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 batasanbatasan 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. 4.

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

mengurangi kesalahan pembacaan petugas pencatat PDAM di lapangan, 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 berbedabeda. 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 elemenelemen 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 ciriciri 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 aktivitasaktivitasyang 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. 3. sinyal dilewatkan antarneuron melalui link penghubung, 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 Node atau unit Input Output Bobot Jaringan Syaraf Biologis Badan sel (soma) Dendrit Akson 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 masingmasing penimbang yang bersesuaian w. Kemudian dilakukan penjumlahan dari seluruh hasil perkalian tersebut dan keluaran kedalam fungsi pengaktif yang dihasilkan dilalukan

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 Kumpulan dari neuron dibuat menjadi sebuah jaringan (3.1) 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 dengan: (3.7) (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

27

lapisan-lapisan berikutnya nilai aktivasi dihasilkan kemudian di 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 Maret 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 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%20 Jaringan%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