pembimbing i: pembimbing ii: ahmad saikhu, s.si, mt yudhi...

TUGAS AKHIR 1

PRESENTASI TUGAS AKHIR

PENENTUAN STATUS BANTU ANAK ASUH PROGRAM BEASISWA PENA BANGSA DENGAN MENGGUNAKAN METODE NEURAL

NETWORK DAN FUZZY LOGIC

Mahasiswa :Hendra BW

(NRP : 5101 109 048)

Pembimbing I:Ahmad Saikhu, S.Si, MT

Pembimbing II:Yudhi Purwananto, S.Kom, M.Kom

TUGAS AKHIR 2

Adanya kendala yang dihadapi YDSF dalam penentuan status bantu anak : YDSF masih menggunakan cara manual dalam menentukan status

bantu anak. Pemberian status bantu pada anak sangat tergantung dari

subyektifitas surveyor di lapangan. Diperlukan sebuah aplikasi yang mampu menentukan status

bantu anak sesuai dengan kriteria hasil survey yang ada.

L A T A R B E L A K A N G

TUGAS AKHIR 3

Untuk menghasilkan suatu perangkat lunak yang dapatmenentukan status bantu Anak Asuh yaitu “bnt” untuk bantu,“ind” untuk indent dan “tlk” untuk tolak.

T U J U A N

TUGAS AKHIR 4

Input–input apa saja yang akan digunakan. Dari input-input tersebut, metode apa yang terbaik yang

akan digunakan sehingga mendekati nilai kebenaran klasifikasi status bantu tersebut.

P E R M A S A L A H A N

TUGAS AKHIR 5

Program yang dibuat pada Tugas Akhir ini difokuskan pada pembuatan aplikasi yang mampu untuk menentukan status bantu anak yaitu “bnt” untuk bantu, “ind” untuk indent dan “tlk” untuk tolak..

Program yang dibuat pada Tugas Akhir ini hanya melakukan proses penentuan status bantu anak. Proses yang lain tidak termasuk dalam program ini.

Proses pengolahan data mentah dilakukan oleh sistem lain yang merupakan sistem diluar dari sistem pada Tugas Akhir ini.

B A T A S A N M A S A L A H

TUGAS AKHIR 6

Input 0 1 2 3

Jenjang Pendidikan SD SMP SMU PT

Status Anak Yatim/Piatu Miskin

Pekerjaan Ayah (SPESIFIK) Tdk Kerja Swasta PNS

Jenis Pekerjaan Ortu Tdk Bisa Kerja Tidak Tetap Tetap

Pendapatan Orang Tua (Ribu) <350000 350000-700000 700000-1050000 >1050000

Jumlah Anak > 5 4 3 <3

Jumlah Anak Sekolah > 5 4 3 <3

Total Tanggungan Ayah > 5 5 4 < 3

Kepemilikan Rumah Kontrak / Kos Penampungan Ikut Kerabat Hak Milik / Warisan

Lantai Tanah Plesteran Keramik

Dinding Bambu / Sesek Kayu / Triplek Tembok

Ukuran Bangunan < 7 7 - 14 14 - 21 > 21

Biaya Listrik 0 0 - 35000 35000 - 70000 > 70000

Biaya Air 0 0 - 20000 20000 - 40000 > 40000

Biaya Telepon 0 0 - 25000 25000 - 50000 > 50000

Transportasi Tidak Ada Sepeda Motor

INPUT YANG DIGUNAKAN

TUGAS AKHIR 7

Elektronik 0 1 2 > 2

Puasa Sunnah/Ramadhan Sering Pernah Belum Pernah

Sholat Sunnah/Fardlu Rutin Kadang - kadang Jarang

Membaca Al Qur'an Lancar Belum lancar Tidak bisa Tidak Pernah

Jenis Sekolah Swasta Negeri

Nilai rata-rata Raport > 8 7 - 8 6 - 7 < 6

Tunggakan Biaya Sekolah (slip) Daftar Ulang Gedung Buku / Seragam SPP

Total Tunggakan Sekolah > 9000000 600000 - 900000 300000 - 600000 <300000

Ijasah yang belum diambil SD SMP SMA Tidak Ada

TUGAS AKHIR 8

FUZZIFIKASI – LINIER NAIK

TUGAS AKHIR 9

FUZZIFIKASI – LINIER TURUN

TUGAS AKHIR 10

KURVA S PERTUMBUHAN

TUGAS AKHIR 11

KURVA S PENYUSUTAN

TUGAS AKHIR 12

Metode backpropagation memiliki kemampuan tinggi dalampemetaan jaringan (network), dan dapat diimplementasikanpada berbagai permasalahan mulai dari credit applicationscoring sampai image compressing, contoh : penghitunganbanyaknya applicant kartu kredit pada suatu bank

Kata backpropagation merujuk pada bagaimana gradienperubahan bobot dihitung dengan menggunakan algoritmapenurunan gradien (gradien descent).

Pelatihan backprop untuk mendapatkan keseimbangan antarakemampuan jaringan untuk mengenali pola pelatihan sertakemampuan untuk memberikan respon yang benar terhadappola yang serupa

B A C K P R O P A G A T I O N

TUGAS AKHIR 13

Algoritma backpropagation merupakan algoritmapembelajaran yang terawasi (supervised learning)

Digunakan oleh perceptor dengan banyak lapisan untukmengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya (hidden layer)

Untuk mendapatkan error output menggunakan perambatanmaju ( forward propagation )

Error output ini digunakan untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward).


TUGAS AKHIR 14

Arsitektur jaringan backpropagation


TUGAS AKHIR 15

Lapisan input (input layer).Lapisan input terdiri dari neuron-neuron atau unit-unit masukan, Xi, i =1 ,2,........n.

Lapisan tersembunyi (hidden layer).Lapisan tersembunyi terdiri dari unit-unittersembunyi, Zi, i= 1,2,.........p.

Lapisan output (output layer)Lapisan output terdiri dari unit-unit outputYi, i=1,2,..........m.


TUGAS AKHIR 16

1. Inisialisasi bobot (ambil bobot awal dengan nilairandom yang cukup kecil)


TUGAS AKHIR 17

Feedforward : Tiap-tiap input layer (Xi , i=1,2,3,...,n) menerima sinyal

xi dan meneruskan sinyal tersebut ke semua unit hiddenlayer dengan fungsi aktivasi sigmoid biner

Dipropagasikan terus sampai ke output layer Berhenti hingga menghasilkan keluaran jaringan Bandingkan keluaran jaringan dengan target pola Kesalahan < batas toleransi iterasi pada sidang

dihentikan


TUGAS AKHIR 18

Backward : Berdasarkan selisih antara target yang harus dicapai

dengan output jaringan dari feedforward, digunakan untuk memperbaiki bobot

Hitung koreksi biasnya, digunakan untuk mengoreksi bobot yang masuk hidden layer

Hitung koreksi bobot pada hidden layer Apabila sudah mencapai minimum error (goal), proses

dihentikan


TUGAS AKHIR 19

FLOWCHART KESELURUHAN

Fuzzifikasi

Mulai

Feed Forward

Input Data

Y1>Y2 and Y1>Y3

Status:=’BNT’

Selesai

Y1, Y2, Y3

Ya

Y2>Y1 and Y2>Y3

Status:=’IND’

Ya

Tidak Y3>Y1 and Y3>Y2Tidak

Status:=’TLK’

Ya

Xi

TUGAS AKHIR 20

FLOWCHART FUZZIFIKASI DATA

Mulai

Input Data

Representasi Linier Naik

Representasi Linier Turun

Tidak

Representasi Kurva S Naik

Tidak

Representasi Kurva S Turun

Tidak

Ya

Ya

Ya

Ya

Selesai

Tidak

Proses Perhitungan

dengan Fungsi keanggotaanLinier

Turun

Proses Perhitungan

dengan Fungsi keanggotaan Kurva Naik

Proses Perhitungan

dengan Fungsi keanggotaanLinier

Naik

Proses Perhitungan

dengan Fungsi keanggotaan Kurva Turun

TUGAS AKHIR 21

INPUT a b FUNGSI KEANGGOTAAN

JENJANG_PENDIDIKAN 0 (SD) 3 (PT) LINIER NAIK

STATUS_ANAK 0 (YATIM/PIATU) 1(MISKIN) LINIER NAIK

PEKERJAAN_AYAH 0 (TIDAK KERJA) 2 (PNS) LINIER NAIK

JENIS_PEKERJAAN_ORTU 0 (TIDAK BISA KERJA) 2 (TETAP) LINIER NAIK

JMLH_ANAK 5 3 LINIER TURUN

JMLH_ANAK_SKLH 5 3 LINIER TURUN

TOT_TANGGUNGAN_WALI 5 3 LINIER TURUN

KEPEMILIKAN_RMH 0 (KONTRAK/KOS) 3 (HAK MILIK/WARISAN) LINIER NAIK

LANTAI_RMH 0 (TANAH) 2 (KERAMIK) LINIER NAIK

DINDING_RMH 0 (BAMBU/SESEK) 2 (TEMBOK) LINIER NAIK

TRANSPORTASI 0 (TIDAK ADA) 2 (MOTOR) LINIER NAIK

ELEKTRONIK 0 2 LINIER NAIK

PUASA 0 (SERING) 2 (BELUM PERNAH) LINIER NAIK

SHOLAT 0 (RUTIN) 2 (JARANG) LINIER NAIK

BACA_QURAN 0 (LANCAR) 3 (TIDAK PERNAH) LINIER NAIK

JENIS_SKLH 0 (SWASTA) 1 (NEGERI) LINIER NAIK

TUNGGAKAN 0 (DAFTAR ULANG) 3 (SPP) LINIER NAIK

IJAZAH_BLM_DIAMBIL 0 (SD) 3 (TIDAK ADA) LINIER NAIK

TUGAS AKHIR 22

INPUT A b g FUNGSI KEANGGOTAAN

PENDAPATAN_ORTU 350000 700000 1050000 KURVA S NAIK

UKURAN_BANGUNAN 7 14 21 KURVA S NAIK

BIAYA_LISTRIK 0 35000 70000 KURVA S NAIK

BIAYA_AIR 0 20000 40000 KURVA S NAIK

BIAYA_TELEPON 0 25000 50000 KURVA S NAIK

NILAI 8 7 6 KURVA S TURUN

TOT_TUNGGAKAN 900000 600000 300000 KURVA S TURUN

TUGAS AKHIR 23

FLOWCHART PELATIHAN

Mulai

Fuzzifikasi

Input Data

Feed Forward

Backpropagation

Vij, Wjk

Selesai

TUGAS AKHIR 24

FLOWCHART FEED FORWARD

Randomize Bobot Vij, Wjk

Mulai

Menghitung Z_inj

Xi

Sigmoid binerSigmoid bipolar

Menghitung Zj

YaYa

Tidak

Tidak

Menghitung Y_ink

Menghitung Yk

Selesai

Sigmoid biner Sigmoid bipolarTidak

Tidak

YaYa

Yk

Load:=0Tidak YaLoad:=1

Vij, Wjk

Ya

TUGAS AKHIR 25

FLOWCHART BACKPROP

Menghitung Error

Mulai

O_Target,Yk

Turunan Sigmoid biner

Turunan Sigmoid bipolar

Menghitung delta_k

YaYa

Tidak

Tidak

Menghitung delta_wjk

Menghitung Delta_inj

Selesai

Sigmoid binerSigmoid bipolarTidak

Tidak

Ya

YaYk

Error > Error Max

Ya

Sigmoid biner Sigmoid bipolarTidak

Tidak

Ya

Ya

Ya

Menghitung Delta_j

Menghitung Delta_Vij

Tes Kondisi Berhenti

Ya

Tidak

TUGAS AKHIR 26

L I N G K U N G A N I M P L E M E N T A S I

PerangkatLunak

Sistem Operasi : Windows XP Home Ed Bahasa Pemrograman : Borland Delphi 7 File Data : Microsoft Excel 2003 & Access

2003

PerangkatKeras

Processor : Intel Atom N270 1.6GHz Memori : 2038 MB RAM

TUGAS AKHIR 27

DATA PELATIHANStatus Bantu : 110 dataStatus Indent : 110 dataStatus Tolak : 110 data

DATA TESTINGStatus Bantu : 183 dataStatus Indent : 3325 dataStatus Tolak : 415 data

L I N G K U N G A N I M P L E M E N T A S I

TUGAS AKHIR 28

SKENARIO UJI COBA

TUGAS AKHIR 29

UJI COBA 1 - TRAINING

Input Unit 25

Output Unit 3

Hidden Unit 100

Momentum 0.2

Learning Rate 0.1

Error Max 1E-13

Fungsi Aktivasi Sigmoid Biner

Epoch 186120

Error Rata2 Sistem 9.8621E-14

Tingkat Akurasi 99.03%

TUGAS AKHIR 30

UJI COBA 1 - TESTING

BNT IND TLK TOTAL

BNT 180 76 0 256

IND 3 3014 1 3018

TLK 0 235 414 649

TOTAL 183 3325 415 3923

TUGAS AKHIR 31


Input Unit 25

Output Unit 3

Hidden Unit 100

Momentum 0.2

Learning Rate 0.1

Error Max 1E-14


Epoch 245850



TUGAS AKHIR 32


BNT IND TLK TOTAL

BNT 181 82 0 263

IND 2 3031 2 3035

TLK 0 212 413 625

TOTAL 183 3325 415 3923

TUGAS AKHIR 33


Input Unit 25

Output Unit 3

Hidden Unit 100

Momentum 0.2

Learning Rate 0.01

Error Max 1E-11


Epoch 833250



TUGAS AKHIR 34


BNT IND TLK TOTAL

BNT 181 77 0 258

IND 2 3069 2 2813

TLK 0 179 413 815

TOTAL 183 3325 415 3923

TUGAS AKHIR 35


Input Unit 25

Output Unit 3

Hidden Unit 100

Momentum 0.2

Learning Rate 0.01

Error Max 1E-12

Fungsi Aktivasi Binary Sigmoid

Epoch 1048410



TUGAS AKHIR 36


BNT IND TLK TOTAL

BNT 181 79 0 260

IND 2 3070 2 3074

TLK 0 176 413 589

TOTAL 183 3325 415 3923

TUGAS AKHIR 37


Input Unit 25

Output Unit 3

Hidden Unit 100

Momentum 0.2

Learning Rate 0.1

Error Max 1E-5

Fungsi Aktivasi Bipolar Sigmoid

Epoch 219780



TUGAS AKHIR 38


BNT IND TLK TOTAL

BNT 181 52 0 233

IND 2 2957 0 2959

TLK 0 316 415 731

TOTAL 183 3325 415 3923

0

1000

2000

3000

BNT IND TLK

STATUS BANTU

HASIL PENGENALAN 219780 BIPOLAR

BNTINDTLK

TUGAS AKHIR 39


Input Unit 25

Output Unit 3

Hidden Unit 100

Momentum 0.2Learning Rate 0. 1Error Max 0.000001


Epoch 399960Error Rata2 Sistem 0.00042407Tingkat Akurasi 99.44%

TUGAS AKHIR 40


BNT IND TLK TOTAL

BNT 181 82 0 263

IND 2 3002 2 3006

TLK 0 241 413 654

TOTAL 183 3325 415 3923

01000200030004000

BNT IND TLK

STATUS BANTU


BNTINDTLK

TUGAS AKHIR 41


Input Unit 25

Output Unit 3

Hidden Unit 100

Momentum 0.2

Learning Rate 0.01

Error Max 0.001


Epoch 22770



TUGAS AKHIR 42


BNT IND TLK TOTAL

BNT 162 86 0 248

IND 21 2454 10 2485

TLK 0 785 405 1190

TOTAL 183 3325 415 3923

0500

1000150020002500

BNT IND TLK

STATUS BANTU


BNTINDTLK

TUGAS AKHIR 43


Input Unit 25

Output Unit 3

Hidden Unit 100

Momentum 0.2

Learning Rate 0.01

Error Max 0.0001


Epoch 699930



TUGAS AKHIR 44


BNT IND TLK TOTAL

BNT 181 107 0 288

IND 2 2992 1 2995

TLK 0 226 414 640

TOTAL 183 3325 415 3923

0

1000

2000

3000

BNT IND TLK

STATUS BANTU


BNTINDTLK

TUGAS AKHIR 45


Input Unit 25

Output Unit 3

Hidden Unit 1000

Momentum 0.2

Learning Rate 0.1

Error Max 1E-26


Epoch 203610



TUGAS AKHIR 46


BNT IND TLK TOTAL

BNT 179 80 0 259

IND 4 3000 0 3004

TLK 0 245 415 660

TOTAL 183 3325 415 3923

TUGAS AKHIR 47


Input Unit 25

Output Unit 3

Hidden Unit 1000

Momentum 0.2

Learning Rate 0.1

Error Max 1E-27


Epoch 225060



TUGAS AKHIR 48


BNT IND TLK TOTAL

BNT 179 79 0 258

IND 4 3018 1 3023

TLK 0 228 414 642

TOTAL 183 3323 415 3923

TUGAS AKHIR 49


Input Unit 25

Output Unit 3

Hidden Unit 1000

Momentum 0.2

Learning Rate 0.01

Error Max 1E-17


Epoch 972180



TUGAS AKHIR 50


BNT IND TLK TOTAL

BNT 180 75 0 255

IND 3 3070 2 3075

TLK 0 180 413 593

TOTAL 183 3325 415 3923

TUGAS AKHIR 51


Input Unit 25

Output Unit 3

Hidden Unit 1000

Momentum 0.2

Learning Rate 0.01

Error Max 1E-18


Epoch 1048410



TUGAS AKHIR 52


BNT IND TLK TOTAL

BNT 180 76 0 256

IND 3 3071 2 3076

TLK 0 178 413 591

TOTAL 183 3325 415 3923

TUGAS AKHIR 53


Input Unit 25Output Unit 3Hidden Unit 1000Momentum 0.2Learning Rate 0.1Error Max 1E-3Fungsi Aktivasi Sigmoid BipolarEpoch 186780Error Rata2 Sistem 0.00068806Tingkat Akurasi 89.44%

TUGAS AKHIR 54


BNT IND TLK TOTAL

BNT 178 35 0 213

IND 5 2903 0 2908

TLK 0 387 415 802

TOTAL 183 3325 415 3923

TUGAS AKHIR 55


Input Unit 25

Output Unit 3

Hidden Unit 1000

Momentum 0.2

Learning Rate 0. 1

Error Max 1E-4

Fungsi Aktivasi Sigmoid Bipolar

Epoch 499950

Error Rata2 Sistem 0.00425


TUGAS AKHIR 56


BNT IND TLK TOTAL

BNT 180 76 0 256

IND 3 3013 1 3017

TLK 0 236 414 650

TOTAL 183 3325 415 3923

TUGAS AKHIR 57


Input Unit 25

Output Unit 3

Hidden Unit 1000

Momentum 0.2

Learning Rate 0.01

Error Max 1E-5


Epoch 211200



TUGAS AKHIR 58


BNT IND TLK TOTAL

BNT 155 40 0 190

IND 33 2800 0 2833

TLK 0 485 415 900

TOTAL 183 3325 415 3923

TUGAS AKHIR 59


Input Unit 25

Output Unit 3

Hidden Unit 1000

Momentum 0.2

Learning Rate 0.01

Error Max 1E-6


Epoch 1000230

Error Rata2 Sistem 0.00071741


TUGAS AKHIR 60


BNT IND TLK TOTAL

BNT 181 112 0 293

IND 2 2946 0 2948

TLK 0 267 415 682

TOTAL 183 3325 415 3923

TUGAS AKHIR 61

HASIL EVALUASI

TUGAS AKHIR 62

HASIL EVALUASI

Bahwa untuk mengklasifikasi status bantu yang paling akurat (hidden unit : 100, momentum : 0.2, learning rate : 0.01, nilai toleransi error : 1E-12) adalah dengan menggunakan fungsi aktivasi Sigmoid Biner (Uji Coba 4) dengan tingkat akurasi 98.95% pada proses training dan 93.40% pada proses testing.

Kesalahan pengenalan data yang cukup besar pada status ’IND’ bisa jadi diperngaruhi oleh pemilihan set data pada saat proses learning.

Memperkecil nilai Learning Rate dan Toleransi Error (pada fungsi aktivasi dan hidden unit yang sama) dapat memperbaiki tingkat akurasi pengenalan status bantu.

TUGAS AKHIR 63

K E S I M P U L A N

Metode ini dapat dijadikan alternatif dalam mengklasifikasikan status bantu program beasiswa Anak Asuh Pena Bangsa dengan tingkat akurasi 98.95% pada proses training dan 93.40% pada proses testing (menggunakan fungsi aktivasi Sigmoid Biner, hidden unit : 100, momentum : 0.2, learning rate : 0.01, dan nilai toleransi error : 1E-12).

Dalam pengenalan status bantu, menggunakan fungsi Sigmoid Biner lebih baik daripada fungsi Sigmoid Bipolar

Pada fungsi aktivasi Sigmoid Biner, penggunaan 100 hidden unit lebih baik daripada menggunakan 1000 hidden unit

TUGAS AKHIR 64

Aplikasi ini dapat dikembangkan ke arahpenentuan besarnya nilai nominalbeasiswa yang diberikan untuk setiapanak asuh atau sistem pemasangan anakasuh dengan orang tua asuh.

S A R A N

TUGAS AKHIR 65

TERIMA KASIH

pembimbing i: pembimbing ii: ahmad saikhu, s.si, mt yudhi...

Documents