PAPERJARINGAN SYARAF TIRUANIDENTIFIKASI TINGKAT PENCEMARAN UDARAMENGGUNAKAN SISTEM JARINGAN SYARAF TIRUANDENGAN MODEL ADALINE

DISUSUN OLEH :ELY DESYANAWATI(M0512017)HAMZAH (M0512021)

JURUSAN INFORMATIKAFAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAMSURAKARTA2013I. PENDAHULUANUdara sebagai komponen lingkungan yang pentng dalam kehidupan perlu dipelihara san ditingkatkan kualitasnya sehingga dapat memberikan dukungan bagi makhluk hidup untuk hidup secara optimal. Pencemaran udara merupakan salah satu permasalahan yang sering dijumpai di berbagai kota besar. Pencemaran udara dewasa ini semakin menampakkan kondisi yang sangat memprihatinkan. Sumber pemcemaran udara dapat bersal dari berbagai kegiatan antara lain industri, transportasi, dan perumahan. Sumber pencemaran udara jga dapat disebabkan oleh berbagai kegiatan alam, seperti kebakaran hutan, gunung meletus, gas alam beracun, dan lain-lain. Dampaknya adalah menyebankan penurunan kualitas udara dan mengganggu kesehatan manusia.Terdapat beberapa indikator atau parameter pencemaran udara yaitu Konsentrasi gas karbonmonoksida (CO) dan Tingkat keasaman Hujan (SO2). Konsentrasi CO dan SO2 meningkat seiring dengan meningkatnya jumlah kendaraan di kota besar yang menggunakan bahan bakar fosil, meningkatnya daerah industri yang otomatis akan membuang limbah gasnya ke udara, dan berbagai kegiatan manusia lainnya. Pada paper ini akan dilakukan prediksi terhadap kualitas udara. Parameter udara yang digunakan adalah Konsentrasi gas CO dan Tingkat keasaman hujan. Metode yang digunakan untuk melakukan prediksi adalah Jaringan Syaraf Tiruan dengan metode Adaline. Melalui metode ini diharapkan dapat memberikan hasil prediksi yang baik dan dapat dijadikan sebagai salah satu upaya untuk meningkatkan sistem kualitas udara di kota-kota besar.

II. DASAR TEORIA. Jaringan Syaraf TiruanArtificial Neural Network (ANN) merupakan kecerdasan buatan yang menyerupai otak manusia dalam hal :1. Pengetahuan diperoleh melalui proses belajar.2. Kekuatan hubungan antar sel syaraf (neuron) yang dikenal sebagai bobot sinaptik (weight) untuk menyimpan pengetahuan.Model dasar Neural Network seperti sel neuron biologis manusia, oleh karena itu disebut model neuron. Mengadopsi esensi dasar dari system syaraf biologi, syaraf tiruan digambarkan sebagai berikut : Menerima input atau masukan (baik dari data yang dimasukkan atau dari output sel syaraf pada jaringan syaraf. Mengadopsi esensi dasar dari system syaraf biologi, syaraf tiruan digambarkan sebagai berikut : Menerima input atau masukan (baik dari data yang dimasukkan atau dari output sel syaraf pada jaringan syaraf. Input ini akan diproses oleh suatu fungsi yang akan menjumlahkan nilai-nilai bobot yang ada. Hasil penjumlahan kemudian akan dibandingkan dengan suatu nilai ambang (threshold) tertentu melalui fungsi aktivasi setiap neuron. Apabila input melewati nilai ambang tertentu, maka neuron tersebut diaktifkan dan akan mengirimkan output melalui setiap pola informasi input dan output diproses dalam neuron. Neuron-neuron tersebut terkumpul dalam lapisan-lapisan (neuron layers), yaitu :1. Lapisan input, menerima pola inputan dari luar.2. lapisan tersembunyi (Hidden), lapisan tersembunyi yang outputnya tidak dapat secara langsung diamati.3. Lapisan Output, merupakan solusi neural network terhadap suatu permasalahan.

Model Neuron

Model JSTB. Model Pelatihan AdalineModel Adaline (Adaptive Linear Neuron) ditemukan oleh Widrow dan Hoff (1960). Arsitekturnya mirip dengan perceptron. Perbedaan dengan Perceptron adalah dalam hal cara mememodifikasi bobotnya. Bobot dimodisikasi dengan aturan Delta yaitu Leasr Mean Square. Adaline adalah unit tunggal (neuron) yg menerima input dari beberapa unit.

Arsitektur sebuah AdalineAlgoritma Training AdalineLangkah 0 : inisialisasi bobot (biasanya nilai acak yg kecil). Set nilai learning rate a Langkah 1 : selama kondisi berhenti bernilai salah, lakukan langkah 2 6 Langkah 2 : untuk setiap pasangan pola pelatihan bipolar s : t kerjakan langkah 3 5 Langkah 3 : set aktivasi unit input , i = 1,2,,n xi = siLangkah 4 : tentukan input jaringan pada unit output : y _in = b+xiwiLangkah 5 : perbaiki nilai bias dan bobot : w(baru) = w(lama) + a(t y_in)xib(baru) = b(lama) + a(t y_in) Langkah 6 : tes kondisi berhenti. Jika perubahan bobot tertinggi yg terjadi pada langkah 2 nilainya lebih kecil dari toleransi tertentu maka hentikan jika tidak lanjutkan.

ALGORITMA APLIKASISetelah dilakukan pelatihan, maka Adaline dapat sudah dapat digunakan. Urutan penggunaanya adalah : Inisialisasi bobot berdasarkan hasil trainning (proses belajar) sebelumnya. Lakukan proses untuk masing-masing input Hitung nilai :Y_in = b + wi*xi Hitung output fungsi aktivasi :y = 1, jika y_in >= 0y= -1, jika y_in < 0

C. Konsep LMSPada algoritma trainning tersebut diperoleh persamaan update bobot :W= *(t-y_in)*xiPersamaan tersebut diperoleh dengan menggunakan konsep LMS yang intinya adalah semakin kecil total kuadrat perbedaan target dengan output untuk semua pola maka trainning semakin bagus. Konsep tersebut ditunjukkan dengan persamaan :

III. PEMBAHASANArsitektur Adaline

Pada identifikasi pencemaran udara ini diberikan 2 parameter input yaitu tingkat konsentrasi CO yg diberi nama variabel x1, dan tingkat keasaman hujan yang diberi nama variabel x2. Tabelnya adalah sebagai berikutX1X2Target (t)

111

1-11

-111

-1-1-1

Algoritma Adaline: Inisialisasi nilai bobot dan learning rate.Nilai bobot 1 (W1) dan nilai bobot 2 (W2) diberi nilai awal 0, sedangkan learning rate () di set 0,2. Fungsi aktivasi yang digunakan adalah : (Fungsi Threshold bipolar)

Kemudian menentukan input jaringan y_in = b+xiwi Memperbaiki nilai bias dan bobotw(baru) = w(lama) + a(t y_in)xib(baru) = b(lama) + a(t y_in) Menentukan W1, W2, dan bHasil perhitungannya adalah sebagai berikut:Epohx1x2tbw1w2y_inW1W2b

0,1000

Epoh 11110,10.10.10.100.10.10.1

1-110,10.190.190.010.10.09-0.090.09

-1110,10.2890.0910.1090.01-0.0990.0990.099

-1-1-10,10.18010.19990.21790.0890.10890.1089-0.1089

Epoh 1

Epoh 2Epohx1x2tbw1w2y_inW1W2b

0,10.18010.19990.2179

Epoh 21110.10.220310.240110.258110.59790.040210.040210.04021

1-110,10.3000790.3198790.1783410.202310.079769-0.0797690.079769

-1110,10.3842250.2357330.2624870.158541-0.084150.08414590.0841459

-1-1-10,10.2956240.3243340.351087-0.1140.08860.0886005-0.0886

Toleransi yang digunakan = 0,2 , sehingga karena W terbesar yaitu 0,162877 pada epoh kedua lebih kecil dari toleransi 0,2 maka iterasi adaline berhenti pada epoh kedua. Hasil yang didapatkan dan akan digunakan adalah 0,162877, 0,1628774, -0,162877

Penggunaan Adalinex1x2ty_iny= -1 Jika x< 0Y hasil=t

y= 1 jka x 0

1111,5529451TRUE

1-110,3642391TRUE

-1110,514461TRUE

-1-1-1-0,67425-1TRUE

Source CodeHitung.java

Adaline.java ( Class Main )

Hasil RunningInput Nilai

Input Bias, Learning Rate, Tolerance dan bobot

Hasil perhitungan

IV. KESIMPULANPenggunaan arsitektur Adaline untuk pembelajaran pada