISI .......................................................................................................... xi

BAB I PENDAHULUAN ....................................................................................... 1

A. Latar Belakang ......................................................................................... 1

B. Rumusan Masalah .................................................................................... 3

C. Batasan Masalah ....................................................................................... 3

D. Tujuan Penulisan ...................................................................................... 3

E. Manfaat Penulisan .................................................................................... 4

F. Metode Penulisan ......................................................................................... 4

G. Sistematika Penulisan ............................................................................... 4

BAB II JARINGAN SARAF TIRUAN .................................................................. 6

A. Dasar-dasar Matematika dalam Jaringan Saraf Tiruan ............................ 6

B. Jaringan Saraf Tiruan ............................................................................. 18

C. Propagasi Balik (Back Propagation) ...................................................... 25

BAB III METODOLOGI ...................................................................................... 36

A. Data ........................................................................................................ 36

B. Preprosesing Data .................................................................................. 38

C. Perancangan Sistem Jaringan Saraf Tiruan ............................................ 46


xiii

BAB IV HASIL DAN ANALISIS HASIL ........................................................... 56

A. Hasil dan Analisis Hasil ......................................................................... 56

B. Interface Pengujian Sistem ..................................................................... 63

BAB V PENUTUP ................................................................................................ 72

A. Kesimpulan ............................................................................................. 72

B. Saran ....................................................................................................... 72

DAFTAR PUSTAKA ........................................................................................... 74

LAMPIRAN .......................................................................................................... 75


1

BAB I

PENDAHULUAN

Pada bab ini membahas mengenai latar belakang, rumusan masalah, batasan

masalah, tujuan penulisan, manfaat penulisan, metode yang digunakan pada tugas

akhir ini, dan sistematika penulisan.

A. Latar Belakang

Dewasa ini deteksi hunian banyak digunakan dalam sebuah gedung atau

bangunan. Penentuan deteksi hunian yang akurat diperkirakan dapat

menghemat energi sebesar 30% hingga 42% (Candanedo & Feldheim, 2016).

Penghematan energi dapat terjadi karena penentuan deteksi hunian yang

akurat dapat dijadikan pedoman untuk menghidupkan atau mematikan alat

yang menggunakan energi secara otomatis. Sebagai contoh penggunaan AC

(Air Conditioning) dalam sebuah ruangan dapat diatur secara otomatis dengan

berpedoman pada deteksi hunian yang akurat. Hal ini dapat menghindari

kelalaian dalam mematikan daya, sehingga dapat menghemat energi.

Deteksi hunian sekarang ini menjadi sangat mungkin dilakukan,

mengingat keterjangkauan sensor-sensor yang digunakan untuk merekam data

yang dibutuhkan dalam proses deteksi hunian. Sensor-sensor ini digunakan

untuk merekam data seperti suhu, kelembaban udara, kadar karbondioksida

dan lain sebagainya. Data tersebut yang nantinya akan digunakan untuk

melakukan deteksi hunian. Deteksi hunian selain dapat digunakan untuk

penghematan energi juga bisa digunakan dalam sistem keamanan. Deteksi

hunian tanpa menggunakan kamera sangat menarik karena alasan privasi.

Jaringan saraf tiruan (artificial neural network) adalah suatu sistem

komputasi yang disusun dengan meniru proses alamiah yang terjadi dalam

jaringan saraf otak manusia. Jaringan saraf tiruan terdiri dari tiga bagian

penting, yaitu masukan (input), proses (process), dan luaran (output). Bagian

masukan terdiri dari atribut-atribut dari data yang sudah ada sebelumnya.

Bagian proses adalah tempat dimana sistem melakukan komputasi terhadap


2

atribut-atribut yang dimasukkan ke dalam sistem, yang dilengkapi dengan

fungsi aktivasi tertentu. Bagian terakhir yaitu luaran adalah hasil yang

diperoleh dari komputasi yang dilakukan oleh bagian proses.

Salah satu sistem pembelajaran yang ada pada jaringan saraf tiruan adalah

sistem pembelajaran propagasi balik (back propagation). Sistem pembelajaran

ini melakukan modifikasi bobot mulai dari lapisan luaran, sampai pada lapisan

masukan. Sistem pembelajaran ini akan terus melakukan modifikasi bobot

sampai besarnya galat lebih kecil atau sama dengan galat yang telah

ditentukan. Algoritma propagasi balik dapat dinyatakan sebagai berikut

( ) (1.1)

dengan adalah masukan pada lapisan, adalah fungsi aktivasi, adalah bias

dan M adalah jumlah lapisan pada jaringan. Untuk pembaharuan bias dan

bobot dapat dinyatakan sebagai berikut

( ) ( )

(1.2)

( ) ( )

(1.3)

dengan adalah bobot pada lapisan ke- dan ( ) merupakan indeks iterasi

ke- , adalah bias, dan adalah konstanta positif.

Jaringan saraf tiruan metode propagasi balik telah banyak digunakan,

misalnya adalah untuk sistem pengenalan kapal, prediksi nilai tukar,

klasifikasi pengendara sepeda motor tidak memakai helm, dan prediksi jumlah

penderita demam berdarah. Jaringan saraf tiruan propagasi balik bisa

digunakan sebagai alternatif sistem deteksi hunian.

Pada tugas akhir ini, akan dibahas mengenai bagaimana melakukan

pendekatan menggunakan jaringan saraf tiruan khususnya sistem

pembelajaran propagasi balik pada sistem deteksi hunian pada sebuah ruang


3

kerja. Deteksi hunian dilakukan berdasarkan variabel-variabel yang akan

dijadikan sebagai atribut untuk membangun jaringan saraf tiruan. Variabel-

variabel yang akan digunakan sebagai atribut pada tugas akhir ini antara lain:

suhu, kelembaban udara, intensitas cahaya, kadar karbondioksida dan rasio

kelembaban. Target yang akan dicapai adalah mengklasifikasikan apakah

sebuah ruangan dihuni atau tidak.

B. Rumusan Masalah

Perumusan masalah yang akan dibicarakan pada tugas akhir ini adalah:

1. Bagaimana jaringan saraf tiruan propagasi balik melakukan deteksi

hunian pada sebuah ruangan?

2. Arsitektur jaringan saraf tiruan seperti apa yang optimal dalam

melakukan deteksi hunian pada sebuah ruangan?

3. Bagaimana akurasi yang diperoleh dari arsitektur jaringan saraf tiruan

yang dibuat tersebut?

C. Batasan Masalah

Tugas akhir ini dibatasi oleh masalah-masalah berikut ini:

1. Jaringan saraf tiruan yang digunakan ialah metode propagasi balik.

2. Arsitektur jaringan saraf tiruan yang akan dibangun dengan variasi

lapisan tersembunyi dan variasi jumlah neuron dalam lapisan

tersembunyi, serta beberapa parameter penting dalam jaringan saraf

tiruan.

3. Penerapan jaringan saraf tiruan yang akan dibahas pada tugas akhir ini

dibatasi pada sistem deteksi hunian pada sebuah ruang kerja.

D. Tujuan Penulisan

Tujuan dari penulisan tugas akhir ini adalah untuk membangun sistem

deteksi hunian ruang kerja menggunakan jaringan saraf tiruan propagasi balik.

Tugas akhir ini diharapkan memperoleh arsitektur yang optimal dalam

melakukan deteksi hunian. Arsitektur yang diperoleh akan dinilai akurasinya


4

dalam melakukan deteksi. Penerapan jaringan saraf tiruan yang dilakukan

pada tugas akhir ini juga akan diimplementasikan pada sebuah program pada

Matlab.

E. Manfaat Penulisan

Manfaat penulisan tugas akhir ini adalah dapat menghasilkan penerapan

jaringan saraf tiruan pada masalah sistem deteksi hunian. Selain itu

menghasilkan sebuah program yang dapat dijalankan untuk membantu

mendeteksi apakah suatu ruang kerja berpenghuni atau tidak.

F. Metode Penulisan

Metode penulisan yang digunakan pada tugas akhir ini adalah metode

studi pustaka, yakni dengan membaca mempelajari serta memahami buku-

buku atau jurnal-jurnal yang berkaitan dengan jaringan saraf tiruan dan

penerapannya dalam sistem deteksi.

G. Sistematika Penulisan

BAB I PENDAHULUAN

A. Latar Belakang

B. Rumusan Masalah

C. Batasan Masalah

D. Tujuan Penulisan

E. Manfaat Penulisan

F. Metode Penulisan

G. Sistematika Penulisan

BAB II JARINGAN SARAF TIRUAN

A. Dasar matematika dalam Jaringan Saraf Tiruan

B. Jaringan Saraf Tiruan

C. Propagasi balik


5

BAB III METODOLOGI

A. Data

B. Preprosesing data

C. Perancangan Sistem Jaringan Saraf Tiruan

BAB IV HASIL DAN ANALISIS HASIL

A. Hasil dan Analisis Hasil

B. Interface Pengujian Sistem

BAB V PENUTUP

A. Kesimpulan

B. Saran

DAFTAR PUSTAKA

LAMPIRAN


6

BAB II

JARINGAN SARAF TIRUAN

Pada bab ini dibahas mengenai dasar-dasar matematika dalam jaringan saraf

tiruan, jaringan saraf tiruan, dan jaringan saraf tiruan secara khusus pembelajaran

propagasi balik.

A. Dasar-dasar Matematika dalam Jaringan Saraf Tiruan

Jaringan saraf tiruan dilandasi dan berhubungan langsung dengan

matematika. Dasar-dasar yang digunakan dalam jaringan saraf tiruan di

antaranya adalah matriks, vektor, operasi pada matriks, turunan, dan aturan

rantai untu turunan. Pada bagian ini membahas mengenai definisi, teorema,

serta contoh mengenai dasar-dasar matematika dalam jaringan saraf tiruan.

1. Matriks dan Vektor

Pada bagian ini dibahas mengenai definisi dan contoh dari matriks,

vektor, dan kesamaan dua matriks.

Definifi 2.1 (Matriks)

Matriks adalah jajaran bilangan-bilangan yang disusun dalam baris dan

kolom berbentuk persegi empat.

Ukuran dari matriks ditentukan oleh banyaknya baris dan kolom.

Matriks yang mempunyai baris dan kolom dapat dituliskan sebagai

matriks . Bilangan yang terletak pada matriks disebut elemen

matriks.

Contoh 2.1

Matriks

[

] [

] [

]


7

masing-masing mempunyai ukuran dan .

Bentuk umum sebuah matriks berukuran adalah sebagai berikut:

[

]

dengan merupakan elemen matriks .

Definisi 2.2 (Vektor)

Vektor adalah matriks khusus yang mempunyai ukuran atau

. Vektor yang memiliki ukuran disebut vektor kolom dan

vektor yang memiliki ukuran disebut vektor baris.

Contoh 2.2

[ ] [ ]

Vektor kolom memiliki ukuran dan vektor baris memiliki

ukuran .

Bentuk umum vektor kolom dengan ukuran dan vektor baris

berukuran adalah sebagai berikut:

[

] [ ]

dengan merupakan elemen vektor kolom , dan

merupakan elemen vektor baris .


8

Definisi 2.3 (Kesamaan Dua Matriks)

Dua matriks F dan G dikatakan sama jika kedua matriks berukuran

sama dan elemen yang seletak bernilai sama. Kesamaan dua matriks F dan

G dapat ditulis

Contoh 2.3

Diberikan matriks F, G, dan H sebagai berikut.

[

] [

] [

]

Matriks , sedangkan matriks karena ukuran kedua matriks

berbeda.

2. Operasi pada Matriks

Pada bagian ini membahas mengenai definisi dan contoh beserta

penyelesaian dari operasi-operasi pada matriks.

Definisi 2.4 (Jumlahan Dua Matriks)

Misalkan ( ) dan ( ) merupakan dua matriks berukuran

sama . Jumlah dua matriks dan ditulis adalah matriks

berukuran dengan elemennya merupakan jumlah elemen yang

seletak dari kedua matriks. Dalam hal ini ditulis

( ) (2.1)

Contoh 2.4

Diketahui

[

] [

] [

]


9

Hasil penjumlahan matriks A dan B adalah?

Penyelesaian

[

]

[

( ) ]

[

]

sedangkan jumlah dari A dan C tidak terdefinisi karena kedua matriks

tidak memiliki ukuran yang sama.

Definisi 2.5 (Perkalian Matriks dengan Skalar)

Diketahui matriks A dan c merupakan sebuah skalar. Matriks cA adalah

matriks yang diperoleh dengan mengalikan setiap elemen dari matriks A

dengan c. Dalam hal ini ditulis

( ) (2.2)

Contoh 2.5

Diketahui matriks

[

]

maka matriks adalah?

Penyelesaian

Hasil perkalian skalar 3 dengan matriks A adalah

[

]

[ ( )

] [

]


10

Definisi 2.6 (Perkalian Matriks)

Diketahui matriks A berukuran dan matriks B berukuran .

Hasil perkalian matriks A dan B ditulis AB adalah matriks berukuran

dengan elemen pada baris ke-i dan kolom ke-j adalah perkalian

antara matriks baris ke-i dari A dan kolom ke-j dari B.

Diketahui

[

] [

]

Misalkan matriks baris ke-i dari matriks A adalah

[ ]

dan matriks kolom ke-j dari matriks B adalah

[

]

maka elemen baris ke-i dan kolom ke-j dari matriks AB adalah

∑ (2.3)

Contoh 2.6

Diketahui dua matriks A dan B sebagai berikut

[

] [

]

Pada kasus ini matriks A mempunyai ukuran dan matriks B

mempunyai ukuran , dimana Oleh karena

itu, matriks AB mempunyai ukuran


11

Penyelesaian

Elemen baris ke-1 dan kolom ke-1 dari matriks AB adalah

∑


∑

( )

( )


∑

( )

( )


∑


12

( ) ( )

Jadi hasil perkalian dari A dan B adalah

[

]

3. Turunan

Pada bagian ini membahas mengenai definisi turunan, teorema dan

contoh mengenai turunan dan aturan turunan rantai pada fungsi.

Definisi 2.7 (Turunan)

Turunan dari fungsi di titik di definisikan

( )

( ) ( )

di setiap titik jika limitnya ada. Jika ( ) ada dikatakan fungsi

terdiferensial / mempunyai turunan di .

Turunan dari fungsi di titik juga bisa dinotasikan sebagai

( ) (2.4)

Contoh 2.7

Dengan menggunakan definisi turunan, tentukan turunan dari fungsi

berikut ini:

( ) (2.5)


13

Penyelesaian:

( )

( ) ( )

( )

( )

Teorema 2.1 (Aturan Turunan: Penjumlahan, selisih, dan kelipatan

konstan)

Jika fungsi-fungsi dan terdiferensial di dan jika adalah sebuah

konstanta, maka fungsi-fungsi terdiferensial di , dan

berlaku

( ) ( ) ( ) ( )

( ) ( ) ( ) ( )

( ) ( ) ( )

Bukti teorema:

( ) ( ) ( ) ( )

( ) ( )

( )( ) ( )( )

( ) ( ) ( ( ) ( ))

( ( ) ( )

( ) ( )

)


14

( ( ) ( )

)

( ( ) ( )

)

( ) ( )

( ) ( ) ( ) ( )

( ) ( )

( )( ) ( )( )

( ) ( ) ( ( ) ( ))

( ( ) ( )

( ) ( )

)

( ( ) ( )

)

( ( ) ( )

)

( ) ( )

( ) ( ) ( )

( ) ( )

( )( ) ( )( )

( ) ( )

( ) ( )

( ) ( )

( )

Teorema 2.2 (Aturan Turunan: Perkalian dan Pembagian)

Jika fungsi-fungsi dan terdiferensial di , maka fungsi-fungsi dan

terdiferensial di , dan berlaku

( ) ( ) ( ) ( ) ( ) ( )


15

dan

(

)

( ) ( ) ( ) ( ) ( )

( ( ))

Bukti teorema:

( ) ( ) ( ) ( ) ( ) ( )

( ) ( )

( )( ) ( )( )

( ) ( ) ( ( ) ( ))

( ) ( ) ( ) ( ))

( ) ( ) ( ( ) ( ))

( ( ) ( ) ( )

( ) ( ) ( )

)

( )

( ( ) ( )

)

( )

( ( ) ( )

)

( ) ( ) ( ) ( )

(

)

( ) ( ) ( ) ( ) ( )

( ( ))

(

)

( )

( ) ( ) (

) ( )

( ( ) ( )

) ( ( ) ( )

)


16

( ) ( ) ( ) ( )

( ) ( )

( ) ( ) ( ) ( )

( ) ( )

( ) ( ) ( ) ( )

( ) ( )

( ) ( )( ( )

( ) ( )

)

( ( ) ( ) ( )

)

( )

( )( ( )

( ) ( )

)

( ( )

( ) ( )

)

( ) ( ) ( ) ( ) ( ) ( )

( ) ( ) ( ) ( )

( ( ))

Teorema 2.3 (Aturan Turunan: Aturan Rantai)

Jika fungsi ( ) terdiferensial di ( ) dan ( ) terdiferensial di ,

maka fungsi ( ( )) terdiferensial di dan berlaku

( ( ( )))

( ( )) ( )

Bukti teorema:

Diketahui ( )terdiferensial di ( ) dan ( ) terdiferensial di

Didefinisikan fungsi dengan


17

( ) (2.6)

( ) ( ) ( )

( ) (2.7)

Menggunakan definisi turunan didapatkan

( ) ( ) ( ) ( ) (2.8)

Jadi, fungsi E kontinu di . Untuk setiap k berlaku

( ) ( ) ( ( ) ( ))

( ) dan ( ) ( ), sehingga diperoleh (

) dan

( ( )) ( ( )) ( ( ( )) ( )) ( ( ) ( ))

Karena terdiferensial di x, maka

( ) ( )

( )

Karena kontinu di x, maka

( ( ) ( ))

Untuk selanjutnya, karena E kontinu di 0, maka

( )

( ) ( )

Dengan demikian berlaku

( ( ))

( ( )) ( ( ))

( ( ( )) ( )) ( ) ( )

( ( ( )) ) ( ) ( ( )) ( )


18

B. Jaringan Saraf Tiruan

Gambar 2.1 Jaringan Saraf Biologi

Jaringan saraf biologi pada otak manusia terdiri dari neuron-neuron dan

penghubung yang disebut sinapsis. Neuron bekerja berdasarkan impuls/sinyal

yang diberikan oleh neuron lain. Neuron memiliki tiga komponen penting

yaitu dendrit, soma dan axon. Dendrit menerima sinyal dari neuron lain yang

dikirim melalui sinapsis. Sinyal tersebut dimodifikasi (diperkuat/diperlemah)

pada celah sinaptik. Selanjutnya soma menjumlahkan semua sinyal yang

masuk, apabila sinyal cukup kuat dan melebihi ambang batas, maka sinyal

akan diteruskan ke sel lain melalui axon.

Jaringan saraf tiruan (artificial neural network) adalah suatu sistem

komputasi yang disusun dengan meniru proses alamiah yang terjadi dalam

jaringan saraf biologi pada otak manusia.

Jaringan saraf tiruan dibentuk dengan menggeneralisasi model matematika

dari jaringan saraf biologis dengan asumsi bahwa:

Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).

Sinyal dikirimkan diantara neuron-neuron melalui penghubung.

Penghubung antar neuron memiliki bobot yang dapat memperkuat atau

memperlemah sinyal.


19

Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi

yang dikenakan pada jumlahan input yang diterima. Besarnya output

ini nantinya akan dibandingkan dengan ambang batas tertentu.

1. Model Neuron

Neuron adalah unit pemroses informasi yang menjadi dasar dalam

pengoperasian jaringan saraf tiruan. (Siang, 2005)

a. Single-Input Neuron

Masukan model ini merupakan masukan yang sederhana, karena

masukan hanya terdiri dari satu atribut (variabel yang dipilih sebagai

masukan pada model). Masukan model tunggal ini berupa skalar,

misalnya

Gambar 2.2 Ilustrasi single-input neuron

= input/masukan

= bobot

= bias

= fungsi aktivasi

= output/luaran

Luaran merupakan hasil dari ( ) dimana merupakan

perkalian dari dengan yang kemudian dijumlahkan dengan , atau

dapat disimbolkan dengan formula berikut ini:

( ) ( ) (2.9)


20

Contoh sederhana pada model dengan input tunggal adalah proses

penentuan nilai untuk mahasiswa. Misalkan otak manusia telah diberi

latihan bahwa klasifikasi nilai berdasarkan rentang nilai tertentu.

Misalkan adalah nilai mahasiswa.

Nilai

Apabila otak manusia diberi input nilai

yang diperoleh adalah 78, maka otak manusia akan memproses

masukan tersebut dan memberi keluaran yaitu nilai B.

b. Multiple-Input Neuron

Masukan model ini merupakan perluasan dari model tunggal

sebelumnya. Jika pada model tunggal hanya memiliki satu atribut,

pada model ini terdiri dari beberapa atribut. Masukan model ini berupa

vektor, misalnya [ ] atau ( ) ( ), yang artinya

masukan memiliki tiga atribut.

Bentuk umum dari multiple-input neuron adalah sebagai berikut:

[

] ( )

dimana merupakan vektor input dengan atribut sebanyak R.

Gambar 2.3 Ilustrasi multiple-input neuron

= input/masukan

= bobot


21

= bias

= fungsi aktivasi

= output/luaran

Luaran merupakan hasil dari ( ) dimana merupakan

perkalian dari dengan yang kemudian dijumlahkan dengan , atau

dapat disimbolkan dengan formula berikut ini:

( ) ( ) (2.10)

Perbedaan dengan model single-input neuron terletak pada inputnya,

dimana input model ini merupakan vektor.

Untuk contoh proses pada model multiple-input neuron ini mirip

dengan contoh single-input neuron, hanya saja atribut yang digunakan

sebagai masukan terdiri lebih dari satu atribut.

c. Fungsi Aktivasi

Di dalam jaringan saraf tiruan, fungsi aktivasi adalah salah satu

bagian yang penting. Fungsi aktivasi digunakan untuk menentukan

luaran suatu neuron. Fungsi aktivasi biasanya dipilih berdasarkan

karakteristik data yang akan digunakan.

Berikut ini adalah beberapa contoh fungsi aktivasi.

Tabel 2.1 Tabel Fugsi Aktivasi (Hagan, 2014)

Nama Fungsi

Aktivasi Luaran Simbol

Fungsi pada

MatLab

Hard Limit

Hardlim

Symetrical Hard limit

Hardlims

Linear

purelin

Satrurating Linear

satlin


22

Symetrical Saturating

Linear

satlins

Log-Sigmoid

logsig

Hyperbolic Tangent

Sigmoid

tansig

Positive Linear

poslin

Competitive

semua neuron

yang kurang dari

neuron

selainnya

compet

2. Arsitektur Jaringan

Arsitektur jaringan merupakan pola yang menghubungkan antara

neuron-neuron. Arsitektur jaringan ini sangatlah penting dalam

menentukan hasil dari pemrosesan jaringan saraf tiruan. Arsitektur

jaringan dibagi menjadi tiga jenis arsitektur yang berbeda yaitu: jaringan

lapis tunggal (single layer network), jaringan lapis majemuk (multi layer

network), dan jaringan reccurent (reccurent network).

a. Jaringan Lapis Tunggal (Single Layer Network)

Arsitektur jaringan lapis tunggal merupakan sebuah arsitektur

jaringan yang menghubungkan input neuron secara langsung dengan

neuron output. Nilai output ini ditentukan oleh fungsi aktivasi.


23

Gambar 2.4 Jaringan Lapis Tunggal

b. Jaringan Lapis Majemuk (Multi Layer Network)

Arsitektur jaringan lapis majemuk merupakan perluasan dari

arsitektur jaringan lapis tunggal. Dalam jaringan ini selain unit input

dan output, terdapat unit lain yang disebut lapis tersembunyi (hidden

layer). Sangat dimungkinkan terdapat beberapa lapis tersembunyi

dalam jaringan ini.

𝑝

𝑝𝑛

𝑎𝑚

𝑎

𝑎

𝑎


24

Gambar 2.5 Jaringan Lapis Majemuk

Pada jaringan lapis majemuk, input yang dimasukan ke dalam

lapisan pertama tidak langsung menghasilkan output, namun hasil dari

perhitungan di lapis pertama menjadi input pada lapis kedua.

Selanjutnya, hasil perhitungan pada lapis kedua menjadi input untuk

lapis ketiga dan seterusnya sampai pada lapisan terakhir. Untuk kasus

seperti yang ditampilkan pada Gambar 2.5 hasil perhitungan pada

lapisan kedua ini menjadi output, karena pada kasus ini lapis kedua

merupakan lapisan paling akhir.

c. Jaringan recurent (Recurent Network)

Arsitektur jenis jaringan recurent serupa dengan jaringan lapis

tunggal ataupun majemuk. Perbedaannya pada jaringan ini terdapat

𝑝

𝑝𝑛

𝑎𝑝

𝑎

𝑎

𝑎

𝑎𝑚

𝑎


25

neuron output yang memberikan sinyal pada unit input atau yang

sering disebut dengan feedback loop.

Gambar 2.6 Jaringan Recurent

( ) input/masukan pada waktu ke-t

( ) delay output pada waktu ke-t

( ) inisial output

C. Propagasi Balik (Back Propagation)

Jaringan saraf tiruan lapis tunggal masih memiliki keterbatasan dalam

pengenalan pola. Pengenalan pola pada jaringan saraf tiruan merupakan

langkah jaringan untuk memproses masukan hingga memndapatkan hasil.

Keterbatasan jaringan lapis tunggal terjadi apabila sinyal masukan yang

diberikan lemah, maka keluaran yang dihasilkan belum mendekati target.

Kelemahan ini dapat diatasi deegan menambahkan lapisan tersembunyi di

antara lapis masukan dan lapis keluaran, atau yang biasa disebut jaringan lapis

majemuk. Salah satu sistem pembelajaran (metode dalam jaringan saraf

tiruan) pada jaringan lapis majemuk adalah sistem pembelajaran propagasi

balik (back propagation).

Dalam proses pelatihannya, jaringan ini dimulai dengan memberikan

masukan, kemudian masukan akan diteruskan ke lapisan tersembunyi yang

terdapat pada jaringan dan menghasilkan keluaran. Keluaran ini akan

dibandingkan dengan target. Jika keluaran masih belum sesuai dengan target


26

atau perbedaan dengan target masih melebihi galat yang ditentukan, maka

keluaran akan kembali disebarkan mundur (backward) melalui lapisan

tersembunyi hingga ke masukan awal. Pada proses ini nantinya akan

dilakukan perubahan bobot. Contoh proses ini akan ditunjukkan pada bagian

selanjutnya yaitu pada Contoh 2.8.

Jaringan saraf tiruan sistem pembelajaran propagasi balik melakukan

modifikasi bobot mulai dari lapisan luaran, sampai pada lapisan masukan.

Sistem pembelajaran ini akan terus melakukan modifikasi bobot sampai

besarnya galat lebih kecil atau sama dengan galat yang telah ditentukan atau

dengan menentukan jumlah iterasi maksimal. Algoritma propagasi balik dapat

dinyatakan sebagai berikut:

( ) (2.11)

dimana adalah keluaran pada lapisan, adalah fungsi aktivasi, adalah bias

dan M adalah banyaknya lapisan pada jaringan. Neuron pada lapis pertama

merupakan masukan awal

(2.12)

keluaran pada lapisan ke- , dan keluaran pada neuron lapis terakhir

merupakan output dari jaringan

(2.13)

Untuk pembaharuan bobot dan bias dapat dinyatakan sebagai berikut:

( ) ( )

(2.14)

( ) ( )

(2.15)

dengan adalah bobot, adalah bias, dan adalah konstanta positif.


27

1. Arsitektur Propagasi Balik

Arsitektur propagasi balik mirip dengan arsitektur jaringan lapis

majemuk. Hal ini terjadi karena propagasi balik merupakan salah satu

pembelajaran pada jaringan saraf tiruan khusus jaringan lapis majemuk.

Proses pelatihan pada propagasi balik ini yang menjadi pembedanya,

dimana setelah dilakukan propagasi maju pada jaringan, sinyal neuron

akan kembali dipropagasikan secara mundur hingga ke lapis masukan.

Gambar 2.7 Arsitektur Jaringan Propagasi Balik Dua Lapis Tersembunyi

2. Fungsi Aktivasi

Di dalam jaringan propagasi balik, fungsi aktivasi yang dipakai harus

memenuhi beberapa syarat yaitu: kontinu, terdiferensial (memiliki

turunan), dan merupakan fungsi yang tidak turun. Salah satu fungsi yang

memenuhi ketiga syarat tersebut dan sering dipakai adalah fungsi sigmoid

biner yang memiliki selang ( )

Bentuk dari fungsi sigmoid biner adalah sebagai berikut:

( )

(2.16)

𝑝

𝑝

𝑝5

𝑝4

𝑝

𝑎4

𝑎5

𝑎

𝑎

𝑎

𝑎

𝑎

𝑎4

𝑎5

𝑎

𝑎

𝑎


28

Fungsi lain yang juga sering digunakan adalah fungsi sigmoid bipolar

yang bentuk fungsinya mirip dengan fungsi sigmoid biner namun

mempunyai range ( )

Bentuk dari fungsi sigmoid bipolar adalah sebagai berikut:

( )

(2.17)

3. Pelatihan pada Propagasi Balik

Di dalam proses pelatihan propagasi balik terdapat tiga fase. Fase yang

pertama adalah fase maju. Masukan dihitung maju mulai dari lapis

masukan hingga lapis keluaran dengan menggunakan fungsi aktivasi yang

sudah ditentukan. Fase kedua adala fase mundur. Selisih antara keluaran

yang dihasilkan dengan target yang diinginkan merupakan sebuah galat.

Galat ini akan dipropagasikan mundur. Fase ketiga adalah fase modifikasi

bobot dan bias untuk memperkecil galat.

a. Fase I: Propagasi maju

Proses propagasi maju dimulai dengan mempropagasikan sinyal

masukan ( ) ke lapis tersembunyi yang ada di depannya.

Keluaran dari lapis tersembunyi yang pertama ( ) akan di lanjutkan

ke lapis keluaran (jika lapis tersembunyi hanya satu) dan akan

dilanjutkan ke lapis tersembunyi berikutnya ( ) (jika terdiri dari

beberapa lapis tersembunyi) dan baru akan dihubungkan ke lapis

keluaran setelah lapis tersembunyi yang paling akhir.

Hasil keluaran dari jaringan ( ) akan dibandingkan dengan target

( ). Selisih antara keluaran dan target ( ) adalah galat yang

terjadi. Jika galat yang terjadi masih lebih besar dari batas toleransi

galat yang ditentukan, maka proses ini akan dilanjutkan ke proses

selanjutnya yaitu propagasi mundur.


29

b. Fase II: Propagasi mundur

Berdasarkan galat ( ), modifikasi bobot dan bias dilakukan

dengan mempropagasikan galat ini secara mundur mulai dari lapisan

keluaran sampai pada lapisan masukan. Berdasarkan galat yang

didapatkan, akan dihitung sensitivitas propagasi balik ( ).

Sensitivitas ini nantinya dipakai untuk mempropagasikan secara

mundur galat yang diperoleh.

Persamaan untuk mencari sensitivitas propagasi balik ditunjukan

sebagai berikut:

( )( ) (2.17)

dan

( )( ) (2.18)

dengan adalah banyaknya lapisan pada jaringan.

( )

[ (

)

( )

(

)]

dan ( )

(turunan fungsi aktivasi lapisan ke-m terhadap

n).

c. Fase III: Modifikasi bobot dan bias

Setelah menghitung semua faktor sensitivitas , bobot pada

semua penghubung dimodifikasi. Perubahan bobot pada suatu

penghubung didasari oleh faktor sensitivitas Modifikasi bias juga

dilakukan pada setiap lapisan pada jaringan juga berdasarkan faktor

sensitivitas.


30

Karena modifikasi bobot dan bias didasarkan pada faktor

sensitivitas, maka persamaan untuk modifikasi bobot dan bias menjadi

( ) ( ) ( ) (2.19)

dan

( ) ( ) (2.20)

Contoh 2.8

Diberikan sebuah fungsi sebagai berikut:

( ) (

)

Selanjutnya dibentuk sebuah arsitektur jaringan seperti pada gambar

dibawah ini:

Gambar 2.8 Contoh Arsitektur Jaringan

Bagaimana arsitektur jaringan pada Gambar 2.8 melakukan pendekatan

terhadap fungsi ( ) dengan input ( )

( ) [

] ( ) [

]

( ) [ ] ( ) [ ]

( ) ( )

Nilai-nilai ( ) ( ) ( ) ( ), merupakan inisiasi nilai bobot

dan bias awal (Hagan, 2014).


31

Penyelesaian:

Masukan (input)

Target ( ) (

4( ))

√

√

Iterasi 1

Fase I: Propagasi Maju

Luaran lapisan pertama adalah sebagai berikut:

( ) ([

] [ ] [

])

([

])

[

5

54

]

[

]

Luaran lapisan kedua adalah sebagai berikut:

( ) ([ ] [

] [ ])

([ ] [ ])

[ ]

Fase II: Propagasi Balik

Pada langkah propagasi balik ini diawali dengan menghitung galat.

Selanjutnya menghitung sensitifitas dari fungsi aktivasi lapisan

pertama dan kedua. Karena untuk memperoleh sensitifitas

membutuhkan turunan dari setiap fungsi aktivasi pada lapisan, maka

terlebih dahulu menghitung turunannya.

( )

(

)

( )

(

) (

)

( )( )


32

( )

( )

Langkah berikutnya menghitung sensitifitas , dimulai dari lapisan

paling akhir.

Sensitifitas lapisan kedua:

( )( )

[ ( )][ ]

[ ][ ]

[ ]

Sensitifitas lapisan pertama:

( )( )

[ (

)

( )

] [

] [ ]

[(

)( )

( )(

)] [

]

[( )( )

( )( )] [

]

[

] [

] [

]

Fase III: Modifikasi Bobot dan Bias

Fase terakhir adalah fase modifikasi bobot dan bias, dengan

menggunakan persamaan perubahan bobot dan bias serta laju

pemahaman sebesar α = 0.1.

( ) ( ) ( )

[ ] [ ][ ]

[ ]

( ) ( )

[ ] [ ]


33

[ ]

( ) ( ) ( )

[

] [

] [ ]

[

]

( ) ( )

[

] [

] [

]

Bobot dan bias baru telah diperoleh, artinya iterasi pertama sudah

selesai. Setelah mendapatkan bobot dan bias baru pada iterasi pertama,

maka dilanjutkan iterasi kedua.

Iterasi 2

Fase I: Propagasi Maju

Luaran lapisan pertama adalah sebagai berikut:

( ) ([

] [ ] [

])

([

])

[

4

5

]

[

]

Luaran lapisan kedua adalah sebagai berikut:

( )

([ ] [

] [ ])

([ ] [ ])

[ ]


34

Fase II: Propagasi Balik

Hitung kembali galat yang dihasilkan pada iterasi kedua.

Karena galat yang diperoleh , maka proses iterasi

dilanjutkan berulang-ulang sampai galat yag diperoleh atau

sampai pada batas jumlah iterasi maksimum.

4. Confusion Matrix dan Nilai Akurasi

Nilai akurasi diperoleh dengan menghitung jumlah data yang

diklasifikasikan sesuai dengan target sebenarnya, dan dibandingkan

dengan jumlah data uji yang dipakai. Untuk meghitung jumlah data yang

diklasifikasikan sesuai target dan data yang diklasifikasikan tidak sesuai

target dapat dilihat dari confusion matrix. Confusion matrix berukuran

dengan n merupakan jumlah kelas dalam proses pelatihan. Berikut

ini akan ditampilkan confusion matrix dua kelas.

Tabel 2.2 Tabel Confusion Matrix

Hasil Klasifikasi

Kelas 0 Kelas 1

Target Kelas 0 F00 F01

Kelas 1 F10 F11

F00 = Jumlah data dengan target kelas 0 dan klasifikasikan ke kelas 0




Setelah mendapatkan confusion matrix, maka nilai akurasi dapat

dihitung dengan formula sebagai berikut ini.


35

a. Nilai Akurasi Kelas 0

(2.21)

b. Nilai Akurasi Kelas 1

(2.22)

c. Nilai Akurasi Keseluruhan

(2.23)


36

BAB III

METODOLOGI

Bab ini berisi mengenai penjelasan data yang akan digunakan, preprosesing

data, dan perancangan sistem jaringan saraf tiruan, secara khusus jaringan saraf

tiruan propagasi balik.

A. Data

Data yang digunakan dalam penelitian ini adalah data hunian (occupancy).

Data ini berisi variabel-variabel tertentu untuk menentukan apakah ruang kerja

dihuni atau tidak. Data yang digunakan ini diunduh dari UCI Machine

Learning. Data ini meliputi variabel-variabel berikut ini: tanggal, waktu, suhu,

kelembaban, intensitas cahaya, kadar , dan rasio kelembaban. Data awal

ini berjumlah 20560 data.

Data hunian ini sudah digunakan untuk penelitian sebuah jurnal berjudul

“Accurate occupancy detection of an office room from light, temperature,

humidity and CO2 measurements using statistical learning models”. Dalam

jurnal ini menggunakan beberapa metode klasifikasi diantaranya, metode

“Support Vector Machines” (SVM), “Decision Tree” (DT), dan “k-Nearest

Neighbor” (KNN).

Data ini direkam dari sebuah ruangan kerja berukuran (

) dengan menggunakan mikrokontroler yang

dilengkapi dengan sensor untuk merekam data dengan variabel-variabel

tersebut. Target yang akan dicapai adalah mengklasifikasikan ruang kerja

dihuni atau tidak. Contoh data yang akan digunakan akan ditampilkan dalam

tabel berikut ini.

Tabel 3.1 Tabel Data Occupany

No Date Time Temperature Humidity

1 2/2/2015 14:19:00 23.7 26.272

2 2/2/2015 17:34:00 22.6 25.06667

3 2/3/2015 6:00:00 20.29 22.7

4 2/3/2015 10:00:00 21.6 27.4725


37

5 2/3/2015 13:09:59 23.26 25.85667

6 2/4/2015 6:00:00 20.6 24.2

7 2/4/2015 7:40:00 20.4725 23.7675

8 2/5/2015 6:00:00 20.865 23.2925

9 2/5/2015 9:00:00 21.5 24.39

10 2/5/2015 18:00:00 22 23.89

No Light CO2 Humidity Ratio Occupancy

1 585.2 749.2 0.00476416 1

2 428.3333 849.3333 0.00424961 0

3 0 432.25 0.00333571 0

4 467.75 1028.25 0.00438301 1

5 338.3333 997.3333 0.0045646 0

6 0 456 0.00362652 0

7 433 473.75 0.00353328 1

8 0 450 0.00354752 0

9 454 786 0.00386428 1

10 433 850.6667 0.00390274 1

Data tersebut memiliki delapan variabel: tanggal perekaman data (date),

waktu perekaman data (time), suhu ruang kerja pada waktu tersebut

(temperature) dengan satuan derajat celsius ( ), kelembaban udara ruangan

(humidity) dengan satuan ( ), intensitas cahaya ruang kerja (light) dengan

satuan ( ), kadar karbondioksida ( ) dengan satuan ( ), rasio

kelembaban udara (humidity ratio), serta yang terakhir adalah keberadaan

pekerja dalam ruangan kerja/hunian (occupancy). Untuk data hunian

(occupancy) hanya memiliki dua variasi nilai yaitu 1 (yang mempunyai arti

ruang kerja berpenghuni) atau 0 (yang mempunyai arti ruang kerja tidak

berpenghuni).

Dari semua variabel yang ada, akan diambil lima variabel sebagai atribut

dan satu sebagai target. Variabel yang akan digunakan sebagai atribut dalam

sistem jaringan adalah suhu, kelembaban udara, intensitas cahaya, kadar

karbondioksida, dan rasio kelembaban, sedangkan untuk target adalah variabel

hunian (occupancy).


38

B. Preprosesing Data

20560 data yang diunduh dari UCI Machine Learning tidak dapat langsung

dimasukkan ke dalam sistem, sehingga diperlukan preprosesing data.

Beberapa langkah yang dilakukan dalam preprosesing data adalah sebagai

berikut:

1. Deteksi Data Pencilan (Outlier)

Data pencilan merupakan data yang memiliki kelainan sifat dengan

data pada umumnya (Suri, 2019). Data pencilan ini bisa terjadi karena

kesalahan penulisan data atau adanya kejadian luar biasa yang jarang

sekali terjadi. Deteksi data pencilan diperlukan untuk menghindari data-

data yang tidak merepresentasikan data yang sebenarnya.

Metode yang digunakan untuk menemukan data pencilan pada tugas

akhir ini adalah metode IQR (Inter Quartile Range) atau dengan

menggunakan boxplot. Metode ini mengasilkan batas atas dan batas bawah

pada setiap variabel untuk menentukan apakah data tersebut merupakan

data pencilan atau tidak. Berikut ini rumus untuk menentukan batas atas

dan batas bawah pada data.

(3.1)

(3.2)

(3.3)

: jarak antar kuartil

: batas atas

: batas bawah

: kuartil pertama

: kuartil kedua/median

: kuartil ketiga


39

Berikut ini adalah contoh boxplot suatu data:

Gambar 3.1 Contoh Boxplot Data

a. Deteksi Data Pencilan Variabel Suhu (Temperature)

Gambar 3.2 Boxplot Distribusi Suhu (Temperature)

Outlier

𝑄

𝑄

/

𝑄

Batas bawah

Batas atas


40

Hasil perhitungan deteksi data pencilan pada variabel suhu adalah

sebagai berikut:

Kesimpulan: Terdapat data pencilan pada variabel suhu.

b. Deteksi Data Pencilan Variabel Kelembaban (Humidity)

Gambar 3.3 Boxplot Distribusi Kelembaban (Humidity)

Hasil perhitungan deteksi data pencilan pada variabel kelembaban

adalah sebagai berikut:

Kesimpulan: Tidak terdapat data pencilan pada variabel kelembaban.


41

c. Deteksi Data Pencilan Variabel Intensitas Cahaya (Light)

Gambar 3.4 Boxplot Distribusi Cahaya (Light)

Hasil perhitungan deteksi data pencilan pada variabel cahaya adalah

sebagai berikut:

Kesimpulan: Terdapat data pencilan pada variabel cahaya.

d. Deteksi Data Pencilan Variabel Karbondioksida (CO2)

Gambar 3.5 Boxplot Distribusi Karbondioksida (CO2)

Hasil perhitungan deteksi data pencilan pada variabel

karbondioksida adalah sebagai berikut:


42

Kesimpulan: Terdapat data pencilan pada variabel karbondioksida.

e. Deteksi Data Pencilan Variabel Rasio Kelembaban (Humidity

Ratio)

Gambar 3.6 Boxplot Distribusi Rasio Kelembaban (Humidity Ratio)

Hasil perhitungan deteksi data pencilan pada variabel kelembaban


Kesimpulan: Tidak terdapat data pencilan pada variabel rasio

kelembaban.

Setiap variabel sudah ditemukan batas atas dan batas bawah. Untuk

data yang tidak berada pada selang [ ] di setiap

variabelnya merupakan data pencilan. Semua data yang mengandung data

pencilan dikeluarkan dari data yang akan digunakan pada sistem jaringan.

Jumlah data setelah dilakukan deteksi data pencilan berjumlah 18.547 data

dari 20560 data awal. 18.537 data akan digunakan sebagai data pelatihan

serta pengujian jaringan, dan 10 data akan digunakan untuk klasifikasi uji

data tunggal.


43

2. Normalisasi Data

Normalisasi data dilakukan dengan metode max-min, yaitu melakukan

transformasi linier terhadap data asli. Tujuan dilakunannya normalisasi

data ini agar nilai-nilai dari setiap variabel berada dalam suatu selang

tertentu. Apabila nilai-nilai pada data berada dalam suatu selang tertentu

maka dapat menyederhanakan proses penghitungan pada jaringan. Adapun

rumus yang digunakan untuk melakukan transformasi linier ini adalah

sebagai berikut:

( )( )

( ) (3.4)

data baru setelah di transformasi

data asli

nilai maksimum data

nilai minimum data

nilai maksimum baru yang ditentukan

nilai minimum baru yang ditentukan

Pada transformasi linier yang dilakukan di penelitian ini mengambil nilai

dan nilai Transformasi ini dilakukan pada

setiap variabel yang akan digunakan sebagai atribut.

3. Pemilihan Atribut

Data asli memiliki delapan variabel seperti yang ditampilkan pada

Tabel 3.1 tidak semua variabel dalam data ini akan digunakan untuk

pelatihan sistem jaringan saraf tiruan. Dari kedelapan variabel yang ada,

akan diambil lima variabel yang akan dijadikan sebagai atribut, dan satu

variabel yang akan dijadikan target. Variabel yang akan digunakan sebagai

atribut dalam sistem jaringan adalah suhu, kelembaban udara, intensitas


44

cahaya, kadar karbondioksida, dan rasio kelembaban, sedangkan untuk

target adalah variabel hunian (occupancy).

Pemilihan variabel yang digunakan sebagai atribut berdasarkan

referensi jurnal acuan yang menggunakan data yang sama. Variabel-

variabel ini dipilih karena memiliki kontribusi yang cukup signifikan

untuk melakukan klasifikasi. Kontribusi setiap variabel yang dipilih ini

mampu membuat sebuah batasan, sehingga dapat membedakan kelas yang

satu dengan yang lainnya.

Tabel 3.2 Tabel Atribut dan Target

Temperature Humidity Light CO2 Humidity

Ratio Occupancy

23.5 26.272 585.2 749.2 0.0047641 1

22.6 25.06667 428.333 849.333 0.0042496 0

20.29 22.7 0 432.25 0.0033357 0

21.6 27.4725 467.75 1028.25 0.0043830 1

23.26 25.85667 338.333 997.333 0.0045646 0

20.6 24.2 0 456 0.0036265 0

20.4725 23.7675 433 473.75 0.0035332 1

20.865 23.2925 0 450 0.0035475 0

21.5 24.39 454 786 0.0038642 1

22 23.89 433 850.666 0.0039027 1

4. Pembagian Data Pelatihan dan Data Uji

Data yang tersedia akan dibagi menjadi dua bagian yaitu data

pelatihan dan data uji. Pembagian data dilakukan dengan metode k-fold

cross validation, dengan nilai . Metode ini dipilih supaya data yang

digunakan sebagai data pelatihan berbeda dengan data yang digunakan

sebagai data uji. Langkah-langkah pembagian data adalah sebagai

berikut.

Langkah 1

Data dibagi menjadi dua bagian berdasarkan target, yaitu data dengan

target = 0 dan data dengan target = 1. Data dengan target = 0 berjumlah

14.781 data, dan data dengan target =1 berjumlah 3.756 data.


45

Langkah 2

Data dari masing-masing target dibagi menjadi tiga bagian. Data

dengan target = 0 dibagi menjadi 3 bagian, sehingga terdapat 4.927 data

setiap bagiannya, dan data dengan target = 1 dibagi menjadi 3 bagian,

sehingga terdapat 1.252 data setiap bagiannya. Bagian-bagian tersebut

dilambangkan dengan himpunan-himpunan berikut ini.

A1 = Himpunan 4.927 data dengan target 0 bagian pertama

A2 = Himpunan 4.927 data dengan target 0 bagian kedua

A3 = Himpunan 4.927 data dengan target 0 bagian ketiga

B1 = Himpunan 1.252 data dengan target 1 bagian pertama

B2 = Himpunan 1.252 data dengan target 1 bagian kedua

B3 = Himpunan 1.252 data dengan target 1 bagian ketiga

Langkah 3

Data dengan target = 0 dan target = 1 digabungkan pada setiap

bagiannya, sehingga terbentuk tiga himpunan data, yang masing-masing

himpunan data terdapat data dengan target 0 dan data dengan target 1.

P1 = gabungan himpunan A1 dengan himpunan B1



Langkah 4

Himpunan data yang sudah terbentuk dibagi menjadi data pelatihan

dan data uji. Pembagian data dilakukan dengan metode 3-fold cross

validation. Pembagian data ditampilkan dengan tabel berikut ini.

Tabel 3.3 Tabel 3-fold cross validation

Percobaan Data

Pelatihan Uji

1 P1 , P2 P3

2 P1 , P3 P2

3 P2 , P3 P1


46

C. Perancangan Sistem Jaringan Saraf Tiruan

Pada subab ini berisi blok diagram atau bagan perancangan sistem,

pelatihan dan pengujian arsitektur jaringan, klasifikasi uji data tunggal, serta

perancangan menu tampilan.

1. Blok Diagram Sistem dan Simulasi Arsitektur Jaringan

Berikut ini adalah blok diagram perancangan sistem jaringan saraf

tiruan yang akan dilakukan.

Gambar 3.6 Blok Diagram Sistem

Data

Data Uji

Pelatihan Jaringan

Hasil Klasifikasi

Preprosesing Data

Data Pelatihan

Model Jaringan


47

2. Pelatihan dan Pengujian Arsitektur JST

Proses identifikasi ruang kerja yang dilakukan pada penelitian ini

dibedakan berdasarkan beberapa variabel yaitu: suhu, kelembaban udara,

intensitas cahaya, kadar karbondioksida, dan rasio kelembaban. Metode

yang digunakan untuk mengklasifikasikan apakah ruang kerja tersebut

dihuni atau tidak adalah metode jaringan saraf tiruan propagasi balik.

Metode ini digunakan karena kemampuannya menghasilkan batasan yang

baik untuk proses klasifikasi.

Ada dua jenis arsitektur jaringan saraf tiruan yang digunakan, yaitu

arsitektur jaringan saraf tiruan dengan satu lapisan tersembunyi dan dua

lapian tersembunyi.

a. Arsitektur Jaringan Saraf Tiruan 1 Lapisan Tersembunyi

Arsitektur jaringan saraf tiruan dengan satu lapisan tersembunyi

yang diambil dari simulasi satu bagian kedua ditampilkan pada

Gambar 3.7. Arsitektur jaringan dari simuasi satu terdiri dari 5

masukan data, 1 lapisan tersembunyi dengan 4 neuron dan 1 luaran

yang dihasilkan.

Arsitektur ini dipilih karena atribut yang digunakan sebagai

masukan berjumlah lima, serta target yang dicapai adalah 0 atau 1,

sehingga luaran yang dibutuhkan hanya satu neuron. Variasi jumlah

neuron dilakukan pada lapis tersembunyi mulai dari lapisan dengan

jumlah neuron 2, 4, , 14.


48

Gambar 3.7 Arsitektur Jaringan Saraf Tiruan Satu Lapisan

Tersembunyi

b. Arsitektur Jaringan Saraf Tiruan 2 Lapisan Tersembunyi

Arsitektur jaringan saraf tiruan dengan dua lapisan tersembunyi

yang diambil dari simulasi dua bagian kedua ditampilkan pada

Gambar 3.8. Arsitektur jaringan dari simuasi dua bagian pertama

terdiri dari 5 masukan data, 2 lapisan tersembunyi dengan m neuron

pada lapisan tersembunyi yang pertama, 4 neuron pada lapisan

tersembunyi yang kedua dan 1 luaran yang dihasilkan.

Arsitektur ini dipilih karena atribut yang digunakan sebagai

masukan berjumlah lima, serta target yang dicapai adalah 0 atau 1,

sehingga luaran yang dibutuhkan hanya satu neuron. Variasi jumlah

neuron dilakukan pada kedua lapisan tersembunyi mulai dari lapisan

dengan jumlah neuron 2, 4, , 14.

𝑎

𝑝

𝑝

𝑝5

𝑝4

𝑝

𝑎

𝑎4

𝑎

𝑎


49

Gambar 3.8 Arsitektur Jaringan Saraf Tiruan Dua

Lapisan Tersembunyi

Pada penelitian ini akan dibuat beberapa simulasi yang digunakan

untuk memperoleh nilai akurasi yang baik. Beberapa simulasi ini

dibedakan dengan mengkombinasikan jumlah neuron pada lapisan

tersembunyi, baik arsitektur dengan satu lapisan tersembuyi atau dua

lapisan tersembunyi.

Tabel 3.3 Tabel Simulasi Arsitektur Jaringan

Simulasi Jumlah Neuron

Lapisan 1

Jumlah Neuron

Lapisan 2

1 2, 4, 6, 8, 10, 12, 14 0

2 2, 4, 6, 8, 10, 12, 14

Dimana merupakan jumlah neuron dengan akurasi terbaik pada

simulasi satu.

Sebuah arsitektur jaringan saraf tiruan memerlukan beberapa bagian

penting untuk membangunnya. Berikut ini bagian-bagian yang diperlukan

𝑝

𝑝

𝑝5

𝑝4

𝑝

𝑎𝑚

𝑎

𝑎

𝑎

𝑎

𝑎4

𝑎

𝑎


50

untuk membangun sebuah arsitektur jaringan saraf tiruan dalam penelitian

ini.

a. Lapisan Jaringan

Lapisan yang terdapat pada jaringan terdiri dari empat lapis.

Lapisan yang pertama merupakan lapisan masukan (input), lapisan

tersembunyi (hidden layer), dan lapisan yang terakhir merupakan

lapisan luaran (output).

1) Lapisan masukan (input) terdiri dari 5 masukan data, sesuai

dengan jumlah variabel yang dijadikan atribut pada arsitektur

jaringan yang akan dibangun.

2) Lapisan tersembunyi (hidden layer) pada arsitektur yang

dibangun terdapat pada lapisan kedua untuk arsitektur yang

menggunakan satu lapisan tersembunyi, dan pada lapisan

kedua dan ketiga pada arsitektur yang menggunakan dua


3) Lapisan luaran (output) terletak pada lapisan paling luar pada

arsitektur jaringan. Jumlah luaran pada arsitektur ini adalah

dua, sesuai dengan target yang akan dicapai yang

dilambangkan dengan 1 apabila ruangan berpenghuni, dan 0

apabila ruangan tidak berpenghuni.

b. Fungsi Aktivasi

Fungsi Aktivasi yang akan digunakan dalam membangun

arsitektur jaringan ini adalah fungsi aktivasi linear (purelin) dan

fungsi aktivasi hiperbolic tangent sigmoid (tansig). Fungsi aktivasi

tansig ditunjukkan dengan fungsi berikut:

(3.5)

dan fungsi aktivasi purelin ditunjukan dengan fungsi berikut:

(3.6)


51

Fungsi aktivasi ini dipilih karena fungsi ini memiliki turunan (karena

jaringan saraf tiruan propagasi balik melibatkan turunan dari fungsi

aktivasinya).

c. Fungsi Pelatihan

Fungsi pelatihan yang digunakan pada penelitian kali ini adalah

fungsi pelatihan traingd (metode pelatihan gradient descent).

d. Target Galat

Nilai target galat yang ditentukan pada penelitian kali ini sebesar

0.001. Nilai target galat ini diberikan untuk menghentikan proses

penghitungan apabila nilai luaran yang diperoleh sudah hampir

mendekati nilai target yang akan dicapai dengan tingkat kesalahan

0.001.

e. Batas Iterasi

Batas iterasi yang ditetapkan pada penelitian kali ini adalah 1000

iterasi. Batas iterasi ini berfungsi untuk menghentikan proses

penghitungan. Apabila luaran belum mencapai target pada iterasi ke-

1000 dengan kesalahan target galat yang ditentukan maka proses

penghitungan akan dihentikan.

f. Laju Pemahaman

Nilai laju pemahaman (learning rate) yang dipakai kali ini adalah

0.01. nilai laju pemahaman biasanya disimbolkan α, sehingga dapat

ditulis .

Untuk memperoleh arsitektur jaringan terbaik yang dilihat dari

prosentase akurasi, dilakukan dengan membuat variasi jumlah neuron pada

lapisan tersembunyi. Jumlah neuron pada lapisan tersembunyi divariasi

mulai dari lapisan dengan jumlah neuron 2, 4, , 14. Untuk Arsitektur

jaringan dengan satu lapisan tersembunyi, cukup dengan membuat variasi

pada jumlah neuron pada lapisan tersebut, namun untuk arsitektur jaringan

dengan dua lapisan akan mengambil jumlah neuron dengan akurasi terbaik

pada satu lapisan tersembunyi, kemudian melakukan variasi jumlah neuron


52

pada lapisan tersembunyi yang kedua. Kombinasi jumlah neuron ini yang

akan dibuat 2 simulasi seperti yang ditunjukkan pada Tabel 3.3.

Setiap simulasi arsitektur jaringan akan menghasilkan beberapa nilai

prosentase akurasi. Dari beberapa nilai akurasi ini akan dipilih satu nilai

prosentase akurasi tertinggi pada satu simulasi tersebut (nilai akurasi

maksimum pada satu simulasi). Kedua nilai akurasi maksimum pada dua

simulasi akan dibandingkan kembali dan dipilih nilai akurasi tertinggi

yang nantinya akan dijadikan sebagai arsitektur terbaik yang dihasilkan.

3. Klasifikasi Uji Data Tunggal

Setelah proses pelatihan dan pengujian arsitektur jaringan saraf tiruan,

diperoleh sebuah model jaringan terbaik. Model jaringan ini digunakan

untuk mengklasifikasikan data tunggal yang baru. Hasil klasifikasi dibagi

menjadi dua, yaitu ruangan dihuni atau ruangan tidak dihuni.

Pengujian data tunggal dilakukan dengan memasukkan data baru ke

dalam model jaringan yang diperoleh dari proses pelatihan dan pengujian

arsitektur jaringan. Data baru ini akan diproses di dalam model jaringan

untuk menghasilkan luaran, kemudian diklasifikasikan berdasarkan luaran

target. Proses uji data tunggal ini akan ditunjukan pada bagan berikut ini.

Gambar 3.9 Proses Klasifiasi Uji Data

4. Perancangan Menu Tampilan

Menu tampilan ini dibuat untuk menjalankan sistem seperti melakukan

pelatihan dan pengujian jaringan, menampilkan nilai akurasi, dan menguji

data yang baru untuk di klasifikasikan.

Data Uji

Tunggal Model Jaringan

Hasil

Klasifikasi


53

Gambar 3.10 Menu Tampilan Sistem

Pada Gambar 3.10 ini merupakan gambar tampilan menu yang terdiri

dari tiga panel utama, yaitu panel pelatihan jaringan, panel hasil, dan panel

klasifikasi data.

Berikut ini adalah rincian setiap panel pada gambar 3.10.

a. Panel Pelatihan

Pada panel pelatihan terdapat empat bagian edit text dan satu

bagian press button.

1) Jumlah Neuron Lapisan 1

Bagian edit text ini berfungsi untuk memasukkan jumlah

neuron pada lapisan tersenbunyi yang pertama. Jumlah neuron

yang dimasukan di bagian ini haruslah bilangan bulat positif.

2) Jumlah Neuron Lapisan 2

Bagian edit text ini berfungsi untuk memasukkan jumlah

neuron pada lapisan tersenbunyi yang kedua. Apabila jaringan

yang ingin dijalankan hanya memiliki satu lapisan terembunyi,

maka bagian ini diisi dengan bilangan 0 (nol).


54

3) Batas Iterasi

Bagian edit text ini berfungsi untuk memasukkan jumlah batas

maksimum iterasi yang bisa dijalankan oleh sistem jaringan.

4) MSE

Bagian edit text ini berfungsi untuk memasukkan nilai target

galat yang akan dipakai untuk menjalankan sistem jaringan.

5) Proses

Bagian press button ini berfungsi untuk menjalankan sistem

yang dibangun dengan ketentuan yang dimasukkan melalui edit

text sebelumnya.

b. Panel Hasil

Pada panel hasil ini terdiri dari tiga bagian static text yang

digunakan untuk menampilkan hasil dari proses menjalanjan sistem.

1) Data Benar

Bagian static text ini berfungsi untuk menampilkan jumlah data

benar dari pengujian jaringan.

2) Data Total

Bagian static text ini berfungsi untuk menampilkan jumlah data

total yang digunakan untuk pengujian jaringan.

3) Akurasi

Bagian static text ini berfungsi untuk menampilkan nilai

akurasi dari proses pelatihan dan pengujian jaringan. Nilai

akurasi ini diperoleh dengan rumus

c. Panel Klasifikasi

Pada panel klasifikasi terdapat lima bagian edit text, satu bagian

press button, dan satu bagian static text.

1) Suhu

Bagian edit text ini berfungsi untuk memasukkan nilai suhu

ruangan sebagai data tunggal untuk diklasifikasikan.


55

2) Kelembaban

Bagian edit text ini berfungsi untuk memasukkan nilai

kelembaban udara ruang kerja sebagai data tunggal untuk

diklasifikasikan.

3) Cahaya

Bagian edit text ini berfungsi untuk memasukkan nilai

intensitas cahaya di dalam ruang kerja sebagai data tunggal

untuk dikla-sifikasikan.

4) CO2

Bagian edit text ini berfungsi untuk memasukkan besaran kadar

karbondioksida dalam ruang kerja sebagai data tunggal untuk

diklasifikasikan.

5) Rasio

Bagian edit text ini berfungsi untuk memasukkan besar rasio

kelembaban udara di dalam ruang kerja sebagai data tunggal

untuk diklasifikasikan.

6) Proses

Bagian press button ini berfungsi untuk menjalankan sistem

guna mengklasifikasi data tunggal yang dimasukkan melalui

edit text sebelumnya.

7) Hasil Klasifikasi

Bagian static text ini berfungsi untuk menampilkan hasil kla-

sifikasi yang dijalankan oleh sistem. Hasil luaran dari

klasifikasi data tunggal ini ada dua macam. Hasil klasifikasi

yang pertama akan menampilkan kalimat “Ruang Kerja Tidak

Berpenghuni” pada static text atau hasil klasifikasi yang kedua

akan menampilkan “Ruang Kerja Berpenghuni” pada static text

yang tersedia pada panel klasifikasi.


56

BAB IV

HASIL DAN ANALISIS HASIL

Bab ini berisi tentang hasil dan analisis hasil serta interface pengujian sistem.

Hasil dan analisis hasil membahas mengenai percobaan untuk menghasilkan

model jaringan terbaik, sedangkan interface pengujian sistem memberikan

visualisasi mengenai rancangan sistem untuk pengujian data.

A. Hasil dan Analisis Hasil

Pada subab ini akan dibahas mengenai hasil dan analisis hasil dari

beberapa percobaan jaringan. Dari semua variasi jaringan yang diuji akan

dicari model jaringan terbaik. Model jaringan terbaik dilihat dari nilai akurasi

tertinggi yang dihasilkan oleh model jaringan tersebut. Untuk memperoleh

model jaringan terbaik, maka dilakukan beberapa variasi model jaringan.

Variasi model jaringan dilakukan dengan membuat variasi kombinasi jumlah

neuron pada setiap lapisan tersembunyi.

Selain dipengaruhi oleh variasi kombinasi jumlah neuron pada lapisan

tersembunyi, arsitektur jaringan juga dipengaruhi oleh beberapa parameter.

Berikut ini adalah beberapa parameter yang mempengaruhi arsitektur jaringan

yang akan dibuat.

Jumlah masukan pada arsitektur jaringan adalah lima, sehingga

masukan berupa vektor berukuran yaitu

[

4

5]

Jumlah neuron pada lapisan tersembunyi pertama bervariasi mulai

dari 2, 4, 6, 8 dan 10. Apabila nilai akurasi tertinggi terletak pada

jumlah neuron yang terakhir, maka dilanjutkan dengan jumlah

neuron kelipatan dua berikutnya, proses ini dilakukan sampai nilai

akurasinya turun atau tetap.

Jumlah neuron pada lapisan tersenbunyi yang kedua juga bervariasi

mulai dari 2, 4, 6, sampai jumlah neuron paling tinggi pada


57

jaringan satu lapisan. Apabila nilai akurasi tertinggi terletak pada

jumlah neuron yang terakhir, maka dilanjutkan dengan jumlah

neuron kelipatan dua berikutnya, proses ini dilakukan sampai nilai

akurasinya turun atau tetap.

Keluaran yang dihasilkan ada 1 neuron, yaitu luaran = 0 atau

luaran = 1.

Fungsi aktivasi yang digunakan adalah fungsi linier (purelin) dan

fungsi hyperbolic tangent sigmoid (tansig).

Nilai target galat yang dipakai adalah 0.001.

Batas iterasi maksimum yang ditentukan adalah 1000 iterasi.

Nilai laju pemahaman (learning rate) adalah .

Untuk menghasilkan nilai akurasi tertinggi, percobaan-percobaan model

jaringan dibagi menjadi dua kelompok atau yang disebut dengan kelompok

simulasi. Simulasi yang akan dibentuk ada dua kelompok simulasi. Kelompok

simulasi satu adalah arsitektur jaringan dengan satu lapisan tersembunyi.

Kelompok simulasi yang dua adalah arsitektur jaringan dengan dua lapisan

tersembunyi dengan jumlah neuron dengan akurasi tertinggi di lapisan

pertama dan variasi jumlah neuron pada lapisan kedua.

Tabel 4.1 Tabel Simulasi Arsitektur Jaringan

Simulasi Bagian

Jumlah

Neuron

Lapisan 1

Jumlah

Neuron

Lapisan 2

1

1 2

0

2 4

3 6

4 8

5 10

6 12

7 14

2

1

12

2

2 4

3 6


58

4 8

5 10

6 12

7 14

1. Hasil Simulasi

Dari setiap percobaan pada simulasi menghasilkan nilai akurasi. Setiap

simulasi menghasilkan tujuh nilai akurasi yang diperoleh dari tujuh

percobaan. Dari ketujuh nilai akurasi pada suatu simulasi akan dipilih satu

nilai akurasi sebagai nilai akurasi maksimum pada simulasi tersebut.

Berikut ini hasil nilai akurasi dari setiap simulasi.

a. Hasil Simulasi 1

Tabel 4.2 Tabel Hasil Simulasi 1

Bagian Jumlah Neuron Akurasi

(%) Lapisan 1 Lapisan 2

1 2

0

93.2567

2 4 95.1287

3 6 94.1792

4 8 97.2811

5 10 98.3331

6 12 99.3580

7 14 99.3257

Dari Tabel 4.2 dapat dilihat nilai akurasi tertinggi pada simulasi 1

ada pada bagian ke-6, yaitu arsitektur jaringan satu lapisan

tersembunyi dengan 12 neuron pada lapisan tersembunyi tersebut.

Nilai akurasi yang dihasilkan dari simulasi 1 bagian ke-6 ini adalah

99.3580%. Berikut ini ditampilkan grafik nilai akurasi pada simulasi 1.


59

Gambar 4.1 Grafik Nilai Akurasi Simulasi 1

b. Hasil Simulasi 2

Tabel 4.3 Tabel Hasil Simulasi 2

Bagian Jumlah Neuron Akurasi

(%) Lapisan 1 Lapisan 2

1

12

2 95.6681

2 4 98.1011

3 6 94.6431

4 8 99.1584

5 10 97.0438

6 12 95.9486

7 14 96.2453

Dari Tabel 4.3 dapat dilihat nilai akurasi tertinggi pada simulasi 2

ada pada bagian ke-4, yaitu arsitektur jaringan dua lapisan tersembunyi

dengan 12 neuron pada lapisan pertama dan 8 neuron pada lapisan

kedua. Nilai akurasi yang dihasilkan dari simulasi 2 bagian ke-4 ini

adalah 99.1584%. Berikut ini ditampilkan grafik nilai akurasi pada

simulasi 2.


60

Gambar 4.2 Grafik Nilai Akurasi Simulasi 2

2. Model Jaringan Terbaik

Dari hasil simulasi, diperoleh tujuh nilai akurasi setiap simulasi. Untuk

memperoleh nilai akurasi tertinggi maka dilakukan proses perbandingan

antara simulasi 1 dan simulasi 2. Model arsitektur jaringan dengan nilai

akurasi tertinggi inilah yang diambil sebagai model jaringan terbaik.

Model terbaik yang dihasilkan ini akan digunakan sebagai model jaringan

untuk mengklasifikasikan data. Berikut ini adalah tabel perbandingan nilai

akurasi dari setiap simulasi.

Tabel 4.4 Tabel Perbandingan Nilai Akurasi

Bagian

Kombinasi Jumlah Neuron Akurasi (%)

Simulasi 1 Simulasi 2 Simulasi

1

Simulasi

2

1 (2,0) (12,2) 93.2567 95.6681

2 (4,0) (12,4) 95.1287 98.1011

3 (6,0) (12,6) 94.1792 94.6431

4 (8,0) (12,8) 97.2811 99.1584

5 (10,0) (12,10) 98.3331 97.0438

6 (12,0) (12,12) 99.3580 95.9486

7 (14,0) (12,14) 99.3257 96.2453


61

Dari Tabel 4.4 dapat dilihat bahwa nilai akurasi tertinggi terdapat pada

simulasi 1 bagian keenam, yaitu arsitektur jaringan satu lapisan

tersembunyi dengan 12 neuron. Nilai akurasi yang dihasilkan dari simulasi

1 bagian keenam ini adalah 99.3580%. Berikut ini ditampilkan grafik

perbandingan nilai akurasi.

Gambar 4.3 Grafik Perbandingan Nilai Akurasi


62

Gambar 4.4 Tampilan Pelatihan Model Jaringan Terbaik

Gambar 4.4 merupakan tampilan pelatihan dari model jaringan terbaik

yang diperoleh. Nilai akurasi yang diperoleh adalah 99.3580%, dengan

data yang sesuai dengan target berjumlah 18.418 data dari 18.537 data uji

yang digunakan. Untuk lebih lengkapnya dapat dilihat dari tabel confusion

matrix berikut ini.

Tabel 4.5 Tabel Confusion Matrix Model Jaringan Terbaik

Tidak

Berpenghuni Berpenghuni

Tidak

Berpenghuni 14676 105

Berpenghuni 14 3742

Tabel 4.5 menunjukkan bahwa data uji dengan target “Tidak

Berpenghuni” (target occupancy = 0) diklasifikasikan sesuai target

sebanyak 14676 data sedangkan sebanyak 105 data tidak sesuai target.

Untuk data uji dengan target “Berpenghuni” (target occupancy = 1)


63

diklasifikasikan sesuai target debanyak 3742 data sedangkan yang tidak

sesuai target sebanyak 14 data.

Dari Tabel 4.5 ini kita dapat menghitung nilai akurasi dari model

jaringan terbaik. Berikut ini rincian penghitungan nilai akurasi total.

B. Interface Pengujian Sistem

Pada bagian ini membahas mengenai tampilan pelatihan dan pegujian

jaringan, serta klasifikasi pengujian data tunggal. Tampilan pelatihan dan

pengujian jaringan serta tampilan klasifikasi uji data tunggal ditunjukkan pada

tampilan menu utama berikut ini.

Gambar 4.5 Menu Tampilan Utama Sistem

Aplikasi menu utama yang ditampilkan pada Gambar 4.5 ini dibagi

menjadi tiga bagian yaitu pelatihan, hasil dan klasifikasi.


64

1. Pelatihan dan Pengujian Jaringan

Pada proses pelatihan dan pengujian jaringan ini dibagi menjadi dua

yaitu pelatihan dan pengujian jaringan dengan satu lapisan tersembunyi

serta pelatihan dan pengujian dengan dua lapisan tersembunyi.

a. Pelatihan dan Pengujian Jaringan Satu Lapisan Tersembunyi

Berikut ini tampilan dari menu pelatihan dan pengujian jaringan

dengan satu lapisan tersembunyi.

Gambar 4.6 Tampilan Pelatihan Jaringan 1 lapisan tersembunyi

Pada Gambar 4.6 merupakan tampilan menu pelatihan dan

pengujian serta hasil akurasi dari jaringan satu lapisan tersembunyi.

Gambar tersebut menampilkan simulasi 1 bagian pertama yaitu

jaringan dengan satu lapisan tersembunyi, dimana jumlah neuron pada

lapisan tersembunyi berjumlah 2 neuron. Pada simulasi ini diperoleh

data yang sesuai dengan target berjumlah 17.287 dan jumlah data yang

diujikan adalah 18.537 data, sehingga nilai akurasi yang diperoleh

adalah 93.2567%.


65

Gambar 4.7 Proses Pelatihan Jaringan 1 lapisan tersembunyi

b. Pelatihan dan Pengujian Jaringan Dua Lapisan Tersembunyi

Berikut ini tampilan dari menu pelatihan dan pengujian jaringan

dengan dua lapisan tersembunyi.


66

Gambar 4.8 Tampilan Pelatihan Jaringan 2 lapisan tersembunyi

Pada Gambar 4.8 merupakan tampilan menu pelatihan dan

pengujian serta hasil akurasi dari jaringan dua lapisan tersembunyi.

Gambar tersebut menampilkan simulasi dua bagian pertama yaitu

jaringan dengan dua lapisan tersembunyi, di mana jumlah neuron pada

lapisan tersembunyi yang pertama berjumlah 12 neuron dan jumlah

neuron pada lapisan tersembunyi yang kedua berjumlah 8. Pada

simulasi ini diperoleh data yang sesuai dengan target berjumlah 17.734

dan jumlah data yang diujikan adalah 18.537 data, sehingga nilai

akurasi yang diperoleh adalah 95.6681%.


67

Gambar 4.9 Proses Pelatihan Jaringan 2 lapisan tersembunyi

2. Klasifikasi Pengujian Data Tunggal

Klasifikasi yang ditargetkan pada penelitian ini ada dua macam, yaitu

“Ruang Kerja Berpenghuni” atau “Ruang Kerja Tidak Berpenghuni”.

Apabila luaran dari hasil perhitungan jaringan adaalah 1, maka akan

diklasifikasikan menjadi “Ruang Kerja Berpenghuni”, sedangkan jika

luarannya adalah 0, maka diklasifikasikan menjadi “Ruang Kerja Tidak

Berpenghuni”.


68

Gambar 4.10 Tampilan Klasifikasi Kelas Target 1

Gambar 4.11 Tampilan Klasifikasi Kelas Target 0

Pada Tabel 4.6 berikut ini merupakan contoh data baru yang akan diuji

menggunakan jaringan saraf tiruan untuk diklasifikasikan apakah masuk

kedalam klasifikasi yang pertama atau kedua.

Tabel 4.6 Tabel Data Uji

Temperature Humidity Light CO2 Humidity

Ratio Occupancy

22.075 37.8975 433 1819.3 0.00624268 1

20 18.7 0 440 0.00269628 0


69

Gambar 4.12 Tampilan Proses Klasifikasi Data Uji 1

Gambar 4.13 Tampilan Proses Klasifikasi Data Uji 2


70

3. Pengujian Data Baru

Model arsitektur jaringan terbaik yang di hasilkan pada penelitian ini

adalah model jaringan simulasi 1 bagian keenam. Model ini merupakan

model arsitektur jaringan dengan satu lapisan tersembunyi dengan 12

neuron. Model jaringan ini menghasilkan nilai akurasi sebesar 99.3580%.

Pada tahap selanjutnya, model jaringan terbaik ini dipakai untuk

mengklasifikasikan data baru. Berikut ini adalah tabel data yang akan di

klasifikasi.

Tabel 4.7 Tabel Uji Data Baru

No Temperature Humidity Light CO2 Humidity

Ratio Occupancy

1 20 18.7 0 440 0.0027 0

2 19.5 30.1 0 435.5 0.00422 0

3 22.075 26.365 464 1039.5 0.00432 1

4 20.5 34.0675 0 762.5 0.00509 0

5 20.356667 33 0 500.33 0.00488 0

6 20.79 29.495 0 494 0.00448 0

7 23.05 23.295 664 891 0.00406 1

8 23.5 27 574.75 575 0.00484 1

9 21.89 30.39 419 975.67 0.00494 1

10 22.1 34.4 454 1321 0.00567 1

Tabel 4.7 merupakan 10 data baru yang akan diuji menggunakan

model terbaik untuk diklasifikasikan. Data baru akan di uji untuk melihat

apakah hasil klasifikasi sesuai dengan target occupancy. Hasil klasifikasi

dari 10 data baru yang diuji ini akan ditampilkan pada tabel berikut ini.

Tabel 4.8 Tabel Hasil Klasifikasi Data Baru

No

Data

Target

Occupancy

Hasil

Klasifikasi Kesesuaian Keterangan

1 0 0 Sesuai Ruang Kerja Tidak

Berpenghuni


Berpenghuni


71

3 1 1 Sesuai Ruang Kerja

Berpenghuni


Berpenghuni


Berpenghuni


Berpenghuni


Berpenghuni


Berpenghuni


Berpenghuni


Berpenghuni

Tabel 4.8 menampilkan 10 data baru yang diambil secara acak

kemudian di klasifikasikan menggunakan model jaringan terbaik. Dari

kesepuluh data yang diuji, hasil klasifikasinya semuanya sesuai dengan

target. Hal ini menunjukkan bahwa model jaringan ini cukup akurat dalam

mengklasifikasikan data ke dalam kelas-kelas yang tersedia. Tampilan

hasil klasifikasi data baru ini lebih lengkapnya dapat dilihat pada lampiran.


72

BAB V

PENUTUP

A. Kesimpulan

Dari hasil penelitian deteksi hunian menggunakan metode jaringan saraf tiruan

propagasi balik, dapat disimpulkan beberapa hal sebagai berikut:

1. Deteksi hunian dapat dilakukan dengan menggunakan jaringan saraf tiruan

propagasi balik (back propagation) dengan lima atribut dan satu target.

Variabel-variabel yang digunakan sebagai atribut adalah suhu,

kelembaban, intensitas cahaya, kadar karbondioksida, dan rasio

kelembaban. Target yang dituju adalah hunian (occupancy) sebuah ruang

kerja.

2. Model arsitektur jaringan yang optimal yang diperoleh pada penelitian ini

adalah model jaringan dengan lima masukan (input), satu lapisan

tersembunyi (hidden layer) dengan jumah 12 neuron, dan satu luaran

(output). Fungsi aktivasi yang digunakan adalah fungsi purelin pada


3. Nilai akurasi yang diperoleh dari model jaringan yang optimal adalah

99.3580%

B. Saran

Saran yang diberikan untuk mengembangkan penelitian pada tugas akhir ini


1. Untuk pemilihan variabel yang dijadikan sebagai atribut dapat dilakukan

menggunakan uji analisis komponen utama (principal component

analysis).

2. Korelasi antara variabel kelembaban dengan rasio variabel kelembaban

dapat dicari, sehingga apabila korelasi antara kedua variabel tinggi dapat

dilakukan reduksi salah satu dari kedua variabel ini.


73

3. Variasi kombinasi jumlah neuron dapat dikembangkan lagi.

4. Arsitektur jaringan dapat menggunakan fungsi aktivasi yang lain, misalnya

fungasi aktivasi logsig, atau fungsi aktivasi lainnya.


74

DAFTAR PUSTAKA

Candanedo, L.M., & Feldheim, V. (2016). Accurate occupancy detection of an

office room from light, temperature, humidity and CO2 measurements

using statistical learning models. Energy and Buildings, 112, 28-39.

Hagan, M.T. et al. (2014). Neural Network Design, (second edition). Washington:

PWS Publishing Company.

Hanselman, D. & Littlefield, B. (2012). Mastering Matlab. New York: Prentice

Hall.

Heaton, J. (2012). Introduction Math of Neural Networks. Chesterfield: Heaton

Research Inc.

Putri, A.R. (2017). Pengenalan Pola Aksara Batak Karo Menggunakan Metode

Back Propagation. Skripsi. Yogyakarta.

Sammut, C. & Webb, G.I. (2011). Encyclopedia of Machine Learning. New York:

Springer.

Siang, J.J. (2005). Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan

Matlab. Yogyakarta: ANDI.

Suri, N. M. R., Murty, M. N., & Athithan, G. (2019). Outlier Detection:

Techniques and Applications. Cham: Springer Nature.

Suryawan, H.P. (2016). Kalkulus Diferensial. Yogyakarta: Sanata Dharma

University Press.


75

LAMPIRAN

Data Training

No Date Time Tempe-

rature Humidity Light CO2

Humidity

Ratio

Occu-

pancy

1 2/2/2015 14:19:00 22.6 25.0667 428.333 849.333 0.00425 0

2 2/2/2015 14:19:59 22.6 25.2 422.5 853 0.00427 0

3 2/2/2015 14:21:00 22.6 25.2 423.667 853 0.00427 0

4 2/2/2015 14:22:00 22.54 25.16 424.6 852 0.00425 0

5 2/2/2015 14:23:00 22.54 25.16 427.4 853.6 0.00425 0

6 2/2/2015 14:23:59 22.54 25.14 421.8 845.6 0.00425 0

7 2/2/2015 14:25:00 22.525 25.1 426 834.25 0.00424 0

8 2/2/2015 14:25:59 22.5 25.04 421.8 826.4 0.00422 0

9 2/2/2015 14:26:59 22.5 25 419 819.6 0.00421 0

10 2/2/2015 14:28:00 22.5 25 419 829.6 0.00421 0

18528 2/18/2015 9:10:00 22.34 26.145 438 1068 0.00436 1

18529 2/18/2015 9:10:59 22.29 26.1425 438 1061.75 0.00435 1

18530 2/18/2015 9:11:59 22.29 25.7 441 1045.67 0.00428 1

18531 2/18/2015 9:13:00 22.29 26.22 438 1041.5 0.00436 1

18532 2/18/2015 9:14:00 22.29 26.2425 442.5 1051 0.00437 1

18533 2/18/2015 9:15:00 22.29 26.125 438 1059.25 0.00435 1

18534 2/18/2015 9:16:00 22.315 26.2 438 1065 0.00437 1

18535 2/18/2015 9:16:59 22.29 26.175 442.5 1064.75 0.00436 1

18536 2/18/2015 9:17:59 22.29 26.1 441 1054.67 0.00434 1

18537 2/18/2015 9:19:00 22.29 25.995 447 1042.5 0.00433 1


76

Program Menu Tampilan (m.file)

function varargout = hunian(varargin)

% HUNIAN MATLAB code for hunian.fig

% HUNIAN, by itself, creates a new HUNIAN or raises the

existing

% singleton*.

%

% H = HUNIAN returns the handle to a new HUNIAN or the handle

to

% the existing singleton*.

%

% HUNIAN('CALLBACK',hObject,eventData,handles,...) calls the

local

% function named CALLBACK in HUNIAN.M with the given input

arguments.

%

% HUNIAN('Property','Value',...) creates a new HUNIAN or

raises the

% existing singleton*. Starting from the left, property

value pairs are

% applied to the GUI before hunian_OpeningFcn gets called.

An

% unrecognized property name or invalid value makes property

application

% stop. All inputs are passed to hunian_OpeningFcn via

varargin.

%

% *See GUI Options on GUIDE's Tools menu. Choose "GUI allows

only one

% instance to run (singleton)".

%

% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help hunian

% Last Modified by GUIDE v2.5 04-Jul-2020 19:10:37


77

% Begin initialization code - DO NOT EDIT

gui_Singleton = 1;

gui_State = struct('gui_Name', mfilename, ...

'gui_Singleton', gui_Singleton, ...

'gui_OpeningFcn', @hunian_OpeningFcn, ...

'gui_OutputFcn', @hunian_OutputFcn, ...

'gui_LayoutFcn', [] , ...

'gui_Callback', []);

if nargin && ischar(varargin{1})

gui_State.gui_Callback = str2func(varargin{1});

end

if nargout

[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});

else

gui_mainfcn(gui_State, varargin{:});

end

% End initialization code - DO NOT EDIT

% --- Executes just before hunian is made visible.

function hunian_OpeningFcn(hObject, eventdata, handles, varargin)

% This function has no output args, see OutputFcn.

% hObject handle to figure

% eventdata reserved - to be defined in a future version of

MATLAB

% handles structure with handles and user data (see GUIDATA)

% varargin command line arguments to hunian (see VARARGIN)

% Choose default command line output for hunian

handles.output = hObject;

% Update handles structure

guidata(hObject, handles);

% UIWAIT makes hunian wait for user response (see UIRESUME)

% uiwait(handles.figure1);


78

% --- Outputs from this function are returned to the command line.

function varargout = hunian_OutputFcn(hObject, eventdata, handles)

% varargout cell array for returning output args (see VARARGOUT);

% hObject handle to figure


MATLAB


% Get default command line output from handles structure

varargout{1} = handles.output;

function layer1_Callback(hObject, eventdata, handles)

% hObject handle to layer1 (see GCBO)


MATLAB


% Hints: get(hObject,'String') returns contents of layer1 as text

% str2double(get(hObject,'String')) returns contents of

layer1 as a double

% --- Executes during object creation, after setting all

properties.

function layer1_CreateFcn(hObject, eventdata, handles)



MATLAB

% handles empty - handles not created until after all

CreateFcns called

% Hint: edit controls usually have a white background on Windows.

% See ISPC and COMPUTER.

if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor'))

set(hObject,'BackgroundColor','white');

end

function layer2_Callback(hObject, eventdata, handles)


79



MATLAB


% Hints: get(hObject,'String') returns contents of layer2 as text


layer2 as a double


properties.

function layer2_CreateFcn(hObject, eventdata, handles)



MATLAB


CreateFcns called






end

function jumlahiterasi_Callback(hObject, eventdata, handles)

% hObject handle to jumlahiterasi (see GCBO)


MATLAB


% Hints: get(hObject,'String') returns contents of jumlahiterasi

as text


jumlahiterasi as a double


80


properties.

function jumlahiterasi_CreateFcn(hObject, eventdata, handles)

% hObject handle to jumlahiterasi (see GCBO)


MATLAB


CreateFcns called






end

function mse_Callback(hObject, eventdata, handles)

% hObject handle to mse (see GCBO)


MATLAB


% Hints: get(hObject,'String') returns contents of mse as text

% str2double(get(hObject,'String')) returns contents of mse

as a double


properties.

function mse_CreateFcn(hObject, eventdata, handles)

% hObject handle to mse (see GCBO)


MATLAB


CreateFcns called




81




end

% --- Executes on button press in proses.

function proses_Callback(hObject, eventdata, handles)

% hObject handle to proses (see GCBO)


MATLAB


a=str2num(get(handles.layer1,'string'));

b=str2num(get(handles.layer2,'string'));

c=str2num(get(handles.jumlahiterasi,'string'));

d=str2num(get(handles.mse,'string'));

%Input Data

fid=fopen('hunian.csv');

data=textscan(fid,'%f%f%f%f%f%f%f','delimiter',',');

fclose(fid);

%Membuat matriks atribut dan Matriks Target

P=[data{1} data{2} data{3} data{4} data{5}];

T=double(data{6});

%Nilai Maksimum dan Nilai Minimum

Maks=max(P);

Mini=min(P);

%Normalisasi Data Max-Min

P1=((10.*(P(:,1)-(ones(18537,1).*Maks(1))))./(Maks(1)-

Mini(1)))+(ones(18537,1));

P2=((10.*(P(:,2)-(ones(18537,1).*Maks(2))))./(Maks(2)-

Mini(2)))+(ones(18537,1));

P3=((10.*(P(:,3)-(ones(18537,1).*Maks(3))))./(Maks(3)-

Mini(3)))+(ones(18537,1));


82

P4=((10.*(P(:,4)-(ones(18537,1).*Maks(4))))./(Maks(4)-

Mini(4)))+(ones(18537,1));

P5=((10.*(P(:,5)-(ones(18537,1).*Maks(5))))./(Maks(5)-

Mini(5)))+(ones(18537,1));

%Matriks atribut setelah dinormalisasi

P_Normal=[P1 P2 P3 P4 P5];

%k-Fold cross Validation

P_Normal=P_Normal';

T=T';

P=P';

jumdat=length(T);

bagi=round(jumdat*(1/3));

A1=P_Normal(:,1:bagi);

A2=P_Normal(:,bagi+1:2*bagi);

A3=P_Normal(:,2*bagi+1:end);

T1=T(:,1:bagi);

T2=T(:,bagi+1:2*bagi);

T3=T(:,2*bagi+1:end);

Latih1=[A1 A2];

Latih2=[A2 A3];

Latih3=[A3 A1];

Uji1=[A3];

Uji2=[A1];

Uji3=[A2];

Target1=[T1 T2];

Target2=[T2 T3];

Target3=[T3 T1];

T_Uji1=[T3];


83

T_Uji2=[T1];

T_Uji3=[T2];

%Proses Pelatihan dan Pengujian

H=zeros(2,2);

if b==0

for j=1:3;

if j==1

Latih=Latih1;

Target=Target1;

Uji=Uji1;

T_Uji=T_Uji1;

rand('seed',491218382);

net=newff(Latih,Target,[a],{'purelin','tansig'},'traingd');

net=init(net);

net.trainParam.epochs=c;

net.trainParam.lr=0.01;

net.trainParam.goal=d;

[net,tr]=train(net,Latih,Target);

out=sim(net,Uji);

luaran=round(out);

hasilsem=confusionmat(T_Uji,luaran);

H=H+hasilsem;

elseif j==2

Latih=Latih2;

Target=Target2;

Uji=Uji2;

T_Uji=T_Uji2;

rand('seed',491218382);


net=init(net);





out=sim(net,Uji);

luaran=round(out);


84


H=H+hasilsem;

else

Latih=Latih3;

Target=Target3;

Uji=Uji3;

T_Uji=T_Uji3;

rand('seed',491218382);


net=init(net);





out=sim(net,Uji);

luaran=round(out);


H=H+hasilsem;

end

end

%Menampilkan Hasil

H;

aku=(sum(diag(H))/sum(sum(H)))*100;

e=sum(diag(H));

f=sum(sum(H));

else

for j=1:3;

if j==1

Latih=Latih1;

Target=Target1;

Uji=Uji1;

T_Uji=T_Uji1;

rand('seed',491218382);

net=newff(Latih,Target,[a,b],{'purelin','tansig'},'traingd');

net=init(net);



85




out=sim(net,Uji);

luaran=round(out);


H=H+hasilsem;

elseif j==2

Latih=Latih2;

Target=Target2;

Uji=Uji2;

T_Uji=T_Uji2;

rand('seed',491218382);


net=init(net);





out=sim(net,Uji);

luaran=round(out);


H=H+hasilsem;

else

Latih=Latih3;

Target=Target3;

Uji=Uji3;

T_Uji=T_Uji3;

rand('seed',491218382);


net=init(net);





out=sim(net,Uji);

luaran=round(out);



86

H=H+hasilsem;

end

end

%Menampilkan Hasil

H;


e=sum(diag(H));

f=sum(sum(H));

end

set(handles.output2,'string',e);

set(handles.output3,'string',f);

set(handles.output4,'string',aku);

function temperatur_Callback(hObject, eventdata, handles)

% hObject handle to temperatur (see GCBO)


MATLAB


% Hints: get(hObject,'String') returns contents of temperatur as

text


temperatur as a double


properties.

function temperatur_CreateFcn(hObject, eventdata, handles)

% hObject handle to temperatur (see GCBO)


MATLAB


CreateFcns called




87




end

function kelembaban_Callback(hObject, eventdata, handles)

% hObject handle to kelembaban (see GCBO)


MATLAB


% Hints: get(hObject,'String') returns contents of kelembaban as

text


kelembaban as a double


properties.

function kelembaban_CreateFcn(hObject, eventdata, handles)

% hObject handle to kelembaban (see GCBO)


MATLAB


CreateFcns called






end

function cahaya_Callback(hObject, eventdata, handles)

% hObject handle to cahaya (see GCBO)


MATLAB



88

% Hints: get(hObject,'String') returns contents of cahaya as text


cahaya as a double


properties.

function cahaya_CreateFcn(hObject, eventdata, handles)

% hObject handle to cahaya (see GCBO)


MATLAB


CreateFcns called






end

function co2_Callback(hObject, eventdata, handles)

% hObject handle to co2 (see GCBO)


MATLAB


% Hints: get(hObject,'String') returns contents of co2 as text

% str2double(get(hObject,'String')) returns contents of co2

as a double


properties.

function co2_CreateFcn(hObject, eventdata, handles)

% hObject handle to co2 (see GCBO)


MATLAB


89


CreateFcns called






end

function rasio_Callback(hObject, eventdata, handles)

% hObject handle to rasio (see GCBO)


MATLAB


% Hints: get(hObject,'String') returns contents of rasio as text


rasio as a double


properties.

function rasio_CreateFcn(hObject, eventdata, handles)

% hObject handle to rasio (see GCBO)


MATLAB


CreateFcns called






end


90

% --- Executes on button press in Proses2.

function Proses2_Callback(hObject, eventdata, handles)

% hObject handle to Proses2 (see GCBO)


MATLAB


a=str2num(get(handles.layer1,'string'));

b=str2num(get(handles.layer2,'string'));

c=str2num(get(handles.jumlahiterasi,'string'));

d=str2num(get(handles.mse,'string'));

%Input Data



fclose(fid);



T=double(data{6});


Maks=max(P);

Mini=min(P);

%Normalisasi Data MAx-Min

P1=((10.*(P(:,1)-(ones(18537,1).*Maks(1))))./(Maks(1)-

Mini(1)))+(ones(18537,1));

P2=((10.*(P(:,2)-(ones(18537,1).*Maks(2))))./(Maks(2)-

Mini(2)))+(ones(18537,1));

P3=((10.*(P(:,3)-(ones(18537,1).*Maks(3))))./(Maks(3)-

Mini(3)))+(ones(18537,1));

P4=((10.*(P(:,4)-(ones(18537,1).*Maks(4))))./(Maks(4)-

Mini(4)))+(ones(18537,1));

P5=((10.*(P(:,5)-(ones(18537,1).*Maks(5))))./(Maks(5)-

Mini(5)))+(ones(18537,1));



91



P_Normal=P_Normal';

T=T';

P=P';

jumdat=length(T);





T1=T(:,1:bagi);



Latih1=[A1 A2];

Latih2=[A2 A3];

Latih3=[A3 A1];

Uji1=[A3];

Uji2=[A1];

Uji3=[A2];

Target1=[T1 T2];

Target2=[T2 T3];

Target3=[T3 T1];

T_Uji1=[T3];

T_Uji2=[T1];

T_Uji3=[T2];

%Proses Pengujian Data Tunggal

if b==0

Latih=Latih1;

Target=Target1;


92

Uji=Uji1;

T_Uji=T_Uji1;

rand('seed',491218382);


net=init(net);





else

Latih=Latih1;

Target=Target1;

Uji=Uji1;

T_Uji=T_Uji1;

rand('seed',491218382);


net=init(net);





end

v1=str2num(get(handles.temperatur,'string'));

v2=str2num(get(handles.kelembaban,'string'));

v3=str2num(get(handles.cahaya,'string'));

v4=str2num(get(handles.co2,'string'));

v5=str2num(get(handles.rasio,'string'));

V=[v1 v2 v3 v4 v5];

v1=((10.*(P(:,1)-Maks(1)))./(Maks(1)-Mini(1)))+1;

v2=((10.*(P(:,1)-Maks(2)))./(Maks(2)-Mini(2)))+1;

v3=((10.*(P(:,1)-Maks(3)))./(Maks(3)-Mini(3)))+1;

v4=((10.*(P(:,1)-Maks(4)))./(Maks(4)-Mini(4)))+1;

v5=((10.*(P(:,1)-Maks(5)))./(Maks(5)-Mini(5)))+1;

V_Normal=[v1 v2 v3 v4 v5];

V_Normal=V_Normal';

luar=sim(net,V_Normal);

ident=round(luar);

if ident==0


93

i=['Ruang Kerja Tidak Berpenghuni'];

elseif ident==1

i=['Ruang Kerja Berpenghuni'];

else

i=['Error'];

end

set(handles.output5,'string',i);


94

Program Simulasi Satu Lapisan Tersembunyi (m.file)

%Input Data



fclose(fid);



T=double(data{6});


Maks=max(P);

Mini=min(P);


P1=((10.*(P(:,1)-(ones(18537,1).*Maks(1))))./(Maks(1)-

Mini(1)))+(ones(18537,1));

P2=((10.*(P(:,2)-(ones(18537,1).*Maks(2))))./(Maks(2)-

Mini(2)))+(ones(18537,1));

P3=((10.*(P(:,3)-(ones(18537,1).*Maks(3))))./(Maks(3)-

Mini(3)))+(ones(18537,1));

P4=((10.*(P(:,4)-(ones(18537,1).*Maks(4))))./(Maks(4)-

Mini(4)))+(ones(18537,1));

P5=((10.*(P(:,5)-(ones(18537,1).*Maks(5))))./(Maks(5)-

Mini(5)))+(ones(18537,1));




P_Normal=P_Normal';

T=T';

P=P';

jumdat=length(T);



95




T1=T(:,1:bagi);



Latih1=[A1 A2];

Latih2=[A2 A3];

Latih3=[A3 A1];

Uji1=[A3];

Uji2=[A1];

Uji3=[A2];

Target1=[T1 T2];

Target2=[T2 T3];

Target3=[T3 T1];

T_Uji1=[T3];

T_Uji2=[T1];

T_Uji3=[T2];


n=2:2:10;

a=2:2:10;

AK=[];

for k=1:length(a)

H=zeros(2,2);

for j=1:3;

if j==1

Latih=Latih1;

Target=Target1;

Uji=Uji1;


96

T_Uji=T_Uji1;

rand('seed',491218382);

net=newff(Latih,Target,[a(k)],{'purelin','tansig'},'traingd');

net=init(net);

net.trainParam.epochs=1000;


net.trainParam.goal=0.001;


out=sim(net,Uji);

luaran=round(out);


H=H+hasilsem;

elseif j==2

Latih=Latih2;

Target=Target2;

Uji=Uji2;

T_Uji=T_Uji2;

rand('seed',491218382);


net=init(net);





out=sim(net,Uji);

luaran=round(out);


H=H+hasilsem;

else

Latih=Latih3;

Target=Target3;

Uji=Uji3;

T_Uji=T_Uji3;

rand('seed',491218382);


net=init(net);




97



out=sim(net,Uji);

luaran=round(out);


H=H+hasilsem;

end

end

H;


AK=[AK aku];

display(['akurasi=' num2str(aku) ' persen']);

end

%Menampilkan Hasil

plot(n,AK)

grid on

hold on

plot(n,AK,'o')

xlabel('Jumlah Neuron Lapisan 1')

ylabel('Akurasi (%)')


98

Program Simulasi Dua Lapisan Tersembunyi (m.file)

%Input Data



fclose(fid);



T=double(data{6});


Maks=max(P);

Mini=min(P);


P1=((10.*(P(:,1)-(ones(18537,1).*Maks(1))))./(Maks(1)-

Mini(1)))+(ones(18537,1));

P2=((10.*(P(:,2)-(ones(18537,1).*Maks(2))))./(Maks(2)-

Mini(2)))+(ones(18537,1));

P3=((10.*(P(:,3)-(ones(18537,1).*Maks(3))))./(Maks(3)-

Mini(3)))+(ones(18537,1));

P4=((10.*(P(:,4)-(ones(18537,1).*Maks(4))))./(Maks(4)-

Mini(4)))+(ones(18537,1));

P5=((10.*(P(:,5)-(ones(18537,1).*Maks(5))))./(Maks(5)-

Mini(5)))+(ones(18537,1));




P_Normal=P_Normal';

T=T';

P=P';

jumdat=length(T);



99




T1=T(:,1:bagi);



Latih1=[A1 A2];

Latih2=[A2 A3];

Latih3=[A3 A1];

Uji1=[A3];

Uji2=[A1];

Uji3=[A2];

Target1=[T1 T2];

Target2=[T2 T3];

Target3=[T3 T1];

T_Uji1=[T3];

T_Uji2=[T1];

T_Uji3=[T2];


n=2:2:10;

a=2;

b=2:2:10;

AK=[];

for k=1:length(b)

H=zeros(2,2);

for j=1:3;

if j==1

Latih=Latih1;

Target=Target1;


100

Uji=Uji1;

T_Uji=T_Uji1;

rand('seed',491218382);

net=newff(Latih,Target,[a,b(k)],{'purelin','tansig'},'traingd');

net=init(net);





out=sim(net,Uji);

luaran=round(out);


H=H+hasilsem;

elseif j==2

Latih=Latih2;

Target=Target2;

Uji=Uji2;

T_Uji=T_Uji2;

rand('seed',491218382);


net=init(net);





out=sim(net,Uji);

luaran=round(out);


H=H+hasilsem;

else

Latih=Latih3;

Target=Target3;

Uji=Uji3;

T_Uji=T_Uji3;

rand('seed',491218382);


101


net=init(net);





out=sim(net,Uji);

luaran=round(out);


H=H+hasilsem;

end

end

H;


AK=[AK aku];

display(['akurasi=' num2str(aku) ' persen']);

end

%Menampilkan Hasil

plot(n,AK)

grid on

hold on

plot(n,AK,'o')

xlabel('Jumlah Neuron Lapisan 2')

ylabel('Akurasi (%)')


102


103

Program Deteksi Outlier (Program menggunakan R)

Input Data > o20k <- read_excel("MATLAB/o20k.xlsx") > View(o20k) > attach(o20k)

Deteksi Outlier/Pencilan Setiap Variabel

1. Deteksi Outlier/Pencilan Variabel Temperature

> boxplot (Temperature, data = o20k,col = c("lightblue"), cex.main=1.5, main = "Boxplot Distribusi Temperature", ylab = "Temperature",cex.lab=1) > boxplot.stats(Temperature) $`stats` [1] 19.000 20.200 20.700 21.525 23.500 $n [1] 20560 $conf [1] 20.6854 20.7146

2. Deteksi Outlier/Pencilan Variabel Humidity

> boxplot (Humidity, data = o20k,col = c("lightblue"), cex.main=1.5, main = "Boxplot Distribusi Humidity", ylab = "Humidity",cex.lab=1) > boxplot.stats(Humidity) $`stats` [1] 16.745 24.500 27.290 31.290 39.500 $n [1] 20560 $conf [1] 27.21518 27.36482 $out numeric(0)

3. Deteksi Outlier/Pencilan Variabel Light

> boxplot (Light, data = o20k,col = c("lightblue"), cex.main=1.5, main = "Boxplot Distribusi Light", ylab = "Light",cex.lab=1) > boxplot.stats(Light) $`stats` [1] 0.0 0.0 0.0 301.0 752.5 $n [1] 20560 $conf [1] -3.316745 3.316745


104

4. Deteksi Outlier/Pencilan Variabel CO2

> boxplot (CO2, data = o20k,col = c("lightblue"), cex.main=1.5, main = "Boxplot Distribusi CO2", ylab = "CO2",cex.lab=1) > boxplot.stats(CO2) $`stats` [1] 412.7500 460.0000 565.4167 804.6667 1321.5000 $n [1] 20560 $conf [1] 561.6188 569.2146

5. Deteksi Outlier/Pencilan Variabel Humiditi Ratio

> boxplot (HumidityRatio, data = o20k,col = c("lightblue"), cex.main=1.5, main = "Boxplot Distribusi Humidity Ratio", ylab = "Humidity Ratio",cex.lab=1) > boxplot.stats(HumidityRatio) $`stats` [1] 0.002674127 0.003719022 0.004291895 0.004831766 0.006476013 $n [1] 20560 $conf [1] 0.004279633 0.004304156 $out numeric(0)


105

Gambar uji data baru


106


107


108


109


deteksi hunian menggunakan metode jaringan...

Documents