JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI

Download Penelitian ini bertujuan untuk mendeteksi penyalahgunaan narkotika menggunakan teknik pengenalan pola yaitu jaringan saraf tiruan dengan me...

0 downloads 538 Views 202KB Size
Seminar Nasional Informatika 2014

JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA Dahriani Hakim Tanjung STMIK POTENSI UTAMA Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan [email protected] Abstrak Penelitian ini bertujuan untuk mendeteksi penyalahgunaan narkotika menggunakan teknik pengenalan pola yaitu jaringan saraf tiruan dengan metode backpropagation. Data yang menjadi masukan adalah segala jenis gejala penderita narkotika. Jaringan saraf tiruan dilakukan dengan menentukan jumlah unit untuk setiap lapisan dengan fungsi aktivasi sigmoid biner. Pengujian dilakukan menggunakan perangkat lunak matlab yang diuji dengan beberapa bentuk arsitektur jaringan. Arsitektur dengan konfigurasi terbaik terdiri dari 23 lapisan masukan, 5 lapisan tersembunyi dan 5 lapisan keluaran dengan nilai learning rate sebesar 0.5, nilai toleransi error 0.01, Dapat dilihat bahwa hasil penelitian ini mencapai keakuratan 95% dari data penelitian, sehingga dapat disimpulkan bahwa jaringan syaraf tiruan dengan backpropagation mampu mengenali pola dan mampu mendeteksi penyalahgunaan narkotika dengan jumlah iterasi 6341 dan MSE 0.00999889. MSE berada di bawah nilai error yaitu 0.01, Parameter tersebut dipilih menjadi parameter terbaik, karena nilai MSE paling kecil dari arsitektur yang lain serta nilai MSE dibawah dari nilai error yang ditentukan. Sigmoid Biner Fungsi ini digunakan untuk jaringan saraf yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid memiliki nilai range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan saraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Kata Kunci : Jaringan Saraf Tiruan, Backpropagation, Narkotika, Sigmoid biner, Matlab 1. PENDAHULUAN Di era globalisasi sekarang ini dan juga pengaruh perdagangan bebas, menjadikan peredaran barang-barang impor semakin banyak masuk ke tanah air seperti, otomotif, alat komunikasi, alat-alat kesehatan, dan juga obatobatan. Di samping itu dengan sistem perdagangan bebas ini, menambah ruang gerak peredaran obat-obatan terlarang dan narkotika semakin marak ditanah air. Faktor minimnya pengetahuan masyarakat tentang penggunaan narkotika menyebabkan sulitnya masyarakat awam mengidentifkasi seseorang ataupun anggota keluarganya yang telah menjadi korban penyalahgunaan narkotika. Dengan demikian pemanfaatan teknologi, khususnya teknologi informasi telah diimplementasikan ke berbagai bidang seperti pemerintahan, pendidikan, bisnis, periklanan, kesehatan, dan sebagainya. Berdasarkan uraian di atas penulis mencoba untuk memanfaatkan teknologi informasi untuk dapat membantu masyarakat. Metode problem solving yang digunakan dalam penelitian ini adalah jaringan syaraf tiruan (JST). Jaringan syaraf tiruan telah banyak digunakan untuk membantu menyelesaikan berbagai macam permasalahan, salah satu permasalahan tersebut adalah pencocokan/keakurasian berdasarkan pelatihan

yang diberikan. JST dapat dimanfaatkan untuk mendeteksi penyalahgunaan narkotika dengan menggunakan metode Backpropagation. 2. DASAR TEORI 2.1 Jaringan Saraf Tiruan Jaringan Saraf Tiruan (arficial neural network) merupakan metode yang dapat menemukan hubungan non-linear antara beban dan faktor-faktor ekonomi yang bervariasi serta faktor- faktor lainnya yang dapat melakukan penyesuaian terhadap perubahan-perubahan yang terjadi [1].

Gambar 1. Komponen Neuron Dari gambar diatas terlihat bahwa dalam otak manusia, sebuah neuron (sel saraf) tertentu mengumpulkan sinyal berupa rangangan dari neuron lain melalui dendrit. Sinyal yang dating dan diterima oleh dendrit akan dijumlahkan (summation) dan dikirim melalui axon ke dendrit

69

Seminar Nasional Informatika 2014

akhir yang bersentuhan dengan dendrit dari neuron yang lain. Siyal ini akan diterima oleh neuron lain jika memenuhi nilai threshold tertentu. Dalam hal ini neuron dikatakan teraktivasi. Pembelajaran pada otak manusia terjadi ketika da hubungan antara satu neuron dengan neuron lain yang terjadi secara adaptif dan berlangsung secara dinamis [2]. 2.2 Metode Backpropagation Backpropagation merupakan algoritma pembelajaran yang terawasi dan baisanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang berhubungan dengan neuron-neuron yang ada pada lapisan tersembunyinya. 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 dasarnya, pelatihan dengan metode backpropagtion terdiri atas tiga langkah, yaitu sebagai berikut : a. Data dimasukkan ke input jaringan (feedforward) b. Perhitungan dan propagasi balik dari error yang bersangkutan Pembaharuan (adjustment) bobot dan bias[1]. 2.3 Fungsi Aktivasi Sigmoid Biner Fungsi ini digunakan untuk jaringan saraf yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan saraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun, fungsi ini bisa juga digunakan oleh jaringan saraf yang nilai outputnya 0 atau 1 [3] fungsi sigmoid dirumuskan sebagai berikut : Fungsi Step dirumuskna sebagai :

dengan (1)

:

2.4 Arsitektur Jaringan Metode Backpropagation Jaringan saraf terdiri dari 3 lapisan, yaitu lapisan masukan/input terdiri atas variable masukan unit sel saraf, lapisan tersembunyi dan lapisan keluaran/output. Lapisan masukan digunakan untuk menampung 23 variabel yaitu X1 sampai dengan X23, lapisan tersembunyi terdiri atas 5 unit sel saraf, lapisan tersembunyi ditentukan sendiri oleh pengguna sistem melalui cara percobaan konvergensi terbaik (trial and error) sampai diperoleh hasil konvergensi

70

pelatihan yang paling baik (jumlah epoch terkecil). dan lapisan keluaran/output terdiri atas 5 sel saraf, lapisan keluaran digunakan untuk mempresentasikan pengelompokan pola, nilai 00001 untuk Opium+Heroin, nilai 00010 untuk Morphine, nilai 00100 untuk Cocain, nilai 01000 untuk Marijuana, dan nilai 10000 untuk Sintetik (Pethidin + Methadon)[4]. Gambar 2 merupakan arsitektur jaringan saraf tiruan. X1

Y1

Opium + Heroin

Y2

Morphine

Y3

Cocain

Y4

Marijuana

Z1

X2

Z2

X3

X4 Zn

Y5

Sintetik (Pethidin + Metahdon)

X23

W0

B0

Gambar 2. Arsitektur Jaringan Untuk Mendeteksi Penyalahgunaan Narkotika 2.5 Inisialisasi Input Pada tahap ini dilakukan proses inisialisasi data input yang diperoleh dari gejalagejala/kriteria dan seluruh jennies narkotika. Nilai terhadap variable ditentuka Antara 0 sampai 1 disesuaikan dengan kasus dari masing gejala. Tabel 1. Kriteria dan Inisialisasi Gejala Narkotika No Kriteria Yang Dinilai Inisialisasi 1 Nafsu Makan Hilang X1 2 Sembelit X2 3 Keracunan X3 4 Napas Pendek X4 5 Mudah Koma X5 6 Kematian X6 7 Mual X7 8 Gelisah X8 Ketergantungan Fisik 9 X9 Mental 10 Perasaan Tertekan X10 11 Kejang-kejang X11 12 Kecanduan X12 13 Ketagihan X13 14 Paru-paru terganggu X14 15 Daya ingat rusak X15 16 Gangguan Sex X16 17 Mudah Marah X17 18 Suhu Tubuh Naik X18 19 Halusinasi X19 20 Mudah Lelah X20 21 Paranoid X21

Seminar Nasional Informatika 2014

22 23

Susunan Syaraf Pusat Rusak Sembelit

X22 X23

2.6 Inisialisasi Output Hasil yang diiinginkan pada tahap ini adalah terdeteksinya suatu nilai untuk mendeteksi narkotika. Tabel 2 berikut adalah nilai target keluaran. Tabel 2. Prediksi dan Inisialisasi Narkotika Prediksi No Penyalahgunaan Inisialisasi Narkotika 00001 1 Opium + Heroin 2 Morphine 00010 3 Cocain 00100 4 Marijuana 01000 Sintetik (Pethidin + 10000 5 Methadon) 3.

Learning rate (α) = 0.5 Maksimal error = 0.01 Maksimal epoch = 10000 Fungsi Aktivasi = Logsig. 3.1.2 Tahap Pelatihan Pada tahap ini sistem jaringan saraf diberikan 25 data sampel penilaian penyalahgunaan narkotika untuk dilatihkan sebagai proses pembelajaran. Untuk mendapatkan nilai keluaran, yang pertama harus dilakukan adalah menentukan matriks masukan dan matriks target. Berikut dapat di lihat Tabel 3. Tabel 3. Data Pelatihan

HASIL dan PEMBAHASAN

Pada bab ini dibahas mengenai implementasi dan pengujian dari jaringan saraf tiruan dengan metode backpropagation, dimulai dari menjelaskan pengujian (Matlab), pemrograman jaringan saraf tiruan (Backpropagation), langkah pengolahan data dengan Matlab dan pelatihan jaringan saraf tiruan. 3.1 Pengujian Sistem Pengujian jaringan saraf tiruan metode backpropagation untuk mendeteksi penyalahgunaan narkotika dilakukan untuk melihat apakah sistem jaringan saraf ini sudah sesuai dengan kondisi sebenarnya atau tidak. Pengujian jaringan saraf tiruan ini dibagi menjadi beberapa tahap yaitu: 3.1.1 Tahap Inisialisasi Pada tahap ini sistem jaringan saraf diberikan masukan berupa nilai parameter inisialisasi yang terdiri dari : Jumlah sel lapisan masukan terdiri dari 23 simpul input Jumlah sel lapisan tersembunyi dicari berdasarkan percobaan (trial and error) dengan cara mengubah konstanta belajar dan lapisan tersembunyi secara terus menerus sampai diperoleh konfigurasi terbaik yaitu jumlah epoch yang terkecil. Pada sistem deteksi penyalahgunaan narkotika ini diperoleh konfigurasi lapisan tersembunyi adalah 5 simpul. Jumlah lapisan keluaran terdiri dari 5 simpul yaitu Opium + Heroin, Morphine, Cocain, Marijuana dan Sintetik (Pethidin + Methadon).

Adapun hasil pelatihan yang dilakukan dengan jaringan saraf tiruan adalah:

Gambar 3. Hasil Pengujian Data Pelatihan dengan 2704 iterasi Dengan actual output sebagai berikut: a=

71

Seminar Nasional Informatika 2014

Columns 1 through 7 0.0073 0.0180 0.0180 0.0128 0.0763 0.0040 0.9252 0.9252 0.0790 0.0024 0.1009 0.0472 0.0472 0.0003 0.8970 0.0140 0.0660 0.0660 0.9116 0.0032 0.7802 0.0082 0.0082 0.0080 0.1109 Columns 8 through 14 0.0128 0.0128 0.0763 0.0073 0.0763 0.0790 0.0790 0.0024 0.0040 0.0024 0.0003 0.0003 0.8970 0.1009 0.8970 0.9116 0.9116 0.0032 0.0140 0.0032 0.0080 0.0080 0.1109 0.7802 0.1109 Columns 15 through 21 0.8881 0.0180 0.8881 0.8881 0.0763 0.0160 0.9252 0.0160 0.0160 0.0024 0.0395 0.0472 0.0395 0.0395 0.8970 0.0007 0.0660 0.0007 0.0007 0.0032 0.0019 0.0082 0.0019 0.0019 0.1109

0.0073

0.0160

0.0040

0.0395

0.1009

0.0007

0.0140

0.0019

0.7802

0.0180

0.0073

0.9252

0.0040

0.0472

0.1009

0.0660

0.0140

0.0082

0.7802

0.0763

0.0073

0.0024

0.0040

0.8970

0.1009

3.1.3 Tahap Pengujian Tahap pengujian merupakan tahapan yang digunakan untuk menguji data penelitian yang telah didapat pada JST, dimana sebelumnya telah dilatih data penelitian pada proses pelatihan. Pada data pengujian ini telah ditetapkan hasil keluaran atau target. Data pengujian berfungsi untuk menguji ke akuratan sistem JST yang telah dibuat. Data pengujian dapat dilihat pada Tabel 5.

0.0032

0.0140

Tabel 5. Data Pengujian

0.1109

0.7802

Columns 22 through 25 0.0128 0.0073 0.0128 0.8881 0.0790 0.0040 0.0790 0.0160 0.0003 0.1009 0.0003 0.0395 0.9116 0.0140 0.9116 0.0007 0.0080 0.7802 0.0080 0.0019 Pada pelatihan yang dilakukan dengan MATLAB didapat hasil yang dapat dilihat pada tabel 4 dan tabel 6 di bawah. Pada proses pelatihan jaringan saraf tiruan aini akan berhenti jika iterasi telah sampai pada batas maksimum yaitu 10.000 iterasi, atau pelatihan akan berhenti jika MSE (Mean Square Error) telah berada dibawah target error, disini diketahui target errornya sebesar 0.01. Dengan pelatihan di atas dapat dilihat output yang sesuai dengan target. Di mana untuk nilai output actual diambil yang bernilai 1. Adapun parameter penilaian output actual dengan fungsi aktivasi : Y = untuk melihat hasil pelatihan yang dilakukan oleh jaringan saraf tiruan dengan target yang telah ditentukan dapat dilihat pada tabel 4 sebagai berikut:

72

Tabel 4. Pengujian Data Pelatihan Untuk Arsitektur 23-5-5

0.8881

Adapun grafik hasil pengujian data baru dengan 10 sampel data yang dilakukan dengan jaringan saraf tiruan adalah:

Gambar 4. Grafik Hasil Data Pengujian dengan 6341 iterasi Dengan output actual sebagai berikut:

Seminar Nasional Informatika 2014

a= Columns 1 through 7 0.9095 0.1042 0.9095 0.1042 0.0096 0.0908 0.0096 0.0908 0.1296 0.6886 0.1296 0.6886 0.0035 0.0110 0.0035 0.0110 0.0358 0.0029 0.0358 0.0029

0.0000 0.0128

0.0128

0.9114 0.0000

0.0000

0.3059 0.1380

0.1380

0.0122 0.0621

0.0621

0.0000 0.9459

0.9459

Columns 8 through 10 0.0128 0.0025 0.9095 0.0000 0.0059 0.0096 0.1380 0.0109 0.1296 0.0621 0.9074 0.0035 0.9459 0.0128 0.0358

Dari beberapa hasil ujicoba yang telah dilakukan dapat diambil kesimpulan bahwa suatu arsitektur mempunyai kinerja sangat bagus jika nilai MSE berada di bawah nilai error yaitu 0.01. Dari uji coba yang dilakukan diperoleh parameter yaitu learning rate sebesar 0.5, toleransi error 0.01, maksimal epoch 6341 dan hidden layer 5 dengan nilai MSE 0.00999889. Parameter tersebut dipilih menjadi parameter terbaik karena menghasilkan jumlah iterasi yang memiliki nilai akurasi MSE yang cukup baik, karena nilai MSE paling kecil dari arsitektur yang lain serta nilai MSE dibawah dari nilai error yang ditentukan. 4.

untuk melihat hasil pengujian 10 data baru yang dilakukan oleh jaringan saraf tiruan dengan target yang telah ditentukan dapat dilihat pada tabel 6 sebagai berikut: Tabel 6. Pengujian Data Baru Untuk Arsitektur 23-5-5

Keterangan : HPU = Hasil Pengujian KJST = Ketepatan Jaringan Saraf Tiruan Kemudian Untuk memperoleh konfigurasi terbaik maka dilakukan beberapa pengujian dengan berbagai model arsitektur jaringan saraf tiruan yaitu 23-5-5, 23-10-5, 23-15-5, 23-20-5, dan 23-25-25 Berikut ini merupakan tabel hasil pelatihan jaringan saraf tiruan dari 5 arsitektur tersebut dengan perubahan nilai hidden layer. Tabel 7. Tabel Perubahan Nilai Uji Coba Data Pengujian Dengan Perubahan Nilai Hidden Layer Erro Hidden Epochs Lr MSE r 5

6341

0.5

0.01

0.00999889

10

802

0.5

0.01

0.00997535

15

1444

0.5

0.01

0.00998684

20

519

0.5

0.01

0.00999857

25

411

0.5

0.01

0.00996887

KESIMPULAN

Berdasarkan hasil dari analisis pada tahap pelatihan dan tahap pengujian deteksi penyalahgunaan narkotika ini didapat beberapa kesimpulan, antara lain: Metode backpropagation dapat digunakan untuk menyelesaikan masalah untuk mendeteksi penyalahgunaan narkotika dengan menggunakan lima pola tampilan output yang terdiri dari Opium/ Heroin, Morphine, Cocain, Marijuana dan Sintetik (Pethidin + Methadon). Pengujian jaringan saraf dilakukan dengan memasukkan data pelatihan dan pengujian dan diperoleh hasil pengujian sampai 100% sesuai dengan target yang di inginkan Pelatihan terhadap jaringan saraf dengan 23 sel lapisan masukan dilakukan pada 25 data sampel yang terdiri dari 6 data dengan pola keluaran Opium + Heroin, 5 data dengan pola keluaran Morphine, 5 data dengan pola keluaran Cocain, 4 data dengan pola keluaran Marijuana dan 5 data dengan pola kularan Sintetik (Pethidin + Methadon). 5.

SARAN

Berdasarkan pengujian yang telah dilakukan pada jaringan saraf tiruan yang telah dibuat, tentunya masih ada kekurangan dan kelemahan yang terjadi sehingga perlu dikembangkan lagi agar kinerjanya lebih baik. Adapun saran untuk pengambangan penelitian ini adalah: Untuk pengembangan penelitian yang lebih baik lagi dapat membuat suatu perangkat lunak untuk mengimplementasikan jaringan saraf tiruan dengan metode backpropagation untuk mendeteksi penyalahgunaan narkotika agar lebih mudah dipahami oleh masyarakat awam. Setelah dilakukan pelatihan dan pengujian untuk mendeteksi penyalahgunaan narkotika menggunakan jaringan saraf tiruan metode backpropagation, disarankan agar diadakan penelitian lebih lanjut dengan menggunakan

73

Seminar Nasional Informatika 2014

metode-metode lainnya agar dapat di ambil kesimpulan metode apa yang paling baik dalam kasus mendeteksi penyalahgunaan narkotika. 6. [1]

.

74

[2]

[3]

DAFTAR PUSTAKA Marleni, et.al, (2012). Pengembangan Sistem Jaringan Syaraf Tiruan Dalam Memprediksi Jumlah Dokter Keluarga Menggunakan Backpropagation (Studi Kaus : Regional X Cabang Palu) , Seminar Nasional Teknologi Informasi dan Komunikasi.

[4]

T. Sutojo, Edy Mulyant dan Vincent Suhartono, (2011). Kecerdasan Buatan, Andi Yogyakarta Novi Indah Pradasari, et.al, Jaringan Syaraf Tiruan Untuk Memprediksi Penyakit Saluran Pernafasan Dengan Metode Backpropagation, Jurnal Coding Vol , No.1 Juli 2013. Iskandar Zulkarnain, 2012, Sistem Pendeteksi Penyalahgunaan Narkoba Menggunakan Jaringan Saraf Tiruan Model Backpropagation, Jurnal Saintikom Vol. 10/No. 2/Mei 2010