Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) ISSN: 2089-9815

Yogyakarta, 18-19 Maret 2016

KLASIFIKASI JENIS BATUBARA

MENGGUNAKAN JARINGAN SYARAF TIRUAN
DENGAN ALGORITMA BACKPROPAGATION
Dwi Febby Haryati1 , Gunawan Abdillah2, Asep Id Hadiana3
1,2,3
Program Studi Informatika, Fakultas MIPA,Universitas Jenderal Achmad Yani
Jl. Terusan Jenderal Sudirman,PO BOX 148 Cimahi, Jawa Barat
Telp. (022) 6610 223
E-mail: dwifebbyharyati@gmail.com, abi_zakiyy@yahoo.com, asepidhadiana@gmail.com

ABSTRACT
Coal is the sediment that can be burned, formed from organic deposits, mainly is the remnants of plants and
formed through the process of coal. The energy source reason much interested because it has high selling. The
process to determine the value of selling high as seen from the results of classification of the type of coal. In
addition, the number of new coal to identified into the same coal types, then matching is required from the
process of the results that have been there coal data based on the level of the weight that belongs in every class
the type of coal. This research makes classification system coal types using artificial neural networks (JST) with
Backpropagation algorithm. The architecture of the classification of this coal types using three layers. The first
layer is the input layer as many as seven neurons, second layer hidden layer as many as three neurons, and third
layer output layer as many as five neurons. This classification system produces five class exodus namely
Antrashit, Sub-Bituminous, Bituminous, Lignit, and Peat. Based on testing on the test data as many as 200
obtained data accuracy as 98% with learning rate 0.2, and tolerance error 0.001.

Kata Kunci: backpropagation, artifical neural networks, classification of coal

ABSTRAKS
Batubara adalah batuan sedimen yang dapat terbakar, terbentuk dari endapan organik, utamanya adalah sisa-
sisa tumbuhan dan terbentuk melalui proses pembatubaraan. Alasan sumber energi tersebut banyak diminati
karena memiliki nilai jual yang tinggi. Proses untuk menentukan nilai jual yang tinggi dilihat dari hasil
klasifikasi jenis batubara. Selain itu, banyaknya jumlah batubara yang baru untuk di identifikasikan ke dalam
jenis batubara yang sama, maka diperlukan pencocokan hasil dari proses data batubara yang telah ada
berdasarkan tingkat bobot yang dimiliki dalam setiap kelas jenis batubara. Penelitian ini membuat sistem
klasifikasi jenis batubara menggunakan Jaringan Syaraf Tiruan (JST) dengan Algoritma Backpropagation.
Arsitektur dari klasifikasi jenis batubara ini menggunakan tiga lapisan. Lapisan pertama yaitu input layer
sebanyak tujuh neuron, lapisan kedua hidden layer sebanyak tiga neuron, dan lapisan ketiga output layer
sebanyak lima neuron. Sistem klasifikasi ini menghasilkan lima kelas keluaran yaitu Antrashit, Sub-Bituminous,
Bituminous, Lignit dan Gambut. Berdasarkan pengujian pada data uji sebanyak 200 data diperoleh akurasi
sebesar 98% dengan learning rate 0,2, dan toleransi error 0,001.

Kata Kunci: backpropagation, jaringan syaraf tiruan, klasifikasi batubara

1. PENDAHULUAN untuk di identifikasikan ke dalam jenis batubara

1.1 Latar Belakang
Batubara adalah batuan sedimen yang dapat
terbakar, terbentuk dari endapan organik, utamanya
adalah sisa-sisa tumbuhan dan terbentuk melalui
proses pembatubaraan. Unsur utamanya terdiri dari
karbon, hidrogen dan oksigen. Batubara juga disebut
sebagai batuan organik yang memiliki sifat-sifat
fisika dan kimia yang kompleks banyak ditemui
dalam berbagai bentuk. Bahkan,di mata dunia,
batubara adalah salah satu sumber energi yang
banyak diminati oleh investor asing maupun investor
dalam negeri. Alasan sumber energi tersebut banyak
diminati karena memiliki nilai jual yang tinggi.
Proses untuk menentukan nilai jual yang tinggi
dilihat dari hasil klasifikasi jenis batubara,
disamping itu banyaknya jumlah batubara yang baru
yang sama, maka diperlukan pencocokan hasil dari
proses data batubara yang telah ada berdasarkan
tingkat bobot yang dimiliki dalam tiap kelas jenis
batubara masing-masing.
Beberapa penelitian sebelumnya, menggunakan
metode Jaringan Syaraf Tiruan (JST)
Backpropagation dalam penerapan Multi Layer
Perceptron (MLP) untuk anotasi image secara
otomatis menghasilkan implementasi yang
menggunakan data image sebanyak 453 dan
menunjukan bahwa tingkat akurasi untuk prediksi
anotasi sebesar 81% (Made, 2011). Klasifikasi
dengan menggunakan Jaringan Syaraf Tiruan dapat
dijadikan salah satu solusi untuk menentukan suatu
tindakan apa yang paling tepat dalam menentukan
hasil klasifikasi yang akurat dan sama (Suherlan,

557
 Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016)
Yogyakarta, 18-19 Maret 2016
2012). Konfigurasi parameter untuk pelatihan sistem
klasifikasi menggunakan Jaringan Syaraf Tiruan
terbaik yang didapat dari hasil percobaan klasifikasi
penyakit diabetes menghasilkan konfigurasi jumlah
hidden node 50, nilai learning rate 0,15, epoch max
1000, error klasifikasi 0,0001, persentase klasifikasi
99% dan waktu komputasi sebesar tiga detik
(Ramadhani, 2009).
Tujuan dari penelitian ini akan dilakukan
klasifikasi jenis batubara dengan menggunakan
Jaringan Syaraf Tiruan (JST) Algoritma
Backpropagation. Data masukannya berupa data
nilai kalori, kadar air, zat terbang, kadar abu, kadar
karbon, kadar sulfur, dan warna. Data latih dan data
uji akan dikenali melalui pembelajaran Jaringan
Syaraf Tiruan JST arsitektur Multi Layer Perceptron
(MLP).
1.2 Landasan Teori
1.2.1 Normalisasi
Normalisasi merupakan proses pengubahan
data menjadi bentuk normal. Proses ini dilakukan
penskalaan terhadap data menjadi dalam rentang
nilai tertentu. Normalisasi sangat diperlukan ketika
data yang ada bernilai sangat besar atau sangat kecil.
Proses normalisasi dilakukan melalui Persamaan (1).
(1)
Keterangan:
y = data yang dinormalkan.
valMin = data terendah yang berada dalam kolom.
valMax = data tertinggi yang berada dalam kolom.
Penelitian sebelumnya yang menggunakan
normalisasi untuk klasifikasi yang diujikan dengan
data kasus kanker payudara dengan memberikan
efektifitas terbaik dalam hal akurasi dan kecepatan
konvergensi adalah metode Minmax yang mencapai
akurasi rata-rata 96,86% dengan menggunakan
epoch sebanyak 21 (Wiharto, 2012).
1.2.2 Fungsi Aktivasi
Fungsi aktivasi merupakan bagian penting
dalam tahapan perhitungan keluaran dari suatu
algoritma. Fungsi aktivasi yang digunakan adalah
fungsi sigmoid biner. Pada umumnya fungsi sigmoid
biner digunakan untuk Jaringan Syaraf Tiruan (JST)
yang dilatih dengan menggunakan metode
Backpropagation yang memiliki nilai antara 0
sampai 1. Rumus Fungsi sigmoid biner pada
Persamaan (2) dan Persamaan (3).
(2)
Dengan turunan:
(3)
558
ISSN: 2089-9815
1.2.3 Jaringan Syaraf Tiruan
Jaringan syaraf tiruan adalah sistem
komputasi dimana arsitektur dan operasi di ilhami
dari pengetahuan tentang sel saraf biologis di dalam
otak, yang merupakan salah satu representasi buatan
dari otak manusia yang selalu mencoba
menstimulasi proses pembelajaran pada otak
manusia tersebut. Jaringan Syaraf Tiruan (JST)
dapat digambarkan sebagai model matematis dan
komputasi untuk fungsi aproksimasi non-linear,
klasifikasi data cluster dan regresi non-parametrik
atau sebuah simulasi dari koleksi model saraf
biologi. Arsitektur yang digunakan untuk
pengenalan pola adalah arsitektur Multi Layer
Perceptron (MLP), seperti pada Gambar 1.
Uij Vjk Wkl
Bias
Bias ...
Y1
X1
Z1 ...
Y2
X2
Z2
...
X3 Y3
Z3
...
.
. .
.
. Y4
. .
. .
Xi Zj ... Yk
Input Layer Hidden Layer Output Layer
Gambar 1 Arsitektur Multi Layer Perceptron
(S.E Fahlman, 1987)
Arsitektur MLP terdiri dari input layer (xi),
hidden layer (zj), dan output layer (yk). Koneksi
antar layer dihubungkan dengan bobot Uij
merupakan bobot dari input layer (xi) ke hidden
layer (zj), Vjk merupakan bobot dari hidden layer
(zj) ke hidden layer (zj). Wkl merupakan bobot dari
hidden layer(zj) ke output layer (yk). Pada penelitian
terdahulu menggunakan MLP untuk memprediksi
penyakit asma yang menggunakan delapan belas
input layer, delapan hidden layer, dan empat output
layer (Tanjung, 2014). Selain itu, terdapat penelitian
lain juga untuk menentukan harga jual produk pisau
pada UKM Bareng Jaya dengan neuron input
sebanyak dua neuron, hidden layer menggunakan
lima neuron, dan output layer sebanyak satu neuron
(Susanti, 2013). Pengenalan pola sidik jari
mempunyai empat layer jaringan yang digunakan
antara lain input layer sebanyak sembilan belas
neuron, menggunakan dua hidden layer, untuk
hidden layer pertama sebanyak tujuh puluh tiga
neuron, hidden layer kedua sebanyak sembilan
puluh lima neuron dan output layer nya sebanyak
empat neuron (Tumanan, 2011).
 Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) ISSN: 2089-9815
Yogyakarta, 18-19 Maret 2016

1.2.4 Algoritma Backpropagation Selanjutnya menghitung sinyal output dengan

Backpropagation merupakan pelatihan yang
terawasi dengan menggunakan banyak lapisan untuk
mengubah bobot-bobot yang terhubung dengan
neuron-neuron yang ada pada lapisan tersembunyi.
Algoritma Backpropagation merupakan error
keluaran untuk mengubah nilai bobot-bobotnya
dalam arah mundur (backward). Untuk mendapatkan
error ini,tahap perambatan maju (forward
propagation) harus dikerjakan terlebih dahulu.
Beberapa penelitian sebelumnya
menggunakan Algoritma Backpropagation di
antaranya untuk identifikasi pribadi berdasarkan
citra telinga menggunakan lapisan input sebanyak 6
neuron, lapisan tersembunyi sebanyak 13 neuron
dan output sebanyak enam neuron, dengan epoch
50.000, laju pembelajaran 0,2 dan toleransi error
0,001 (Jeffy, 2014). Terdapat juga penelitian untuk
memprediksi nilai ujian sekolah. Arsitektur yang
digunakan adalah tiga lapisan dengan satu lapisan
input sebanyak 5 neuron, satu lapisan hidden
sebanyak lima neuron, dan satu lapisan output
sebanyak satu neuron menghasilkan tingkat akurasi
keluaran sebesar 80% (Kosasi, 2014).
Pengenalan pola menggunakan algoritma
Backpropagation, proses pelatihan dilakukan
menjadi dua tahap yaitu tahap feedforward dan tahap
Backpropagation. Tahap feedforward menghasilkan
output yang dibandingkan dengan target tiap data
input, jika selisih yang dihasilkan lebih besar dari
toleransi error maka dilakukan koreksi bobot
dengan tahap Backpropagation.
Tahap Feedforward
1. Setiap unit masukan (xi, i= 1,2,3,…n) menerima
sinyal input (xi) dan diteruskan ke unit-unit
tersembunyi.
2. Setiap unit tersembunyi (zj, j= 1,2,3,…p)
menjumlahkan sinyal input yang sudah berbobot
dengan Persamaan (4) sebagai berikut:
menggunakan fungsi aktivasi pada Persamaan (7).
(7)
Tahap Backpropagation
4. Setiap unit keluaran (Yk, k=1,2,3,…, m)
menerima pola target (tk) yang sesuai dengan
pola input saat pelatihan, kemudian informasi
error output layer ( k) dengan Persamaan (8)
sebagai berikut:
(8)
Kemudian hitung koreksi bobot yang selanjutnya
digunakan untuk memperbaiki nilai Wjk dengan
Persamaan (9) sebagai berikut:
(9)
Dan hitung koreksi bias untuk memperbaiki nilai
W0k dengan Persamaan (10) sebagai berikut:
(10)
5. Setiap unit tersembunyi (j, j=1,2,3,…, p)
menjumlahkan delta input dari unit-unit yang
berada pada lapisan sebelumnya pada Persamaan
(11).
(11)
Kemudian hasilnya dikalikan dengan turunan
dari fungsi aktivasi yang digunakan pada
jaringan untuk menghitung informasi kesalahan
error j menggunakan Persamaan (12).

(4)
(12)

Langkah selanjutnya adalah hitung sinyal hidden Faktor i digunakan untuk menghitung koreksi
layer dengan menggunakan fungsi aktivasi pada
Persamaan (5). error yang selanjutnya dipakai untuk

memperbaruhi vij menggunakan Persamaan (13)

(5)
(13)

3. Setiap unit output (Yk, k = 1,2,3, …, m) Setelah itu, hitung koreksi bias yang
dikalikan dengan bobot dan dijumlahkan dengan
biasnya menggunakan Persamaan (6). dipakai untuk memperbaharui dengan

(6) Persamaan (14).

(14)

559
 Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) ISSN: 2089-9815
Yogyakarta, 18-19 Maret 2016

Setiap neuron output akan menghasilkan nilai.

6. Setiap unit output (k=1,2,3,….., m) dilakukan
untuk memperbaiki bias dan bobotnya
memperbaharui bobotnya (j=0,1,2,.., p) sehingga
menghasilkan bobot dan bias baru menggunakan
Persamaan (15) sebagai berikut:
Sehingga diperoleh lima nilai pada neuron
output. Nilai output yang paling besar akan
bernilai 1, sedangkan output lainnya akan
menjadi 0.

(15) 2. PEMBAHASAN DAN HASIL

Demikian juga untuk bobot pada unit input ke
unit hidden, diperbaiki dengan menggunakan
koreksi bobot yang sudah dihitung sebelumnya
menggunakan Persamaan (16).
(16)
7. Periksa kondisi berhenti. Jika kondisi berhenti
telah terpenuhi maka pelatihan jaringan dapat
dihentikan.
Terdapat dua cara untuk mendefinisikan
kondisi berhenti yaitu:
1. Membatasi toleransi error yang diinginkan.
Salah satu cara menghitung error adalah dengan
menggunakan MSE. Proses pelatihan dilakukan
hingga MSE sudah lebih kecil dari toleransi
error yang sudah ditetapkan. Kemudian nilai
bobot disimpan untuk melakukan identifikasi
data. Persamaan MSE dapat dilihat pada
Persamaan 2.4.
2. Membatasi banyaknya epoch yang dilakukan.
Satu epoch adalah proses yang dilakukan dari
langkah pertama sampai langkah keenam.
Setelah bobot yang telah dikoreksi pada
2.1 Rancangan Sistem Klasifikasi
Pada proses klasifikasi batubara dilakukan
mengunakan JST berasitektur MLP. Data input
berupa data analisa batubara yang berisi data nilai
kalori, kadar air (kelembapan), zat terbang, kadar
abu, kadar karbon, kadar sulfur dan warna. Tujuh
variabel pada kelas batubara akan disimpan sebagai
satu set data. Satu set data terdiri dari 1 hari. Maka
untuk data batubara dalam satu bulan terdapat 20 set
data dalam 20 hari kerja.
Data yang digunakan sebagai data latih
sebanyak 500 data. Data tersebut diperoleh dari
masing-masing lima kelas batubara yang telah ada.
Data analisa batubara yang digunakan dari tahun
2013-2014 adalah data uji. Proses pelatihan
menggunakan Algoritma Backpropagation.
Kemudian hasil akhir yang didapat berupa bobot-
bobot yang akan disimpan ke dalam database.
Proses pengujian menggunakan arsitektur MLP
dengan feedforward dalam menggunakan bobot hasil
dari pelatihan, selanjutnya menghasilkan suatu kelas
batubara yaitu kelas Antrasit, kelas Sub-Bituminous,
kelas Bituminous, kelas Lignit dan kelas Gambut.
Proses lengkap dari pelatihan dan pengujian dapat
dilihat pada Gambar 2.
Data Latih Data Uji
500 set

akhir pelatihan digunakan untuk proses

pengujian, yang mewakili semua data latih. Praproses Verifikasi data Normalisasi
Tahap pengujian dilakukan dengan tahap umpan latih Data
maju (feedforward).
Normalisasi
Data X1 X2 X3 X4 X5 X6 X7

Tahap Klasifikasi (Pengujian)

1. Setiap unit masukan (xi, i= 1,2,3,…n) menerima X1 X2 X3 X4 X5 X6 X7
Data Uji
Batu
sinyal input (xi) dan diteruskan ke unit-unit bara

tersembunyi.
2. Setiap unit tersembunyi (zj, j= 1,2,3,…p)
menjumlahkan sinyal input yang sudah berbobot Pelatihan Bobot Hasil
Pengujian
Multi Layer
Backpropagation Pelatihan
dengan Persamaan (4). Perceptron

3. Langkah selanjutnya adalah hitung sinyal hidden

layer dengan menggunakan fungsi aktivasi pada
Persamaan (5). Kelas Batu Bara
4. Setiap unit output (Yk, k = 1,2,3, …, m) (Antrasit, sub-bituminous, bituminous,
lignit dan gambut)
dikalikan dengan bobot dan dijumlahkan dengan
biasnya menggunakan Persamaan (6).
5. Selanjutnya menghitung sinyal output dengan Gambar 2 Sistem Klasifikasi Jenis Batubara
menggunakan fungsi aktivasi pada Persamaan Menggunakan Algoritma Backpropagation
(7).

560
 Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) ISSN: 2089-9815
Yogyakarta, 18-19 Maret 2016

Data latih analisa batubara diambil pada j = 1,2,3 untuk bobot hidden layer. Wjk adalah bobot
tahun 2011-2012 sebanyak 500 data dan disimpan hidden layer ke output layer dengan j = 1,2,3 untuk
dalam file (.xls). Data tersebut berupa set data bobot hidden layer, dan k = 1,2,3,4,5.
analisa proksimat batubara. Tahap pra proses Nilai input sebagai data latih diperoleh dari
verifikasi data dilakukan untuk apakah data latih data yang telah melakukan proses normalisasi.
analisa proksimat dapat terbaca oleh sistem, apabila Bobot awal dalam proses pelatihan dilakukan secara
data latih tersebut dapat terbaca maka proses acak dari bilangan -0.5 hingga 0.5. Proses pengujian
selanjutnya menggunakan normalisasi. Data input dilakukan dengan menghitung secara feedforward
yang terdiri dari variabel x1 sampai x7 bertujuan dengan menggunakan bobot yang telah disimpan
untuk menyesuaikan nilai range data (nilai data pada database. Dari proses pengujian didapat sebuah
maksimum – nilai data minimum) dengan fungsi nilai output berupa keterangan jenis batubara. Pada
aktivasi dalam sistem klasifikasi batubara. Fungsi Tabel 1 merupakan target atau kelas representasi
aktivasi yang digunakan fungsi aktivasi sigmoid output.
biner. Sehingga nilai input harus berada pada range
0 sampai 1. Oleh karena itu output yang dihasilkan Tabel 1 Kelas Target Output
pun akan berada pada range 0 sampai 1. No Keterangan Kelas Representasi
Output Layer
1 Antrasit 1 10000
Bias Bias W01
Y1 ANTRASIT
2 Sub-Bituminous 2 01000
V0
1
W02 3 Bituminous 3 00100
V 03

V0

4 Lignit 4 00010
2

V11 W11 W12 SUB

X1
Z1 Y2 BITUMINOUS
5 Gambut 5 00001
V12 V2
1 W1 22
V 13

3 W
32

W1
W

5
W03
Pada Tabel 1 diatas terdapat jumlah kelas
X2
V23
V22 W2
1

BITUMINOUS
yang digunakan sebanyak lima kelas yaitu kelas
W23 Y3
V31
Z2
W2 W24
W1
4
Antrasit, Sub-Bituminous, Bituminous, Lignit dan
X3 V32 5
W04
Gambut. Parameter yang digunakan dalam pelatihan
V33 yaitu learning rate (α), jumlah maksimum epoch,
31

. Y4 LIGNIT
W

33

dan nilai error. Untuk tahap inisialisai dapat

W

. 2
. V 71 V7 W 34 W05
V73 Z3
W35
ditentukan oleh user. Kemudian untuk nilai bobot
X7 GAMBUT
pertama, bobot diperoleh dari proses random atau
Y5
nilai acak yang memiliki rentang antara -0.5 hingga
0.5.
Gambar 3 Arsitektur MLP untuk Sistem Klasifikasi
Jenis Batubara
2.2 Hasil
Dengan: 2.2.1 Penetapan Parameter Pelatihan
X1 = Nilai Kalori hari ke 1 Pada tahap ini dilakukan pengujian pada
X2 = Kadar Air hari ke 1 variasi parameter dengan tujuan untuk mencari
X3 = Zat Terbang hari ke 1 parameter yang paling optimal dalam melakukan
X4 = Kadar Abu hari ke 1 klasifikasi. Hal ini dimaksudkan untuk mengetahui
X5 = Kadar Karbon hari ke 1 pengaruh dari berbagai parameter terhadap sistem
X6 = Kadar Sulfur hari ke 1 yang mempengaruhi tingkat akurasi sistem. Dalam
X7 = Warna hari ke 1 percobaan ini dilakukan pengujian pertama
dilakukan dengan mengubah nilai parameter
Sistem klasifikasi jenis batubara terdapat toleransi error 0.001, nilai iterasi 1000 dengan
keluaran sebanyak lima kelas yaitu kelas Antrasit, jumlah data latih sebanyak 500 data.
Sub-Bituminous, Bituminous, Lignit dan Gambut
yang diketahui sebagai solusi klasifikasi kelas Tabel 2 Pengaruh Learning Rate Akurasi Sistem
dengan variabel y1,y2,y3,y4 dan y5. Arsitektur MLP Learning Tingkat
No Epoch MSE Waktu
pada penelitian ini terdiri dari satu input layer, satu Rate Akurasi
hidden layer dan satu output layer. Jaringan 1 0.01 1000 0.0023848 38 41%
2 0.1 238 0.0009967 32 91%
memiliki input layer (X) sebanyak 7 neuron yang 3 0.2 112 0.0009987 27 98%
diperoleh dari 7 variabel x 1 hari, hidden layer (Z) 4 0.5 72 0.0009867 30 82%
dengan jumlah neuron sebanyak √( input layer +
output layer) yaitu √(7 + 5)= 3, dan output layer Memperlihatkan pengaruh learning rate pada
sebanyak lima neuron. akurasi data latih dengan menggunakan learning
Koneksi bobot tiap neuron diberikan dengan rate sebesar 0.2 yang menghasilkan nilai MSE
simbol Vij dan Wjk. Vij adalah bobot input layer ke 0.0009987 dengan tingkat akurasi 98%, sedangkan
hidden layer, i= 1, 2.., 7 untuk bobot input layer, dan untuk learning rate sebesar 0.01 dengan nilai MSE

561
 Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) ISSN: 2089-9815
Yogyakarta, 18-19 Maret 2016

0.0023848 menghasilkan tingkat akurasi terkecil

sebesar 41%.
Selanjutnya dilakukan pengujian terhadap
data uji sebanyak 200 data dengan mengubah nilai
parameter toleransi error. Learning rate yang
digunakan 0.25 dan nilai maksimal iterasi ditetapkan
sebanyak 1.000.
Tabel 3 Pengaruh Learning Rate Pada Data Uji
N Learning Epoch MSE Waktu Tingkat
o Rate Akurasi
1 0.1 0.0979889 12 20
2 0.01 0.0009814 76 33
3 0.0001 0.0001869 1000 46
4 0.05 0.0487503 33 24
5 0.02 0.0197801 41 28
2.2.2 Analisis Hasil Uji Data Latih dan Data Uji
Data latih dan data uji yang diujikan memiliki
7 variabel dengan jumlah 500 set data latih dan 200
data latih menggunakan nilai parameter paling
optimal yaitu learning rate 0.2, dengan nilai MSE
0.000999 dan toleransi error 0.001. Dari hasil
pengujian sebanyak 500 data latih menghasilkan 496
data latih yang tepat dikenali oleh sistem sehingga
diperoleh persentase akurasi sebesar 99% dalam
waktu 20 detik. Data uji terdapat 196 data yang
dikenali oleh sistem, dan 4 data yang tidak dikenali
sistem. Sehingga tingkat akurasi pada data uji
menghasilkan tingkat akurasi optimal yaitu sebesar
98% dalam waktu 26 detik.
3. KESIMPULAN DAN SARAN
3.1 Kesimpulan
Penelitian ini menghasilkan sebuah sistem
klasifikasi jenis batubara menggunakan Algoritma
Backpropagation yaitu Antrashit, Sub-bituminous,
Bituminous, Lignit dan Gambut. Penelitian ini
menggunakan 500 set data latih. Arsitektur dalam
klasifikasi jenis batubara menggunakan Multi Layer
Perceptron (MLP) dengan jumlah neuron input
sebanyak 7 neuron yang diperoleh dari 1 hari x 7
variabel, variabel tersebut terdiri dari nilai kalor,
kadar air, zat terbang, kadar abu, kadar sulfur dan
warna. Neuron hidden layer sebanyak 3 neuron, dan
neuron output sebanyak 5 neuron.
Berdasarkan hasil pengujian terhadap berbagai
parameter diperoleh hasil optimal dengan
menggunakan learning rate 0,2, target MSE 0,001,
dan nilai epoch 171. Berdasarkan hasil pengujian
terhadap 200 data uji menghasilkan akurasi sebesar
98%, sedangkan pengujian terhadap 500 data latih
menghasilkan akurasi sebesar 99%. Parameter yang
digunakan tersebut merupakan hasil paling optimal
untuk sistem klasifikasi jenis batubara, karena
berdasarkan hasil pengujian parameter semakin kecil
learning rate dan target MSE maka semakin tinggi
tingkat akurasi.
3.2 Saran
Saran untuk sistem klasifikasi ini adalah
dengan mencoba melakukan variasi metode Jaringan
Syaraf Tiruan yang lain, serta dapat menambahkan
variabel-variabel yang berpengaruh terhadap
klasifikasi batubara seperti data analisis ultimat,
sehingga akurasi sistem klasifikasi dapat
menghasilkan akurasi maksimal.
98%
90%
4. PUSTAKA
41%
72% [1] Jeffy; Dwitra, S., "Identifikasi Pribadi
82% Berdasarkan Citra Telinga Dengan
Jaringan Syaraf Tiruan
Backpropagation," Jurnal Generic, vol.
9 No. 1, pp. 301-308, Maret 2014.
[2] Kosasi, S., "Penerapan Metode Jaringan Syaraf
Tiruan Backpropagation Untuk
Memprediksi Nilai Ujian Sekolah,"
Teknologi, vol. 07 No.1, pp. 20-28, Juni
2014.
[3] Made, I A.; W. Muliantara, "Penerapan Multi
Layer Perceptron Dalam Anotasi Image
Secara Otomatis," Jurnal Ilmu
Komputer, vol. 04 No. 2, ISSN 1979-
5661, pp. 9-15, November 2011.
[4] Ramadhani, S.; U. Anis, "Klasifikasi Penyakit
Kencing Manis (Diabetes Melitus)
Menggunakan Jaringan Syaraf Tiruan
Backpropagation," Teknika Universitas
Islam, vol. 01 No.2 ISSN 2085-0859,
pp. 29-34, 2009.
[5] Suherlan, R., "Klasifikasi Kelainan Jantung
Anak Menggunakan Jaringan Syaraf
Tiruan Backpropagation," Skripsi,
Program Studi Informatika Universitas
Jenderal Achmad Yani, 2012.
[6] Susanti, N., "Penentuan Harga Jual Produk Pisau
Pada UKM Bareng Jaya Menggunakan
Jaringan Syaraf Tiruan
Backpropagation," SIMETRIS, vol. 4
No. 1 ISSN 2252-4983, pp. 31-38,
November 2013.
[7] Tanjung, D. H., "Jaringan Syaraf Tiruan dengan
Backpropagation untuk Memprediksi
Asma," Citec Journal, vol. 02 No 1
ISSN 2354-5771, pp. 28-38, November
2014 - Januari 2015.
[8] Tumanan, O. A. "Pengenalan Pola Sidik Jari
Menggunakan Jaringan Syaraf Tiruan
Backpropagation ," Aplikasi Fisika, vol.
07 No. 1, pp. 1-11, Februari 2011.
[9] Wiharto; Salamah, U.; Chamidah, N., "Pengaruh
Normalisasi Data Pada Jaringan Syaraf
Tiruan Backpropagation untuk
Klasifikasi Kanker Payudara,"
ITSMART, vol. 1 No. 1 ISSN 2301-
7201, pp. 28-33, Juni 2012.

562