1 Mahasiswa Jurusan Teknik Elektro UNDIP2Staf Pengajar Jurusan Teknik Elektro UNDIP

Makalah Seminar Tugas Akhir

PENGENALAN POLA KELAS BENANGMENGGUNAKAN METODE JARINGAN SYARAF TIRUAN

BACKPROPAGATION

Rangga Etyawan Giantara1, Achmad Hidayatno2, Yuli Christiyono2

Jurusan Teknik Elektro Fakultas Teknik Universitas Diponegoro Semarang

ABSTRACT

Pattern recognition represent a recognition to every data link (analog or digital), occurence and conceptwhich can be differentiated. Form face, a desk, music couplet tone sequence, theme a symphony or rhyme,footstep made by particle plate fotografik, all the nya represent different type from pattern. Become, recognitiona face, music couplet, painting, words from handwriting, diagnosis of disease from its symptom, and alsorecognition class of yarn all the problem of pattern recognition. Pattern recognition use this Artificial NeuralNetwork method lifted in masterpiece write this.

Artificial Neural Network represent one system process of information which design imitatedly is wayjob brain of human being in finishing a problem done process to learn through change of wight sinapsis.Artificial Neural Network able to recognize activity based only at past data. Past data will be learned byartificial neural network so that have ability to give decision to data which have never been learned. Thismethod is weared to pattern recognition quality of yarn. Program used to do pattern recognition class of yarnwith artificial neural network is Matlab version R2009a.

Pursuant to examination research result of data entirety with variation hidden layer (hidden layer = 1, 2,3, 4, 5, 6 and also 7 owning mean mount recognition equal to 82,9%. With highest recognition equal to 98,3% (hidden layer = 6 ), while recognition lowest equal to 40,5% (hidden layer = 5 ). Side of this other, recognitionlevel with the Artificial Nerve Network (JST) method simulation result with variation hidden layer measure upto erratic. So that, to obtain get network with variation hidden layer need training which is more amount.

Key Words : Pattern recognition, Artificial Neural Network, Backpropagation, Hidden Layer

I. PENDAHULUAN1.1 Latar Belakang

Kita menjalankan tugas pengenalan disetiap saat kehidupan kita, misalnya ketikamengenali suara seorang teman lewat telepon,rasa es krim, membaca koran dan masihbanyak hal lain yang berkaitan denganpengenalan pola. Sehingga, pengenalan polalangsung mencakup pengenalan visual danaural spasial (karakter, gambar, sidik jari) dantemporal (muka gelombang, ucapan, ECG),dimana seseorang membutuhkan bantuan alatpenginderaan (sensor). Pengenalan akan halyang abstrak seperti konsep dan gagasan disatupihak dapat dilakukan tanpa bantuan sensor.

Di dalam dunia dunia tekstil, pengenalanpola kualitas benang sangat penting untukmemperoleh output / hasil produksi yangsesuai dengan harapan. Sehingga akanmendatangkan keuntungan secara finansialterhadap hasil produksi.

Teknik-teknik pengenalan pola yangdapat dipakai meliputi teknik-teknik yangberdasarkan statistik, pendekatan sistem pakar

dan algoritma Jaringan Syaraf Tiruan (NeuralNetworks). Jaringan Syaraf Tiruan selanjutnyadisebut sebagai JST saja. Teknik deret waktu(time-series) dan regresi adalah dua kelasutama dari algoritma statistik konvensionaldan telah sukses digunakan pada bidang iniselama bertahun-tahun. Algoritma yangberdasarkan sistem pakar untuk pengenalanpola menggunakan pendekatan komputasisimbolik untuk mengautomatisasi kecerdasan(intelegence).

Untuk mendapatkan pengenalan polakelas benang, maka digunakan metodepengenalan pola kelas benang selama 5minggu menggunakan data informator padaMesin Autoconer dari hari-hari yang similar.Nilai pengoreksian dihasilkan dari JST. Untukitu, jaringan syaraf diharapkan dapatmenghasilkan pengenalan pola denganpembelajaran yang lebih sederhana dan waktupembelajaran yang lebih singkat.

1.2 TujuanTujuan dari tugas akhir ini adalah

menganalisis tingkat pengenalan pola kelasbenang dengan variasi-variasi layertersembunyi menggunakan metode jaringansyaraf tiruan backpropagation.

1.3 Batasan MasalahUntuk menyederhanakan pembahasan pada

Tugas Akhir ini, masalah dibatasi sebagaiberikut :

1. Tidak membahas mengenai prosesproduksi.

2. Parameter yang digunakan untukpengenalan pola kelas benangadalah jumlah bobin, Ne, efisiensiMesin, red lights, berat, diameterdan panjang benang sebelumdilakukan proses penggulunganbenang (winding process).

3. Target yang digunakan untukpengenalan pola kelas benang yaituada 3 kelas (neps, short faults, longfaults).

4. Waktu similiar yang diambiluntuk pengambilan data yaituhari kamis dan jum’at dengan 2waktu (09.15 dan 10.15) selama5 minggu. Pengambilan datadilakukan pada informator mesinautoconer 5.

5. Untuk pembelajaran JST,menggunakan algoritma backpropagation.

6. Program yang digunakan untuksimulasi ini adalah Matlab R2009a.

II. LANDASAN TEORI2.1 Teori Pengenalan Pola

Sebuah kamus Inggris mendefinisikansebuah ‘pola’ (pattern) sebagai suatu contohatau model sesuatu yang dapat disalin. Sebuahpola, adalah juga tiruan sebuah model. Tetapidisaatmenjelaskan berbagai tipe objek dalamdunia fisik dan abstrak, definisi yang munculdalam ingatan, sebuah pola adalah setiapantarhubungan data (analog atau digital),kejadian atau konsep yang dapat dibedakan.Bentuk wajah, sebuah meja, urutan nada sebaitmusik, tema sebuah sanjak atau simponi, jejakyang dibuat partikel pada pelat fotografik,kesemuanya merupakan tipe yang berlainandari pola-pola. Jadi pengenalan sebuah wajah,sebait musik, lukisan, perkataan dicetak, kata-

kata dari tulisan tangan, sasaran militer,diagnosa penyakit dari gejalanya, sertapengenalan pola kualitas benang kesemuanyaadalah masalah pengenalan pola.

Pengenalan pola langsung mencakuppengenalan visual dan aural spasial (karakter,gambar, sidik jari) dan temporal (mukagelombang, ucapan, ECG), di mana seseorangmembutuhkan bantuan alat penginderaan(sensor). Pengenalan akan hal yang abstrakseperti konsep dan gagasan disatu pihak dapatdilakukan tanpa bantuan sensor. Pengenalanakan hal yang abstrak seperti konsep dangagasan disatu pihak dapat dilakukan tanpabantuan sensor.

Adapun permasalahan pengenalan poladapat dibagi menjadi dua bagian. Bagianpertama berhubungan dengan studimekanisme pengenalan pola-pola olehmanusia atau jasat hidup lainnya. Bagian inidihubungkan dengan disiplin ilmu fisiologi,psikologi, biologi, dan sebagainya. Bagiankedua mengenai pengembangan teori danteknik untuk mendesain sebuah alat yang dapatmelakukan tugas pengenalan secara otomatik.Bidang ini berhubungan dengan teknik,komputer, serta ilmu informatika.

2.1.1 Pendekatan Teoritik KeputusanDidalam pendekatan teoritik

keputusan, pengenalan pola dapat dipandangsebagai tugas ganda yang berisikan ajar(learning) perilaku-perilaku invarian dan lazimdari sekumpulan sampel yang mencirikansebuah kelas, dan memutuskan sebuah sampelbaru sebagai anggota kelas yang mungkindengan catatan bahwa perilakunya lazimterhadap kumpulan sampel tersebut. Langkahpengoperasian yang perlu dalammengembangkan serta melaksanakan aturankeputusan dalam sistem pengenalan polapraktis.

2.1.2 Aplikasi Pengenalan Pola

Lingkup Aplikasi Pengenalan Pola dapatdikelompokkan sebagai berikut :

1. Komunikasi Manusia dan Mesin :Pengenalan Ucapan Otomatik, IdentifikasiPembicara, Sistem OCR, Pengenalan NaskahKursif, Pemahaman Ucapan, PemahamanCitra.

2. Aplikasi Biomedik : Analisis ECG,EEG, EMG, Sitologi, Histologi, dan AplikasiSteorologi, Analisis Sinar-X, Diagnostik.

3. Aplikasi dalam Fisika : Fisika EnergiTinggi, Kamar Gelembung dan BentukAnalisis Jejak lainnya.

4. Kejahatan dan Deteksi Kriminal :Sidik Jari, Tulisan Tangan, Suara Ucapan danFotografi.

5. Studi dan Estimasi Sumber Alam :Pertanian, Hidrologi, Kehutanan, Geologi,Lingkungan, Pola Awan, Kualitas Urban.

6. Aplikasi Stereologi : PengolahanLogam, Pengolahan Mineral, dan Biologi.

7. Aplikasi Kemiliteran : DeteksiLedakan Nuklir, Penuntun dan Deteksi PeluruKendali, Deteksi Sinyal Radar dan Sonar,Identifikasi Sasaran, Deteksi Kapal SelamAplikasi Pengintaian.

8. Aplikasi Industri : Simulasi GrafikKomputer terhadap Uji dan Rakit Produksi,Pemeriksaan Otomatik dan PengawasanKualitas dalam Pabrik, Sistem InformasiKendala.

9. Robotik dan Kecerdasan Buatan :Teknologi Sensor Pintar, Pengolahan BahasaNatural.

2.2 BackpropagationJaringan syaraf tiruan back propagation

merupakan salah satu model dari jaringansyaraf tiruan umpan maju denganmenggunakan pelatihan terbimbing yangdisusun berdasar pada algoritma error backpropagation yang didasarkan pada aturanpembelajaran dengan koreksi kesalahan (errorcorrection learning rule). Secara mendasar,proses dari error back propagation ini terdiridari dua tahap, yaitu umpan maju dan umpanmundur. Arsitekturnya sendiri tersusun ataslayer-layer, yaitu layer masukan (input layer),layer tersembunyi (hidden layer) dan layerkeluaran (output layer). Proses belajar darijaringan syaraf back propagation ini secaragaris besar adalah setelah menerima masukanpada layer masukan, maka masukan itu akandipropagasikan melewati setiap layerdiatasnya hingga suatu keluaran dihasilkanoleh jaringan itu. Keluaran yang dihasilkanoleh jaringan akan dibandingkan dengan targetkeluaran, sehingga suatu error akandibangkitkan. Selanjutnya jaringan akanmelewatkan turunan dari error tersebut kelayer tersembunyi dengan menggunakansambungan berbobot yang masih belumdiubah nilainya. Kemudian setiap neuron padalayer tersembunyi akan menghitung jumlahbobot dari error yang dipropagasibalikkan

sebelumnya. Error back propagation inilahyang memberi nama jaringan ini sebagaijaringan back propagation.

Gambar 2.1 Arsitektur Jaringan Syaraf TiruanBackpropagation

Setelah masing-masing neuron darilayer tersembunyi dan layer keluaranmenemukan besarnya error, maka neuron-neuron ini akan mengubah nilai bobotnyauntuk mengurangi error. Proses iniberlangsung terus-menerus hingga error yangdihasilkan oleh jaringan tersebut mendekatinol.

Layer paling kiri adalah layermasukan dan didalam jaringan syaraftiruanhanya neuron-neuron pada layer inilahyang menerima masukan luar. Layerberikutnya adalah layer tersembunyi, dan padalayer ini neuron-neuron ini diinterkoneksikansecara penuh ke layer diatas dan dibawahnya.Layer paling kanan adalah layer keluaransebagai akhir dari proses jaringan tersebut.

2.2.1 Aplikasi Jaringan Syaraf Tiruan

Beberapa aplikasi umum JaringanSyaraf Tiruan adalah sebagai berikut :

1. Pengenalan pola (patternrecognition)JST dapat dipakai untuk mengenali

pola (misal huruf, angka, suara, tanda tangan,kualitas benda) yang sudah sedikit berubah.Hal ini mirip dengan otak manusia yang masihmampu mengenali orang yang sudah beberapawaktu tidak dijumpainya (mungkin wajah/bentuk tubuhnya sudah sedikit berubah).Model yang bisa digunakan antara lain : ART(Adaptive Resonance Theory), LVQ,Backpropagation dan Neocognitron.

2. Pengolahan sinyal (SignalProcessing)

JST (model ADALINE) dapatdipakai untuk menekan noise dalam saluran

bk

bj

inputlayer

wi

j

xn

yn

wj

khiddenlayer

outputlayer

telepon. Begitu juga dengan model yang lainseperti Hopfield, Boltzman danBackpropagation.

3. Peramalan (forecasting)JST juga dapat dipakai untuk

meramalkan apa yang akan terjadi di masayang akan datang berdasarkan pola kejadianyang ada di masa yang lampau. Hal ini dapatdilakukan mengingat kemampuan JST untukmengingat dan membuat generalisasi dari apayang sudah ada sebelumnya. Model yang bisadigunakan untuk aplikasi ini antara lainADALINE, MADALINE dan Backpropagation.

2.3 Mesin Autoconer (AC)Mesin Autoconer merupakan sistem

kontrol dalam mesin aplikasi membuatbenang. Pada Mesin Autoconer terjadi prosespenggulungan (winding process) sebagaiproses terakhir untuk mendapatkan benangyang memiliki kualitas sesuai denganparameter-parameter yang telah ditentukanoleh laborat. Sehingga, pada Mesin Autoconerterjadi pengenalan pola kualitas benang.

Ada bermacam- macam jenis MesinAutoconer, yang satu dengan yang lain padadasarnya memiliki prinsip kerja yang sama. Didalam 1 Mesin Autoconer terdapat 60 spindel,yang masing-masing spindel memiliki 1 sensorbenang yang sering disebut sensor loepfe.Hanya yang membedakan adalah mengenaikonstruksi mekanik dan elektrik. Sebagaicontoh, konstruksi pada Mesin Autoconer 338(AC 338) berbeda dengan konstruksi padaMesin Autoconer 5 (AC 5). Dimana,kerusakan pada Mesin Autoconer 338 (AC338) hanya dapat dilihat di informator saja.Sedangkan, kerusakan pada Mesin Autoconer5 (AC 5) selain dapat dilihat di informator,juga dapat dilihat pada tiap spindelnya.

Jenis- Jenis Mesin Autoconer : Mesin Autoconer 138 (AC 138)

Menggunakan sensor loepfe jenis TK-

XXX.

Mesin Autoconer 238 (AC 238)Menggunakan sensor loepfe jenis TK-

XXX.

Mesin Autoconer 338 (AC 338)Menggunakan sensor loepfe jenis TK-

XXX ( TK 830 N atau TK 840 N ). Mesin Autoconer 5 (AC 5)

Menggunakan sensor loepfe jeniszenith.

Pada jenis- jenis Mesin Autoconerdiatas kesemuanya bermerek Schlafhorst. Danpada laporan ini pembahasan Mesin Autoconerdibatasi pada Mesin Autoconer 5 ( AC 5).

2.4 Sensor LoepfeSensor Loepfe merupakan sensor

pendeteksi kelas benang. Dimana, apabilaada benang yang tidak memiliki kualitasyang sesuai dengan parameter-parameteryang ditentukan oleh laborat maka benangtersebut secara otomatis akan dipotong.Yang selanjutnya benang yang tidakterpotong akan digulung hinggamenghasilkan cones.

Jenis- Jenis Sensor Loepfe : Loepfe TK 750

Digunakan untuk jenis benang yangmemiliki diameter yang besar.

Loepfe TK 940Digunakan untuk jenis benang yangmemiliki diameter yang kecil.

Loepfe TK 830 NDigunakan pada Mesin Autoconer 338(AC 338).

Loepfe TK 840 NDigunakan pada Mesin Autoconer 338(AC 338).

Loepfe ZenithDigunakan pada Mesin Autoconer 5( AC 5).

Pada laporan ini pembahasan sensorloepfe dibatasi pada sensor loepfe zenithyang digunakan pada Mesin Autoconer 5

( AC 5).

2.5 Klasifikasi Yarn Faults ( KlasifikasiKelas Benang )Klasifikasi Yarn Faults ( Klasifikasi Kelas

Kualitas Benang ) secara lengkap ada 7 jenisyaitu : Neps, Short Faults, Long Faults, ThinPlaces, Splices, Yarn Count, dan Short Count.Namun, di dalam laporan ini hanya dibatasipada 3 jenis yaitu : Neps, Short Faults, danLong Faults. Neps

Neps merupakan klasifikasi kelas kualitasbenang dengan diameter limit (N) adalah 1,5 -9 cm.

Gambar 2.2 Bentuk Fisik Neps

Gambar 2.3 Simulasi Grafik Yarn Master Spectra

Untuk Neps (N =1,5 cm)

Short FaultsShort Faults merupakan klasifikasi

kelas kualitas benang dengan diameter limit(DS) 1,1 - 4 cm dan panjang limit (LS) 1 - 10cm.

Gambar 2.4 Bentuk Fisik Short Faults

Gambar 2.5 Simulasi Grafik Yarn Master

Spectra Untuk Short Faults (DS = 2,5 cm dan

LS = 1,5 cm)

Long FaultsLong Faults merupakan klasifikasi

kelas kualitas benang dengan diameter limit(DL) 1,04 - 2 cm dan panjang limit (LL) 6 -200 cm.

Gambar 2.6 Bentuk Fisik Long Faults

Gambar 2.7 Simulasi Grafik Yarn Master

Spectra Untuk Long Faults (DL = 1,5 cm dan

LL = 50 cm)

2.6 Parameter- Parameter YangMempengaruhi Kelas Benang

Di dalam memperoleh kualitasbenang yang baik pada prosespenggulungan benang (winding process)untuk diproduksi khususnya pada MesinAutoconer 5 dengan menggunakan sensorLoepfe Zenith, maka beberapa parameterberikut perlu diperhatikan :

1. Jumlah Bobin (Biji)Jumlah Bobin (Biji) merupakan

jumlah benang yang telah mengalamiproses pengepresan pilinan kapas padaproses ring frame. Sehingga, bobin inimasih perlu digulung pada prosespenggulungan benang karena masihadanya unsur Neps, Short Faults danLong Faults.

2. NeNe menentukan jenis bahan baku yang

digunakan. Untuk Ne 6 berartimenggunakan bahan baku Cotton Slab, Ne8 menggunakan bahan baku Slub, dan Ne20 menggunakan bahan baku Cotton.3. Efisiensi Mesin (%)

Efisiensi Mesin turut berpengaruhkarena menunjukkan kinerja MesinAutoconer secara kesuluruhan selamaproses produksi.4. Red Lights (%)

Red Lights menunjukkan kinerja dariSensor Loepfe tiap 480 menit (8 Jam) saatproses produksi.5. Berat (kg)

Berat bobin disini turut berpengaruhkarena berat sebelum proses penggulunganbenang dan sesudah penggulungan benangberbeda. Hal ini disebabkan adanyabeberapa bagian benang yang dipotong.6. Diameter (mm)

Hampir sama dengan berat bobin,Diameter bobin disini turut berpengaruhkarena diameter sebelum prosespenggulungan benang dan sesudahpenggulungan benang berbeda. Hal inidisebabkan adanya beberapa bagianbenang yang dipotong.7. Panjang (m)

Panjang benang yang berbeda-bedasebelum dan sesudah proses penggulunganbenang turut mempengaruhi jenis kelasbenang yang akan dihasilkan.

III. PERANCANGAN DANIMPLEMENTASI SISTEM

3.1 Gambaran UmumPerangkat lunak yang digunakan adalah

MATLAB versi R2009a untuk, menyiapkandata pelatihan, membangun JST, prosespelatihan dan pengujian program simulasi.

Data yang tersedia ada 600 data. Dengan500 data latih dan 100 data uji. Data diperolehdalam waktu similiar kamis-jum’at, 480 datasaat periode februari 2010 dan 120 data saatfebruari 2011 pukul 09.15 dan 10.15.

Berikut ini akan digambarkan alur kerja(flowchart) dari sistem pengenalan pola kelasbenang yang akan terbagi menjadi 3 bagianyaitu bagian pembuatan database danpelatihan, pengujian data uji / baru, sertapengujian basis data.

1. Tahap Pembuatan Database danPelatihan

Gambar 3.1 Flowchart Pembuatan Databasedan Pelatihan

Tahap ini merupakan suatu prosespembuatan database jaringan. Hal yangpertama dilakukan adalah proses pengumpulandatabase Setelah itu dibuat suatu nilai- nilai

koefisien sesuai dengan data-data yang telahdiperoleh.. Koefisien tersebut dijadikansebagai masukan untuk jaringan syaraf tiruan.Dengan algoritma backpropagation, jaringandilatih untuk dapat mengenali data masukanagar sesuai dengan target yang diinginkan.

2. Tahap Pengujian Data Uji / Baru

Gambar 3.2 Flowchart Tahap Pengujian DataUji / Baru

Tahap ini merupakan suatu prosespengujian sistem apakah sistem yang telahdibuat sesuai dengan target yang diinginkan.Langkah pertama adalah memilih tipe datayang berasal dari database. Kemudian barulahproses pengenalan dari data dapat dilakukan.Jika data masukan telah sesuai dengan targetyang diharapkan maka jaringan telah mampumengenali pola masukan. Namun, jika datamasukan tidak sesuai dengan target yangdiharapkan maka jaringan belum mampumengenali pola masukan. Dari data-data yangsesuai target maupun tidak sesuai targetdianalisa, sehingga akan diketahui persentasetingkat pengenalan pola kelas benang.

3. Tahap Pengujian Basis Data

Gambar 3.3 Flowchart Tahap Pengujian BasisData

Tahap ini merupakan suatu prosespengujian sistem untuk mengetahui identitaskelas benang. Apakah identitas kelas benangyang dikenali jaringan yang dibangun telahsesuai dengan target yang diharapkan atautidak.

IV. PENGUJIAN DAN ANALISISPengujian ini dibagi menjadi dua, yakni

pengujian data dan pengujian basis data.Pengujian data merupakan pengujian

yang dilakukan berdasarkan jaringan yangtelah dilatihkan untuk diketahui persentase (%)tingkat pengenalan polanya (bersifatgeneralisasi). Sedangkan, pengujian basis datamerupakan pengujian pada sifat spesifikasidata pola kelas benang. Sehingga, denganpengujian basis data akan diketahui kelasbenang yang telah diujikan.

Sebelum membahas hasil simulasi maka akandipapar terlebih dahulu tampilan programsimulasi dan cara pengoperasiannya. Langkahpertama adalah membuka program MatlabR2009a kemudian menjalankan file (.m) yangtelah dibuat seperti terlihat pada gambar 4.1,4.2 dan gambar 4.3.

Gambar 4.1 Tampilan Menu Awal

Gambar 4.2 Tampilan Program Utama

Gambar 4.3 Tampilan Program Menu Bantuan

Sampel Hasil Pengujian: Jumlah Layer Tersembunyi = 6

Hasil :

Gambar 4.4 Tampilan Program HasilPelatihan dengan Jumlah Layer Tersembunyi= 6

Gambar 4.5 Tampilan Program PerformansiJaringan Hasil Pelatihan dengan Jumlah LayerTersembunyi = 6

Gambar 4.6 Tampilan Program HasilPengujian Data dan Basis Data dengan JumlahLayer Tersembunyi = 6

Gambar 4.7 Tampilan Program HasilPenelitian dengan Jumlah Layer Tersembunyi= 6

Dari hasil pengujian dengan jumlahlayer tersembunyi = 6 diperoleh tingkatpengenalan terhadap data latih sebesar 98,4 %dengan jumlah epoch = 5000 serta lamapelatihan 0:00:51 ( 51 detik ). Sedangkantingkat pengenalan terhadap data uji sebesar98%. Serta didalam performansi jaringanterlihat jaringan telah mencapai galatmaksimum 0,01.

4.1 Pengujian Variasi Jumlah LayerTersembunyi

Tabel 4.1 Tabel Data Hasil PengujianDengan Variasi Layer Tersembunyi

No Jumlah LayerTersembunyi

TingkatPengenalan

JumlahEpoch

Waktu(Detik)

1 1 78,5% 5000 152

2 2 96% 5000 423

3 3 97,5% 537 54

4 4 83,17% 5000 718

5 5 40,5% 5000 1082

6 6 98,3% 193 51

7 7 86,67% 5000 1937Rata-Rata 82,9% 3676 631

Hasil keseluruhan data dengan variasijumlah layer tersembunyi = 1, 2, 3, 4, 5, 6maupun 7 memiliki rata-rata tingkatpengenalan sebesar 82,9%. Hal ini berarti

jaringan dengan jumlah layer tersembunyi = 1dan 5 memiliki tingkat pengenalan dibawahrata-rata. Sedangkan, dengan jumlah layertersembunyi = 2, 3, 4, 5, 6 maupun 7 memilikitingkat pengenalan diatas rata-rata.

Jaringan dengan tingkat pengenalantertinggi diperoleh dengan jumlah layertersembunyi = 6 (98,3%) dengan jumlah epoch193 dan waktu pelatihan hanya 51 detik . Halini membuktikan jaringan paling optimalsesuai hasil percobaan dibangun denganjumlah layer tersembunyi= 6. Tetapi hal initidak bersifat tetap karena jaringan syaraftiruan memiliki sifat yang berubah-ubah. Sertajaringan yang dibangun memilikikecenderungan membutuhkan waktu pelatihanyang cukup lama serta jumlah epoch yangbanyak dengan jumlah layer tersembunyi yangbanyak.

Gambar 4.8 Grafik Hasil PerbandinganTingkat Pengenalan (%) Dengan Variasi LayerTersembunyi

Gambar 4.9 Grafik Hasil PerbandinganJumlah Epoch Dengan Variasi LayerTersembunyi

Gambar 4.10 Grafik Hasil PerbandinganWaktu Pelatihan (detik) Dengan Variasi LayerTersembunyi

V. PENUTUP5.1 Kesimpulan

Kesimpulan yang dapat diambil darihasil pengujian dan pembahasan adalahsebagai berikut :1. Analisis Jaringan Syaraf Tiruan (JST)

dapat dipakai dalam proses pengenalanpola, dan lebih spesifik pengenalan polakelas benang.

2. Proses Pelatihan Jaringan Syaraf Tiruan(JST) dengan data yang berjumlahbanyak dan bervariasi akanmeningkatkan tingkat pengenalan(akurasi). Konsekuensinya, proses akanmenjadi lebih lambat akibat banyak datayang harus diproses.

3. Berdasarkan hasil pengujian hasilkeseluruhan data dengan variasi jumlahlayer tersembunyi (hidden layer) = 1, 2,3, 4, 5, 6 maupun 7 memiliki rata-ratatingkat pengenalan sebesar 82,9%.Dengan pengenalan tertinggi sebesar98,3% (jumlah layer tersembunyi = 6 ),sedangkan pengenalan terendah sebesar40,5% (jumlah layer tersembunyi = 5 ).

4. Tingkat pengenalan dengan hasilsimulasi metode Jaringan Syaraf Tiruan(JST) dengan variasi layer tersembunyimemiliki sifat yang tidak tetap.Sehingga, untuk memperoleh jaringandengan variasi layer tersembunyi yangoptimal perlu pelatihan yang lebihbanyak.

5. Program Matlab sangat cocokdigunakan untuk melakukan prosespelatihan dengan metode JaringanSyaraf Tiruan (JST). Hasil komputasi

dan visualisasi yang maksimal sangatmendukung pekerjaan ini. Agar programmudah dimengerti dan dipakai (userfriendly) maka simulasi dirancangdengan software yang bertampilan grafis(Graphical User Interface). Tampilangrafis memudahkan pemakai untukmengetahui cara kerja dan caramenggunakan program.

5.2 SaranAdapun saran yang dapat diberikan

sehubungan dengan pelaksanaan penelitian iniadalah :

1. Pada proses pengenalan poladianjurkan untuk menggunakanbanyak data masukan (pola dan target)yang mendukungnya. Laporan tugasakhir ini hanya menggunakanbeberapa parameter saja. Oleh karenaitu, agar hasil yang diperoleh semakinakurat, perlu menggunakan banyakparameter data masukan.

2. Program ini dibuat hingga mencapainilai-nilai desimal saja sehingga perludilakukan pengembangan sistempengenalan pola untuk mencapaikesempurnaan.

3. Program Jaringan Syaraf Tiruan (JST)ini diharapkan dapat dikembangkandan dipelajari untuk kepentinganpendidikan maupun aplikasimasyarakat luas.

DAFTAR PUSTAKA

[1] K. Pal, Sankar. Pendekatan MatematikUntuk Pengenalan Pola. PenerbitUniversitas Indonesia, Jakarta, 1985.[2] Brothers Ltd, Loepfe. Yarn MasterZenith Instruction Manual Schlafhorst AC5 / AC 338.Loepfe Brothers Ltd., Swiss,2009[3] Hermawan, Arief. Jaringan SarafTiruan Teori dan Aplikasi, PenerbitAndi.,Yogyakarta. 2006.[4] Jek Siang, Jong, Jaringan SyarafTiruan dan PemrogramannyaMenggunakan Matlab, Penerbit Andi,Yogyakarta, 2004.[5] Puspitaningrum, Diyah, PengantarJaringan Saraf Tiruan, Penerbit Andi,Yogyakarta, 2006.

[6] Haykin, S., Neural Network, aComprehensive Foundation, Prentice Hall,1994.[7] Demuth, H., Beale, M., NeuralNetwork Toolbox, Architecture,Algorithms, dan Application,PrenticeHall,1994.[8] Abdia Away, Gunaidi, MatlabProgramming, Penerbit Informatika, 2009.[9] S. Budi., Peramalan Bulanan DebitSungai dengan Jaringan Syaraf Tiruan,Transmisi Majalah Ilmiah Teknik Elektro,Vol.6, No.2, Desember 2003.[10] Nurbaqin, Hermawan, W. Agung.,Sistem Peramalan Beban Satu Jam KeDepan Menggunakan Jaringan SyarafTiruan, Transmisi Majalah Ilmiah TeknikElektro, Vol.6, No.2, Desember 2003.[11] Lanny W.P., Pengembangan MetodePemodelan Pola Tingkah Laku BerbasisJaringan Syaraf Tiruan Propagasi Balikdengan Bobot Awal Deterministik untukSistem-Sistem Dinamik, Jurnal IlmiahTeknologi Informasi, Vol.7, No.4, Juli2009.[12] Hermawan, Arief, Aplikasi JaringanSyaraf Tiruan untuk Pengenalan UangLogam dengan Ketakubahan TerhadapRotasi,Jurnal Teknoin, Vol.7, No.2, Juni2002.[13] F.Sofyan, Amir, Pengenalan PolaBeras dan Gabah Berdasarkan Ciri WarnaMenggunakan Matlab, Jurnal Dasi, Vol.6,No.3, Desember 2005.[14] Nuraeni, Yeni, Penerapan JaringanSyaraf Tiruan untuk Mengukur TingkatKorelasi antara NEM dengan IPKKelulusan Mahasiswa, Jurnal Telkomnika,Vol.7, No.3, Desember 2009.[15] Fadlil, A., Pengenalan TulisanTangan Dinamis Berbasis Jaringan SyarafTiruan, Jurnal Telkomnika, Vol.2, No.2,Agustus 2004.[16] Suteja, R.B, Penerapan JaringanSyaraf Tiruan Propagasi Balik Studi KasusPengenalan Jenis Kopi, Jurnal Informatika,Vol.3, No.1, Juni 2007.[17] Suhardi, I., Analisis HubunganTingkat Pengenalan Pola dengan TingkatVariasi Pola: Studi Kasus Pengenalan Pola

Karakter Huruf dengan Jaringan SyarafTiruan, Jurnal Telkomnika, Vol.3, No.1,April 2005.[18] Lailin, Nafsiah, 2003, PenerapanJaringan Syaraf Tiruan Terhadap PrediksiPenyakit Telinga, Hidung, danTenggorokan, Skripsi FTI UTY,Yogyakarta.

Rangga E.G, lahir diKab. Semarang, tanggal9 Mei 1989. Menempuhpendidikan dari TKsampai SMA diUngaran. Saat ini sedangmenyelesaikan StudiStrata-1 (S-1) di TeknikElektro Undipkonsentrasi ElektronikaTelekomunikasi.

Semarang, April 2011Menyetujui dan Mengesahkan,

Dosen Pembimbing I,

Achmad Hidayatno, ST, MTNIP. 196912 211995121 001

Dosen Pembimbing II,

Yuli Christiyono, S.T., M.T.NIP. 196807 11997021 001