MODUL PRAKTIKUMrepository.unas.ac.id/3755/1/MODUL PRAKTIKUM Neural... · 2021. 4. 21. · MODUL PRAKTIKUM Peruntukkan Mata Kuliah: Jaringan Syaraf Tiruan (2 SKS) Deep Learning (2

MODUL PRAKTIKUM

Peruntukkan Mata Kuliah:

Jaringan Syaraf Tiruan (2 SKS)

Deep Learning (2 SKS)

Kecerdasan Buatan & Fuzzy Logic (2 SKS)

Dosen Pengampu:

Dr. Ucuk Darusalam, ST, MT

Laboratorium Artificial Intelegence

Program Studi Informatika

Fakultas Teknologi Komunikasi dan Informatika

Universitas Nasional Jl. Sawo Manila No. 61, Jakarta, 12520

www.unas.ac.id

http://www.unas.ac.id/

2 Modul Praktikum Jaringan Syaraf Tiruan

Designed by Dr. Ucuk Darusalam, ST, MT

Kata Pengantar

Jaringan Syaraf Tiruan atau Neural Network merupakan algoritma yang

paling fundamental dalam pengembangan teknologi kecerdasan buatan atau

artificial intelegence (AI). Hingga kini JST telah dikembangkan menjadi Deep

Learning, untuk meningkatkan kapasitas kemampuan JST dalam menganalisa suatu

pemecahan masalah yang komplek berbasis data dan pembelajaran serta evaluasi.

Untuk itu Modul Praktikum JST ini dapat digunakan untuk 3 mata kuliah yakni:

1. Jaringan Syaraf Tiruan (Mata Kuliah Pilihan Prodi, 2 SKS)

2. Deep Learning (Mata Kuliah Pilihan Prodi, 2 SKS)

3. Kecerdasan Buatan & Logika Fuzzy (Mata Kuliah Prodi, 2 SKS)

Pada modul ini dirancang kemampuan dasar dalam penguasaan metode JST yang

dapat digunakan untuk AI atau Deep Learning. Mahasiswa dikenalkan prinsip dasar

JST dan cara melakukan simulasi contoh-contoh kasus. Simulasi di lakukan di

Matlab yang dapat diinstalasi secara mandiri oleh mahasiswa. Sehingga praktikum

dapat dilakukan secara mandiri di rumah atau di Laboratorium.

Jakarta, ….Mei 2019

Dr. Ucuk Darusalam, ST, MT



Tujuan Praktikum

Capaian Pembelajaran Praktikum Kecerdasan Buatan dan Logika Fuzzy

Dengan mengacu pada portofolio Kurikulum Pendidikan Tinggi Berbasis

Standar Nasional Pendidikan Tinggi Prodi Informatika S1, CPMK untuk mata

kuliah Kecerdasan Buatan dan Logika Fuzzy (2 SKS) adalah dirumuskan sebagai

berikut:

1. Mampu memahami prinsip dasar jaringan syaraf tiruan/Neural Networks

(JST/NN) sebagai basis pengembangan kecerdasan buatan berbasis

teknologi komputasi atau pemrograman.

2. Mampu menerapkan JST atau NN secara simulasi di Matlab dengan

elaborasi studi kasus.

3. Mampu mendesain JST sebagai metode pemecahan masalah atau problem

solving secara artificial intelegence berbasis komputasional.

4. Mampu menganalisis hasil dari implementasi JST di Matlab dari studi kasus

yang dijadikan sebagai masalah untuk dipecahkan secara kecerdasan

buatan.

5. Mampu mengembangkan JST atau NN menjadi metode kecerdasan buatan

yang dapat diintegrasikan dengan metode lain dalam kerangka memperkuat

artificial intelegence berbasis komputasi.

Software Simulasi

Untuk dapat mencapai sasaran CPMK, praktikum dilakukan dengan cara

simulasi menggunakan perangkat lunak. Perangkat lunak yang digunakan adalah

sebagai berikut:

1. Software Matlab 2019.a student version.

Praktikan diwajibkan untuk menginstall software tersebut di PC atau laptop

masing-masing. Panduan instalasi dan sumber software tersedia di laboratorium

dan pemanduan step-by-step dilakukan oleh asisten laboratorium.



Format Laporan

Laporan praktikum dibuat dalam bentuk dokumen “Laporan Praktikum” per

dua minggu sesuai dengan topik-topik yang telah disusun dalam modul praktikum.

Dokumen laporan ditulis dengan menggunakan Word Processor, dengan ukuran

margin halaman sebagai berikut:

Margin atas : 4 cm

Margin kiri : 4 cm

Margin kanan : 3 cm

Margin bawah : 3 cm

Font yang digunakan dalam dokumen adalah Times New Roman ukuran 12 font

untuk body text, sedangkan untuk bab adalah 14. Spasi yang digunakan setiap

kalimat adalah 1,5. Sistematika penyusunan laporan per topik praktikum adalah

sebagai berikut:

a) Halaman sampul disertai dengan judul praktikum, nama praktikan, NPM,

dan alamat email.

b) Abstrak (tidak lebih dari 200 kata)

c) Pendahuluan (berisi latar belakang, permasalahan, dan tujuan)

d) Dasar Teori (tidak lebih dari 4 halaman)

e) Metode Praktikum

f) Hasil dan Analisa

g) Kesimpulan

h) Daftar Pustaka

Grafik yang disertakan dalam dokumen dibuat dengan menggunakan Matlab.

Sebagai contoh pembuatan grafik dengan Matlab berikut ini:

Syntax

plot(X,Y) plot(X,Y,LineSpec) plot(X1,Y1,...,Xn,Yn) plot(X1,Y1,LineSpec1,...,Xn,Yn,LineSpecn) plot(Y) plot(Y,LineSpec) plot(___,Name,Value) plot(ax,___)

https://www.mathworks.com/help/matlab/ref/plot.html#d123e988353










h = plot(___) Description

plot(X,Y) creates a 2-D line plot of the data in Y versus the corresponding values in X.

If X and Y are both vectors, then they must have equal length. The plot function plots Y versus X.

If X and Y are both matrices, then they must have equal size. The plot function plots columns of Y versus columns of X.

If one of X or Y is a vector and the other is a matrix, then the matrix must have dimensions such that one of its dimensions equals the vector length. If the number of matrix rows equals the vector length, then the plot function plots each matrix column versus the vector. If the number of matrix columns equals the vector length, then the function plots each matrix row versus the vector. If the matrix is square, then the function plots each column versus the vector.

If one of X or Y is a scalar and the other is either a scalar or a vector, then the plot function plots discrete points. However, to see the points you must specify a marker symbol, for example, plot(X,Y,'o').

plot(X,Y,LineSpec) sets the line style, marker symbol, and color.

plot(X1,Y1,...,Xn,Yn) plots multiple X, Y pairs using the same axes for all lines.

plot(X1,Y1,LineSpec1,...,Xn,Yn,LineSpecn) sets the line style, marker type, and color for each line. You can mix X, Y, LineSpec triplets with X, Y pairs. For example, plot(X1,Y1,X2,Y2,LineSpec2,X3,Y3).

plot(Y) creates a 2-D line plot of the data in Y versus the index of each value.

If Y is a vector, then the x-axis scale ranges from 1 to length(Y).

If Y is a matrix, then the plot function plots the columns of Y versus their row number. The x-axis scale ranges from 1 to the number of rows in Y.

If Y is complex, then the plot function plots the imaginary part of Y versus the real part of Y, such that plot(Y) is equivalent to plot(real(Y),imag(Y)).

plot(Y,LineSpec) sets the line style, marker symbol, and color.

plot(___,Name,Value) specifies line properties using one or more Name,Value pair arguments. For a list of properties, see Line Properties. Use this option with any of the input argument combinations in the previous syntaxes. Name-value pair settings apply to all the lines plotted. plot(ax,___) creates the line in the axes specified by ax instead of in the current axes (gca). The option ax can precede any of the input argument combinations in the previous syntaxes. h = plot(___) returns a column vector of chart line objects. Use h to modify properties of a specific chart line after it is created. For a list of properties, see Line Properties.

Contoh: x = 0:pi/100:2*pi; y = sin(x); plot(x,y)


https://www.mathworks.com/help/matlab/ref/plot.html#btzitot-X

https://www.mathworks.com/help/matlab/ref/plot.html#btzitot-Y



https://www.mathworks.com/help/matlab/ref/plot.html#btzitot_sep_mw_3a76f056-2882-44d7-8e73-c695c0c54ca8














https://www.mathworks.com/help/matlab/ref/plot.html#namevaluepairarguments

https://www.mathworks.com/help/matlab/ref/matlab.graphics.chart.primitive.line-properties.html

https://www.mathworks.com/help/matlab/ref/plot.html#btzitot-ax

https://www.mathworks.com/help/matlab/ref/plot.html#btzitot-h

https://www.mathworks.com/help/matlab/ref/matlab.graphics.chart.primitive.line-properties.html



Daftar Halaman

Hal.

Halaman sampul………………………………………………………..... 1

Kata Pengantar………………………………………………………....... 2

Tujuan Praktikum………………………………………………………... 3

Daftar Halaman………………………………………………………...... 6

Praktikum 1: Fitting Data Via Neural Network…………………………. 7

Praktikum 2: Supervised Learning in Neural Network.…………………. 15

Praktikum 3: Klasifikasi Pola Data …………………………………….. 21

Praktikum 4: Data Cluster with Self Organizing Map….…………………. 29

Daftar Pustaka…………………...…………………...………………….. 35



Praktikum 1: Fitting Data Via Neural Network

A. Kompetensi Akhir

Pada modul ke-1 praktikum Jaringan Syaraf Tiruan mahasiswa ditargetkan

dapat mencapai kompetensi akhir dengan mengacu pada rumusan CPMK

sebagaimana berikut ini:

1. Mampu memahami proses kerja JST sebagai representasi dari system syaraf

manusia yang dimodelkan secara matematis hingga algoritma.

2. Mampu memahami alur JST sebagai bentuk perjalanan sinyal input ke

dalam proses matematis sebagai output.

3. Mampu memahami dasar JST dalam bentuk arsitektur neuron yang

sederhana.

4. Mampu melakukan simulasi JST untuk permasalahan yang sederhana.

5. Mampu menganalisa hasil simulasi JST di Matlab.

B. Teori Dasar

Jaringan syaraf tiruan (JST) atau Neural Networks (NN) adalah merupakan

algoritma matematis yang didesain dengan mengacu pada system kecerdasan syaraf

manusia dalam menalar suatu respon atau input sensor. Syaraf manusia merupakan

system jaringan sinyal yang sangat cerdas yang terdiri dari jutaan atau milyaran

neuron sebagai basis utama cara kerjanya. JST atau NN berupaya melakukan

sintesis dari cara kerja neuron tersebut dan merepresentasikannya dalam bentuk

algoritma pemrograman di computer. Struktur utama neuron sebagai basis cara

kerja JST adalah dinyatakan dalam Gambar 1.1.

Gambar 1.1 Basis representasi 1 buah neuron.



Ketika sensor neuron menerima rangsangan maka input akan menerima sinyal

tersebut (p) untuk diteruskan ke dalam fungsi penjumlahan. Sinyal input (p) akan

dibobot oleh w dan dikoreksi oleh b di dalam fungsi penjumlahan. Selanjutnya

fungsi penjumlahan akan menerukan ke dalam fungsi aktifasi f(a) sehingga luaran

1 buah neuron adalah a.

Fungsi aktivasi berfungsi sebagai pemicu atau pemberi tanggapan sinyal

dan secara matematis dapat digambarkan sebagai fungsi transfer (Gambar 1.2).

Gambar 1.2 Fungsi transfer dari fungsi aktivasi.

Dalam menerima respon, input bisa digambarkan atau dimodelkan lebih dari satu

input sebagaimana Gambar 1.3. Artinya semua sinyal input akan dibobot satu per

satu dengan w menjadi vector penjumlahan. Sehingga luaran dari fungsi

penjumlahan berupa elemen vector input.

Gambar 1.3 Elemen vector input.

Jika elemen input tersebut direspon oleh susunan fungsi aktivasi yang berbeda-beda

maka akan dihasilkan arsitektur jaringan input, node dan fungsi aktivasi

sebagaiman digambarkan pada Gambar 1.4. Elemen input akan meneruskan sinyal

yang telah dibobot atau dikuantisasi ke semua fungsi penjumlahan untuk diteruskan



ke masing-masing fungsi aktivasi yang tersedia. Dengan cara demikian 1 buah

sinyal input akan melalui transmisi dalam jaringan ke setiap fungsi aktivasi.

Gambar 1.4 Kombinasi sinyal input pada node dan fungsi aktivasi yang bersusun

membentuk jaringan.

Dan jika jaringan input dan fungsi aktivasi tersebut tersusun secara serial dan

berulang maka akan didapatkan susunan layer atau lapisan syaraf aktif sebagaimana

Gambar 1.5. Dengan cara demikian, sinyal input akan mengalami proses

pembobotan, penjumlahan dan aktivasi yang terjadi secara berulang di setiap layer

dan merupakan kombinasi dari jalur setiap layer. Sehingga setiap input sinyal akan

direspon secara lebih panjang secara fisik namun menghasilkan luaran yang tentu

lebih akurat karena transmisi terjadi secara berulang dan direspon oleh fungsi

aktivasi beberapa kali dalam beberapa layer.

Gambar 1.5 Layer pada JST.



C. Prosedur Simulasi

Pada software Matlab yang telah diinstall pada laptop atau PC, bukalah

Matlab dan lakukan langkah-langkah berikut ini:

1. Pada workspace ketiklah nntools

2. Pilihlah Fitting tool.

3. Klik next



3. Pilihlah Load Example Data Set

4. Pilihlah House Pricing dan klik import

5. Set validation dan training masing-masing 15%, dan kilik Next.



6. Set jumlah layer neuron sebanyak 10 lapisan dan klik Next.

7. Pilihlah algoritma training Levenberg-Marquardt, klik Train, setelah itu klik

Next.

8. Selanjutnya akan muncul display JST sedang berproses dengan jumlah

iterasi sebanyak 20 kali, setelah selesai progress bar klik performance. Akan

ditampilkan data hasil simulasi sebagai berikut.



D. Laporan Praktikum

Untuk laporan praktikum dapatkan data analisa sebagai berikut:

1. Dengan cara yang sama sebagaimana prosedur simulasi diatas, ulangilah

dimana pada langkah ke-5 set jumlah neuron layer dengan jumlah sebagai

berikut:

a. 20 neuron layers

b. 30 neuron layers

c. 40 neuron layers



d. 50 neuron layers

2. Semakin banyak jumlah neuron layers, apa yang terjadi pada beberapa hal

dibawah ini:

a. Time of simulation

b. Performance

3. Dengan semakin banyak layers apakah keakurasian data training semakin

meningkat? Jelaskan.



Praktikum 2: Supervised Learning in Neural Network

A. Kompetensi Akhir

Kompetensi akhir dari simulasi Jaringan Syaraf Tiruan dengan

menggunakan Matlab adalah sebagai berikut:

1. Mampu memahami prinsip kerja supervised learning in neural network.

2. Mampu menganalisa hasil supervised learning in neural network.

3. Mampu meningkatkan keakurasian supervised learning in neural network.

4. Mampu mengembangkan ide supervised learning in neural network.

5. Mampu melakukan simulasi supervised learning in neural network dengan

menggunakan Matlab.

B. Teori Dasar

Keterkaitan machine learning dengan neural network pada hakikatnya

berkaitan serat satu sama lain. Bahkan saling mendukung untuk mencapai

keakurasian hasil yang optimal. JST tidak dapat bekerja dengan optimal tanpa

adanya data referensi yang sahih yang telah teruji berulang-ulang. JST tanpa data

sahih hanya akan menghasilkan pengulangan data yang tidak berarti dan tidak

konvergen pada suatu hasil. Untuk keterkaitan tersebut dibutuhkan sebagaimana

digambarkan pada diagram berikut.

Gambar 2.1 Skema NN dengan Training Data.

Untuk itu JST dengan machine learning akan bertemu pada training data yang

dibutuhkan oleh system agar menghasilkan keakurasian hasil simulasi. Training



data dihasilkan oleh metode pembelajaran dalam hal ini adalah machine learning.

Metode pembelajaran dalam JST ada dua jenis yakni supervised learning

(pembelajaran terpandu atau terevaluasi) dan unsupervised learning (pembelajaran

tidak terpandu/terevaluasi).

Secara alur perjalanan sinyal dari input ke output, JST dibedakan dua jenis

yakni feed forward propagation atau backward propagation. Dalam perihal contoh

pembelajaran supervised learning dalam mode alur feed forward propagation dapat

digambarkan sebagai berikut:

Gambar 2.2 Supervised learning dalam mode backward propagation.

Langkah-langkah metode pembelajaran terpandu atau supervised learning

dalam backward propagation adalah sebagai berikut:

1. Initialize the weights with adequate values.

2. Take the “input” from the training data, which is formatted as { input, correct output

}, and enter it into the neural network. Obtain the output from the neural network and

calculate the error from the correct output.

3. Adjust the weights to reduce the error.

4. Repeat Steps 2-3 for all training data


Pada workspace Matlab atau editor, ketiklah source berikut ini:

a. Metode Training DeltaSGD



W = DeltaSGD(W, X, D)

Selanjutnya script kedua adalah sebagai berikut:

b. Metode training kedua adalah DeltaBatch sebagaimana berikut ini:

W = DeltaBatch(W, X, D)



c. Perbandingan metode training DeltaSGD dan DeltaBacth




Dari hasil simulasi pada langkah c akan dihasilkan grafik performansi

perbandingan training Delta SGD dan Delta Bacth sebagai berikut:



1. Apakah keuntungan training data dengan alur backward propagation?

Jelaskan.

2. Bagaimanakah keakurasian training data diperoleh dengan feed forward

propagation? Jelaskan.



Praktikum 3: Klasifikasi Pola Data

A. Kompetensi Akhir

Kompetensi akhir yang dirancang pada modul praktikum 3 Jaringan Syaraf

Tiruan adalah berikut ini:

1. Mampu memahami prinsip kerja Jaringan Syaraf Tiruan dalam penerapan

untuk klasifikasi pola data.

2. Mampu menganalisa hasil pemetaan klasifikasi pola data yang dihasilkan

dari Feed Forward of Neural Network.

3. Mampu menerapkan klasifikasi pola data dengan JST di Matlab.

4. Mampu mengevaluasi hasil dan performansi simulasi JST dalam penerapan

klasifikasi pola data.

5. Mampu mengembangkan ide untuk meningkatkan performansi keakurasian

JST dalam penerapan klasifikasi pola data.

B. Teori Dasar

Fenomena di alam semesta dari sisi proses dapat dikategorikan dalam

beberapa jenis sebagai berikut:

[1] Pasti dalam kepastian

[2] Pasti dalam ketidakpastian

[3] Tidak pasti dalam kepastian

[4] Tidak pasti dalam ketidakpastian

Empat jenis proses tersebut menghasilkan karakteristik proses dan ouput yang

berbeda-beda satu sama lain. Namun demikian, keempat proses tersebut dalam hal

komplektisitasnya dapat juga dikategorikan sebagai berikut:

[1] Teratur dalam keteraturan

[2] Teratur dalam ketidakteraturan

[3] Tidak teratur dalam keteraturan

[4] Tidak teratur dalam ketidakaturan



Sehingga semua proses dan output yang terjadi dan tersedia di alam semesta ini

memiliki benang merah, yakni adanya pola baik secara proses maupun secara

output. Untuk dapat memberikan kemudahan dalam memetakan pola yang terjadi,

JST dapat difungsikan untuk dapat membantu mencari pola-pola yang tersedia.

Sebagai contoh, semisal ada input dan target sebagai berikut:

Maka pemetaan masalah pada input dapat dilakukan dengan membangkitkan

kemungkinan pola yang terjadi matrik 2 kelas pada nilai 1 dan 0. Hal yang sama

juga bisa dimisalkan jika ada kemungkinan pemetaan masalah dalam 5 baris

sebagaimana berikut ini:

Untuk itu JST dapat dirancang sebagai pendekatan pemetaan atau klasifikasi pola

data untuk mendapatkan ciri kesamaan proses atau hasil yang dapat digunakan

untuk analisis data selanjutnya.

C. Prosedur Praktikum

Pada workspace Matlab atau editor, jalankanlah script berikut ini dan

perhatikan setiap proses yang terjadi.

1. Pada workspace ketiklah nnstart sehingga muncul tools neural network

sebagai berikut:

2. Pilihlah pattern recognition tool, sehingga muncul dialog box berikut ini:



3. Klik next

4. Klik Load Example Data Set, sehingga muncul dialog berikut ini:

5. Pilihlah data example yakni Breast Cancer, sehingga berlanjut muncul

berikut ini:



6. Set training dan validation pada harga masing-masing 15%.

7. Setelah muncul network architecture, set jumlah neuron layers sebanyak

10.

8. Klik train sehingga muncul proses simulasi berikut ini:



9. Tunggu hingga progress bar masing-masing selesai pada iterasi Epoch,

dan klik performance jika sudah selesai.

10. Dengan JST mengolah data grafik yakni breast cancer, akan dihasilkan

berupa confusion matrik.



11. Selain itu pula dihasilkan analisis data ROC (receiver operating

characteristics) dari data training image breast cancer.

12. Jika hasil simulasi belum cukup, anda bisa melakukan simulasi ulang

dengan klik Train Again. Atau anda bisa evaluasi fungsi dengan klik

evaluate function pada dialog box yang tersedia.



13. Namun jika anda sudah puas dengan hasil simulasi maka anda bisa

menyimpan data dengan menu dialog box berikut ini:

14. End.

Cara membaca data hasil simulasi ROC:

Kotak-kotak pada arah diagonal adalah menunjukkan jumlah kasus yang berhasil

diklasifikasikan karena memiliki kesamaan pola. Sedangkan kotak-kotak pada off-

diagonal menunjukkan kasus-kasus yang tidak dapat diklasifikan atau tidak

memiliki kesamaan pola. Kotak biru pojok diagonal menunjukkan jumlah total

prosentase klasifikasi kasus yang terkoreksi dengan benar (warna hijau). Sedangkan

warna merah adalah total prosentase yang tidak dapat diklasifikasikan.






dimana pada langkah ke-5 set jumlah neuron layer dengan jumlah sebagai

berikut:

a. 20 neuron layers

b. 30 neuron layers

c. 40 neuron layers

d. 50 neuron layers


dibawah ini:

a. Time of simulation

b. Performance

3. Dengan semakin banyak layers apakah keakurasian ROC semakin




Praktikum 4: Data Cluster with Self Organizing Map

A. Kompetensi Akhir

Kompetensi akhir yang dirancang untuk praktikum simulasi JST pada

modul ke-4 adalah berikut ini:

1. Mampu menguasai menguasai klasifikasi atau pemetaan pola atau

kesamaan suatu data dengan menggunakan JST.

2. Mampu memahami cara kerja JST dalam melakukan pemetaan pola

berdasarkan ciri kesamaan data yang tersedia (self-organizing map).

3. Mampu menganalisa hasil pemetaan klasifikasi pola data yang dihasilkan

dari Feed Forward of Neural Network berdasarkan ciri kesamaan data yang

tersedia (self-organizing map).

4. Mampu menerapkan klasifikasi pola data berdasarkan ciri kesamaan data

yang tersedia (self-organizing map) dengan JST di Matlab.

5. Mampu mengevaluasi hasil dan performansi simulasi JST dalam penerapan

klasifikasi pola data berdasarkan ciri kesamaan data yang tersedia (self-

organizing map s).

6. Mampu mengembangkan ide untuk meningkatkan performansi keakurasian

JST dalam penerapan klasifikasi pola data.

B. Teori Dasar

Klasterisasi merupakan hal yang paling esensial dalam upaya mencari atau

menggali ilmu pengetahuan berbasis knowledge based. Sebagai contoh, data

pemasaran yang terjadi dalam kehidupan sehari-hari, tidak ada yang bisa

mengetahui pola kebutuhan konsumsi suatu produk akibat tidak adanya

klasterisasis atau pemetaan berdasarkan cara kerja self-organizing map. Dengan

mendapatkan data klasterisasi selanjutnya berbagai manfaat atau keuntungan akan

diperoleh, karena dengan data tersebut akan dapat diorientasikan untuk bisnis,

ekonomi, sekuriti dan prediksi. Contoh-contoh bidang pekerjaan yang terkait dalam

kebutuhan klasterisasi adalah sebagai berikut:



Market segmentation by grouping people according to their buying patterns

Data mining by partitioning data into related subsets

Bioinformatic analysis by grouping genes with related expression patterns

Untuk itu JST dapat dihadirkan sebagai metode yang dapat mengolah atau mencari

kesamaan pola dari berbagasi aspek untuk dijadikan sebagai data yang berbasis

knowledge based. Data tersebut diperoleh dengan mencari kesamaan antar data

yang terjadi. Dalam artian sederhana, setiap data memiliki kesamaan dalam

beberapa hal dan hal ini lah yang dituju oleh JST untuk dipetakan, dipolakan dan

dianalisis lebih lanjut sebagai hasil pengetahuan baru.


Pada workspace Matlab atau editor, jalankanlah script berikut ini dan

perhatikan setiap proses yang terjadi.

1. Pada workspace ketiklah nnstart sehingga muncul tools neural network

sebagai berikut:

2. Pilihlah clustering tool, sehingga muncul dialog box berikut ini:



3. Klik Next sehingga muncul dialog berikut ini:

4. Klik Load Example Data

5. Pilihlah Simple Cluster dan bacalah deskripsi file tersebut pada dialog box

text kanan, klik import.



6. Set Self-Organizing Map (SOM) sejumlah 10, sehingga architecture

network menjadi konfigurasi input dan layer untuk SOM 10 x 10, klik next.

7. Klik Train.



8. Tunggu hasil progress bar selesai pada dialog box yang muncul diatas, dan

akan muncul hasil-hasil simulasi sebagai berikut:

9. Jika hasil simulasi belum cukup, anda bisa melakukan simulasi ulang

dengan klik Train Again. Atau anda bisa evaluasi fungsi dengan klik

evaluate function pada dialog box yang tersedia.



10. Namun jika anda sudah puas dengan hasil simulasi maka anda bisa

menyimpan data dengan menu dialog box berikut ini:

11. End.

Cara Membaca Data Kesamaan Klasifikasi Pola (Self-Organizing Map)

Data yang berupa matrik heksagonal merupakan susunan neuron 10 x 10 yang

masing-masing menunjukkan angka bobot sebagaimana gambar dibawah ini:



Pola bobot dapat diketahui disetiap neuron dan sedangkan pola kesamaan

secara 2 dimensi direpresentasikan dalam degradasi warna pada setiap

matrik heksagonal. Dari kedua data grafik tersebut dapat diketahui pola

kesamaan data berdasarkan ciri data input yakni SOM.




dimana pada langkah ke-5 set jumlah SOM dengan jumlah sebagai berikut:

a. 20 x 20 neuron layers

b. 30 x 30 neuron layers

c. 40 x 40 neuron layers

d. 50 x 50 neuron layers


dibawah ini:

c. Time of simulation

d. Performance

3. Dengan semakin banyak layers apakah keakurasian SOM semakin




Daftar Pustaka [1] Hu YH, Hwang JN, editors. Handbook of neural network signal processing.

[2] Badiru AB, Cheung J. Fuzzy engineering expert systems with neural network

applications. John Wiley & Sons; 2002 Oct 8.

[3] Krishnaswamy CR, Gilbert EW, Pashley MM. Neural Network Applications

in. Financial Practice and Education. 2000:75-84.

[4] Maren AJ, Harston CT, Pap RM. Handbook of neural computing applications.

Academic Press; 2014 May 10.

[5] Sivanandam SN, Deepa SN. Introduction to neural networks using Matlab 6.0.

Tata McGraw-Hill Education; 2006.

[6] Matlab Guide Book for Neural Network, 2019.

MODUL PRAKTIKUMrepository.unas.ac.id/3755/1/MODUL PRAKTIKUM Neural... · 2021. 4. 21. · MODUL PRAKTIKUM Peruntukkan Mata Kuliah: Jaringan Syaraf Tiruan (2 SKS) Deep Learning (2

Documents