PENENTUAN JUMLAH NEURON DALAM LAPISAN
TERSEMBUNYI PADA JARINGAN SYARAF TIRUAN
SKRIPSI
diajukan sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
CHINTIA PERMATA PUTRI
1403040026
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK DAN SAINS
UNIVERSITAS MUHAMMADIYAH PURWOKERTO
APRIL, 2018
ii
HALAMAN PERNYATAAN ORISINALITAS
Saya yang bertanda tangan di bawah ini:
Nama : Chintia Permata Putri
NIM : 1403040026
Program Studi : Teknik Informatika S1
Fakultas : Teknik dan Sains
Perguruan Tinggi : Universitas Muhammadiyah Purwokerto
Menyatakan dengan sebenar-benarnya bahwa skripsi ini adalah hasil karya saya
dan semua sumber baik yang dikutip maupun dirujuk telah saya nyatakan dengan
benar serta bukan hasil penjiplakan dari karya orang lain.
Demikian pernyataan ini saya buat dan apabila kelak dikemudian hari terbukti ada
unsur penjiplakan, saya bersedia mempertanggungjawabkan sesuai dengan
ketentuan yang berlaku.
Purwokerto, 21 April 2018
Yang membuat pernyataan
Chintia Permata Putri
Penentuan Jumlah Neuron..., Chintia Permata Putri, Fakultas Teknik Dan Sains UMP, 2018
iii
HALAMAN PERSETUJUAN
Skripsi yang diajukan oleh :
Nama : Chintia Permata Putri
NIM : 1403040026
Program Studi : Teknik Informatika S1
Fakultas : Teknik dan Sains
Perguruan Tinggi : Universitas Muhammadiyah Purwokerto
Judul : Penentuan Jumlah Neuron Dalam Lapisan
Tersembunyi Pada Jaringan Syaraf Tiruan
Telah diterima dan di setujui
Purwokerto, 15 Mei 2018
PEMBIMBING
Hindayati Mustafidah, S.Si., M.Kom.
NIK. 2160332
Penentuan Jumlah Neuron..., Chintia Permata Putri, Fakultas Teknik Dan Sains UMP, 2018
iv
HALAMAN PENGESAHAN
Skripsi yang diajukan oleh :
Nama : Chintia Permata Putri
NIM : 1403040026
Program Studi : Teknik Informatika S1
Fakultas : Teknik dan Sains
Perguruan Tinggi : Universitas Muhammadiyah Purwokerto
Judul : Penentuan Jumlah Neuron Dalam Lapisan
Tersembunyi Pada Jaringan Syaraf Tiruan
Telah berhasil dipertahankan di hadapan Dewan Penguji dan diterima sebagai
bagian persyaratan yang diperlukan untuk memperoleh gelar Sarjana Teknik
(S.Kom.) pada Program Studi Teknik Informatika, Fakultas Teknik dan Sains,
Universitas Muhammadiyah Purwokerto.
DEWAN PENGUJI
Penguji 1 (Pembimbing) : Hindayati Mustafidah, S.Si., M.Kom.
( )
Penguji 2 : Tito Pinandita, S.Si., M.Kom.
( )
Penguji 3 : Harjono, S.T., M.Eng.
( )
Ditetapkan di : Purwokerto
Tanggal : 15 Mei 2018
Mengetahui,
Dekan Fakultas Teknik dan Sains
Muhamad Taufiq Tamam, S.T., M.T.
NIK. 2160223
Penentuan Jumlah Neuron..., Chintia Permata Putri, Fakultas Teknik Dan Sains UMP, 2018
v
HALAMAN PERSEMBAHAN
Dengan segala kerendahan hati, serta rasa syukur terhadap Allah SWT
yang telah memberikan rahmat dan nikmat-Nya, maka saya persembahkan
Laporan Tugas Akhir ini kepada :
1. (Alm) Bapak terimakasih atas limpahan kasih sayang semasa hidupnya
dan memberikan rasa rindu yang berarti.
2. Mamahku tersayang, mamah yang selalu sabar, terimakasih atas doa,
cinta, dukungan, nasihat dan kasih sayang yang tak terhingga dan selalu
memberikan yang terbaik.
3. Kakak-kakaku, Mba Shelly, Mas Tathit, Mba Yhuan, Mas Andri
terimakasih atas semangat, dukungan dan kasih sayang kalian.
4. Keponakanku Aqilla dan Tomy yang selalu menjadi penyemangat.
5. Embah Putri, dan keluarga besarku terimakasih atas doa, dukungan dan
semangat dari kalian.
6. Sahabat-sahabat ku Sonia, Nita, Amrisa, Silvi, Karlina, Ekky, dan Yosi
terimakasih untuk semangat dari kalian.
Penentuan Jumlah Neuron..., Chintia Permata Putri, Fakultas Teknik Dan Sains UMP, 2018
vi
HALAMAN MOTTO
“Jangan berhenti untuk berikhtiar, sebab jalan dan pertolongan Allah itu banyak
macamnya”.
Penentuan Jumlah Neuron..., Chintia Permata Putri, Fakultas Teknik Dan Sains UMP, 2018
vii
KATA PENGANTAR
Puji syukur penyusun ucapkan atas kehadirat Allah SWT yang telah
melimpahkan rahmat, hidayah dan anugerah-Nya sehingga penyusun dapat
menyelesaikan penulisan Laporan Tugas Akhir dengan judul “PENENTUAN
JUMLAH NEURON DALAM LAPISAN TERSEMBUNYI” dengan baik. Tugas
Akhir ini merupakan salah satu persyaratan kurikulum untuk menyelesaikan
pendidikan sarjana pada Jurusan Teknik Informatika Fakultas Teknik dan Sains
Universitas Muhammadiyah Purwokerto.
Dalam pelaksanaan tugas akhir dan pembuatan laporan, penyusun tidak
lepas dari bantuan yang berupa fasilitas dan bimbingan secara materiil dan
spiritual. Dengan segala kerendahan hati dan rasa hormat melalui tulisan ini,
penyusun ingin mengucapkan terimakasih kepada:
1. Dr. H. Syamsuhadi Irsyad, M.H. selaku Rektor Universitas Muhammadiyah
Purwokerto.
2. Muhamad Taufiq Tamam, S.T., M.T. selaku Dekan Fakultas Teknik dan
Sains.
3. Hindayati Mustafidah, S.Si, M.Kom. Selaku dosen pembimbing Tugas Akhir
dan dosen pembimbing akademik program studi Teknik Informatika tahun
2014.
4. Segenap dosen Program Studi Teknik Informatika yang telah banyak
memberikan ilmu dan bimbingannya selama penulis masih dalam masa
perkuliahan.
Penentuan Jumlah Neuron..., Chintia Permata Putri, Fakultas Teknik Dan Sains UMP, 2018
viii
5. Teman-teman Teknik Informatika angkatan 2014 yang telah memberi
dukungan.
6. Serta semua pihak yang tidak dapat disebutkan satu per satu yang telah
membantu penyusun menyelesaikan laporan ini.
Penyusun menyadari bahwa laporan ini jauh dari sempurna dan masih
banyak kekurangan mengingat keterbatasan pengalaman dan kemampuan
penyusun, oleh karena itu kritik dan saran yang membangun sangat diharapkan
penulis demi hasil yang lebih baik di masa mendatang.
Purwokerto, April 2018
Chintia Permata Putri
Penentuan Jumlah Neuron..., Chintia Permata Putri, Fakultas Teknik Dan Sains UMP, 2018
ix
DAFTAR ISI
HALAMAN JUDUL ........................................................................................ i
HALAMAN PERNYATAAN ORISINALITAS ............................................. ii
HALAMAN PERSETUJUAN ......................................................................... iii
HALAMAN PENGESAHAN .......................................................................... iv
HALAMAN PERSEMBAHAN....................................................................... v
HALAMAN MOTTO ...................................................................................... vi
KATA PENGANTAR ..................................................................................... vii
DAFTAR ISI .................................................................................................... ix
DAFTAR TABEL ............................................................................................ xi
DAFTAR GAMBAR ....................................................................................... xii
DAFTAR LAMPIRAN .................................................................................... xiii
INTISARI ......................................................................................................... xiv
ABSTRACT ....................................................................................................... xv
BAB I PENDAHULUAN ................................................................................ 1
A. LATAR BELAKANG ............................................................................... 1
B. PERUMUSAN MASALAH ...................................................................... 3
C. BATASAN MASALAH ............................................................................ 3
BAB II KAJIAN PUSTAKA ........................................................................... 4
A. JARINGAN SYARAF TIRUAN ............................................................... 4
1. Definisi Jaringan Syaraf Tiruan .......................................................... 4
2. Arsitektur Jaringan Syaraf Tiruan ........................................................ 5
B. ALGORITMA PEMBELAJARAN BACKPROPAGATION ..................... 8
C. ALGORITMA LEVENBERG-MARQUARDT ........................................... 12
D. MEAN SQUARED ERROR (MSE) ............................................................ 14
E. MATLAB .................................................................................................. 15
F. SPSS ........................................................................................................... 17
G. ANAVA .................................................................................................... 18
BAB III TUJUAN DAN MANFAAT.............................................................. 19
A. TUJUAN .................................................................................................... 19
Penentuan Jumlah Neuron..., Chintia Permata Putri, Fakultas Teknik Dan Sains UMP, 2018
x
B. MANFAAT ................................................................................................ 19
BAB IV METODE PENELITIAN .................................................................. 20
A. JENIS PENELITIAN ................................................................................. 20
B. WAKTU DAN TEMPAT PENELITIAN .................................................. 20
C. VARIABEL YANG DITELITI ................................................................. 20
D. SUMBER DATA ....................................................................................... 21
E. ALAT PENELITIAN ................................................................................. 21
F. ALUR PENGEMBANGAN PROGRAM.................................................. 22
G. ANALISIS DATA ..................................................................................... 23
BAB V HASIL DAN PEMBAHASAN ........................................................... 25
A. DATA PENELITIAN ............................................................................... 25
B. ANALISIS HASIL PENELITIAN ............................................................ 25
BAB VI PENUTUP ......................................................................................... 32
A. KESIMPULAN .......................................................................................... 32
B. SARAN ...................................................................................................... 32
DAFTAR PUSTAKA ...................................................................................... 33
Penentuan Jumlah Neuron..., Chintia Permata Putri, Fakultas Teknik Dan Sains UMP, 2018
xi
DAFTAR TABEL
Tabel 1. Data Masukan Jaringan dan Target dengan Banyak Neuron = 5 ......... 24
Tabel 2. Hasil Uji ANAVA Pada Neuron Hidden Layer 2 ................................ 24
Tabel 3. Rata – Rata Setiap Learning Rate pada Neuron Hidden Layer 2 ........ 25
Tabel 4. Hasil Uji ANAVA Pada Neuron Hidden Layer 4 ................................ 25
Tabel 5. Rata – Rata Setiap Learning Rate pada Neuron Hidden Layer 4 ........ 26
Tabel 6. Hasil Uji ANAVA Pada Neuron Hidden Layer 5 ................................ 26
Tabel 7. Rata – Rata Setiap Learning Rate pada Neuron Hidden Layer 5 ........ 27
Tabel 8. Hasil Uji ANAVA Pada Neuron Hidden Layer 7 ................................ 27
Tabel 9. Rata – Rata Setiap Learning Rate pada Neuron Hidden Layer 7 ........ 28
Tabel 10. Hasil Uji ANAVA Pada Neuron Hidden Layer 9 ............................. 28
Tabel 11. Rata – Rata Setiap Learning Rate pada Neuron Hidden Layer 9 ...... 29
Tabel 12. MSE (error) terkecil berdasarkan learning rate pada setiap n neu-
ron hidden layer ................................................................................. 29
Tabel 13 Hasil Uji ANAVA pada Banyaknya Neuron Hidden layer ................ 30
Tabel 14. Hasil Uji Duncan pada Setiap Neuron ............................................... 30
Tabel 15. Rata – Rata Setiap Neuron Hidden Layer .......................................... 30
Penentuan Jumlah Neuron..., Chintia Permata Putri, Fakultas Teknik Dan Sains UMP, 2018
xii
DAFTAR GAMBAR
Gambar 1. Jaringan Syaraf Tiruan dengan Lapisan Tunggal ............................. 6
Gambar 2. Jaringan Syaraf Tiruan dengan Banyak Lapisan .............................. 7
Gambar 3. Jaringan Syaraf Tiruan dengan Kompetitif ...................................... 7
Gambar 4. Arsitektur Jaringan Backpropagation .............................................. 10
Gambar 5. Desain Jaringan Syaraf Tiruan dengan 5 Neuron ............................ 21
Gambar 6. Alur Pengembangan Program JST ................................................... 22
Gambar 7. Desain Pengujian Statistik untuk Setiap Learning Rate .................. 23
Gambar 8. Desain Pengujian Statistik untuk Setiap Neuron Lapisan Tersembunyi
........................................................................................................... 24
Penentuan Jumlah Neuron..., Chintia Permata Putri, Fakultas Teknik Dan Sains UMP, 2018
xiii
DAFTAR LAMPIRAN
Lampiran 1 Tabulasi Data ............................................................................... 37
Lampiran 2 Source Code simulasi program .................................................... 41
Penentuan Jumlah Neuron..., Chintia Permata Putri, Fakultas Teknik Dan Sains UMP, 2018
xiv
INTISARI
Algoritma pelatihan merupakan bagian terpenting dalam jaringan syaraf
tiruan (JST). JST adalah model komputasi yang terinspirasi secara biologis,
jaringan syaraf tiruan terdiri dari beberapa elemen pengolahan (neuron) dan ada
hubungan antara neuron – neuron tersebut. Dalam JST terdapat metode
pembelajaran backpropogation. Backpropagation adalah algoritma pembelajaran
yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan
untuk mengubah bobot – bobot yang terhubung dengan neuron yang ada pada
lapisan tersembunyi. Algoritma ini dipengaruhi oleh beberapa parameter jaringan
diantaranya adalah banyaknya neuron dalam lapisan input, maksimum epoh yang
digunakan, besarnya laju pemahaman (learning rate), dan kesalahan yang
dihasilkan (MSE). Kinerja algoritma pelatihan dikatakan optimal bisa dilihat dari
error yang dihasilkan oleh jaringan. Semakin kecil error yang dihasilkan, maka
semakin optimal kinerja dari algoritma. Pengujian yang dilakukan pada penelitian
sebelumnya diperoleh bahwa algoritma pelatihan yang paling optimal berdasarkan
hasil error terkecil adalah algoritma pelatihan Levenberg – Marquardt dengan
rata – rata MSE 0.001 dengan tngkat pengujian α = 5%. Pada penelitian ini
dilakukan analisis ketepatan banyaknya n neuron dalam lapisan tersembunyi
dengan menggunakan algoritma pelatihan Levenberg – Marquardt dimana (n = 2,
4, 5, 7, 9). Parameter Jaringan yang digunakan yaitu target error 0.001,
maksimum epoh = 1000. Penelitian ini menggunakan metode campuran (mixed
method) yaitu penelitian pengembangan dengan pengujian kuantitatif dan
kualitatif ( menggunakan uji statistik ANAVA). Data penelitian diambil dari data
random dengan 5 neuron masukan dan 1 neuron pada lapisan keluaran. Jadi dari
hasil penelitian bahwa dengan 9 neuron pada lapisan tersembunyi (hidden layer)
menghasilkan error paling kecil yaitu 0.000137501 ± 0.000178355 dengan ting-
kat laju (learning rate / lr) = 0.5
Kata Kunci : lapisan tersembunyi, backpropogation, learning rate, algoritma
pelatihan levenberg-marquardt, ANAVA
Penentuan Jumlah Neuron..., Chintia Permata Putri, Fakultas Teknik Dan Sains UMP, 2018
xv
ABSTRACT
The training algorithm is the most important part in artificial neural net-
works (ANN). ANN is a biologically realized model, a neural network consisting
of several processing elements (neurons) and there is a connection between the
neurons. In ANN there is a method of learning Backpropogation. Backpropaga-
tion is a supervised learning algorithm that can be used by many people. The al-
gorithms used by some network parameters are: neurons in the input layer, the
maximum epoh which is the magnitude of the learning rate, and the resulting
damage (MSE). The performance of the optimal teaching training program can be
seen from errors generated by the network. The smaller the error generated, the
more optimal the performance of the algorithm. Testing which was done in previ-
ous research is that the most optimal training based on error result is application
of training of Levenberg - Marquardt with mean of MSE 0,001 with credit level α
= 5%. This study analyzes the accuracy of n neurons in layers using the Leven-
berg - Marquardt training algorithm where (n = 2, 4, 5, 7, 9). Network Parameter
which is target error 0.001, maximum epoh = 1000. This research used mixed
method that is research using qualitative analysis and ANAVA. Answer of data
from random data with 5 input neurons and 1 neuron at Output layer. So from the
results of research with 9 neurons in the hidden layer, it gives the smallest error
0.000137501 ± 0,000178355 with the rate rate (learning rate / lr) = 0.5
Keyword :hidden layer, backpropogation, learning rate, levenberg-marquardt
training algorithm, ANOVA.
Penentuan Jumlah Neuron..., Chintia Permata Putri, Fakultas Teknik Dan Sains UMP, 2018