Sabtu, 25 Mei 2019

UTS Jaringan Syaraf Tiruan

UAS JST

Pengenalan Karakter dengan Jaringan Syaraf Tiruan

Bahan Presentasi Ini Dibuat Untuk Memenuhi
Tugas Mata Kuliah Jaringan Syaraf Tiruan

Dosen : Darwison, M.T

Oleh
Siti Sarah Fitrianisa
1610951017

Jurusan Teknik Elektro
Fakultas Teknik
Universitas Andalas
Padang
2019

Referensi :
Nuzul Fauzan Mustova, "Pengembangan Media Pembelajaran Jaringan Syaraf Tiruan Pada Mata Kuliah Praktik Sistem Kendali Cerdas di Jurusan Pendidikan Teknik Elektronika FT UNY",Yogyakarta:Universitas Negeri Yogyakarta, 2018. Available: https://eprints.uny.ac.id/60929/1/Nuzul%20Fauzan%20Mustova_13502241034.pdf

DAFTAR ISI

1. Tujuan

2. Landasan Teori

3. Langkah-Langkah /Prosedur

4. Link Download

5. Referensi

Tujuan [Kembali]

Tujuan dari dibuatnya aplikasi pengenalan karakter ini adalah :

Rancang bangun media pembelajaran Jaringan Syaraf Tiruan pada mata kuliah praktik Sistem Kendali Cerdas
Mengetahui unjuk kerja media pembelajaran Jaringan Syaraf Tiruan pada mata kuliah praktik Sistem Kendali Cerdas
Mengetahui tingkat kelayakan media pembelajaran Jaringan Syaraf Tiruan pada mata kuliah praktik Sistem Kendali Cerdas

Landasan Teori [Kembali]

Judul Aplikasi UAS [Kembali] : Pengenalan Karakter dengan Jaringan Syaraf Tiruan

Latar Belakang [Kembali]
Jaringan Syaraf Tiruan (JST) merupakan algoritma yang cukup banyak digunakan di teknologi-teknologi sekarang. JST banyak digunakan di berbagai bidang seperti bidang medis, ekonomi, perencanaan, dll. Algoritma ini banyak digunakan karena algoritma ini memiliki banyak potensi dan mudah jika dikembangkan. Salah satu yang paling sering dan mudahnya yaitu diterakan diproses pengenalan pola bisa berupa pola wajah, tulisan, maupun gambar. Di bidang medis juga sangat bermanfaat untuk mendeteksi penyakit seperti kanker. Kebanyakan penerapan algoritma ini menggunakan hardware sebagai sarana teknisnya. Sehingga sangat perlu mempelajari algoritma ini didampingi dengan penerapan langsung di hardware-nya.

Dasar Teori [Kembali]
Jaringan syaraf tiruan (JST) didefinisikan sebagai suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan syaraf manusia (Hermawan, 2006). Beberapa istilah dalam JST yang sering ditemui adalah sebagai berikut.

Neuron atau node atau unit: sel syaraf tiruan yang merupakan elemen pengolahan jaringan syaraf tiruan. Setiap neuron menerima data input, memproses input tersebut kemudian mengirimkan hasilnya berupa sebuah output
Jaringan: kumpulan neuron yang saling terhubung dan membentuk lapisan
Lapisan tersembunyi (hidden layer): lapisan yang tidak secara langsung berinteraksi dengan dunia luar. Lapisan ini memperluas kemampuan jaringan syaraf tiruan dalam menghadapi masalah-masalah yang kompleks
Input: sebuah nilai input yang akan diproses menjadi nilai output
Output: solusi dari nilai input
Bobot: nilai matematis dari sebuah koneksi antar-neuron
Fungsi aktivasi: fungsi yang digunakan untuk meng-update nilai-nilai bobot per-iterasi dari semua nilai input
Fungsi aktivasi sederhana adalah mengalikan input dengan bobotnya dan kemudian menjumlahkannya (disebut penjumlahan sigma) berbentuk linier atau tidak linier dan sigmoid

Komponen Jaringan Syaraf Tiruan
jaringan syaraf terdiri-dari beberapa neuron, dan ada hubungan antara neuronneuron tersebut. Neuron-neuron tersebut akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain. Pada jaringan syaraf, hubungan ini dikenal dengan nama bobot. Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut. Gambar 1 menunjukkan struktur neuron pada jaringan syaraf

Gambar 1. Struktur neuron JST
Informasi (disebut dengan: input) akan dikirim ke neuron dengan bobot kedatangan tertentu. Input ini akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot yang datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan suatu nilai ambang (threshold) tertentu melalui fungsi aktivasi setiap neuron. Apabila input tersebut melewati suatu nilai ambang tertentu, maka neuron tersebut akan diaktifkan, tapi kalau tidak, maka neuron tersebut tidak akan diaktifkan. Apabila neuron tersebut diaktifkan, maka neuron tersebut akan mengirimkan output melalui bobot-bobot outputnya ke semua neuron yang berhubungan dengannya.Demikian seterusnya.
Pada jaringan syaraf, neuron-neuron akan dikumpulkan dalam lapisanlapisan(layer) yang disebut dengan lapisan neuron (neuron layers). Biasanya neuron-neuron pada satu lapisan akan dihubungkan dengan lapisan-lapisan sebelum dan sesudahnya (kecuali lapisan input dan lapisan output). Informasi yang diberikan pada jaringan syaraf akan dirambatkan lapisan ke lapisan, mulai dari lapisan input sampai ke lapisan output melalui lapisan yang lainnya, yang sering dikenal dengan nama lapisan tersembunyi (hidden layer). Tergantung Gambar 2 menunjukkan jaringan syaraf dengan 3 lapisan

Gambar 2. Jaringan Syaraf dengan 3 Lapisan

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.
Jaringan syaraf akan mencoba untuk mensimulasikan kemampuan otak manusia untuk belajar. Jaringan syaraf tiruan juga tersusun atas neuron-neuron 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 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.
Berikut ini adalah metode pembelelajaran pada jaringan syaraf :

Pembelajaran terawasi ( supervised learning ), yaitu metode pembelajaran pada jaringan syaraf disebut terawasi jika output yangdiharapkan telah diketahui sebelumnya
Pembelajaran tak terawasi ( unsupervised learning ) ,yaitu Pada metode pembelajaran yang tak terawasi ini tidak memerlukan target output.Pada metode ini, tidak dapat ditentukan hasil yang seperti apakah yangdiharapkan selama proses pembelajaran. Selama proses pembelajaran, nilai bobot disusun dalam suatu range tertentu tergantung pada nilai input yangdiberikan. Tujuan pembelajaran ini adalah mengelompokkan unit-unit yanghampir sama dalam suatu area tertentu. Pembelajaran ini biasanya sangat cocokuntuk pengelompokan (klasifikasi) pola

Pengenalan Karakter / Pola

Secara umum, pola terbentuk oleh satu atau lebih ciri citra. Dengan kata lain, pola adalah susunan dari ciri-ciri citra. Ciri-ciri yang dapat diperoleh dari suatu citra, misalnya histrogram, arah, dan magnitudo tepi, warna, luas daerah dan sebagainya. Ilmu yang mempelajari klasifikasi atau penggambaran pola dari suatu objek berdasarkan ciri-cirinya adalah pengenalan pola. Pengenalan pola dibedakan menjadi tiga, yaitu:

Deteksi, Deteksi umumnya berkaitan dengan segmentasi dan proses threshol ding , misalnya dalam mendeteksi daun pada suatu gambar, maka benda yang berwarna hijau akan terdeteksi sebagai daun
Klasifikasi , adalah proses menemukan sekumpulan model/ fungsi yang menjelaskan dan membedakan data ke dalam kelas-kelas tertentu dengan tujuan menggunakan model tersebut dalam menentukan kelas dari suatu obyek yang belum diketahui kelasnya (Maharani, 2009). Misalnya dalam pengklasifikasian mobil.
Pengenalan , Pengenalan pola bertujuan menentukan kelompok atau kategori pola berdasarkan ciri-ciri yang dimiliki oleh pola tersebut

Langkah / Prosedur Pengerjaan [Kembali]

Buka toolbox JST pada matlab dengan mengetik pada command window seperti yang terlihat pada Gambar 1.

Gambar 1. Mengetik Perintah nntool pada Command Window Matlab

Siapkan terlebih dulu data trainingnya yaitu data input dan data target. Misalnya kita sudah menulis data input dan data target yang disiapkan dalam format xlsx(excel). Arsitektur jaringan syaraf tiruan yang digunakan pada contoh ini yaitu 23-5-5 yang artinya terdiri dari 23 nilai masukan, 10 neuron pada hidden layer, dan 5 nilai keluaran. Kita tinggal memanggil data tersebut untuk dikonversi menjadi variabel '*mat' yang dikenali oleh toolbox nntool matlab seperti yang ditunjukkan pada Gambar 2-4

Gambar 2. Pembuatan Variabel pada nntool

Gambar 3. Pembuatan Variabel Data Input pada nntool

Gambar 4. Pembuatan Variabel Data Target pada nntool

Kembali ke NNTOOL, klik import untuk memasukan data input dan target ke toolbox JST. Jangan lupa hubungkan input dengan input dan target dengan target seperti Gambar 5a dan 5b.

Gambar 5a. Import Data Input pada nntool

Gambar 5b. Import Data Input pada nntool

Lakukan hal yang sama juga dengan target, dilanjutkan dengan klik ‘import‘.

Gambar 6. Import Data Target pada nntool

Berikutnya meramu JST yang akan kita buat untuk mentraining data input dan target yang telah kita siapkan. Klik New untuk membuat JST yang akan di-training. Beri nama, input, dan outputnya sesuai dengan data yang kita import sebelumnya seperti yang ditunjukkan pada Gambar 7

Gambar 7. Training Data Input dan Data Target

Setelah di klik Create maka Anda telah berhasil membuat JST. Pastikan pada NNTOOL Anda terdapat data input, target, dan jst. Setelah itu kita siap melakukan training dengan mengklik ganda jst yang baru saja kita buat

Pilih train dan masukan input dan target yang sesuai, lanjutkan dengan mengklik Train Network untuk memulai proses training. Tunggu beberapa saat karena Matlab sedang mentraining JST yang ada buat tersebut seperti yang ditunjukkan pada Gambar 8a dan Gambar 8b

Gambar 8a Train Network untuk memulai proses training

Gambar 8b Hasil Training JST

Gambar 8c Hasil Training State

Gambar 8d Hasil Training Performance

Dari hasil training performance di atas dapat diketahui bahwa, iterasi terbaik terjadi pada epoch 1 dari 7 jumlah epochs dengan total error sebesar 0,2353

Link Download [Kembali]

File Data
File Referensi

Video Simulasi [Kembali]

Selasa, 14 Mei 2019

UAS Logika Fuzzy Jaringan Syaraf Tiruan

UAS Logika Fuzzy JST

Aplikasi Logika Fuzzy Pada Optimasi Daya Listrik Sebagai Sistem Pengambilan Keputusan

Bahan Presentasi Ini Dibuat Untuk Memenuhi
Tugas Mata Kuliah Jaringan Syaraf Tiruan

Dosen : Darwison, M.T

Oleh
Siti Sarah Fitrianisa
1610951017

Jurusan Teknik Elektro
Fakultas Teknik
Universitas Andalas
Padang
2019

Referensi :
Supriyono, "Aplikasi Logika Fuzzy Pada Optimasi Daya Listrik Sebagai Sistem Pengambilan Keputusan",Yogyakarta:Sekolah Tinggi Teknologi Nuklir, 2006. Available: http://digilib.batan.go.id/e-prosiding/File%20Prosiding/Energi/Prosiding_STTN_Desember2006/artikel/supriyono_285.pdf

DAFTAR ISI

1. Tujuan

2. Landasan Teori

3. Langkah-Langkah /Prosedur

4. Link Download

5. Referensi

Tujuan [Kembali]

Tujuan dari dibuatnya sistem pengambilan keputusan ini,maka untuk mendapatkan daya listrik yang optimal, pengguna tinggal memasukkan intensitas cahaya yang masuk ke dalam ruangan dan suhu ruangan atau jika dibuat otomatisasi, sistem ini dapat dihubungkan dengan sensor intensitas cahaya clan sensor suhu ruangan. Dengan memasukkan kedua variabel tersebut, baik secara manual maupun secara otomatis maka akan muncul daya listrik yang dibutuhkan secara optimal

Landasan Teori [Kembali]

Judul Aplikasi UAS [Kembali] : Aplikasi Logika Fuzzy Pada Optimasi Daya Listrik Sebagai Sistem Pengambil Keputusan

Latar Belakang [Kembali]
   Untuk melakukan perhitungan kebutuhan daya listrik yang efeletif, efisien dan fleksibel, perlu dibangun suatu sistem pengambilan keputusan berupa perangkat lunak yang mudah dioperasikan oleh komputer. Dalam membangun sistem pengambilan keputusan ini, metode atau teknik perhitungannya digunakan logika fuzzy.Makalah ini merupakan hasil penelitian awal, sehingga asumsi yang diambil pun masih sederhana, yaitu bahwa besar daya listrik dipengaruhi oleh intensitas cahaya dan suhu ruangan (Soedojo, 1985 dan Nurmianto,1996].
   Dalam aplikasi logika fuzzy ini, penalaran yang digunakan adalah penalaran fuzzy metode Mamdani (Kusuma Dewi, 2002]. Untuk variabel bebas intensitas cahaya diasumsikan dengan fungsi keanggotaan Gelap,Senja dan Siang sedangkan variabel bebas suhunya diasumsikan dengan fungsi keanggotaan Dingin, Normal dan Panas. Untuk variabel tak bebas daya listrik diasumsikan fungsi keanggotaannya adalah Padam, Redup dan Terang dengan tipenya trimf (segitiga) atau trapmf (trapesium). Aturan fuzzy yang digunakan sementara ini diasumsikan ada 9 (sembilan) aturan.
   untuk mendapatkan daya listrik yang optimal, pengguna tinggal memasukkan intensitas cahaya yang masuk ke dalam ruangan clan suhu ruangan atau jika dibuat otomatisasi, sistem ini dapat dihubungkan dengan sensor intensitas cahaya clan sensor suhu ruangan. Dengan memasukkan kedua variabel tersebut, baik secara manual maupun secara otomatis maka akan muncul daya listrik yang dibutuhkan secara optimal.

Dasar Teori [Kembali]
   Pada saat ini, logika fuzzy sudah banyak diterapkan di berbagai bidang, baik di dunia industri maupun penelitian. Bahkan pada dasawarsa terakhir ini aplikasi logika fuzzy ini semakin menjamur seiring dengan perkembangan teknologi komputasi yang luar biasa pesatnya. Dengan pesatnya perkembangan logika fuzzy ini dicoba untuk diaplikasikan dalam bidang penelitian listrik.
   Menurut Maxwell bahwa cahaya termasuk salah satu spektrum dari gelombang elektromagnetik. Cahaya mempunyai intensitas yang dapat dihitung dengan satuan Ix (Illuminance) (Nurmianto, 1996]. Intensitas cahaya dengan Ix dalam logika fuzzy diasumsikan sebagai variabel bebas dengan dimisalkan fungsi keanggotannya sebagai berikut:

Langkah / Prosedur Pengerjaan [Kembali]

Membuat FIS Editor input intensitas cahaya dan suhu serta output daya listrik

Gambar 1. Fungsi Keanggotaan Input dan Output

Dari Gambar 1 di atas, dipilih input intensitas cahaya untuk dibuat fungsi keanggotaan yang lebih detail, yaitu untuk fungsi keanggotaan Gelap, Senja dan Siang, yang ketiganya mempunyai range antara 0 sid 1600 Ix. Untuk fungsi keanggotaan
1. Fungsi keanggotaan Gelap tipe variabelnya adalah zmf dengan parametemya [0 400]
2. Fungsi keanggotaan Senja tipe variabelnya adalah pimf dengan parametemya [200 800 800 1400]
3. Fungsi keanggotaan Siang tipe variabe1nya ada1ah smf dengan parametemya [1200 1600]
Hasilnya ditampilkan pada Gambar 2

Gambar 2. Fungsi Keanggotaan Variabel Input Intensitas Cahaya yang Masuk

Dari Gambar 1 di atas pula, dipilih input suhu untuk dibuat fungsi keanggotaan yang lebih detail, yaitu untuk fungsi keanggotaan Dingin, Normal dan Panas, yang ketiganya mempunyai range antara 0 sid 60 derajat Celsius.
1. Fungsi keanggotaan Dingin tipe variabelnya adalah trapezium dengan parameternya [0 0 18 30]
2. Fungsi keanggotaan Normal tipe variabelnya adalah segitiga dengan parameternya [18 30 42]
3. Fungsi keanggotaan Panas tipe variabelnya adalah trapezium dengan parameternya [30 42 60 60]
Hasilnya ditampilkan pada Gambar 3

Gambar 3. Fungsi Keanggotaan Variabel Input Suhu

Demikian pula untuk output daya listrik, dari Gambar 1 di atas, dipilih output daya listrik dibuat fungsi keanggotaan yang lebih detail, yaitu untuk fungsi keanggotaan Padam, Redup dan Terang, yang ketiganya mempunyai range antara 0 sampai 120 Watt.
1. Fungsi keanggotaan Padam tipe variabelnya adalah trapezium dengan parameternya 0 0 10 50]
2. Fungsi keanggotaan Redup tipe variabelnya adalah segitiga dengan parameternya [25 60 95]
3. Fungsi keanggotaan Terang tipe variabelnya adalah trapezium dengan parameternya [70 110 120 120]
Hasilnya ditampilkan pada Gambar 4

Gambar 4. Fungsi Keanggotaan Variabel Output DayaListrik

Menyusun Aturan Fuzzy Aturan fuzzy yang digunakan adalah aturan-aturan yang telah ditentukan sebelumnya yang dibuat berdasarkan karakteristik intensitas cahaya dan suhu. Aturan-aturan fuzzy ini dibuat dengan menggunakan Rule Editor seperti terlihat pada Gambar 5.
Kumpulan Rule Fuzzy

Gambar 5. Aturan Fuzzy

Defuzzyfikasi pada Komposisi Aturan Mamdani Proses defuzzyfikasi terjadi ketika semua aturan telah selesai dituliskan. Setelah aturan-aturan tersebut dibuat, aturan tersebut dapat dilihat pada Rule Viewer, seperti terlihat Gambar 6. Pada Rule Viewer ini kita bisa menguji hasil dari aturan-aturan yang telah kita buat untuk meramal daya listrik yang optimal dengan cara memasukkan nilai variabel input pada kolom input.

Gambar 6. Hasil Optimasi Dengan Intensitas Cahaya 800 Lx dan Suhu Ruangan 30,3 Derajat Celsius

Pada Gambar 6 terlihat bahwa hasil optimasi daya listrik dengan memisalkan intensitas cahaya 800 lx dan suhu ruangan dimisalkan 30,3 derajat celsius, maka daya listrik yang diperlukan dengan sistem pengambilan keputusan ini adalah 59,2 Watt.
Jika diberikan dengan input lain, misalkan intensitas cahaya 154 Ix dan suhu ruangan dimisalkan 9,55 derajat Celsius, maka daya listrik yang diperlukan dengan sistem ini adalah 101 Watt. Hasil program ditampilkan pada Gambar 7

Gambar 7. Hasil Optimasi Dengan Intensitas Cahaya 154 lx dan Suhu Ruangan 9,55 Derajat Celsius

Dengan menggeser-geser garis vertikal pada variabel input frekuensi cahaya dan suhu, dapat disusun daya listrik yang dibutuhkan.
Dari hasil yang ditunjukkan dapat disimpulkan bahwa semakin besar suhu dengan intensitas cahaya yang konstan, maka semakin kecil kebutuhan daya listrik, demikian pila untuk suhu yang konstan dengan intensitas cahaya semkain besar kebutuhan daya listrik semakin kecil.

Sedangkan Hasil 3 dimensi yang dihasilkan ditunjukkan pada Gambar 8.

Gambar 8. Surface Penggunaan Daya Listrik