BAB I

PENDAHULUAN

1.1. Latar Belakang

Tidak dapat dipungkiri lagi bahwa kehidupan manusia sangat bergantung

pada air. Air digunakan manusia untuk mandi, mencuci, memasak, dan kegiatan

lainnya. Tidak hanya untuk keperluan pribadi, melainkan juga untuk keperluan

peningkatan kesejahteraan banyak orang. Keperluan tersebut antara lain untuk

pengairan pertanian, pembangkit listrik, dan industri. Dari tahun ke tahun,

kebutuhan manusia terhadap air meningkat seiring dengan meningkatnya

kebutuhan, populasi manusia, dan industrialisasi.

Industri memerlukan air untuk melakukan berbagai operasi produksi dan

kegiatan pendukung lainnya. Air ini biasa disebut air industri. Sebelum

digunakan, air industri akan melalui serangkaian pengolahan. Pengolahan ini

berbeda-beda tergantung oleh sumber air dan tujuan penggunaannya. Prinsip

pengolahan ini adalah untuk meningkatkan kualitas air sehingga memenuhi

persyaratan sesuai dengan maksud penggunaannya.

Salah satu sumber air bagi industri berasal dari perusahaan daerah air

minum (PDAM). PDAM dipilih karena penggunanya tidak perlu merencanakan

dan merawat instalasi pipa dari sumbernya. Selain itu, air yang diterima sudah

melalui tahap penjernihan sehingga kualitasnya terjaga. Hal ini tentu saja dinilai

lebih menguntungkan daripada mengambil air langsung dari sumbernya, terutama

bagi industri yang berada jauh dari sumber air baku.

Untuk memonitor secara terus-menerus penggunaan air pelanggannya,

PDAM menggunakan flowmeter atau yang biasa disebut meteran air. Alat ini akan

mengontrol dan mengendalikan pemakaian air pelanggan sesuai dengan

kebutuhan. Alat ini juga yang menjadi acuan berapa besar biaya air yang harus

dibayarkan pelanggan. Biasanya, meteran air terletak di tempat yang mudah

dibaca petugas PDAM. Pelanggan juga dihimbau untuk tidak melakukan aktivitas

2

yang membuat meteran air ini tidak bisa dijangkau, seperti menimbun meteran

air, meletakkan meteran air di dalam rumah, dan sebagainya.

Pembayaran biaya air oleh pelanggan didasarkan pada berapa meter kubik

air yang dipakai setiap bulannya. Petugas pencatat mencatat angka yang

ditunjukkan oleh meteran air secara manual untuk kemudian dilaporkan sebagai

beban biaya pelanggan. Cara ini dinilai kurang akurat bagi PDAM karena sering

terjadinya kesalahan pencatatan sehingga mengakibatkan banyaknya pelanggan

yang mengeluhkan membengkaknya tagihan air mereka.

Untuk meningkatkan pelayanan kepada pelanggan dalam hal pembacaan

angka meter serta mengurangi tingkat kehilangan air, maka saat ini banyak

PDAM telah menggunakan alat input yang memiliki tombol angka untuk

memasukkan besarnya pemakaian air pelanggan. Alat ini memiliki kemudahan, di

antaranya biaya yang dikeluarkan dari mulai mencatat hingga menginput data

jauh lebih murah, data yang diinput di lapangan dapat langsung dibaca oleh

server, sehingga memudahkan evaluasi pencatatan meter, urutan data pencatatan

dapat diatur oleh pencatat meter sendiri, sehingga lebih mudah dikerjakan di

lapangan serta dapat melaporkan kasus di lapangan dengan langsung mengirimkan

fotonya seperti meter kabur, rusak dan hilang maupun kebocoran pipa dapat

termonitor secara langsung.

Meskipun memiliki banyak keunggulan dibandingkan pencatatan secara

manual, namun dalam kenyataannya masih ada saja pelanggan yang merasa

tagihan air mereka tidak sesuai dengan apa yang ditunjukkan meteran air. Petugas

pencatat dicurigai melakukan penginputan data secara sembarangan. Hal ini dapat

terjadi karena petugas harus menginput ratusan data dalam satu wilayah, sehingga

faktor human error besar kemungkinan menjadi penyebabnya.

Jaringan Syaraf Tiruan sangat mungkin diimplementasikan pada

permasalahan tersebut. Metode jaringan syaraf tiruan dikembangkan dengan

berbagai cara guna mengenali pola-pola yang dimasukkan ke jaringan tersebut

(Firmansyah, 2006), sehingga apabila gambar angka yang ditunjukkan pada

meteran air diambil, maka dengan bantuan JST gambar tersebut dapat langsung

dikenali sebagai input untuk selanjutnya dimasukkan sebagai data. Untuk itulah

3

penelitian ini dilakukan agar kesalahan pembacaan oleh petugas pencatat dapat

dikurangi serta meningkatkan pelayanan PDAM di mata pelanggannya.

1.2. Rumusan Masalah

Setelah mengetahui latar belakang, maka masalah dalam penelitian ini dapat

dirumuskan. Masalah tersebut adalah akurasi pembacaan meteran PDAM

menggunakan alat pemindai dengan perangkat lunak berbasis Jaringan Saraf

Tiruan.

1.3. Batasan Masalah

Masalah yang ingin dipecahkan dalam penelitian ini memiliki batasan-

batasan sebagai berikut:

1. Penelitian ini dikhususkan pada pembacaan meteran atau flowmeter air

Perusahaan Daerah Air Minum dengan standar nasional.

2. Pengambilan gambar angka pada meteran air menggunakan alat scanner

yang memungkinkan pengambilan gambar dengan waktu yang singkat.

3. Pengambilan gambar dilakukan tegak lurus dengan posisi yang benar.

4. Penelitian dilakukan menggunakan metode Jaringan Syaraf Tiruan bertipe

backpropagation.

1.4. Tujuan Penelitian

Berdasarkan latar belakang dan permasalahan diatas, maka dapat

dirumuskan tujuan dari penelitian ini adalah sebagai berikut:

1. mengkaji dan meneliti algoritma pembelajaran dalam jaringan syaraf

tiruan (JST) untuk pembacaan meteran air PDAM,

2. mengurangi kesalahan pembacaan petugas pencatat PDAM di lapangan,

3. optimasi jaringan syaraf tiruan (JST) untuk pembacaan meteran air

PDAM.

4

1.5. Manfaat Penelitian

Manfaat yang diharapkan dari penelitian ini adalah:

1. memberikan alternatif lain penggunaan JST dalam pengenalan pola

angka yang digunakan sebagai input suatu data,

2. menciptakan alat pemindai meteran air PDAM dengan perangkat lunak

hasil penelitian untuk meningkatkan produktifitas kerja dan mengurangi

kesalahan petugas pencatat PDAM,

3. meningkatkan kualitas pelayanan PDAM terhadap pelanggan terutama

dalam hal keakuratan biaya penggunaan air.

5

BAB II

TINJAUAN PUSTAKA

Seiring dengan perkembangan teknologi dan ilmu pengetahuan, telah

banyak penelitian yang dilakukan mengenai jaringan syaraf tiruan untuk

mengenali pola gambar. Penelitian ini dilakukan semata-mata untuk

menyelesaikan masalah yang ada dan membantu manusia agar pekerjaannya

semakin mudah. Tingkat kerumitan algoritma yang dikembangkan pun berbeda-

beda. Ada yang dikembangkan untuk mengenali pola gambar tiga dimensi

sederhana, hingga kombinasi huruf dan angka tulisan tangan manusia.

Pujiyanta (2009) melakukan penelitian untuk menguji keakuratan jaringan

syaraf tiruan dalam mengenali objek sederhana, seperti bentuk kubus, limas, dsb.

Menurutnya, untuk mengenali dan membedakan suatu citra bagi komputer,

diperlukan data fisik yakni bentuk citra tersebut dan data lainnya seperti

penambahan tekstur dan warna. Dengan adanya penelitian tersebut diharapkan

komputer dapat mengenal citra objek sederhana dengan lebih cepat dan akurat.

Hasil yang diperoleh dari penelitian ini didapatkan bahwa program yang dibuat

mampu mengenali citra objek sederhana yang sudah dilatih sebelumnya.

Selain mengidentifikasi objek sederhana, jaringan syaraf tiruan juga dapat

digunakan untuk membantu manusia dalam mengenali pola tulisan dari dokumen

yang rusak. Salah satunya adalah penelitian yang dilakukan oleh Setiawan dkk

(2007). Penelitian ini menggunakan jaringan syaraf tiruan bertipe perceptron.

Dalam mengidentifikasi beberapa huruf, diperlukan beberapa neuron untuk

membedakannya. Neuron-neuron tersebut akan menghasilkan nilai kombinasi

yang digunakan untuk mengidentifikasi huruf-huruf tersebut.

Penelitian yang lebih kompleks telah dilakukan oleh Suhardi (2010).

Dalam penelitian yang dilakukannya, ia mencoba memecahkan permasalahan

yang dihadapi dalam pengenalan citra angka pada tulisan tangan yang sangat

kompleks. Proses pengenalan ini akan bertambah rumit apabila pola yang akan

dikenali ditambah dengan derau dan diputar. Penelitian ini menganalisis seberapa

6

besar penambahan derau dan sudut putaran pada pola angka tulisan tangan yang

masih dapat ditoleransi oleh arsitektur jaringan syaraf tiruan. Hasil penelitian

menunjukkan bahwa jaringan syaraf tiruan mampu mengenali pola angka tulisan

tangan hingga mencapai tingkat akurasi 90%.

Dari tinjauan pustaka tersebut, penelitian mengenai pembacaan meteran

PDAM dengan menggunakan jaringan syaraf tiruan layak dilakukan.Dengan

adanya penelitian ini diharapkan tidak terjadinya lagi kesalahan pembacaan

meteran PDAM sehingga pelanggan tidak merasa dirugikan. Selain itu, kualitas

pelayanan PDAM di mata pelanggan akan bertambah dan pada akhirnya timbul

kepercayaan yang besar bahwa kebutuhan pelanggan terhadap air bisa ditangani

oleh PDAM.

7

BAB III

LANDASAN TEORI

3.1 Pengolahan Citra Digital

Data tidak hanya dapat disajikan dalam bentuk teks, tetapi juga dapat berupa

gambar, audio (bunyi, suara, musik), dan video yang biasa disebut multimedia.

Era teknologi informasi yang terus berkembang saat ini tidak dapat dipisahkan

dari keempat media tersebut. Dalam penelitian kali ini, media yang dipakai untuk

menyajikan data adalah citra atau gambar.

3.1.1 Pengertian Citra

Secara harfiah, citra adalah gambar pada bidang dua dimensi. Ditinjau dari

sudut pandang matematis, citra merupakan fungsi kontinu dari intensitas cahaya

pada bidang dua dimensi. Sumber cahaya menerangi objek, kemudian objek

memantulkan kembali sebagian dari berkas cahaya tersebut. Pantulan cahaya ini

ditangkap oleh oleh benda-benda optik, misalnya mata pada manusia, kamera, dan

sebagainya, sehingga bayangan objek yang disebut citra tersebut terekam. Citra

sendiri dapat direpresentasikan melalui koordinat kartesian x-y dimana tiap-tiap

koordinatnya memiliki satu sinyal terkecil yang disebut piksel. Piksel ini

mempunyai dua parameter berupa koordinat dan intensitas atau warna.

3.1.2 Definisi Pengolahan Citra

Meskipun sebuah citra kaya informasi, namun seringkali citra yang kita miliki

mengalami penurunan mutu atau degradasi, misalnya mengandung cacat atau

derau, warnanya terlalu kontras, kurang tajam, blurring, dan sebagainya. Tentu

saja citra semacam ini menjadi lebih sulit diinterpretasi karena informasi yang

disampaikan oleh citra tersebut menjadi berkurang.

8

Agar citra yang mengalami gangguan mudah diproses, maka citra tersebut

perlu dimanipulasi menjadi citra lain yang kualitasnya lebih baik. Bidang studi

yang menyangkut hal ini adalah pengolahan citra (image processing). Pengolahan

citra adalah pemrosesan citra, khususnya dengan menggunakan komputer,

menjadi citra yang kualitasnya lebih baik.

Umumnya, operasi-operasi pada pengolahan citra diterapkan pada citra bila:

- perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan

kualitas penampakan atau untuk menonjolkan beberapa aspek informasi

yang terkandung di dalam citra,

- elemen di dalam citra perlu dikelompokkan, dicocokkan, atau diukur,

- sebagian citra perlu digabung dengan bagian citra yang lain.

Di dalam bidang komputer, sebenarnya ada tiga bidang studi yang berkaitan

dengan data citra, namun tujuan ketiganya berbeda, yaitu:

a. Grafika Komputer (computer graphics).

Grafika Komputer bertujuan menghasilkan citra dengan primitif-primitif

geometri seperti garis, lingkaran, dan sebagainya. Primitif-primitif

geometri tersebut memerlukan data deskriptif untuk melukis elemen-

elemen gambar. Contoh data deskriptif adalah koordinat titik, panjang

garis, jari-jari lingkaran, tebal garis, warna, dan sebagainya. Grafika

komputer memainkan peranan penting dalam visualisasi dan virtual

reality.

b. Pengolahan Citra (image processing).

Pengolahan Citra bertujuan memperbaiki kualitas citra agar mudah

diinterpretasi oleh manusia atau komputer. Teknik-teknik pengolahan citra

adalah mentransformasikan citra menjadi citra lain. Jadi, masukannya

adalah citra dan keluarannya juga citra. Namun, citra keluaran mempunyai

kualitas lebih baik daripada citra masukan.

c. Pengenalan Pola (pattern recognition/image interpretation).

Pengenalan Pola mengelompokkan data numerik dan simbolik (termasuk

citra) secara otomatis oleh komputer. Tujuan pengelompokan adalah untuk

mengenali suatu objek di dalam citra. Manusia bisa mengenali objek yang

9

dilihatnya karena otak manusia telah belajar mengklasifikasi objek-objek

di alam sehingga mampu membedakan suatu objek dengan objek lainnya.

Kemampuan sistem visual manusia inilah yang dicoba ditiru oleh

komputer. Komputer menerima masukan berupa citra objek yang akan

diidentifikasi, memproses citra tersebut, dan memberikan keluaran berupa

deskripsi objek di dalam citra.

3.1.3 Operasi Pengolahan Citra

Operasi-operasi yang dilakukan di dalam pengolahan citra banyak ragamnya.

Namun, secara umum operasi pengolahan citra dapat diklasifikasikan dalam

beberapa jenis sebagai berikut:

a. Perbaikan Kualitas Citra

Jenis operasi ini bertujuan untuk memperbaiki kualitas citra dengan cara

memanipulasi parameter-parameter citra. Dengan operasi ini, ciri-ciri

khusus yang terdapat di dalam citra lebih ditonjolkan.

Contoh-contoh operasi perbaikan citra:

- perbaikan kontras gelap/terang

- perbaikan tepian objek (edge enhancement)

- penajaman (sharpening)

- pembrian warna semu (pseudocoloring)

- penapisan derau (noise filtering).

b. Pemugaran Citra

Operasi ini bertujuan menghilangkan/meminimumkan cacat pada citra.

Tujuan pemugaran citra hampir sama dengan operasi perbaikan citra.

Bedanya, pada pemugaran citra penyebab degradasi gambar diketahui.

Contoh-contoh operasi pemugaran citra:

a. penghilangan kesamaran (deblurring)

b. penghilangan derau (noise)

c. Pemampatan Citra

Jenis operasi ini dilakukan agar citra dapat direpresentasikan dalam bentuk

yang lebih kompak sehingga memerlukan memori yang lebih sedikit. Hal

penting yang harus diperhatikan dalam pemampatan adalah citra yang

10

telah dimampatkan harus tetap mempunyai kualitas gambar yang bagus.

Contoh metode pemampatan citra adalah metode JPEG.

d. Segmentasi Citra

Jenis operasi ini bertujuan untuk memecah suatu citra ke dalam beberapa

segmen dengan suatu kriteria tertentu. Jenis operasi ini berkaitan erat

dengan pengenalan pola.

e. Pengorakan Citra

Jenis operasi ini bertujuan menghitung besaran kuantitif dari citra untuk

menghasilkan deskripsinya. Teknik pengorakan citra mengekstraksi ciri-

ciri tertentu yang membantu dalam identifikasi objek. Proses segmentasi

kadangkala diperlukan untuk melokalisasi objek yang diinginkan dari

sekelilingnya. Contoh-contoh operasi pengorakan citra:

- Pendeteksian tepi objek (edge detection)

- Ekstraksi batas (boundary)

- Representasi daerah (region)

f. Rekonstruksi Citra

Jenis operasi ini bertujuan untuk membentuk ulang objek dari beberapa

citra hasil proyeksi. Operasi rekonstruksi citra banyak digunakan dalam

bidang medis. Misalnya beberapa foto rontgen dengan sinar X digunakan

untuk membentuk ulang gambar organ tubuh.

3.2 Jaringan Syaraf Tiruan

3.2.1 Definisi

Jaringan syaraf tiruan bisa dibayangkan seperti otak buatan manusia di dalam

cerita-cerita fiksi ilmiah.Otak buatan ini dapat berpikir seperti manusia, dan juga

sepandai manusia dalam menyimpulkan sesuatu dari potongan-potonganinformasi

yang diterima.Khayalan manusia tersebut mendorong para peneliti untuk

mewujudkannya. Komputer diusahakan agar bisa berpikir sama seperti cara

berpikir manusia. Caranya adalah dengan melakukan peniruan terhadap aktivitas-

aktivitasyang terjadi di dalam sebuah jaringan syaraf biologis. (Puspitaningrum,

2006)

11

Menurut Kusumadewi (2003), istilah buatan ini digunakan karena jaringan

syaraf diimplementasikan dengan menggunakan program komputer yang mampu

menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. Jaringan

Syaraf Tiruan hanya mengambil ide dari cara kerja jaringan syaraf biologis karena

aktivitas-aktivitas yang terjadi di dalam otak manusia belum dapat diketahui

secara pasti.

Pendefinisian jaringan syaraf tiruan dilihatdari fungsi atau struktur rancangan

adalah penyederhanaan dari model otak manusia. Kinerjastruktur jaringan syaraf

biologi pada otak manusiaadalah dengan cara menyampaikan sinyal dari

satuneuron ke neuron yang lain yang berdekatan serta bersesuaian (Firmansyah,

2006). Hal yang serupa terjadi secara berurutan untuk neuronyang berikutnya,

sampai pada neuron terakhir yangdikehendaki sinyal tersebut.

Secara umum Haykin (1994) mendefinisikan sebuah jaringan saraf tiruan

adalah sebuah mesin yang dirancang untuk mempolakan cara bagaimana otak

mengerjakansebuah fungsi tertentu. Jaringan biasanya diimplementasikan dengan

menggunakankomponen elektronika atau disimulasikan dalam sebuah perangkat

lunak padakomputer digital. Untuk mencapai tampilan yang baik, jaringan saraf

tiruan memakaiinterkoneksi yang sangat besar antara sel-sel komputasi yang

disebut “neuron” atau“unit pemroses”. Sebagai mesin yang adaptif, sebuah

jaringan saraf tiruan adalahsebuah prosessor besar terdistribusi secara paralel yang

tersusun dari unit pemrosessederhana yang mempunyai kecenderungan untuk

menyimpan pengalaman danpengetahuan Hal ini membuatnya siap untuk

digunakan.JST menyerupai otak dalam dua aspek. Yang pertama, pengetahuan

dibutuhkan oleh jaringan dari lingkungannya melalui proses pembelajaran.Aspek

kedua adalah kekuatan koneksi interneuron, dikenal sebagai bobot sinapsis,

digunakanuntuk menyimpan pengetahuan yang dibutuhkan.

Fausett (1994) mengemukakan bahwa sebuah jaringan saraf tiruan adalah

sistem pemroses informasi yang mempunyai karakter tampilan tersendiri yang

hampir sama dengan jaringan saraf pada biologi. Jaringan saraf tiruan telah

dikembangkan sebagai generalisasai model matematika dari jaringan saraf biologi,

berdasarkan asumsi:

12

1. pemrosesan informasi terjadi pada elemen sederhana yang disebut

neuron,

2. sinyal dilewatkan antarneuron melalui link penghubung,

3. setiap link penghubung mempunyai sebuah bobot dimana pada jaringan

saraf tertentu bobot digandakan oleh sinyal yang dipancarkan,

4. setiap neuron menggunakan fungsi aktivasi (biasanya nonlinear) pada

jaringan inputnya (penjumlahan bobot sinyal input) untuk menentukan

sinyal output.

3.2.2 Perbandingan Jaringan Syaraf Biologis dengan Jaringan Syaraf Tiruan

Jaringan syaraf biologis biasanya terdiri dari kumpulan neuron-neuron yang

saling berhubungan.Tugas dari neuron ini adalah mengolah informasi. Komponen

utama dari neuron terdiri dari tiga bagian, yaitu :

1. Dendrit. Bertugas untuk menerima informasi yang masuk.

2. Soma (badan sel). Berfungsi sebagai tempat pengolaha informasi.

3. Neurit. Meneruskan impuls-impuls ke sel syaraf lainnya.

Jaringan syaraf tiruan disusun dengan asumsi yang sama dengan jaringan

syaraf biologis. Kesamaan tersebut adalah:

1. pengolahan informasi terjadi pada elemen-elemen pemrosesan,

2. sinyal antara dua buah neuron diteruskan melalui link-link koneksi,

3. setiap link koneksi memiliki bobot terasosiasi,

4. setiap neuron menerapkan sebuah fungsi aktivasi terhadap input jaringan

(jumlah sinyal input berbobot). Tujuannya adalah untuk menentukan

sinyal output.Fungsi aktivasi yang digunakan biasanya fungsi yang

nonlinier.

Cara belajar jaringan syaraf tiruan melalui sebuah informasi yang

diinputkan dan sebelumnya sudah diketahui keluarannya. Penginputan informasi

ini dilakukan lewat unit-unit input. Bobot antarkoneksi dalam suatu desain

arsiterktur JST diberi nilai awal terlebih dahulu baru kemudian ajringan syaraf

tiruan dijalankan.Bobot ini digunakan jarigan untuk belajar dan mengingat

informasi.Tabel berikut menjelaskan tentang analogi antara jaringan syaraf tiruan

dan jaringan syaraf biologis.

13

Tabel 3.1 Analogi jaringan syaraf tiruan dan jaringan syaraf biologis

Jaringan Syaraf Tiruan Jaringan Syaraf Biologis

Node atau unit Badan sel (soma)

Input Dendrit

Output Akson

Bobot Sinapsis

3.2.3 Perkembangan Jaringan Syaraf Tiruan

Perkembangan teknologi komputer mengakibatkan perkembangan jaringan

syaraf tiruan ikut berkembang.Awal dimulainya perkembangan JSTpada tahun

1940. Ide dasarnya yaitu mengasosiasikan cara kerja otak manusia dengan logika

numerik yang diadaptasi peralatan Komputer. Berikut adalah tahapan

perkembangan JST selanjutnya.

Tahun 1943, McCulloch dan Pitss merancang model formal yang

pertama kali digunakan sebagai perhitungan dasar neuron.

Tahun 1949, Donald Hebb menyatakan bahwa informasi dapat

disimpan dalam koneksi-koneksi dan mengusulkan adanya skema

pembelajaran untuk memperbaiki koneksi-koneksi antar neuron

Tahun 1952, Ashby dalam buku “The Origin of Adaptive Behavior”

memperkenalkan ide pembelajaran adaptif

Tahun 1954, Minsky dalam tesis doktor berjudul “Neural Network”

memperkaya pemahaman jaringan syaraf tiruan ke arah yang lebih

komprehensif

Tahun 1954, komputerisasi dengan menggunakan teknik jaringan

syaraf tiruan pertama kali dibuat dan diuji coba

Tahun 1956, Taylor meletakan dasar struktur jaringan syaraf tiruan

associative memory

14

Tahun 1958, Frank Rosenblatt mengembangkan konsep dasar tentang

perceptron untuk klasifikasi pola.

Tahun 1960, mesin jaringan syaraf tiruan ADALINE dibuat dan dilatih

dengan metode pembelajaran Least Mean Square (Widrow dan Hoff).

ADALINE diaplikasikan untuk peramalan cuaca, pencocokan pola dan

kendali adatif

Tahun 1962, Bernard Widrow dan Marcian Hoff memperkenalkan

metode pembelajaran Widrow-Hoff

Tahun 1962, Dreyfus memperkenalkan metode recursive derivation

berdasarkan aturan turunan berantai untuk jaringan syaraf tiruan

struktur multiplayer feedforward

Tahun 1965, Nils Nilsson membuat mesin monografi pertama yang

menggunakan teknik jaringan syaraf tiruan.

Tahun 1969, Kelly memperkenalkan metode gradien untuk

mendukung proses pembelajaran jaringan syaraf lapis banyak

Tahun 1974, Werbos memperkenalkan algoritma backpropagation

untuk mendukung proses pembelajaran jaringan lapis banyak

perceptron

Tahun 1974, Stephen Grossberg mengembangkan teori adaptive

resonance networks

Tahun 1975, Little dan Shaw mengembangkan struktur jaringan syaraf

tiruan probabilistik (PNN)

Tahun 1980, Fukushima dan Miyaka mengaplikasikan mesin jaringan

syaraf tiruan pada bidang biologi untuk tujuan pencocokan pola secara

visual (memproses gambar retina dengan menggunakan jaringan syaraf

tiruan dua lapis)

Tahun 1982, John Hopfield memperkenalkan jaringan syaraf recurrent

yang dapa digunakan untuk menyimpan informasi dan optimasi.

Tahun 1982, Kohonen mengembangkan metode pembelajaran jaringan

tidak terawasi untuk pemetaan

15

Tahun 1983, Kirkpatric, Galantt, dan Vecchi memperkenalkan teknik

statistik yang dikenal dengan simulated annealing

Tahun 1987, Kosko mengembangkan struktur jaringan syaraf Adaptive

Bidirectional Associative Memory

Tahun 1988, dikembangkan fungsi radial basis

3.2.4 Konsep Dasar

Pembagian arsitektur jaringan syaraf tiruan bisa dilihat dari kerangka kerja

dan skema interkoneksi.Kerangka kerja jaringan syaraf tiruan bisa dilihat dari

jumlah lapisan dan jumlah node pada setiap lapisan. Lapisan-lapisan penyusun JST

dapat dibagi menjadi tiga, yaitu:

1. Lapisan input

Node-node didalam lapisan input disebut unit-unit input. Unit-unit ini

menerima input dari luar. Input yang dimasukkan merupakan

penggambaran dari suatu masalah

2. Lapisan tersembunyi

Node node didalam lapisan tersembunyi disebut unit tersembunyi.Output

dari lapisan ini tidak langsung dapat diamati.

3. Lapisan output

Node-node pada lapisan output disebut unit-unit output. Keluaran atau

output dari lapisan ini merupakan output jaringan syaraf tiruan terhadap

suatu permasalahan.

Tiruan neuron dalam struktur jaringan saraf tiruan adalah sebagai

elemen pemroses seperti pada Gambar 3.1. yang dapat berfungsi seperti

halnya sebuah neuron. Sejumlah sinyal masukan a dikalikan dengan masing-

masing penimbang yang bersesuaian w. Kemudian dilakukan penjumlahan dari

seluruh hasil perkalian tersebut dan keluaran yang dihasilkan dilalukan

kedalam fungsi pengaktif untuk mendapatkan tingkatan derajat sinyal

keluarannya F(a,w). Walaupun masih jauh dari sempurna, namun kinerja dari

tiruan neuron ini identik dengan kinerja dari sel biologi yang kita kenal saat

ini.

16

Gambar 3.1. Model tiruan sebuah neuron (Martiana, 2012)

Keterangan:

aj :Nilai aktivasi dari unit j

wj,i :Bobot dari unit j ke unit i

ini :Penjumlahan bobot dan masukan ke unit i

g :Fungsi aktivasi

ai :Nilai aktivasi dari unit i

Misalkan ada n buah sinyal masukan dan n buah penimbang, fungsi

keluaran dari neuron adalah seperti persamaanberikut :

ini = ∑j wij * aj (3.1)

Kumpulan dari neuron dibuat menjadi sebuah jaringan yang akan

berfungsi sebagai alat komputasi. Jumlah neuron dan struktur jaringan untuk

setiap problema yang akan diselesaikan adalah berbeda.

Neuron-neuron dikelompokkan dalam lapisan-lapisan tertentu.Umumnya,

neuron-neuron yang terletak pada lapisan yang sama akan memiliki keadaan yang

sama. Faktor terpenting dalam menentukan kelakuan suatu neuron fungsi aktivasi

dan pola bobotnya. Apabila neuron-neuron dalam suatu lapisan (misalkan lapisan

tersembunyi) akan dihubungkan dengan neuron-neuron pada lapisan yang lain

(misalkan lapisan output), maka setiap neuron pada lapisan tersebut (misalkan

lapisan tersembunyi) juga harus dihubungkan dengan setiap lapisan pada lapisan

lainnya (misalkan lapisan output).

Ada beberapa arsitektur jaringan syaraf, antara lain:

a. Jaringan dengan lapisan tunggal (single layer net)

17

Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan

bobot-bobot terhubung. Jaringan ini hanya menerima input kemudian

secara langsung akan mengolahnya menjadi output tanpa harus melalui

lapisan tersembunyi.

Gambar 3.2. Jaringan syaraf dengan lapisan tunggal

Pada Gambar 3.2. lapisan input memiliki 3 neuron, yaitu X1, X2, X3.

Sedangkan pada lapisan output memiliki 2 neuron yaitu Y1 dan Y2.

Neuron-neuron pada kedua lapisan saling berhubungan.Seberapa besar

hubungan antara 2 neuron ditentukan oleh bobot yang bersesuaian.

Semua unit input akan dihubungkan dengan setiap unit output.

b. Jaringan dengan banyak lapisan (multilayer net)

Jaringan dengan banyak lapisan memiliki 1 atau lebih lapisan yang

terletak diantara lapisan input dan lapisan outuput (memiliki 1 atau

lebih lapisan tersembunyi), seperti terlihat pada Gambar 3.3. berikut.

18

Gambar 3.3. Jaringan syaraf dengan banyak lapisan

Umumnya, ada lapisan bobot-bobot yang terletak antara 2 lapisan yang

bersebelahan. Jaringan dengan banyak lapisan ini dapat menyelesaikan

permasalahan yang lebih sulit daripada lapisan dengan lapisan tunggal,

tentu saja dengan pembelajaran yang lebih rumit. Namun demikian,

pada banyak kasus, pembelajaran pada jaringan dengan banyak lapisan

ini lebih sukses dalam menyelesaikan masalah.

c. Jaringan dengan lapisan kompetitif (competitive layer net)

Umumnya, hubungan antar neuron pada lapisan kompetitif ini tidak

diperlihatkan pada diagram arsitektur. Gambar 3.4. berikut

menunjukkan salah satu contoh arsitektur jaringan dengan lapisan

kompetitif yang memiliki bobot –η.

19

Gambar 3.4. Jaringan syaraf dengan lapisan kompetitif

3.2.5 Fungsi Aktivasi

Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf

tiruan, antara lain:

a. Fungsi Undak Biner (Hard Limit)

Jaringan dengan lapisan tunggal sering menggunakan fungsi undak (step

function) untuk mengkonversikan input dari suatu variabel yang bernilai

kontinu ke suatu output biner (0 atau 1). Gambar 3.5 menunjukkan grafik

fungsi undak biner. Fungsi undak biner (hard limit) dirumuskan sebagai:

Gambar 3.5. Fungsi aktivasi undak biner (hard limit)(Kusumadewi, 2003)

b. Fungsi Undak Biner (Threshold)

Fungsi undak biner dengan menggunakan nilai ambang sering juga

disebut dengan nama fungsi nilai ambang (threshold) atau fungsi Heaviside.

Gambar 3.5 menunjukkan grafik fungsi undak biner (dengan nilai

ambang ). Fungsi undak biner (dengan nilai ambang ) dirumuskan

sebagai:

20

Ga

Gambar 3.6. Fungsi aktivasi undak biner (threshold)(Kusumadewi, 2003)

c. Fungsi Bipolar (Symetric Hard Limit)

Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner,

hanya saja output yang dihasilkan berupa 1, 0 atau –1 (Gambar 3.7).

Fungsi Symetric Hard Limit dirumuskan sebagai:

Gambar 3.7. Fungsi aktivasi bipolar (symetric hard limit)(Kusumadewi, 2003)

d. Fungsi Bipolar (dengan threshold)

Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner

dengan threshold, hanya saja output yang dihasilkan berupa 1, 0 atau –1

(Gambar 3.8). Fungsi bipolar (dengan nilai ambang ) dirumuskan sebagai:

21

Gambar 3.8. Fungsi aktivasi bipolar (threshold)(Kusumadewi, 2003)

e. Fungsi Linear (identitas)

Fungsi linear memiliki nilai output yang sama dengan nilai inputnya.

Gambar 3.9 menunjukkan grafik fungsi aktivasi linear.

Fungsi linear dirumuskan sebagai:

Gambar 3.9. Fungsi aktivasi linear (Kusumadewi, 2003)

f. Fungsi Saturating Linear

Fungsi ini akan bernilai 0 jika inputnya kurang dari –½, dan akan

bernilai 1 jika inputnya lebih dari ½. Sedangkan jika nilai input terletak

antara –½ dan ½, maka outpunya akan bernilai sama dengan nilai input

ditambah ½ (Gambar 3.10). Fungsi saturating linear dirumuskan sebagai:

22

Gambar 3.10. Fungsi aktivasi saturating linear (Kusumadewi, 2003)

g. Fungsi Symetric Saturating Linear

Fungsi ini akan bernilai -1 jika inputnya kurang dari –1, dan akan

bernilai 1 jika inputnya lebih dari 1. Sedangkan jika nilai input terletak

antara –1 dan 1, maka outpunya akan bernilai sama dengan nilai inputnya

(Gambar 3.11). Fungsi symetric saturating linear dirumuskan sebagai:

Gambar 3.11 Fungsi aktivasi symetric saturating linear

(Kusumadewi, 2003)

h. Fungsi Sigmoid Biner

Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan

menggunakan metode backpropagation. Fungsi sigmoid biner memiliki

nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan

23

untuk jaringan syaraf yang membutuhkan nilai output yang terletak pada

interval 0 sampai 1. Namun, fungsi ini bisa juga digunakan oleh jaringan

syaraf yang nilai outputnya 0 atau 1 (Gambar 3.12). Fungsi sigmoid

biner dirumuskan sebagai:

(3.2)

dengan:   (3.3)

Gambar 3.12. Fungsi aktivasi sigmoid biner (Kusumadewi, 2003)

i. Fungsi Sigmoid Bipolar

Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner,

hanya saja output dari fungsi ini memiliki range antara 1 sampai –1.

Fungsi sigmoid bipolar dirumuskan sebagai:

(3.4)

dengan:  (3.5)

Fungsi ini sangat dekat dengan fungsi hyperbolic tangent. Keduanya

memiliki range antara –1 sampai 1 (Gambar 3.13). Untuk fungsi hyperbolic

tangent, dirumuskan sebagai:

(3.6)

atau  (3.7)

dengan:  (3.8)

24

Gambar 3.13. Fungsi aktivasi sigmoid bipolar (Kusumadewi, 2003)

3.2.6 Proses Pembelajaran

Pada otak manusia, informasi yang dilewatkan dari satu neuron ke neuron

yang lainnya berbentuk rangsangan listrik melalui dendrit. Jika rangsangan

tersebut diterima oleh suatu neuron, maka neuron tersebut akan membangkitkan

output ke semua neuron yang berhubungan dengannya sampai informasi tersebut

sampai ke tujuannya yaitu terjadinya suatu reaksi. Jika rangsangan yang diterima

terlalu halus, maka output yang dibangkitkan oleh neuron tersebut tidak akan

direspon. Tentu saja sangatlah sulit untuk memahami bagaimana otak manusia

bisa belajar. Selama proses pembelajaran, terjadi perubahan yang cukup berarti

pada bobot-bobot yang menghubungkan antar neuron. Apabila ada rangsangan

yang sama dengan rangsangan yang telah diterima oleh neuron, maka neuron akan

memberikan reaksi dengan cepat. Namun, apabila kelak ada rangsangan yang

berbeda dengan apa yang telah diterima oleh neuron, maka neuron akan segera

beradaptasi untuk memberikan reaksi yang sesuai (Kusumadewi, 2003).

Jaringan syaraf akan mencoba untuk mensimulasikan kemampuan otak

manusia untuk belajar. Jaringan syaraf tiruan juga tersusun atas neuron0neuron

dan dendrit. Tidak seperti model biologis, jaringan syaraf memiliki struktur yang

tidak dapat diubah, dibangun oleh sejumlah neuron, dan memiliki nilai tertentu

yang menunjukkan seberapa besar koneksi antara neuron (yang dikenal dengan

nama bobot). Perubahan yang terjadi selama proses pembelajaran adalah

perubahan nilai bobot. Nilai bobot akan bertambah, jika informasi yang diberikan

oleh neuron yang bersangkutan tersampaikan, sebaliknya jika informasi tidak

25

disampaikan oleh suatu neuron ke neuron yang lain, maka nilai bobot yang

menghubungkan keduanya akan dikurangi. Pada saat pembelajaran dilakukan

pada input yang berbeda, maka nilai bobot akan diubah secara dinamis hingga

mencapai suatu nilai yang cukup seimbang. Apabila nilai ini telah tercapai

mengindikasikan bahwa tiap-tiap input telah berhubungan dengan output yang

diharapkan (Kusumadewi, 2003).

a. Pembelajaran Terawasi (Supervised Learning)

Metode pembelajaran pada jaringan syaraf disebut terawasi jika output

yang diharapkan telah diketahui sebelumnya. Pada proses pembelajaran,

satu pola input akan diberikan ke satu neuron pada lapisan input. Pola ini

akan dirambatkan di sepanjang jaringan syaraf hingga sampai ke neuron

pada lapisan output. Lapisan output ini akan membangkitkan pola output

yang nantinya akan dicocokkan dengan pola output targetnya. Apabila

terjadi perbedaan antara pola output hasil pembelajaran dengan pola target,

maka disini akan muncul error. Apabila nilai error ini masih cukup besar,

mengindikasikan bahwa masih perlu dilakukan lebih banyak pembelajaran

lagi.

b. Pembelajaran Tak Terawasi (Unsupervised Learning)

Pada metode pembelajaran yang tak terawasi ini tidak memerlukan

target output. Pada metode ini, tidak dapat ditentukan hasil yang seperti

apakah yang diharapkan selama proses pembelajaran. Selama proses

pembelajaran, nilai bobot disusun dalam suatu range tertentu tergantung

pada nilai input yang diberikan. Tujuan pembelajaran ini adalah

mengelompokkan unit-unit yang hampir sama dalam suatu area tertentu.

Pembelajaran ini biasanya sangat cocok untuk pengelompokan (klasifikasi)

pola.

3.3 Backpropagation

Backpropagation merupakan algoritma pembelajaran yang terawasi dan

biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah

bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan

26

tersembunyinya. Setiap unit yang ada pada lapisan tersembunyi terhubung dengan

setiap unit pada lapisan output. Lebih jelas tentang hal ini ditunjukkan pada

Gambar 3.14. Algoritma backpropagation menggunakan error output untuk

mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk

mendapatkan error ini, tahap perambatan maju (forward propagation) harus

dikerjakan terlebih dahulu. Pada saat perambatan maju, neuron-neuron diaktifkan

dengan menggunakan fungsi aktivasi sigmoid, yaitu:

(3.9)

Gambar 3.14. Arsitektur jaringan backpropagation(Kusumadewi, 2003)

Menurut Haykin (1994), prosedur algoritma propagasi balik akan

mengikuti sekuen sebagai berikut.

1. Inisialisasi; menentukan konfigurasi jaringan, kemudian

menetapkan seluruhbobot synaptic dan treshold dengan nilai

acak kecil yang terdistribusi secara seragam.

2. Menyiapkan data pelatihan; untuk setiap pasangan (s,t)

dilakukan langkah 3 (komputasi ke depan) dan langkah 4

(komputasi balik) secara berurutan.

3. Komputasi ke depan; input yang tersedia adalah nilai aktivasi

bagi neuron-neuron sesudah lapisan input. Kemudian untuk

lapisan-lapisan berikutnya nilai aktivasi dihasilkan kemudian di

27

propagasikan dengan memakai fungsi aktivasi sigmoid. Pada

lapisan output nilai aktivasinya adalah sebagaikeluaran.

4. Komputasi balik; seluruh bobot synaptic disesuaikan untuk

memperkecil error. Mulai dari link-link yang menuju lapisan

output, sampai link-link yang menuju lapisan hidden pertama.

Untuk mempercepat konvergensi, bisa ditambahkan parameter

momentum (α). Untuk data latihan ke-p :

wmn( p) = wmn( p −1) + Δwmn( p) + α (wmn( p −1)

−wmn( p−2))

= wmn( p−1) + Δwmn( p) + αΔwmn( p −1) (3.10)

5. Iterasi; iterasi dilakukan untuk sejumlah epoch, jika masih terjadi

error,sampai average squared error (rumus 3.10) mencapai

batas kecil toleransi tertentu atau nol.

6. Langkah 2 sampai dengan 4 adalah algoritma untuk melatih

jaringan. Untuk pengujian pola, cukup dilakukan komputasi ke

depan satu lewatan (langkah 3).

28

BAB IV

METODOLOGI PENELITIAN

4.1. Objek Penelitian

Objek yang digunakan dalam penelitian ini adalah citra atau gambar meteran

PDAM, yang menunjukkan jumlah kumulatif penggunaan air oleh pelanggan.

4.2. Alat Yang Digunakan

Alat-alat yang digunakan dalam penelitian ini adalah:

1. Kamera Digital

Kamera digunakan untuk mengambil citra jumlah penggunaan air pada

meteran air PDAM dengan resolusi tertentu dan jenis ekstensi tertentu.

2. Matlab 7

Software ini digunakan untuk melakukan pengenalan pola citra meteran

air yang telah diambil dengan metode JST Backpropagation.

4.3. Tahap Penelitian

Tahap-tahap penelitian terdiri dari:

1. Tahap Konsep

Pada tahap ini dilakukan pemilihan aplikasi yang akan dipakai dan

paradigma yang sesuai. Hal–hal yang harus diperhatikan antara lain

adalah ukuran jaringan yang akan dirancang, pembawaan input, tipe

pelatihan, dan waktu operasi rutin.

2. Pengolahan Citra

Proses ini merupakan suatu metode yang digunakan untuk mengolah

gambar sehingga menghasilkan gambar lain yang sesuai dengan apa yang

diharapkan. Pengolahan citra bertugas untuk menyederhanakan gambar

menjadi suatu data berupa matrik, untuk kemudian dijadikan sebagai

input bagi jaringan syaraf tiruan.

29

3. Tahap Pendesainan Algoritma Jaringan Syaraf Tiruan

Pada tahap ini, algoritma JST dibangun sesuai konsep yang telah dipilih.

Ada 3 tingkat dalam pendesainan sebuah sistem JST yang harus

didefinisikan terlebih dahulu, yaitu tingkat node, tingkat jaringan, dan

tingkat pelatihan.

4. Proses Pembelajaran Pola Gambar

Tahap pembelajaran ini adalah langkah bagaimana suatu jaringan syaraf

tersebut berlatih. Cara yang dilakukan yaitu melakukan perubahan bobot

sambungan, sedangkan fase pemecahan masalah akan dilakukan jika

proses belajar tersebut selesai, fase tersebut adalah proses pengujian atau

testing.

5. Proses Pengenalan Pola Gambar

Setelah dilakukan langkah-langkah sebelumnya secara teratur dan

berurutan, selanjutnya dilakukan tahap pengenalan. Tahap ini merupakan

tahap implementasi JST terhadap sejumlah pola gambar yang berbeda

sebagai proses pengujian keakuratan sistem.

6. Verifikasi dan Validasi

Tahap ini merupakan tahap terakhir dalam penelitian ini. Verifikasi

dilakukan untuk membuktikan bahwa sistem telah dibangun secara layak.

Sedangkan validasi adalah pengecekan apakah sistem yang dibangun

sudah sesuai dengan kebutuhan.

30

4.4. Gantt Chart Penelitian

No Kegiatan September Oktober November Desember Januari Februari Maret1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4

1 Studi Literatur dan Pelatihan

Software

                                       

2 Pengumpulan Data

3 Pembangunan Algoritma                                        

4 Pengolahan Data                                        

5 Verifikasi dan Validasi

6 Pembuatan Laporan Penelitian                                        

2

DAFTAR PUSTAKA

.

Firmansyah, P., Syafei, W.A., Setiawan, I., Pengenalan Teks Braille Berbasis

Jaringan Syaraf Tiruan Feedforward Multilayer dengan Menggunakan

Metode Back Propagation, Makalah Seminar Tugas Akhir Universitas

Diponegoro, Semarang

Haykin, S., 1994, Neural Networks: A Comprehensive Foundation, MacMillan

College Publishing Company.

Kusumadewi, S., 2003, Artificial Intelligence (Teknik dan Aplikasinya), Graha

Ilmu, Yogyakarta.

Kusumadewi, S., 2004, Membangun Jaringan Syaraf Tiruan, Graha Ilmu,

Yogyakarta.

Martiana, 2012, Bab 8 Jaringan Syaraf Tiruan. (diakses secara online 16

September 2012) URL: http://lecturer.eepis-its.edu/~kangedi/materi

%20kuliah/Kecerdasan%20Buatan/Bab%208%20Jaringan%20Syaraf

%20Tiruan.pdf

Muis, Saludin, 2006, Teknik Jaringan Syaraf Tiruan, Graha Ilmu, Yogyakarta

Munir, R., 2004, Pengolahan Citra Digital dengan Pendekatan Algoritmik,

Informatika, Bandung

Pujiyanta, A., 2009, Pengenalan Citra Objek Sederhana dengan Jaringan Saraf

Tiruan Metode Perceptron, Jurnal Informatika Vol.3 No.1 Januari 2009,

Yogyakarta

Setiawan, A., Fitri, D.L., dan Susanti, N., 2007, Analisa Sistem Pengenalan

Karakter Menggunakan Jaringan Syaraf Tiruan untuk Pembacaan

Dokumen yang Rusak karena Banjir, Kudus.

Suhardi, I., 2010, Toleransi Unjuk Pengenalan Jaringan Syaraf Tiruan pada

Penambahan Derau dan Sudut Putaran terhadap Pola Karakter Tulisan

Tangan Jenis Angka, Media Elektrik vol.5 no.2 Desember 2010,

Makassar.

2