TUGAS AKHIR 1 PRESENTASI TUGAS AKHIR PENENTUAN STATUS BANTU ANAK ASUH PROGRAM BEASISWA PENA BANGSA DENGAN MENGGUNAKAN METODE NEURAL NETWORK DAN FUZZY LOGIC Mahasiswa : Hendra BW (NRP : 5101 109 048) Pembimbing I: Ahmad Saikhu, S.Si, MT Pembimbing II: Yudhi Purwananto, S.Kom, M.Kom
65
Embed
Pembimbing I: Pembimbing II: Ahmad Saikhu, S.Si, MT Yudhi ...digilib.its.ac.id/public/ITS-Undergraduate-15212-Presentation-pdf.pdfPENENTUAN STATUS BANTU ANAK ASUH PROGRAM BEASISWA
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
TUGAS AKHIR 1
PRESENTASI TUGAS AKHIR
PENENTUAN STATUS BANTU ANAK ASUH PROGRAM BEASISWA PENA BANGSA DENGAN MENGGUNAKAN METODE NEURAL
NETWORK DAN FUZZY LOGIC
Mahasiswa :Hendra BW
(NRP : 5101 109 048)
Pembimbing I:Ahmad Saikhu, S.Si, MT
Pembimbing II:Yudhi Purwananto, S.Kom, M.Kom
TUGAS AKHIR 2
Adanya kendala yang dihadapi YDSF dalam penentuan status bantu anak : YDSF masih menggunakan cara manual dalam menentukan status
bantu anak. Pemberian status bantu pada anak sangat tergantung dari
subyektifitas surveyor di lapangan. Diperlukan sebuah aplikasi yang mampu menentukan status
bantu anak sesuai dengan kriteria hasil survey yang ada.
L A T A R B E L A K A N G
TUGAS AKHIR 3
Untuk menghasilkan suatu perangkat lunak yang dapatmenentukan status bantu Anak Asuh yaitu “bnt” untuk bantu,“ind” untuk indent dan “tlk” untuk tolak.
T U J U A N
TUGAS AKHIR 4
Input–input apa saja yang akan digunakan. Dari input-input tersebut, metode apa yang terbaik yang
akan digunakan sehingga mendekati nilai kebenaran klasifikasi status bantu tersebut.
P E R M A S A L A H A N
TUGAS AKHIR 5
Program yang dibuat pada Tugas Akhir ini difokuskan pada pembuatan aplikasi yang mampu untuk menentukan status bantu anak yaitu “bnt” untuk bantu, “ind” untuk indent dan “tlk” untuk tolak..
Program yang dibuat pada Tugas Akhir ini hanya melakukan proses penentuan status bantu anak. Proses yang lain tidak termasuk dalam program ini.
Proses pengolahan data mentah dilakukan oleh sistem lain yang merupakan sistem diluar dari sistem pada Tugas Akhir ini.
B A T A S A N M A S A L A H
TUGAS AKHIR 6
Input 0 1 2 3
Jenjang Pendidikan SD SMP SMU PT
Status Anak Yatim/Piatu Miskin
Pekerjaan Ayah (SPESIFIK) Tdk Kerja Swasta PNS
Jenis Pekerjaan Ortu Tdk Bisa Kerja Tidak Tetap Tetap
Pendapatan Orang Tua (Ribu) <350000 350000-700000 700000-1050000 >1050000
Jumlah Anak > 5 4 3 <3
Jumlah Anak Sekolah > 5 4 3 <3
Total Tanggungan Ayah > 5 5 4 < 3
Kepemilikan Rumah Kontrak / Kos Penampungan Ikut Kerabat Hak Milik / Warisan
Lantai Tanah Plesteran Keramik
Dinding Bambu / Sesek Kayu / Triplek Tembok
Ukuran Bangunan < 7 7 - 14 14 - 21 > 21
Biaya Listrik 0 0 - 35000 35000 - 70000 > 70000
Biaya Air 0 0 - 20000 20000 - 40000 > 40000
Biaya Telepon 0 0 - 25000 25000 - 50000 > 50000
Transportasi Tidak Ada Sepeda Motor
INPUT YANG DIGUNAKAN
TUGAS AKHIR 7
Elektronik 0 1 2 > 2
Puasa Sunnah/Ramadhan Sering Pernah Belum Pernah
Sholat Sunnah/Fardlu Rutin Kadang - kadang Jarang
Membaca Al Qur'an Lancar Belum lancar Tidak bisa Tidak Pernah
Jenis Sekolah Swasta Negeri
Nilai rata-rata Raport > 8 7 - 8 6 - 7 < 6
Tunggakan Biaya Sekolah (slip) Daftar Ulang Gedung Buku / Seragam SPP
Total Tunggakan Sekolah > 9000000 600000 - 900000 300000 - 600000 <300000
Ijasah yang belum diambil SD SMP SMA Tidak Ada
TUGAS AKHIR 8
FUZZIFIKASI – LINIER NAIK
TUGAS AKHIR 9
FUZZIFIKASI – LINIER TURUN
TUGAS AKHIR 10
KURVA S PERTUMBUHAN
TUGAS AKHIR 11
KURVA S PENYUSUTAN
TUGAS AKHIR 12
Metode backpropagation memiliki kemampuan tinggi dalampemetaan jaringan (network), dan dapat diimplementasikanpada berbagai permasalahan mulai dari credit applicationscoring sampai image compressing, contoh : penghitunganbanyaknya applicant kartu kredit pada suatu bank
Kata backpropagation merujuk pada bagaimana gradienperubahan bobot dihitung dengan menggunakan algoritmapenurunan gradien (gradien descent).
Pelatihan backprop untuk mendapatkan keseimbangan antarakemampuan jaringan untuk mengenali pola pelatihan sertakemampuan untuk memberikan respon yang benar terhadappola yang serupa
B A C K P R O P A G A T I O N
TUGAS AKHIR 13
Algoritma backpropagation merupakan algoritmapembelajaran yang terawasi (supervised learning)
Digunakan oleh perceptor dengan banyak lapisan untukmengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya (hidden layer)
Untuk mendapatkan error output menggunakan perambatanmaju ( forward propagation )
Error output ini digunakan untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward).
B A C K P R O P A G A T I O N
TUGAS AKHIR 14
Arsitektur jaringan backpropagation
B A C K P R O P A G A T I O N
TUGAS AKHIR 15
Lapisan input (input layer).Lapisan input terdiri dari neuron-neuron atau unit-unit masukan, Xi, i =1 ,2,........n.
Lapisan tersembunyi (hidden layer).Lapisan tersembunyi terdiri dari unit-unittersembunyi, Zi, i= 1,2,.........p.
Lapisan output (output layer)Lapisan output terdiri dari unit-unit outputYi, i=1,2,..........m.
B A C K P R O P A G A T I O N
TUGAS AKHIR 16
1. Inisialisasi bobot (ambil bobot awal dengan nilairandom yang cukup kecil)
B A C K P R O P A G A T I O N
TUGAS AKHIR 17
Feedforward : Tiap-tiap input layer (Xi , i=1,2,3,...,n) menerima sinyal
xi dan meneruskan sinyal tersebut ke semua unit hiddenlayer dengan fungsi aktivasi sigmoid biner
Dipropagasikan terus sampai ke output layer Berhenti hingga menghasilkan keluaran jaringan Bandingkan keluaran jaringan dengan target pola Kesalahan < batas toleransi iterasi pada sidang
dihentikan
B A C K P R O P A G A T I O N
TUGAS AKHIR 18
Backward : Berdasarkan selisih antara target yang harus dicapai
dengan output jaringan dari feedforward, digunakan untuk memperbaiki bobot
Hitung koreksi biasnya, digunakan untuk mengoreksi bobot yang masuk hidden layer
Hitung koreksi bobot pada hidden layer Apabila sudah mencapai minimum error (goal), proses
DATA PELATIHANStatus Bantu : 110 dataStatus Indent : 110 dataStatus Tolak : 110 data
DATA TESTINGStatus Bantu : 183 dataStatus Indent : 3325 dataStatus Tolak : 415 data
L I N G K U N G A N I M P L E M E N T A S I
TUGAS AKHIR 28
SKENARIO UJI COBA
TUGAS AKHIR 29
UJI COBA 1 - TRAINING
Input Unit 25
Output Unit 3
Hidden Unit 100
Momentum 0.2
Learning Rate 0.1
Error Max 1E-13
Fungsi Aktivasi Sigmoid Biner
Epoch 186120
Error Rata2 Sistem 9.8621E-14
Tingkat Akurasi 99.03%
TUGAS AKHIR 30
UJI COBA 1 - TESTING
BNT IND TLK TOTAL
BNT 180 76 0 256
IND 3 3014 1 3018
TLK 0 235 414 649
TOTAL 183 3325 415 3923
TUGAS AKHIR 31
UJI COBA 2 - TRAINING
Input Unit 25
Output Unit 3
Hidden Unit 100
Momentum 0.2
Learning Rate 0.1
Error Max 1E-14
Fungsi Aktivasi Sigmoid Biner
Epoch 245850
Error Rata2 Sistem 9.9062E-15
Tingkat Akurasi 99.26%
TUGAS AKHIR 32
UJI COBA 2 - TESTING
BNT IND TLK TOTAL
BNT 181 82 0 263
IND 2 3031 2 3035
TLK 0 212 413 625
TOTAL 183 3325 415 3923
TUGAS AKHIR 33
UJI COBA 3 - TRAINING
Input Unit 25
Output Unit 3
Hidden Unit 100
Momentum 0.2
Learning Rate 0.01
Error Max 1E-11
Fungsi Aktivasi Sigmoid Biner
Epoch 833250
Error Rata2 Sistem 9.9818E-12
Tingkat Akurasi 98.68%
TUGAS AKHIR 34
UJI COBA 3 - TESTING
BNT IND TLK TOTAL
BNT 181 77 0 258
IND 2 3069 2 2813
TLK 0 179 413 815
TOTAL 183 3325 415 3923
TUGAS AKHIR 35
UJI COBA 4 - TRAINING
Input Unit 25
Output Unit 3
Hidden Unit 100
Momentum 0.2
Learning Rate 0.01
Error Max 1E-12
Fungsi Aktivasi Binary Sigmoid
Epoch 1048410
Error Rata2 Sistem 1.1887E-12
Tingkat Akurasi 98.95%
TUGAS AKHIR 36
UJI COBA 4 - TESTING
BNT IND TLK TOTAL
BNT 181 79 0 260
IND 2 3070 2 3074
TLK 0 176 413 589
TOTAL 183 3325 415 3923
TUGAS AKHIR 37
UJI COBA 5 - TRAINING
Input Unit 25
Output Unit 3
Hidden Unit 100
Momentum 0.2
Learning Rate 0.1
Error Max 1E-5
Fungsi Aktivasi Bipolar Sigmoid
Epoch 219780
Error Rata2 Sistem 9.99E-06
Tingkat Akurasi 98.98%
TUGAS AKHIR 38
UJI COBA 5 - TESTING
BNT IND TLK TOTAL
BNT 181 52 0 233
IND 2 2957 0 2959
TLK 0 316 415 731
TOTAL 183 3325 415 3923
0
1000
2000
3000
BNT IND TLK
STATUS BANTU
HASIL PENGENALAN 219780 BIPOLAR
BNTINDTLK
TUGAS AKHIR 39
UJI COBA 6 - TRAINING
Input Unit 25
Output Unit 3
Hidden Unit 100
Momentum 0.2Learning Rate 0. 1Error Max 0.000001
Fungsi Aktivasi Bipolar Sigmoid
Epoch 399960Error Rata2 Sistem 0.00042407Tingkat Akurasi 99.44%
TUGAS AKHIR 40
UJI COBA 6 - TESTING
BNT IND TLK TOTAL
BNT 181 82 0 263
IND 2 3002 2 3006
TLK 0 241 413 654
TOTAL 183 3325 415 3923
01000200030004000
BNT IND TLK
STATUS BANTU
HASIL PENGENALAN 399960 BIPOLAR
BNTINDTLK
TUGAS AKHIR 41
UJI COBA 7 - TRAINING
Input Unit 25
Output Unit 3
Hidden Unit 100
Momentum 0.2
Learning Rate 0.01
Error Max 0.001
Fungsi Aktivasi Bipolar Sigmoid
Epoch 22770
Error Rata2 Sistem 9.99E-04
Tingkat Akurasi 93.37%
TUGAS AKHIR 42
UJI COBA 7 - TESTING
BNT IND TLK TOTAL
BNT 162 86 0 248
IND 21 2454 10 2485
TLK 0 785 405 1190
TOTAL 183 3325 415 3923
0500
1000150020002500
BNT IND TLK
STATUS BANTU
HASIL PENGENALAN 22770 BIPOLAR
BNTINDTLK
TUGAS AKHIR 43
UJI COBA 8 - TRAINING
Input Unit 25
Output Unit 3
Hidden Unit 100
Momentum 0.2
Learning Rate 0.01
Error Max 0.0001
Fungsi Aktivasi Bipolar Sigmoid
Epoch 699930
Error Rata2 Sistem 7.51E-04
Tingkat Akurasi 98.27%
TUGAS AKHIR 44
UJI COBA 8 - TESTING
BNT IND TLK TOTAL
BNT 181 107 0 288
IND 2 2992 1 2995
TLK 0 226 414 640
TOTAL 183 3325 415 3923
0
1000
2000
3000
BNT IND TLK
STATUS BANTU
HASIL PENGENALAN 699930 BIPOLAR
BNTINDTLK
TUGAS AKHIR 45
UJI COBA 9 - TRAINING
Input Unit 25
Output Unit 3
Hidden Unit 1000
Momentum 0.2
Learning Rate 0.1
Error Max 1E-26
Fungsi Aktivasi Sigmoid Biner
Epoch 203610
Error Rata2 Sistem 9.8831E-27
Tingkat Akurasi 97.50%
TUGAS AKHIR 46
UJI COBA 9 - TESTING
BNT IND TLK TOTAL
BNT 179 80 0 259
IND 4 3000 0 3004
TLK 0 245 415 660
TOTAL 183 3325 415 3923
TUGAS AKHIR 47
UJI COBA 10 - TRAINING
Input Unit 25
Output Unit 3
Hidden Unit 1000
Momentum 0.2
Learning Rate 0.1
Error Max 1E-27
Fungsi Aktivasi Sigmoid Biner
Epoch 225060
Error Rata2 Sistem 2.2024E-27
Tingkat Akurasi 97.74%
TUGAS AKHIR 48
UJI COBA 10 - TESTING
BNT IND TLK TOTAL
BNT 179 79 0 258
IND 4 3018 1 3023
TLK 0 228 414 642
TOTAL 183 3323 415 3923
TUGAS AKHIR 49
UJI COBA 11 - TRAINING
Input Unit 25
Output Unit 3
Hidden Unit 1000
Momentum 0.2
Learning Rate 0.01
Error Max 1E-17
Fungsi Aktivasi Sigmoid Biner
Epoch 972180
Error Rata2 Sistem 9.9782E-18
Tingkat Akurasi 98.84%
TUGAS AKHIR 50
UJI COBA 11 - TESTING
BNT IND TLK TOTAL
BNT 180 75 0 255
IND 3 3070 2 3075
TLK 0 180 413 593
TOTAL 183 3325 415 3923
TUGAS AKHIR 51
UJI COBA 12 - TRAINING
Input Unit 25
Output Unit 3
Hidden Unit 1000
Momentum 0.2
Learning Rate 0.01
Error Max 1E-18
Fungsi Aktivasi Sigmoid Biner
Epoch 1048410
Error Rata2 Sistem 3.4794E-18
Tingkat Akurasi 98.93%
TUGAS AKHIR 52
UJI COBA 12 - TESTING
BNT IND TLK TOTAL
BNT 180 76 0 256
IND 3 3071 2 3076
TLK 0 178 413 591
TOTAL 183 3325 415 3923
TUGAS AKHIR 53
UJI COBA 13 - TRAINING
Input Unit 25Output Unit 3Hidden Unit 1000Momentum 0.2Learning Rate 0.1Error Max 1E-3Fungsi Aktivasi Sigmoid BipolarEpoch 186780Error Rata2 Sistem 0.00068806Tingkat Akurasi 89.44%
TUGAS AKHIR 54
UJI COBA 13 - TESTING
BNT IND TLK TOTAL
BNT 178 35 0 213
IND 5 2903 0 2908
TLK 0 387 415 802
TOTAL 183 3325 415 3923
TUGAS AKHIR 55
UJI COBA 14 - TRAINING
Input Unit 25
Output Unit 3
Hidden Unit 1000
Momentum 0.2
Learning Rate 0. 1
Error Max 1E-4
Fungsi Aktivasi Sigmoid Bipolar
Epoch 499950
Error Rata2 Sistem 0.00425
Tingkat Akurasi 95.74%
TUGAS AKHIR 56
UJI COBA 14 - TESTING
BNT IND TLK TOTAL
BNT 180 76 0 256
IND 3 3013 1 3017
TLK 0 236 414 650
TOTAL 183 3325 415 3923
TUGAS AKHIR 57
UJI COBA 15 - TRAINING
Input Unit 25
Output Unit 3
Hidden Unit 1000
Momentum 0.2
Learning Rate 0.01
Error Max 1E-5
Fungsi Aktivasi Sigmoid Bipolar
Epoch 211200
Error Rata2 Sistem 9.7785E-6
Tingkat Akurasi 97.79%
TUGAS AKHIR 58
UJI COBA 15 - TESTING
BNT IND TLK TOTAL
BNT 155 40 0 190
IND 33 2800 0 2833
TLK 0 485 415 900
TOTAL 183 3325 415 3923
TUGAS AKHIR 59
UJI COBA 16 - TRAINING
Input Unit 25
Output Unit 3
Hidden Unit 1000
Momentum 0.2
Learning Rate 0.01
Error Max 1E-6
Fungsi Aktivasi Sigmoid Bipolar
Epoch 1000230
Error Rata2 Sistem 0.00071741
Tingkat Akurasi 99.09%
TUGAS AKHIR 60
UJI COBA 16 - TESTING
BNT IND TLK TOTAL
BNT 181 112 0 293
IND 2 2946 0 2948
TLK 0 267 415 682
TOTAL 183 3325 415 3923
TUGAS AKHIR 61
HASIL EVALUASI
TUGAS AKHIR 62
HASIL EVALUASI
Bahwa untuk mengklasifikasi status bantu yang paling akurat (hidden unit : 100, momentum : 0.2, learning rate : 0.01, nilai toleransi error : 1E-12) adalah dengan menggunakan fungsi aktivasi Sigmoid Biner (Uji Coba 4) dengan tingkat akurasi 98.95% pada proses training dan 93.40% pada proses testing.
Kesalahan pengenalan data yang cukup besar pada status ’IND’ bisa jadi diperngaruhi oleh pemilihan set data pada saat proses learning.
Memperkecil nilai Learning Rate dan Toleransi Error (pada fungsi aktivasi dan hidden unit yang sama) dapat memperbaiki tingkat akurasi pengenalan status bantu.
TUGAS AKHIR 63
K E S I M P U L A N
Metode ini dapat dijadikan alternatif dalam mengklasifikasikan status bantu program beasiswa Anak Asuh Pena Bangsa dengan tingkat akurasi 98.95% pada proses training dan 93.40% pada proses testing (menggunakan fungsi aktivasi Sigmoid Biner, hidden unit : 100, momentum : 0.2, learning rate : 0.01, dan nilai toleransi error : 1E-12).
Dalam pengenalan status bantu, menggunakan fungsi Sigmoid Biner lebih baik daripada fungsi Sigmoid Bipolar
Pada fungsi aktivasi Sigmoid Biner, penggunaan 100 hidden unit lebih baik daripada menggunakan 1000 hidden unit
TUGAS AKHIR 64
Aplikasi ini dapat dikembangkan ke arahpenentuan besarnya nilai nominalbeasiswa yang diberikan untuk setiapanak asuh atau sistem pemasangan anakasuh dengan orang tua asuh.