Dany Candra Febrianto ) dan Hindayati Mustafidah )

Transkripsi

1 Penerapan Jaringan Saraf Tiruan dengan Metode Pembelaaran Bacpropagation untu Mengetahui Tingat Kualifiasi Calon Siswa pada Sistem Informasi Penerimaan Siswa Baru di MAN 2 Banarnegara (Application of Artificial Neural Networs with Bacpropagation Learning Method to Find Out the Level of Qualifications of Prospective Students on New Students Acceptance Information Systems in MAN 2 Banarnegara) Dany Candra Febrianto ) dan Hindayati Mustafidah ) )2) Program Studi Teni Infromatia Faultas Teni Universitas Muhammadiyah Purwoerto Jl.Raya Duuhwaluh, PO BOX 202 Purwoerto 5382,Kembaran Banyumas. Telp : (028) 63675, , Fax : (028) , info@ump.ac.id mrdanydance@gmail.com h.mustafidah@ump.ac.id Abstra - Proses selesi penerimaan siswa baru di Madrasah Aliyah Negeri 2 Banarnegara bertuuan untu mendapatan calon siswa terbai sehingga dapat meningatan ualitas dan uantitas Madrasah Aliyah Negeri 2 Banarnegara dalam hal prestasi maa piha seolah perlu mengetahui ualifiasi calon siswa. Untu membantu piha seolah mengetahui ualifiasi calon siswa maa diperluan suatu apliasi yang mampu menganalisa emampuan calon siswa yang nantinya aan membantu piha seolah dalam mempredisi ualifiasi calon siswa. Adapun apliasi tersebut dirancang menggunaan pemrosesan aringan saraf tiruan dengan algoritma pembelaaran bacpropagation. Dari ui coba yang dilauan sebanya 6 ali dengan parameter target error 0,00, masimum epoh 0000 dan learning rate mulai dari 0,3 sampai dengan 0,8 didapat hasil yang memuasan dimana 64 macam pola yang diuian sistem dapat mengenali 00% pola tersebut dengan MSE yang lebih ecil dari 0,00 dan etia diui dengan 00 data sampel nilai siswa yang didapat dari doumen seolah sistem dapat mengenali 00% data tersebut. Berdasaran hasil percobaan besarnya learning rate mempengaruhi umlah iterasi untu mendapatan MSE,semain besar nilai learning rate semain ecil iterasi yang dibutuhan untu mendapatan MSE yang lebih ecil dari target error. Kata-ata Kunci : Penerimaan Siswa Baru, aringan saraf tiruan, metode bacpropagation. Abstract - The selection process of the new students at Madrasah Aliyah Negeri 2 Banarnegara aims to get the best prospective students to improve the quality and quantity of the achievement of Madrasah Aliyah Negeri 2 Banarnegara they needs to now the qualifications of the applicant. To help the school to now the qualifications of prospective students required an application that is able to analyze the ability of prospective students, that will assist the school in predicting the qualifications of prospective students. The application is designed using artificial neural networ processing with bacpropagation learning algorithm. From the experiments performed 6 times used parameter : target error 0,00, the maximum epoch 0000 and learning rate from 0,3 to 0,8 obtained satisfactory results with 64 inds of patterns tested system can JUITA ISSN: Vol. II Nomor 3, Mei 203 Febrianto, D.C. dan Mustafidah, H. 89

2 recognize 00% patterns with MSE smaller than 0,00 and when they tested with 00 students sample data that they got from the documents the school system can recognize 00% of the data. Based on the experimental magnitude of learning rate affects the number of iterations to get the MSE, the greater the learning rate value the smaller value of iterations required to obtain a smaller MSE than the target error. Key words : selection process of the new students, artificial neural networ, bacpropagation. I. PENDAHULUAN Di setiap lembaga pendidian hususnya seolah menengah atas atau yang sederaat memilii egiatan rutin yang dilauan setiap tahun yaitu menyelenggaraan proses penerimaan siswa baru. Madrasah Aliyah Negeri 2 Banarnegara adalah salah satu lembaga pendidian yang melauan egiatan penerimaan siswa baru disetiap tahun aaran baru. Penerimaan siswa baru di Madrasah Aliyah Negeri 2 Banarnegara pada dasarnya tida ada penolaan terhadap calon siswa, namun arena eterbatasan daya tampung maa piha Madrasah Aliyah Negeri 2 Banarnegara melauan selesi terhadap para calon siswa berdasaran nilai UN (Uian Nasional) SMP (Seolah Menengah Pertama), nilai rapor pendaftar dan nilai non aademis atau nilai wawancara yang didapat pada proses wawancara. Proses selesi penerimaan siswa baru bertuuan untu mendapatan calon siswa terbai sehingga dapat meningatan ualitas dan uantitas Madrasah Aliyah Negeri 2 Banarnegara dalam hal prestasi maa piha seolah perlu mengetahui ualifiasi calon siswa. Untu mengetahui ualifiasi dari calon siswa maa diperluan suatu apliasi yang mampu menganalisa ualifiasi calon siswa dari nilainilai yang didapat calon siswa, Adapun apliasi tersebut aan dirancang menggunaan pemrosesan aringan saraf tiruan dengan algoritma pembelaaran bacpropagation.jaringan saraf tiruan (artifical neural networ) adalah sistem omputasi yang arsitetur dan operasinya diilhami dari pengetahuan tentang sel saraf biologis di dalam ota. Jaringan saraf tiruan merupaan salah satu representasi buatan dari ota manusia yang selalu mencoba menstimulasi proses pembelaaran pada ota manusia tersebut. Jaringan saraf tiruan dapat digambaran sebagai model matematis dan omputasi untu fungsi aprosimasi non-linear, lasifiasi data cluster dan regresi non-parametri atau sebuah simulasi dari olesi model aringan saraf biologi. Model aringan saraf ditunuan dengan emampuannya dalam emulasi, analisis, predisi dan asosiasi. Kemampuan yang dimilii aringan saraf tiruan dapat digunaan untu belaar dan menghasilan aturan atau operasi dari beberapa contoh atau masuan yang dimasuan dan membuat predisi tentang emunginan eluaran yang aan muncul atau menyimpan arateristi masuan yang diberian epada aringan saraf tiruan. Salah satu organisasi yang sering digunaan dalam paradigma aringan saraf tiruan adalah perambatan galat mundur atau bacpropagation seperti yang disampaian oleh []. Jaringan saraf tiruan dirancang dengan menggunaan suatu aturan yang bersifat menyeluruh (general rule) di mana seluruh model aringan memilii onsep dasar yang sama. Arsitetur sebuah aringan aan menentuan eberhasilan target yang aan dicapai arena tida semua permasalahan dapat diselesaian dengan arsitetur yang sama. Sedangan menurut [2] bacpropagation merupaan algoritma pembelaaran yang terawasi dan biasanya digunaan oleh perceptron dengan banya lapisan untu mengubah bobot-bobot yang tehubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma bacpropagation menggunaan error eluaran untu mengubah nilai bobot-bobotnya dalam arah mundur (bacward). Untu mendapatan error ini,peramban mau (foward propagation) harus dieraan terlebih dahulu. Pada saat perambaan mau, neuron neuron diatifan menggunaan fungsi ativasi yang dapat dideferensiasian seperti sigmoid : = )= + ) = ) ) atau tangen sigmoid : = )= + = )= + : )= + ) ) Arsitetur aringan bacpropagation seperti terlihat pada Gambar 4, pada Jaringan Bacpropagation terdiri dari tiga unit (neuron) pada lapisan masuan, yaitu X, X2, dan X3 ; lapisan tersembunyi dengan 2 neuron, yaitu Z dan Z2; serta unit pada lapisan eluaran, yaitu Y. Bobot yang menghubungan X, X2, dan X3 dengan neuron pertama pada lapisan tersembunyi, adalah V, V2, dan V3. Untu b dan b2adalah bobot bias yang menuu e neuron pertama dan edua pada lapisan tersembunyi. Bobot yang menghubungan Zdan Z2 dengan neuron pada lapisan eluaran, adalah Wdan W. Bobot bias bmenghubungan lapisan 90 JUITA ISSN: Vol. II Nomor 3, Mei 203 Febrianto, D.C. dan Mustafidah, H.

3 tersembunyi dengan lapisan eluaran. Fungsi ativasi yang digunaan, antara lapisan masuan dan lapisan tersembunyi, dan antara lapisan tersembunyi dengan lapisan eluaran adalah fungsi ativasi sigmoid biner yang seperti yang disampaian oleh [3]. Gambar. Arsitetur Jaringan Bacpropagation Dengan diembangannya apliasi aringan saraf tiruan dengan algoritma pembelaaran bacpropagation untu predisi ualifiasi calon siswa ini diharapan dapat dengan cepat dan tepat membantu piha seolah dalam melauan selesi dan dan mengetahui ualifiasi dari calon siswapada proses penerimaan siswa baru di Madrasah Aliyah Negeri 2 Banarnegara sehingga seolah dapat melauan tindaan lebih lanut terhadap siswa yang diterima diseolah tersebut. II. METODE Pelasanaan penelitian ini dilasanaan di Madrasah Aliyah Negeri 2 Banarnegara, yang beralamat di Jl. Letend Suprapto 95A Banarnegara, 5347, Jawa Tengah.Jenis penelitian yang digunaan adalah enis penelitian uantitatif dan asosiatif arena dalam penelitian ini data yang digunaan adalah data berupa anga yaitu data nilai dari calon siswa yang mendaftar di Madrasah Aliyah Negeri 2 Banarnegara serta mengetahui hubungan nilai calon siswa yang mendaftar dengan ualifiasi calon siswa.pengumpulan data pada penelitian ini menggunaan metode wawancara (untu mendapatan alur egiatan penerimaan siswa baru) dan doumentasi (untu mendapatan data pendaftar egiatan siswa baru di Madrasah Aliyah Negeri 2 Banarnegara). sampel terdiri dari raport calon siswa, nilai ini nilai yang rata-rata dari nilai raport semester sampai dengan nilai raport semester 5. UN (Uian Nasional), nilai UN (Uian Nasional) ini mencaup nilai Matematia, nilai Ipa, nilai Bahasa Indonesia dan nilai Bahasa Inggris yang diperoleh siswa etia mengiuti proses Uian Nasional sewatu SMP., nilai wawancara ini mencaup nilai penampilan, nilai motivasi belaar, nilai duungan orang tua, nilai membaca Al-Quran yang diperoleh etia calon siswa mengiuti proses wawancara pada saat menalani serangaian egiatan yang telah ditentuan oleh Madrasah Aliyah Negeri 2 Banarnegara. Arsitetur aringan untu penelitian ini terdiri dari 3 Neuron pada Lapisan Masuan, 4 Neuron pada Lapisan Tersembunyi, dan Neuron pada Lapisan Keluaran. Empat buah neuron masuan masing-masing terhubung dengan sinyal masuan sedangan neuron pada lapisan eluaran dapat dilasifiasian sebagai beriut (tinggi) dan 0 (rendah). Arsitetur dapat dilihat pada Gambar 2. JUITA ISSN: Vol. II Nomor 3, Mei 203 Febrianto, D.C. dan Mustafidah, H. 9

4 Gambar 2. Strutur Jaringan Bacpropagation dengan 3 Neuron pada Lapisan Masuan, 4 Neuron pada Lapisan Tersembunyi, dan Neuron pada Lapisan Keluaran III. HASIL DAN PEMBAHASAN A. Penelitian Penelitian menggunaan sampel data yaitu data nilai pendaftar peserta penerimaan siswa baru di Madrasah Aliyah Negeri 2 yang didapat dari piha seolah. sampel tertera pada Tabel I. No TABEL I DATA SAMPEL YANG DIGUNAKAN UNTUK PEMBELAJARAN (X ) UN (X 2 ) (X 3 ) 8,44 8, ,33 8, ,36 8, ,2 8, ,24 8, ,78 7, ,86 7, ,65 7, ,35 7, Target 96 6,24 6, ,23 5, ,2 6, ,5 6, ,34 6,5 7 0 B. Analisis Penelitian ini mengelompoan ualifiasi dalam 2 golongan,yaitu ualifiasi- (Tinggi), dan Kualifiasi-2 (Rendah). Tinggi rendahnya ualifiasi ditentuan oleh tiga nilai yang diperoleh calon siswa, yaitu, UN,. Masing masing nilai memilii etentuan sebagi beriut : X : bernilai ia 8 0 bernilai 0 ia 0 5 X 2 : UN UN bernilai ia 8 UN 0 UN bernilai 0 ia 0 UN 5 X 3 : ia ia 0 6 Penetapan etiga nilai tersebut dapat dirumusan menggunaan rumus sigmoid sebagai beriut: 92 JUITA ISSN: Vol. II Nomor 3, Mei 203 Febrianto, D.C. dan Mustafidah, H.

5 0; 2 )= ; ; + 2 ; Keterangan : X=, UN,. u = nilai variable X. BBX = Batas Bawah variable X. = 5 UN = 5 = 6 BAX = Batas Atas variable X. = 8 UN = 8 = 8 Berdasaran penetapan dari etiga nilai diatas maa dibuat pola untu dilatihan menggunaan metode bacpropagation sehingga menghasilan bobot dan bias ahir yang nantinya digunaan untu melauan simulasi terhadap data sampel yang tertera pada Tabel. Pola data nilai yang dilatihan dapat dilihat pada Tabel II. e- TABEL II POLA DATA NILAI YANG AKAN DILATIH (X ) UN (X 2 ) (X 3 ) , , , , Kelas Setalah dilauan pembelaaran aan didapatan bobot dan bias baru emudian dilauan simulasi dengan pola yang sama (Tabel 2) sebelum dilauan simulasi terhadap data sampel (Tabel ) untu mengetahui apaah bobot dan bias ahir dapat diterapan untu mengetahui tingat ualifiasi calon siswa. Pola data nilai dilatihan menggunaan algoritma pembelaaran bacpropagation seperti beriut : a. Menginisialisasi bobot awal secara random yang meliputi : ) bobot awal masuan e lapisan tersembunyi (v) 2) bobot awal lapisan tersembunyi e lapisan eluaran (w) 3) bobot awal bias masuan (b) 4) bobot awal bias eluaran (b2) b. Menetapanmasimum epoh, target error, dan learning rate. c. inisialisasi, epoh = 0. d. Selama epoh < masimum_epoh dan MSE < target_error, maa aan dieraan langah-langah beriut : ) epoh = epoh + 2) untu tiap pasangan elemen yang aan dilauan pembelaaran, dilauan : Feedforward : a) Tiap-tiap unit masuan (X i, i =, 2, 3) menerima sinyal x i dan menerusan sinyal tersebut e semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi). b) Tiap-tiap unit pada suatu lapisan tersembunyi (Z, =, 2) menumlahan sinyal-sinyal masuan berbobot: z _ in = b + n i= x v i i emudian digunaan fungsi ativasi untu menghitung sinyal eluarannya yaitu z f (z _ in ) = arena dalam pembelaaran ini digunaan fungsi ativasi sigmoid biner, maa sinyal eluaran berbentu z = + e σz _ in atau yang disebut uga dengan fungsi logsig. Sinyal ini selanutnya diiriman e semua unit di lapisan atasnya (unit-unit eluaran). Catatan : Langah (2) dilauan sebanya lapisan tersembunyi, yaitu sebanya 4 ali. c) tiap-tiap unit eluaran (Y, =, 2) menumlahan sinyal-sinyal eluaran berbobot : JUITA ISSN: Vol. II Nomor 3, Mei 203 Febrianto, D.C. dan Mustafidah, H. 93

6 y _ in = b2 + p i= x w i dan digunaan fungsi ativasi sigmoid biner untu menghitung sinyal eluarannya yaitu : y y = f (y _ in = + e ) σy _ in dan sinyal tersebut diiriman e semua unit di lapisan atasnya (unit-unit eluaran) Bacpropagation : d) tiap-tiap unit eluaran (Y, =, 2) menerima target pola yang berhubungan dengan pola masuan pembelaaran, dan menghitung informasi errornya yaitu : δ2 ϕ2 = (t =δ y z )f '(y _ in β2 =δ arena fungsi ativasi yang digunaan adalah fungsi sigmoid biner, maa fungsi turunannya (f ) adalah : f '(y _ in ) = σf (y _ in )[ f (y _ in )] emudian dihitung oresi bobot (yang nantinya aan digunaan untu memperbaii nilai w ) : w = αϕ 2 selain itu dihitung uga oresi bias (yang nantinya aan digunaan untu memperbaii nilai b2 ) yaitu : b2 = αβ2 Langah (4) ini dilauan sebanya umlah lapisan tersembunyi (4 ali), yaitu menghitung informasi error dari suatu lapisan tersembunyi e lapisan tersembunyi sebelumnya. e) Tiap-tiap unit tersembunyi (Z, =, 2) menumlahan delta masuannya (dari unitunit yang berada pada lapisan di atasnya) yaitu : δ _ in = m = δ2 w nilai ini emudian dialian dengan turunan dari fungsi ativasinya untu menghitung informasi error yaitu : ) δ ϕ β i =δ _ in f '(z _ in ) =δ x =δ emudian dihitung oresi bobot (yang nantinya digunaan untu memperbaii nilai v i ) yaitu : v = αϕ i i selain itu, dihitung uga oresi bias (yang nantinya digunaan untu memperbaii nilai b ) yaitu : b = αβ f) Tiap-tiap unit eluaran (Y, =, 2...,m) memperbaii bias dan bobotnya yaitu : w (baru) = w (lama) + w b2 (baru) = b2 (lama) + b2 Tiap-tiap unit tersembunyi (Z, =, 2.,p) memperbaii bias dan bobotnya (i =, 2, 3) yaitu : v (baru) = v (lama) + v i i b (baru) = b (lama) + b 3) Hitung MSE e. Setelah diperoleh bobot-bobot ahir masuan, lapisan, dan bias maa hasil tersebut diui dengan pola yang sama untu mengetahui tingat aurasi. f. Melauan ombinasi masimum epoh, target error, dan learning rate dan melauan Pembelaaran serta ui pola untu mendapatan hasil yang diinginan yaitu tingat aurasi diatas 90% dan MSE lebih ecil dari target error. g. Melauan simulasi predisi ualifiasi dengan data sampel yang nilai masuannya telah diubah menadi fungsi eanggotaan sigmoid dengan bobot dan bias ahir hasil pelatihan, untu mengetahui apaah bobot dan bias dapat digunaan untu mempredisi tingat ualifiasi calon siswa. h. Melauan ui coba terhadap data baru. C. Pelatihan Pelatihan dilauan terhadap pola data nilai yang terdapat pada Tabel 2 untu mencari onfigurasi terbai antara masimum epoh, target error, dan learning rate dengan cara mengubah learning rate sedangan target error yang digunaan adalah 0,00, masimum epoh 0000 dan bobot awal ditentuan dengan mengaca anga dari - sampai (random). Percobaan pelatihan aan dilauan beberapa ali sampai mendapatan tingat aurasi diatas 90% dan MSE lebih ecil dari target error. i 94 JUITA ISSN: Vol. II Nomor 3, Mei 203 Febrianto, D.C. dan Mustafidah, H.

7 Percobaan dilauan dengan menggunaan parameter paremeter sebagai beriut : masimum epoh= 0000 target error = 0,00 learning rate = 0,3 hasil dari pelatihan dengan prameter-parameter diatas adalah : MSE = Iterasi selesai = 9757 Tingat aurasi data rule 00% Tingat aurasi data sampel 00% dengan rincian sebagai beriut: Bobot dan bias ahir : Bobot ahir lapisan masuan e lapisan tersembunyi seperti pada Tabel III. TABEL III BOBOT AKHIR LAPISAN MASUKAN KE LAPISAN TERSEMBUNYI PERCOBAAN KE Bias ahir lapisan masuan e lapisan tersembunyi seperti pada Tabel IV. TABEL IV BIAS AKHIR LAPISAN MASUKAN KE LAPISAN TERSEMBUNYI PERCOBAAN KE Bobot ahir lapisan tersembunyi e lapisan eluaran seperti pada Tabel V. TABEL V BIAS AKHIR LAPISAN MASUKAN KE LAPISAN TERSEMBUNYI PERCOBAAN KE Bias ahir lapisan tersembunyi e lapisan eluaran b2= Hasil simulasi terhadap pola data yang dilatih terdapat pada Tabel VI. TABEL VI HASIL SIMULASI TERHADAP POLA DATA YANG DILATIH PERCOBAAN KE e- (X ) UN (X 2 ) (X 3 ) Kelas Keluaran Hasil Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco JUITA ISSN: Vol. II Nomor 3, Mei 203 Febrianto, D.C. dan Mustafidah, H. 95

8 Hasil simulasi terhadap 00 data sampel terdapat pada Tabel VII. TABEL VII HASIL SIMULASI TERHADAP DATA SAMPEL PERCOBAAN KE e- Fungsi eanggotaan sigmoid UN UN Target Keluaran Hasil Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Setelah dilauan 6 ali percobaan menggunaan ombinasi masimum epoh dan learning rate yang berbeda-beda maa telah didapatan hasil seperti pada Tabel VIII. Percobaan Ke- Masimum Epoh TABEL VIII REKAPITULASI HASIL PERCOBAAN PEMBELAJARAN KE SAMPAI 6 Learning Rate Target Error Iterasi MSE Tingat Aurasi Rule Tingat Aurasi Sampel Keterangan ,3 0, % 00 % Memenuhi ,4 0, % 00 % Memenuhi ,5 0, % 00 % Memenuhi ,6 0, % 00 % Memenuhi ,7 0, % 00 % Memenuhi ,8 0, % 00 % Memenuhi Berdasaran hasil percobaan e sampai 6 semua ombinasi dianggap memenuhi riteria yang diinginan yaitu tingat aurasi lebih dari 90% dan MSE lebih ecil dari target error. Dari hasil di atas uga dapat ditari esimpulan bahwa semain besar nilai leraning rate maa aan semain ecil umlah iterasi untu menemuan MSE yag lebih ecil dari target error. D. Penguian Baru Penguian bobot dan bias ahir dapat beralan secara lancar untu melauan simulasi terhadap data sampel 96 JUITA ISSN: Vol. II Nomor 3, Mei 203 Febrianto, D.C. dan Mustafidah, H.

9 (Tabel ) yang telah disiapan sebelumnya. Setelah simulasi terhadap data sampel selanutnya dilauan ui coba terhadap data baru dengan pola baru yang tida ada di data sampel. Tabel IX menunuan hasil penguian terhadap data baru. TABEL IX HASIL UJI COBA TERHADAP DATA BARU No UN Sigmoid Sigmoid UN Sigmoid Keluaran Kualifiasi Tinggi Tinggi Tinggi Tinggi Tinggi Tinggi Tinggi Tinggi Rendah Tinggi Tinggi Rendah Rendah Rendah IV. PENUTUP A. Kesimpulan Berdasaran hasil penelitian maa dapat diambil esimpulan antara lain:. Metode aringan saraf tiruan dengan algoritma pembelaaran bacpropagation dapat diterapan untu mengetahui ualifiasi calon siswa di Madrasah Aliyah Negeri 2 Banarnegara sehingga piha seolah dapat menggambil tindaan terhadap calon siswa dengan ualifiasi yang tinggi dan rendah. 2. Percobaan dengan parameter masimum epoh 0000, target error 0,00 dan learning rate antara 0,3 sampai 0,8 menghasilan MSE lebih ecil dari target error yang berisar 0,0009 dan dapat digunaan untu mempredisi ualifiasi siswa di Madrasah Aliyah negeri 2 Banarnegara. 3. Pembuatan pola data pelatihan membuat sistem dapat mengenali pola-pola baru yang belum ada pada data sampel. 4. Semain besar nilai leraning rate maa aan semain ecil umlah iterasi untu menemuan MSE yag lebih ecil dari target error B. Saran Setelah dilauannya penelitian disaranan :. Penelitian ini dapat diembangan lagi dengan umlah ualifiasi yang lebih beragam tida hanya tinggi dan rendah, misalnya tinggi,rendah dan sedang. 2. Penelitian ini dapat diembangan lagi dengan menggunaan metode lainnya misalan FNN (Fuzzy Neural Networ) untu perbandingan metode dengan data yang sama. DAFTAR PUSTAKA [] Hermawan,A.,2006. Jaringan Saraf Tiruan : Teori dan Apliasi, Andi Publisher, Yogyaarta. [2] Kusumadewi, S., 2004, Membangun Jaringan Saraf Tiruan, Graha Ilmu, Yogyaarta. [3] Kusumadewi, S. dan Hartati, S., 2006, Neuro Fuzzy : Integrasi Sistem Fuzzy dan Jaringan Saraf, Graha Ilmu, Yogyaarta. JUITA ISSN: Vol. II Nomor 3, Mei 203 Febrianto, D.C. dan Mustafidah, H. 97