Sei sulla pagina 1di 6

ANALISIS PERBANDINGAN METODE PERCEPTRON DAN

BACKPROPAGATION DALAM MENGENALI GERBANG LOGIKA


Yudhi Andrian1, M. Rhifky Wayahdi2
1
Dosen Teknik Informatika, STMIK Potensi Utama
2
Mahasiswa Sistem Informasi, STMIK Potensi Utama
1,2
Jl. K.L. Yos Sudarso Km 6,5 No. 3A Tanjung Mulia-Medan
1
yudhi.andrian@gmail.com, 2rhifky.wayahdi@yahoo.com

Abstract

Logic gates is a series of computers that form the base. Millions of transistors in a microprocessor
forming thousands of logic gates. Some methods or models are often used to recognize the logic gate is
the perceptron and backpropagation method. Perceptron is a network that is fast and reliable for the
class of problems that can be solved. While backpropagation is one of the Artificial Neural Network
architecture that has the learning process forward and backwards error correction. In case recognizes
logic gates, testing backpropagation method can recognize the pattern of the binary input data and
binary targets well, while the less well perceptron method in recognizing binary input data patterns and a
target binary, particularly the Ex-OR logic functions and Ex-NOR, but the method perceptron can
recognize the logic gates faster than the back propagation method, especially in the use of binary input
data and the target binary OR and NOR logic function of the number of iterations 20 both methods cant
identify with either logic gates on the input data bipolar to the target bipolar or binary input data with
bipolar targets (hybrid).

Keyword: Perceptron, Backpropagation, Logic Gates.

1. Pendahuluan ada pada algoritma perceptron dan


mengusulkan metode baru yang dapat
Gerbang logika (logic gates) adalah digunakan untuk menurunkan batas generalisasi
rangkaian dasar yang membentuk komputer. dalam pengaturan stokastik [5].
Jutaan transistor di dalam mikroprosesor Priya, et al. (2014) dalam
membentuk ribuan gerbang logika. Sebuah penelitiannya menggunakan metode
gerbang logika sederhana mempunyai satu backpropagation untuk memprediksi curah
terminal input. Keluarannya dapat tinggi/high hujan di India. Pengujian dengan metode
(1) atau rendah/low (0), tergantung level digital backpropagation memberikan hasil yang akurat
yang diberikan pada terminal input [3]. dan dapat digunakan untuk memprediksi curah
Banyak metode yang dapat digunakan hujan [7].
dalam mengenali pola data seperti gerbang Pada penelitian sebelumnya penulis
logika. Beberapa metode atau model yang pernah menerapkan metode backpropagation
sering digunakan untuk mengenali gerbang dalam memprediksi cuaca di Kota Medan.
logika adalah metode perceptron dan Penulis menyimpulkan bahwa metode
backpropagation. backpropagation dalam proses training dapat
Perceptron merupakan suatu jaringan mengenali pola data dengan cukup baik di mana
yang cepat dan handal untuk kelas masalah semakin kecil nilai target error yang diberikan
yang dapat dipecahkan. Selain itu, pemahaman maka iterasi (epoch) akan semakin besar serta
tentang operasi dari perceptron menyediakan tingkat keakurasiannya juga semakin tinggi.
dasar yang baik untuk memahami jaringan yang Tingkat keakurasian tertinggi pada penelitian
lebih kompleks [3]. Sedangkan tersebut adalah sebesar 86.28% pada kuadrat
backpropagation merupakan salah satu error 0.01 [2].
arsitektur Artificial Neural Network yang Dari penelitian penulis sebelumnya
memiliki proses pembelajaran maju dan koreksi dan penelitian yang dilakukan oleh Mohri,
kesalahan secara mundur. Model ini banyak Mehryar and Afshin R. (2013), serta penelitian
digunakan baik itu untuk proses pengenalan yang dilakukan oleh Priya, et al. (2014)
maupun prediksi dengan tingkat akurasi yang menunjukkan bahwa metode perceptron dan
cukup baik [4]. backpropagation dapat diterapkan dalam
Mohri, Mehryar and Afshin R. (2013) mengenali pola data serta memprediksi suatu
dalam penelitiannya menjelaskan bahwa metode keadaan yang akan datang. Hal ini yang
perceptron dapat mengenali pola pelatihan, mendasari penulis untuk menganalisis lebih
namun terdapat beberapa batas kesalahan yang lanjut perbandingan metode perceptron dan
backpropagation dalam mengenali gerbang jaringan sama dengan target maka jaringan
logika (logic gates). telah mengenali pola dengan baik dan iterasi
Penulis memiliki asumsi bahwa tidak dihentikan.
semua pola data pada gerbang logika dapat Algoritma pelatihan perceptron
dikenali dengan baik oleh metode perceptron digunakan baik untuk input biner maupun
maupun backprogation. Penulis akan bipolar, dengan tertentu, dan bias yang
menggunakan data biner, bipolar, dan hybrid dapat diatur. Satu siklus pelatihan yang
(input biner dan output bipolar). Tujuan melibatkan seluruh data input disebut satu
penelitian ini adalah untuk menganalisis epoch.
perbandingan metode perceptron dan
backpropagation, metode manakah yang dapat 3. Metode Backpropagation
mengenali pola data yang diberikan lebih baik,
dan metode manakah yang dapat mengenali Metode backpropagation merupakan salah
pola data dengan jumlah iterasi terkecil. satu arsitektur jaringan saraf tiruan yang dapat
digunakan untuk mempelajari dan menganalisis
2. Metode Perceptron pola data masa lalu lebih tepat sehingga
diperoleh keluaran yang lebih akurat (dengan
Metode jaringan perceptron merupakan kesalahan atau error minimum) [6].
model yang paling baik pada saat itu. Model ini Langkah-langkah dalam membangun
ditemukan oleh Rosenblatt (1962) dan Minsky algoritma backpropagation adalah sebagai
Papert (1969). Algoritma pelatihan perceptron berikut [8]:
adalah sebagai berikut [8]: a. Inisialisasi bobot (ambil nilai random yang
a. Inisialisasi semua bobot dan bias cukup kecil).
(biasanya=0). b. Tahap perambatan maju (forward
Set learning rate. (0< 1) . Untuk propagation)
penyederhanaan set sama dengan 1. 1) Setiap unit input (X1, i=1,2,3,,n)
Set nilai threshold ( untuk fungsi menerima sinyal xi dan meneruskan
aktivasi. sinyal tersebut ke semua unit pada
b. Untuk setiap pasangan pembelajaran s-t, lapisan tersembunyi.
kerjakan: 2) Setiap unit tersembunyi (Z1, j=1,2,3,
1) Set aktivasi unit input, ditunjukkan ,p) menjumlahkan bobot sinyal input,
dengan persamaan (1). ditunjukkan dengan persamaan (8).
n
x i=s i ; (1) (8)
z j =v 0 j+ xi v ij
2) hitung respon untuk unit output, i=1
ditunjukkan dengan persamaan (2). Dan menerapkan fungsi aktivasi untuk

y =b+ x i wi (2) menghitung sinyal output-nya,
i
ditunjukkan dengan persamaan (9).
3) Masukkan ke dalam fungsi aktivasi,
ditunjukkan dengan persamaan (3). z j=f ( z j) (9)
Fungsi aktivasi yang digunakan adalah

{
1, jika y >
y= 0, jika y (3) fungsi sigmoid, kemudian mengirimkan
sinyal tersebut ke semua unit output.
1, jika y < 3) Setiap unit output (Yk, k=1,2,3,,m)
4) Bandingkan nilai output jaringan y menjumlahkan bobot sinyal input,
dengan target t. ditunjukkan dengan persamaan (10).
jika y t, lakukan perubahan bobot p
(10)
dan bias, ditunjukkan dengan persamaan y k =w 0 k + zi w jk
(4) dan persamaan (5). i=1
(4) Dan menerapkan fungsi aktivasi untuk
w i ( baru )=w i ( lama ) + t xi
(5) menghitung sinyal output-nya,
b ( baru )=b ( lama ) + t ditunjukkan dengan persamaan (11).
jika y = t, tidak ada perubahan bobot dan
bias, ditunjukkan dengan persamaan (6)
y k =f ( y k )
dan persamaan (7). c. Tahap perambatan balik (backpropagation)(11)
1) Setiap unit output (Yk, k=1,2,3,,m)
w i ( baru )=w i (lama) (6)
menerima pola target yang sesuai dengan
(7)
b ( baru )=b(lama) pola input pelatihan, kemudian hitung
c. Lakukan iterasi terus-menerus hingga semua error, ditunjukkan dengan persamaan
pola memiliki output jaringan yang sama (12). (12)
dengan targetnya. Artinya bila semua ouput
k =( t k y k ) f ' ( y k ) Gerbang OR adalah suatu rangkaian logika
dasar yang menyatakan bahwa output-nya
f adalah turunan dari fungsi aktivasi.
akan mempunyai logika 1 jika salah satu
Kemudian hitung korelasi bobot,
input-nya mempunyai logika 1 atau
ditunjukkan dengan persamaan (13). semuanya mempunyai logika 1.
w jk = k z j
Dan menghitung koreksi (13)
bias, b. Gerbang AND
ditunjukkan dengan persamaan (14). Gerbang AND adalah suatu rangkaian
w 0 k = k (14) logika dasar yang menyatakan output-nya
akan mempunyai logika 1 jika semua input-
Sekaligus mengirimkan k ke unit-unit
nya berlogika 1.
yang ada di lapisan paling kanan.
2) Setiap unit tersembunyi (Zj, j=1,2,3,,p)
c. Gerbang NOR
menjumlahkan delta input-nya (dari unit-
Gerbang NOR sama seperti dengan gerbang
unit yang berada pada lapisan di
OR, tetapi keluarannya adalah inverter
kanannya), ditunjukkan dengan
(kebalikannya).
persamaan (15).
m
d. Gerbang NAND
Gerbang NAND sama seperti dengan
j = k w jk
k=1
gerbang AND, tetapi keluarannya adalah
Untuk menghitung informasi error, (15) inverter (kebalikannya).
kalikan nilai ini dengan turunan dari
e. Gerbang Ex-OR
fungsi aktivasinya, ditunjukkan dengan Ex-OR adalah gerbang OR yang bersifat
persamaan (16). ekslusif, sebab output-nya akan bernilai 0
'
j= j f ( z j) jika input-nya sama dan output-nya akan
Kemudian hitung koreksi bobot, (16) bernilai 1 jika salah 1 input-nya bernilai
ditunjukkan dengan persamaan (17). berbeda.
v jk = j x i
f. Gerbang Ex-NOR
(17)
Setelah itu, hitung juga koreksi bias, Gerbang Ex-NOR adalah gerbang Ex-OR
ditunjukkan dengan persamaan (18). yang ditambahkan inverter sehingga tabel
v 0 j= j kebenarannya cukup dengan membalikkan
d. Tahap perubahan bobot dan bias (18) tabel kebenaran Ex-OR.
1) Setiap unit output (Yk, k=1,2,3,,m)
dilakukan perubahan bobot dan bias
(j=0,1,2,,p), ditunjukkan dengan 5. Metode Penelitian
persamaan (19).
w jk ( baru )=w jk (lama )+ w jk (19) Tujuan penelitian ini adalah untuk
menganalisis perbandingan metode perceptron
Setiap unit tersembunyi (Zj, j=1,2,3,,p) dan backpropagation. Untuk mencapai tujuan
dilakukan perubahan bobot dan bias tersebut, penulis akan melakukan pelatihan
(i=0,1,2,,n), ditunjukkan dengan (training) pada pola data gerbang logika. Data
persamaan (20). yang digunakan yaitu data input biner dengan
v ij ( baru )=v ij ( lama ) + v ij (20) target biner, data input bipolar dengan target
bipolar, dan data input biner dengan target
2) Tes kondisi berhenti.
bipolar (hybrid).
Data yang akan dilatih adalah data
4. Gerbang Logika (Logic Gates) dengan dua input dan satu target. Pengenalan
pola dilakukan dengan cara penyesuaian nilai
Gerbang logika (logic gates) adalah bobot. Penghentian penyesuaian bobot dalam
rangkaian dengan satu atau lebih sinyal pengenalan pola apabila kuadrat error mencapai
masukan, tetapi hanya menghasilkan satu sinyal daripada target error yang ditentukan.
berupa tegangan tinggi atau tegangan rendah
sebagai sinyal keluaran. Gerbang logika 6. Hasil dan Analisa
merupakan dasar pembentukan sistem digital.
Gerbang logika yang digunakan diantaranya Pelatihan dan pengujian data dengan
OR, AND, NOR, NAND, Ex-OR, dan Ex-NOR membandingkan metode perceptron dan metode
di mana [1]: backpropagation dengan menggunakan tiga
pola data yang berbeda serta masing-masing
a. Gerbang OR target yang berbeda pula. Adapun bentuk pola
data pertama yang akan dilatih dan diuji pola data yang diberikan pada fungsi logika Ex-
ditunjukkan pada Tabel 1 dengan data input OR dan Ex-NOR.
biner dan data target biner. Selanjutnya yaitu menguji bentuk pola
dengan data input bipolar dengan target bipolar
Tabel 1(a). Data Input Biner dengan Data Target yang ditunjukkan pada Tabel 2.
Biner
Data Tabel 2(a). Data Input Bipolar dengan Data Target
Data Target Bipolar
Input
Ex- Ex-
Data
X1 X2 OR AND NOR NAND Data Target
OR NOR
Input
0 0 0 0 1 1 0 Ex- Ex-
1 0 1 0 0 1 1 X1 X2 OR AND NOR NAND
OR NOR
0 1 1 0 0 1 1
-1 -1 -1 -1 1 1 -1 1
1 1 1 1 0 0 01 -1 1 -1 -1 1 1 -1
-1 1 1 -1 -1 1 1 -1
Pola data pada Tabel 1(a) adalah pola 1 1 1 1 -1 -1 -1 1
data dengan dua data input dan satu data target
yang bervariasi dengan learning rate = 0.7 Pola data pada Tabel 2(a) adalah pola
maksimum epoch = 150000. Adapun hasil data dengan dua data input dan satu data target
pelatihan dan pengujian dari data pada Tabel yang bervariasi dengan learning rate dan
1(a) adalah dapat dilihat pada Tabel 1(b). maksimum epoch yang sama pada pengujian
(Lampiran). data sebelumnya, yaitu learning rate = 0.7
Dari Tabel 1(b) dapat dilihat bahwa maksimum epoch = 150000. Adapun hasil
hasil pengujian perbandingan antara metode pelatihan dan pengujian dari data pada Tabel
perceptron dengan metode backpropagation 2(a) adalah dapat dilihat pada Tabel 2(b).
dengan input biner dan target biner (Lampiran).
mendapatkan hasil yang berbeda. Di mana pada Dari Tabel 2(b) dapat dilihat bahwa
penggunaan metode perceptron pada target error hasil pengujian perbandingan antara metode
0.1 dengan fungsi logika OR dan NOR-lah yang perceptron dengan metode backpropagation
memiliki jumlah iterasi atau epoch yang paling dengan input bipolar dan target bipolar
kecil yaitu pada iterasi 20. Sedangkan dengan mendapatkan hasil yang sama, yaitu sama-sama
metode backpropagation dengan target error tidak dapat mengenali pola data yang diberikan.
yang sama, pada fungsi logika NOR-lah yang Selanjutnya yaitu menguji bentuk pola
memiliki jumlah iterasi atau epoch yang paling dengan data input biner dengan target bipolar
kecil yaitu pada iterasi 43. Adapun grafik (hybrid) yang ditunjukkan pada Tabel 3.
perbandingan penurunan kuadrat error dengan
metode perceptron dan bakpropagation pada Tabel 3(a). Data Input Biner dengan Data Target
fungsi logika NOR dengan target error 0.1 Bipolar (Hybrid)
ditunjukkan pada Gambar 1. Data
Data Target
Input
Perceptron Backpropagation Ex- Ex-
X1 X2 OR AND NOR NAND
OR NOR
0 0 -1 -1 1 1 -1 1
1 0 1 -1 -1 1 1 -1
0 1 1 -1 -1 1 1 -1
1 1 1 1 -1 -1 -1 1

Pola data pada Tabel 3(a) adalah pola


data dengan dua data input dan satu data target
yang bervariasi dengan learning rate dan
Gambar 1. Grafik Penurunan Kuadrat Error maksimum epoch yang sama pada pengujian
data sebelumnya, yaitu learning rate = 0.7
Pada pengujian data input biner dan maksimum epoch = 150000. Adapun hasil
target biner metode perceptron-lah yang dapat pelatihan dan pengujian dari data pada Tabel
mengenali pola data lebih cepat dibandingkan 2(a) adalah dapat dilihat pada Tabel 3(b).
backpropagation, namun pada metode (Lampiran).
backpropagation dapat mengenali semua pola Dari Tabel 3(b) dapat dilihat bahwa
data yang diberikan dengan baik tidak seperti hasil pengujian perbandingan antara metode
metode perceptron yang tidak dapat mengenali perceptron dengan metode backpropagation
dengan input biner dan target bipolar juga
mendapatkan hasil yang sama dengan pengujian
data input bipolar dan target bipolar, yaitu sama-
sama tidak dapat mengenali pola data yang
diberikan.

7. Kesimpulan

Dari hasil penelitian dapat diambil


beberapa kesimpulan antara lain:
a. Pada kasus mengenali gerbang logika,
pengujian metode backpropagation dapat
mengenali pola data input biner dan target
biner dengan baik, sedangkan metode
perceptron kurang baik dalam mengenali
pola data input biner dan target biner,
khususnya pada fungsi logika Ex-OR dan
Ex-NOR.
b. Metode perceptron dapat mengenali gerbang
logika lebih cepat daripada metode
backpropagation khususnya dalam
penggunaan data input biner dan target biner
pada fungsi logika OR dan NOR dengan
jumlah iterasi 20.
c. Metode perceptron dan backpropagation
tidak dapat mengenali gerbang logika [4] Dewi, Candra dan M. Muslikh (2013).
dengan baik pada data input bipolar dengan Perbandingan Akurasi Backpropagation
target bipolar maupun data input biner Neural Network dan ANFIS untuk
dengan target bipolar (hybrid). Hal ini sesuai Memprediksi Cuaca. Journal of Scientic
Modelling & Computation, Vol. 1, No. 1.
dengan asumsi penulis.
[5] Mohri, Mehryar and Afshin R. (2013).
Daftar Pustaka: Perceptron Mistake Bounds.
[1] Andrian, Yudhi (2011). Sistem Digital. [6] Oktaviani, Cici dan Afdal (2013). Prediksi
Penerbit Andi, Yogyakarta. Curah Hujan Bulanan Menggunakan
Jaringan Syaraf Tiruan dengan Beberapa
[2] Andrian, Yudhi dan M. Rhifky Wayahdi Fungsi Pelatihan Backpropagation. Jurnal
(2014). Analisis Kinerja Jaringan Saraf Fisika Unand, Vol. 2, No. 4, Oktober.
Tiruan Metode Backpropagation dalam
Memprediksi Cuaca di Kota Medan. [7] Priya, et al. (2014). Time Series Analysis
SNIKOM, Laguboti. of Forecasting Indian Rainfall.
International Journal of Innovations &
[3] Baldassi, Carlo (2012). Generalization Advancement in Computer Science
Learning in a Perceptron With (IJIACS), Volume 3, Issue 1, April.
Binarysynapses. Torino, Italy.
[8] Sutojo, T., et al. (2010). Kecerdasan
Buatan. Penerbit Andi, Yogyakarta.

Lampiran:

Tabel 1(b). Hasil Pengujian Data Input Biner dengan Data Target Biner
Tabel 2(b). Hasil Pengujian Data Input Bipolar dengan Data Target Bipolar

Tabel 3(b). Hasil Pengujian Data Input Bimer dengan Data Target Bipolar