5

BAB 2

LANDASAN TEORI

2.1 Tentang Jembatan

2.1.1 Jembatan

Jembatan adalah struktur buatan manusia yang dibangun untuk

menghindari rintangan fisik tanpa menutup jalan di bawahnya seperti badan air,

lembah, atau jalan. Jembatan dibangun untuk tujuan menyediakan bagian atas

hambatan. Jembatan pertama yang dibuat oleh manusia mungkin bentang kayu

gelondongan atau papan dan akhirnya batu, menggunakan dukungan sederhana

dan pengaturan balok silang. Desain jembatan bervariasi tergantung pada fungsi

jembatan, sifat medan tempat jembatan dibangun dan berlabuh, bahan yang

digunakan untuk membuatnya, dan dana yang tersedia untuk membangunnya

(Balasubramanian, 2017).

2.1.2 Sinyal

Sinyal didefinisikan sebagai seperangkat informasi atau data seperti sinyal

telepon atau televisi. Umumnya sinyal adalah fungsi dari variabel independen

yaitu waktu. Sinyal dikatakan kontinu jika didefinisikan atas semua nilai .

Di sisi lain, Sinyal waktu diskrit seringkali berasal dari sinyal waktu kontinu

dengan mengambil sampel pada laju yang seragam (Hashima, S.,2018).

2.1.3 Getaran

Getaran atau vibrasi adalah gerakan bolak-balik dalam suatu interval

waktu tertentu. Getaran berhubungan dengan gerak osilasi benda dan gaya yang

berhubungan dengan gerak tersebut. Semua benda yang mempunyai massa dan

elastisitas mampu bergetar, jadi kebanyakan mesin dan struktur rekayasa

(engineering) mengalami getaran sampai derajat tertentu dan rancangannya

biasanya memerlukan pertimbangan sifat osilasinya. Getaran adalah gerak bolak

balik atau gerak osilasi suatu benda yang mempunyai massa dan mempunyai

elastisitas seperti sistem pegas massa. Vibrasi atau getaran mempunyai tiga

6

parameter penting yang dapat dijadikan sebagai tolak ukur yaitu (Hidayat dan

Wilih, 2017):

1) Amplitudo

Amplitudo adalah ukuran atau besarnya sinyal vibrasi yang dihasilkan.

Amplitudo dari sinyal vibrasi mengidentifikasikan besarnya gangguan yang

terjadi. Makin tinggi amplitudo yang ditunjukkan, menandakan makin besar

gangguan yang terjadi.

2) Frekuensi

Frekuensi adalah banyaknya periode getaran yang terjadi dalam satu

putaran waktu. Besarnya frekuensi yang timbul pada saat terjadinya vibrasi

dapat mengidentifikasikan jenis gangguan yang terjadi. Gangguan yang

terjadi sering menghasilkan frekuensi yang jelas atau menghasilkan contoh

frekuensi yang dapat dijadikan sebagai bahan pengamatan. Dengan

diketahuinya frekuensi pada saat mengalami vibrasi, maka penelitian atau

pengamatan secara akurat dapat dilakukan untuk mengetahui penyebab atau

sumber dari permasalahan. Frekuensi biasanya ditunjukkan dalam bentuk

Cycle per menit (CPM), yang biasanya disebut istilah Hertz (dimana Hz =

CPM). Biasanya singkatan yang digunakan untuk Hertz adalah Hz.

3) Phase

Phase adalah penggambaran akhir dari pada karakteristik suatu getaran

atau vibrasi yang terjadi. Phase adalah perpindahan atau perubahan posisi

dari pada bagian –bagian yang bergetar secara relatif untuk menentukan titik

referensi atau titik awal pada bagian yang lain yang bergetar.

2.1.4 Structural Health Monitoring System

Structural Health Monitoring (SHM) didefinisikan sebagai proses

penerapan strategi identifikasi kerusakan untuk infrastruktur luar angkasa, sipil,

dan teknik mesin. Pemeriksaan dan identifikasi kerusakan didasarkan pada

berbagai perangkat evaluasi tak rusak lokal yang sangat efektif. SHM adalah

sebuah implementasi dari teknik pemantauan canggih oleh berbagai sensor.

7

Tetapi tujuan akhir dari penerapan SHM adalah untuk mewujudkan

pemeliharaan berbasis kondisi lengkap, dimana proses pemantauan adalah

otonom dan berkelanjutan. Dengan demikian SHM dapat membebaskan

pekerjaan inspeksi yang rumit.

Berikut ini adalah flowchart dari SHM yang terdiri dari 4 tahapan.

Tahapan tersebut adalah detection, location, severity dan prognosis (González,

2011).

Gambar 2.1 Flowchart SHM sistem.

(Sumber: González, 2011)

Berdasarkan flowchart di atas, dapat dilihat bahwa pada awalnya sistem

akan memantau struktur bangunan. Dari hasil pemantauan tersebut, akan

terdeteksi apakah struktur tersebut memiliki kerusakan atau tidak. Jika tidak,

sistem akan melakukan pemantauan terus-menerus. Jika terjadi kerusakan, maka

akan dilanjutkan ke tahap selanjutnya dengan mengukur apakah kerusakan

tersebut berada dalam tahap yang dapat ditoleransi atau tidak. Apabila ternyata

tidak dalam batas toleransi kerusakan bangunan (structure fault tolerant), maka

bangunan tersebut sudah tidak dapat digunakan dan membutuhkan penanganan

yang serius. Namun, jika masih dalam batas toleransi, maka akan dilakukan

diagnosa. Diagnosa dilakukan dengan tujuan untuk mengetahui:

a. Lokasi kerusakan

b. Jenis kerusakan

c. Besarnya kerusakan yang terjadi

8

Setelah melakukan diagnosa, tahap berikutnya adalah prognosis, yaitu

menghitung atau meramalkan umur bangunan. Tujuannya agar bisa mengetahui

sampai kapan bangunan tersebut layak dipakai.

2.1.5 Vibration-based SHM

Data vibration-based yang menunjukkan tanda-tanda dari tingkah laku

struktur sangat luas dikenal akan kepekaannya terhadap kerusakan. SHM

berbasis getaran sangat cocok dengan perkembangan teknologi saat ini dan telah

dikembangkan secara ekstensif. Hal ini didukung oleh tiga aspek. Pertama

karena teknologi akuisisi data untuk mengumpulkan dan menyimpan data

getaran struktural tersedia secara luas dengan harga murah. Kedua karena fungsi

pemetaan pada struktur fisik terhadap getaran telah dibangun secara baik.

Terakhir yaitu data getaran bersifat global sehingga cukup melakukan

pengukuran pada titik dengan batas tertentu (Gunawan, 2017).

2.2 Klasifikasi

Klasifikasi adalah pendekatan data mining (machine learning) yang digunakan

untuk memperkirakan keanggotaan grup untuk data. Meskipun ada berbagai teknik

yang tersedia untuk machine learning tetapi klasifikasi adalah teknik yang paling

banyak digunakan. Klasifikasi adalah tugas yang dikagumi dalam machine learning

terutama dalam rencana masa depan dan penemuan pengetahuan. Klasifikasi

dikategorikan sebagai salah satu masalah tertinggi yang dipelajari oleh para peneliti

machine learning dan bidang data mining. (Soofi dan Awan, 2017)

2.3 Artificial Inteligence

Artificial Inteligence (Kecerdasan Buatan) merupakan salah satu bagian dari

ilmu komputer yang mempelajari bagaimana membuat mesin (komputer) dapat

melakukan tugas seperti dan sebaik yang dilakukan oleh manusia bahkan bisa lebih

baik daripada yang dilakukan oleh manusia.

2.4 Machine Learning

Machine Learning (Pembelajaran mesin) adalah jenis kecerdasan buatan

(Artificial Inteligence) yang memungkinkan komputer belajar dari data tanpa

9

diprogram secara eksplisit. Dengan kata lain, tujuan pembelajaran mesin adalah

merancang metode yang secara otomatis melakukan pembelajaran menggunakan

pengamatan dunia nyata (disebut "training data"), tanpa definisi eksplisit tentang

aturan atau logika oleh manusia ("pelatih" / "pengawas ") (Khan et al., 2018).

2.4.1 Supervised Learning

Supervised Learning adalah pembelajaran melalui input yang telah diberi

label, yang bertindak sebagai target. Untuk setiap contoh pelatihan akan ada satu

set nilai input (vektor) dan satu atau lebih nilai output yang ditunjuk terkait.

Tujuan dari bentuk pelatihan ini adalah untuk mengurangi model klasifikasi

yang eror, melalui perhitungan yang benar dari nilai output dari contoh pelatihan

(O’Shea, Nash, R. 2015).

2.4.2 Unsupervised Learning

Unsupervised Learning berbeda dengan supervised learning karena set

pelatihan tidak termasuk label. Keberhasilan biasanya ditentukan oleh apakah

jaringan dapat mengurangi atau meningkatkan fungsi biaya terkait. Namun,

penting untuk dicatat bahwa sebagian besar tugas pengenalan pola yang

berfokus pada gambar biasanya tergantung pada klasifikasi yang menggunakan

supervised learning (O’Shea, K., Nash, R. 2015).

2.5 Deep Learning

Pembelajaran mendalam (Deep learning) adalah seperangkat metode yang

memungkinkan komputer untuk belajar dari data tanpa pengawasan dan intervensi

manusia, metode ini dapat beradaptasi dengan lingkungan yang berubah dan

memberikan peningkatan berkesinambungan untuk kemampuan yang dipelajari.

Deep learning adalah kumpulan algoritma pembelajaran yang telah diterapkan tiga

bidang, yaitu supervised learning, unsupervised learning, dan reinforcement learning.

10

2.6 Jaringan Saraf Tiruan

Jaringan saraf tiruan adalah, sebagaimana namanya, jaringan komputasi yang

mencoba mensimulasikan, secara kasar, proses pengambilan keputusan dalam

jaringan sel saraf (neuron) sistem saraf pusat biologis (manusia atau hewan).

Simulasi ini adalah simulasi sel-demi-sel (neuron-oleh-neuron, elemen-demi-elemen).

Ini meminjam dari pengetahuan neurofisiologis neuron biologis dan jaringan neuron

biologis tersebut (Daniel, G., 2019).

2.6.1 Arsitektur Jaringan Saraf Tiruan

Menurut Haykin, (2009, p. 21), secara umum arsitektur jaringan saraf

tiruan dapat dibagi menjadi tiga yaitu:

2.6.1.1 Single-Layer Perceptron

Haykin, (2009, p. 21), Single-Layer Perceptrons (SLP)

merupakan jaringan saraf tiruan yang paling sederhana dimana semua

input dari node sumber langsung menuju ke node output. Pada gambar

2.2 terdapat 4 buah node input dan 4 buah node output, jaringan saraf

tiruan tersebut adalah contoh dari SLP.

Gambar 2.2 Single Layer Perceptron

(Sumber: Haykin, 2009)

2.6.1.2 Multilayer Perceptron

Pada multilayer perceptron yang membedakan dirinya dengan

arsitektur yang lain adalah dengan adanya satu atau lebih layer

tersembunyi, yang juga disebut neuron tersembunyi atau unit

tersembunyi, istilah "tersembunyi" mengacu pada fakta bahwa bagian

11

dari jaringan saraf ini tidak terlihat langsung dari input atau output

jaringan. Pada gambar 2.3 terdapat 10 buah node input, 4 buah node

tersembunyi dan 4 buah node\output, jaringan saraf tiruan tersebut adalah

contoh dari MLP. Haykin, (2009, p. 21)

Gambar 2.3 Multilayer Perceptron

(Sumber: Haykin, 2009)

2.6.1.3 Recurrent Network

Jaringan saraf tiruan recurrent adalah jaringan saraf tiruan

feedforward yang melakukan setidaknya satu kali pengulangan feedback.

Yang berarti jaringan saraf tiruan tersebut memiliki nilai output yang

dikembalikan sebagai nilai input. Pada gambar 2.4 adalah jaringan saraf

tiruan recurrent yang memiliki neuron – neuron yang tersembunyi.

(Haykin, 2009, p. 23)

Gambar 2.4 Recurrent Network

(Sumber: Haykin, 2009)

12

2.7 Normalization

Normalisasi vektor fitur dari dataset banyak digunakan dalam sejumlah bidang

data mining, khususnya dalam analisis cluster, dimana digunakan untuk mencegah

fitur dengan nilai-nilai numerik dari dominasi dalam fungsi tujuan berbasis jarak.

Terdapat beberapa teknik normalisasi yang ada, diantaranya adalah Min-Max

normalization dan Z-score normalization.

1. Min-Max Normalization

Min-Max Normalization melakukan transformasi linear pada data asli.

Misalkan mina dan maxa adalah nilai minimum dan maksimum untuk atribut

. Normalisasi min-max memetakan nilai dari ke dalam rentang

[ , ] dengan menghitung:

(2.1)

2. Z-score Normalization

Dalam Z-score Normalization atau disebut Standard Scaler, nilai untuk dan

atribut dinormalisasi berdasarkan rata-rata dan standar deviasi . Nilai

dari dinormalisasi ke dengan menghitung:

(2.2)

di mana dan adalah mean dan standar deviasi masing-masing dari atribut

. Metode normalisasi ini berguna ketika minimum aktual dan maksimum

dari atribut A tidak diketahui. (Suarez-Alvarez, Pham, Prostov, 2012)

2.8 Activation Function

Terdapat beberapa activation function atau fungsi aktivasi:

1. Fungsi aktivasi ReLU

ReLU (Rectification Linear Unit) merupakan operasi untuk mengenalkan

nonlinearitas dan meningkatkan representasi dari model. Fungsi aktivasi

ReLU adalah

(2.3)

13

Dimana adalah nilai input (Heaton, 2015). Nilai output dari neuron bisa

dinyatakan sebagai 0 jika nilai input-nya bernilai negatif. Jika nilai input

bernilai positif, maka nilai output dari neuron adalah nilai dari input aktivasi

itu sendiri (Kim et al., 2016).

2. Fungsi aktivasi Softmax

Fungsi aktivasi softmax digunakan untuk mendapatkan hasil klasifikasi.

Fungsi aktivasi menghasilkan nilai yang diinterpretasikan sebagai

probabilitas yang belum dinormalisasi untuk tiap kelas. Nilai kelas dihitung

dengan menggunakan fungsi softmax (Vedaldi & Lenc, 2015) sebagai

berikut,

(2.4)

Dimana:

: vektor yang berisi nilai antara 0 dan 1

: vektor yang berisi nilai yang didapatkan dari fully-connected layer

2.9 Convolutional Neural Network

Convolutional Neural Network (CNN) adalah pengembangan dari

Multilayer Perceptron (MLP). Convolutional Neural Network (CNN) merupakan

operasi konvolusi yang menggabungkan beberapa layer pemrosesan,

menggunakan beberapa elemen yang beroperasi secara paralel dan terinspirasi

oleh sistem saraf biologis (Hu et al., 2015).

Struktur CNN terdiri dari input, proses ekstraksi fitur, proses klasifikasi dan

output. Proses ekstraksi dalam CNN terdiri dari beberapa layer tersembunyi atau

Hidden Layer, yaitu layer konvolusi (convolutional layer), fungsi aktivasi dan

pooling. CNN bekerja secara hierarki, sehingga output pada layer konvolusi

pertama dijadikan sebagai input pada layer konvolusi selanjutnya. Proses

klasifikasi terdiri dari fully-connected layer dan fungsi aktivasi yang output-nya

berupa hasil klasifikasi (Katole et al., 2015)

14

Gambar 2.5 Arsitektur Convolutional Neural Network

(Sumber: Weimer, Scholz-Reiter, & Shpitalni, 2016)

2.10 One-D Convolutional Neural Network

One-D Convolutional Neural Network (1D-CNN) telah menjadi populer

dengan kinerja canggih dalam berbagai aplikasi pemrosesan sinyal seperti deteksi

aritmia dini dalam detak elektrokardiogram, pemantauan kesehatan struktural dan

deteksi kerusakan struktural, daya tinggi pemantauan kesalahan engine dan

pemantauan real-time dari sirkuit daya tinggi. Selain itu, dua penelitian terbaru

telah menggunakan 1D-CNN untuk deteksi kerusakan pada bantalan. Namun,

dalam studi terakhir yang dilakukan oleh Zhang et al., baik tunggal maupun

sekumpulan deep 1D-CNN dibuat untuk mendeteksi, melokalisasi, dan mengukur

kesalahan bantalan. (Kiranyaz et al.,2019)

1D-CNN merupakan arsitektur yang hanya berfokus pada repositori sinyal

dan data 1D. Fokus khusus akan diambil pada model 1D-CNN yang padat dan

adaptif, yang dapat menjanjikan keunggulan dan keunggulan tertentu

dibandingkan 2D. Alasan 1D-CNN lebih menguntungkan dan lebih disukai

daripada 2D-CNN dalam berurusan dengan sinyal 1D adalah sebagai berikut:

a) Forward propagation dan back propagation dalam 1D-CNN membutuhkan

operasi array sederhana. Ini berarti bahwa kompleksitas komputasi dari 1D-

CNN jauh lebih rendah daripada 2D-CNN yang menggunakan operasi matriks.

b) Studi terbaru menunjukkan bahwa 1D-CNN dengan arsitektur yang relatif

dangkal (yaitu sejumlah kecil layer dan neuron tersembunyi) dapat mempelajari

tugas-tugas menantang yang melibatkan sinyal 1D. Di sisi lain, 2D-CNN

biasanya membutuhkan arsitektur yang lebih dalam untuk menangani tugas-

15

tugas tersebut. Jaringan dengan arsitektur dangkal jauh lebih mudah untuk

dilatih dan diimplementasikan.

c) Biasanya, pelatihan 2D-CNN dalam memerlukan pengaturan perangkat keras

khusus seperti Cloud computing atau GPU farms. Di sisi lain, setiap

implementasi CPU pada komputer standar layak dan relatif cepat untuk melatih

1D-CNN dengan beberapa layer tersembunyi dan neuron. (Kiranyaz et al.,2019)

2.10.1 Convolution Layer

Convolutional Layer atau lapisan konvolusi menggunakan filter untuk

mengekstraksi objek dari data input. Filter berisi bobot yang digunakan untuk

mendeteksi karakter dari objek. Konvolusi akan menghasilkan transformasi

linear dari data input yang sesuai dengan informasi spasial pada data.

Terdapat parameter yang dapat diubah dalam lapisan konvolusi, yaitu

ukuran filter, stride dan padding. Stride mengontrol bagaimana filter diterapkan

pada data input dengan bergerak sepanjang ukuran piksel yang telah ditentukan.

Padding adalah penambahan ukuran piksel dengan nilai tertentu disekitar input

data agar hasil dari bidang receptive tidak terlalu kecil sehingga tidak banyak

informasi yang hilang (Arrofiqoh, E., Harintaka, 2018).

Formula dari convolution layer adalahh sebagai berikut:

(2.5)

Dimana m adalah ukuran kernel, x adalah input, h hasil konvolusi, dan w

adalah kernel konvolusi.

Output dari convolution layer dapat dilihat berdasarkan formula dibawah

ini:

(2.6)

dimana adalah hasil dari konvolusi, merupakan nilai bias, dan

adalah fungsi aktivasi (Haykin, 2009, p. 11).

16

2.10.2 Pooling Layer

Pooling atau subsampling adalah pengurangan ukuran matriks. Terdapat

dua macam pooling yang sering digunakan yakni average pooling dan max

pooling (Bejiga et al., 2017). Nilai yang diambil oleh average pooling adalah

nilai rata-rata, sedangkan untuk max pooling nilai yang diambil adalah nilai yang

maksimal (Zhi et al., 2016).

Secara matematis, max pooling layer dapat dirumuskan sebagai berikut:

(2.7)

dimana x adalah input dari layer sebelumnya, kemudian p adalah hasil dari

max pooling.

Gambar 2.6 Max Pooling Layer

(Sumber: Albawi, Abed, & Alzawi, 2017)

2.10.3 Dropout Layer

Dropout layer memberikan aturan untuk menghilangkan atau menjaga

neuron dengan beberapa nilai probabilitas p yang bernilai 0 dan 1 (Srivastava et

al., 2014). Droupout layer berguna untuk memudahkan penggolongan kelasnya.

2.10.4 Fully Connected Layer

Fully connected layer adalah kumpulan dari proses konvolusi (Hijazi et

al., 2015). Layer ini mendapatkan input dari proses sebelumnya untuk

menentukan fitur mana yang paling berkorelasi dengan kelas tertentu. Fungsi

17

dari layer ini adalah untuk menyatukan semua node menjadi satu dimensi

(Albewi & Mahmood, 2017).

2.11 Fungsi Kerugian

Fungsi kerugian digunakan untuk mengukur ketepatan hasil jaringan. Fungsi

kerugian menunjukkan besar perbedaan antara nilai yang diharapkan dengan nilai

yang diprediksi. Fungsi kerugian yang sering digunakan untuk masalah klasifikasi

adalah fungsi kerugian cross entropy. Fungsi kerugian cross entropy ini terdiri dari 2

jenis yaitu binary cross entropy, dimana biasanya digunakan untuk masalah

klasifikasi antara 2 kelas, sedangkan categorical cross entropy disebut juga Softmax

Loss adalah fungsi aktivasi softmax ditambah dengan kerugian cross entropy

biasanya digunakan dalam masalah klasifikasi Multiclass. Secara umum, formula

fungsi kerugian cross entropy adalah sebagai berikut:

(2.8)

dimana m adalah jumlah node yang terdapat pada output layer, adalah vektor dari

nilai aktual, adalah probabilitas untuk setiap node yang diprediksi. (Haykin, O.,

2009)

2.12 ADAM Optimizer

Adaptive Moment Estimation (ADAM) merupakan sebuah metode untuk

optimasi stokastik yang efisien yang hanya memerlukan gradien orde pertama

dengan sedikit kebutuhan memori. Metode menghitung tingkat pembelajaran adaptif

individu untuk parameter yang berbeda dari perkiraan momen pertama dan kedua

dari gradien. Selain menyimpan rata-rata peluruhan eksponensial dari gradien

kuadrat ( ), ADAM juga menyimpan rata-rata peluruhan eksponensial dari gradien

( ). Mirip seperti momentum yang dimana dapat dilihat seperti bola yang

menggelinding di turunan, ADAM bersifat seperti bola yang berat dengan gaya

hambatan. Dalam algoritma ADAM, nilai parameter yang baru akan dihitung

menggunakan persamaan berikut:

(2.9)

(2.10)

18

Dimana merupakan tingkat peluruhan eksponensial, memiliki nilai antara 0

sampai 1. merupakan nilai gradien. Selanjutnya, lalukan perhitungan untuk

pengkoreksian bias dengan menghitung:

(2.11)

(2.12)

Nilai parameter yang baru akan dihitung menggunakan persamaan di bawah

ini:

(2.13)

Dimana merupakan learning rate pada ADAM, merupakan parameter

pada iterasi ke merupakan suatu nilai kecil untuk menghindari pembagi menjadi

0, nilai adalah (Kingma, P., Ba, J. 2017).

2.13 Backpropagation

Metode Backpropagation mencari minimum fungsi eror pada bobot

menggunakan metode gradient descent. Kombinasi dari bobot yang meminimalkan

fungsi eror dianggap sebagai solusi dari masalah pembelajaran (Rojas, 2013).

Proses pembelajaran Backpropagation terbagi dua bagian, yaitu Forward

propagation dan Back propagation. Pada forward propagation, sinyal input

disebarkan dari input layer, kemudian melalui Hidden Layer, lalu ke output layer.

Jika output yang diharapkan tidak tercapai pada output layer, maka dilakukan

back propagation dari sinyal eror. Setiap hidden unit dapat mempengaruhi output

yang dihasilkan. Setelah mendapatkan turunan pertama eror untuk satu hidden unit,

nilai tersebut dapat digunakan untuk menghitung turunan pada layer sebelumnya

(Buduma & Lacascio, 2017, p.22).

Perbedaan antara output sebenarnya dan output yang diharapkan pada suatu

jaringan didefinisikan sebagai sinyal eror. Sinyal eror disebarkan mundur dari output

ke input layer dengan melalui layer-layer yang ada. Selama back propagation, nilai

bobot diatur oleh eror feedback (Li, Cheng, Shi, & Huang, 2012).

19

Untuk mengetahui bagaimana output dari masing-masing neuron pada layer ke

mempengaruhi bobot pada layer ke didapat dengan cara menggunakan turunan

pertama eror:

(2.14)

Pertama-tama kita akan menyelesaikan yang merupakan turunan

terhadap didapatkan dari hasil chain Rule dari , dimana dimana

adalah fungsi aktivasi pada layer ke dan merupakan input dari layer sebelumnya,

dengan mengasumsikan fungsi aktivasi softmax. Kasus ini terbagi menjadi 2 yaitu

untuk kondisi ini terjadi ketika node memiliki probabilitas tertinggi sampai

mendekati 1 dan merupakan label output dan kondisi ini terjadi ketika nilai

probabilitas node yang lain bukan yang tertinggi.

• Kasus pertama

(2.15)

• Kasus kedua

(2.16)

Maka berdasarkan kedua kasus di atas,

(2.17)

20

Selanjutnya, selesaikan turunan untuk dengan mengubah persamaan

menjadi

(2.18)

Dimana adalah nilai aktual, dan adalah probabilitas untuk setiap node

yang diprediksi. Setelah semua proses selesai, kita dapat menghitung nilai perubahan

pada bobot dengan persamaan:

(2.19)

2.14 Confusion Matrix

Confusion Matrix mengilustrasikan akurasi dari solusi permasalahan klasifikasi.

Confusion Matrix berisi informasi tentang aktual dan prediksi klasifikasi yang

dilakukan oleh klasifikasi sistem. Performa sistem seperti itu umumnya dievaluasi

menggunakan data dalam matriks.

Ada empat istilah tambahan yang perlu kita ketahui yaitu “building blocks”

yang digunakan dalam menghitung banyak langkah evaluasi.

21

Gambar 2.7 Tabel Confusion Matrix

1. True Positive (TP) merujuk pada tuple positif yang diberi label dengan benar oleh

classifier.

2. True Negative (TN) adalah tuple negatif yang diberi label dengan benar oleh

classifier.

3. False Positive (FP) adalah tuple negatif yang salah diberi label sebagai positif.

4. False negative (FN) adalah tuple positif yang salah diberi label sebagai negatif.

Apabila jumlah kelas melebihi ( ), tabel Confusion Matrix harus

memiliki ukuran matriks . Dengan mengetahui label TP, TN, FP, FN kita

dapat menghitung precision, Recall beserta akurasi.

Precision dapat dianggap sebagai ukuran ketepatan. Precision merupakan rasio

prediksi benar positif dibandingkan dengan keseluruhan hasil yang diprediksi positif.

(2.20)

Sedangkan Recall adalah ukuran kelengkapan (berapa persen tuple positif

diberi label seperti itu). Merupakan rasio prediksi benar positif dibandingkan dengan

keseluruhan data yang benar positif.

(2.21)

Accuracy merupakan rasio prediksi benar (positif dan negatif) dengan keseluruhan

data (Han, J., Kamber, M., Pei, J., 2012).

(2.22)

2.15 Exploratory Data Analysis

Exploratory Data Analysis (EDA) adalah langkah penting dalam setiap analisis

penelitian. Tujuan utama dengan EDA adalah untuk memeriksa data untuk distribusi,

22

pencilan, dan anomali untuk mengarahkan pengujian spesifik terhadap hipotesis.

EDA juga menyediakan alat untuk pembuatan hipotesis dengan memvisualisasikan

dan memahami data biasanya melalui representasi grafis. EDA bertujuan untuk

membantu pengenalan pola alami dari analis. Tujuan EDA dapat diringkas sebagai

berikut:

1. Maksimalkan wawasan ke dalam basis data / memahami struktur basis data.

2. Visualisasikan hubungan potensial (arah dan besarnya) antara variabel paparan

dan hasil.

3. Mendeteksi pencilan dan anomali (nilai yang secara signifikan berbeda dari

pengamatan lainnya).

4. Mengembangkan model (model prediksi atau penjelasan yang melakukan

dengan variabel paparan sesedikit mungkin) atau pemilihan awal model yang

sesuai.

5. Ekstrak dan membuat variabel yang relevan secara klinis.

Teknik EDA tergantung pada jenis data dan tujuan analisis. Berikut ini adalah

table mengenai Teknik EDA (MIT Critical Data, 2016):

Tabel 2.1 Teknik EDA Berdasarkan Tipe Data

Tipe data Teknik EDA yang disarankan

Categorical Descriptive statistic

Univariate continuous Line plot, Histograms

Bivariate continuous 2D scatter plots

2D arryas Heatmap

Multivariate: trivariate 3D scatter plot or 2D scatter

plot with a 3rd variable

represented in different color,

shape or size

Multiple groups Side-by-side boxplot

23

2.16 Unified Modelling Language

Unified Modelling Language atau UML adalah kumpulan model konstruksi

dan notasi yang didefinisikan oleh Object Management Group (OMG), organisasi

standar untuk pengembangan sistem. Dengan menggunakan UML, analis dan

pengguna akhir dapat menggambarkan dan memahami berbagai diagram khusus

yang digunakan dalam proyek pengembangan sistem. Sebelum UML, tidak ada

standar yang digunakan, sehingga diagram bisa membingungkan dan bervariasi

antara perusahaan yang satu dengan perusahaan lainnya (Satzinger, Jackson, & Burd,

2012). Tujuan UML adalah untuk menyediakan istilah umum yang berbasis objek

dan teknik membuat diagram yang cukup untuk memodelkan proyek pengembangan

system, mulai dari tahap analisis hingga tahap desain (Dennis, Wixom, & Roth, 2012,

p. 513). UML memungkinkan seorang pengembang piranti lunak untuk

mengekspresikan model analisis menggunakan notasi pemodelan yang diatur oleh

seperangkat aturan sintaksis, semantik, dan pragmatis. Ada beberapa jenis diagram

UML, yaitu:

2.16.1 Use Case Diagram

Diagram use case menggambarkan fungsi utama sistem dan berbagai

jenis pengguna yang akan berinteraksi melalui cara yang sangat sederhana

(Dennis, Wixom, & Roth, 2012). Seorang analis dapat menggunakan diagram

use case untuk lebih memahami fungsi sistem. Biasanya, diagram use case

dibuat pada bagian awal SDLC (System Development Life Cycle), ketika

analis mengumpulkan dan mendefinisikan persyaratan untuk sistem, untuk

menyediakan cara yang sederhana dan lugas dalam berkomunikasi kepada

para pengguna apa yang sistem akan lakukan.

24

Tabel 2.2 Komponen Use Case Diagram

Ada beberapa relasi yang terjadi antar use case, diantaranya:

• Include adalah relasi antar use case di mana suatu use case tidak dapat

berdiri sendiri tanpa use case lainnya.

• Extend digunakan apabila suatu use case memiliki beberapa pilihan

opsional.

• Generalization, disebut juga pewarisan, artinya sebuah elemen dapat

merupakan spesialisasi atau memiliki penurunan sifat dan definisi dari

use case lain, di mana use case tersebut dapat menimpa atau

menambahkan sifat dari sifat use case induknya.

2.16.2 Activity Diagram

Menurut Satzinger (2012, p. 57), activity diagram menggambarkan

berbagai aktivitas pengguna (atau sistem), orang yang melakukan aktivitas

masing-masing, dan urutan aktivitas yang terjadi. Activity diagram

mempunyai peran seperti flowchart, akan tetapi perbedaannya dengan

flowchart adalah activity diagram bisa mendukung perilaku paralel

sedangkan flowchart tidak bisa.

25

Tabel 2.3 Komponen Activity Diagram

2.16.3 Class Diagram

Class Diagram adalah model statis yang mendukung pandangan statis

dari sistem yang sedang berkembang yang menggambarkan kelas dan

hubungan di antara kelas-kelas yang tetap konstan dalam sistem dari waktu

ke waktu. Kelas adalah kategori atau klasifikasi yang digunakan untuk

menggambarkan kumpulan objek. Class diagram menggambarkan kelas, yang

mencakup atribut, perilaku, dan status (Dennis, Wixom, & Roth, 2012)

26

Tabel 2.4 Komponen Class Diagram

2.16.4 Sequence Diagram

Sequence Diagram digunakan untuk menggambarkan aliran informasi

ke dalam dan ke luar sistem (Satzinger, Jackson, & Burd, 2012, p. 126).

Fokus yang ditekankan pada sequence diagram adalah bagaimana aktor

berinteraksi dengan sistem dengan memasukkan data input dan menerima

data output. Karena sequence diagram menekankan urutan waktu dari

aktivitas yang terjadi di antara sekumpulan class/objek, diagram ini sangat

27

membantu untuk memahami spesifikasi waktu nyata dan kasus penggunaan

yang kompleks (Dennis, Wixom, & Roth, 2012, p. 530).

Tabel 2.5 Komponen Sequence Diagram

2.17 Prototyping

Prototyping adalah sebuah proses model yang cocok digunakan ketika

kebutuhan tidak dijelaskan dengan lengkap dari segi fungsi dan fiturnya.

Prototyping membantu dalam memberikan pemahaman tentang apa yang ingin

dibuat ketika kebutuhan masih bersifat tidak jelas. Berikut adalah tahapan-tahapan

yang ada pada model prototyping (Pressman & Maxim, 2014):

28

1. Communication

Tahap ini mendefinisikan seluruh tujuan untuk sistem dan mengindentifikasi

kebutuhan yang diketahui.

2. Quick plan

Pada tahap ini dilakukan perencanaan secara cepat bedasarkan kebutuhan

yang sudah ditentukan.

3. Modelling quick design

Pada tahap ini mendesain model yang berfokus pada representasi aspek-aspek

sistem yang terlihat oleh pengguna.

4. Constructing

Pada tahap ini mendesain model dengan cepat menuntun kepada

pembentukan sebuah prototype.

5. Delivery dan feedback

Pada tahap ini prototype disebarkan dan dievaluasi oleh stakeholders, yang

menyediakan feedback yang akan digunakan untuk mengembangkan

kebutuhan. Iterasi pada prototype disesuaikan untuk memenuhi kebutuhan

dari beberapa stakeholders.

2.18 Lima Faktor Manusia Terukur

Lima faktor manusia terukur menurut (Shneiderman & Plaisant, 2010) yaitu:

1. Waktu belajar

Waktu yang diperlukan pengguna untuk mempelajari cara penggunaan

perangkat lunak untuk melakukan suatu pekerjaan dengan lancar.

2. Kecepatan kinerja

Waktu yang diperlukan perangkat lunak agar suatu tugas dapat dilakukan.

3. Tingkat kesalahan

Jumlah kesalahan dan jenis kesalahan-kesalahan yang dibuat oleh pengguna

pada saat menggunakan perangkat lunak.

4. Daya ingat

Kemampuan pengguna untuk mempertahankan pengetahuannya mengenai

perangkat lunak setelah jangka waktu tertentu.

5. Kepuasan subjektif

Kesukaan dan kepuasan pengguna terhadap perangkat lunak dari berbagai

aspek.

29

2.19 Python

Python adalah bahasa pemrograman interpretatif, berorientasi objek dan

semantik yang dinamis. Python memiliki high-level struktur data, dynamic typing

dan dynamic binding. Python juga memiliki sintaks sederhana dan mudah dipelajari

untuk penekanan pada kemudahan membaca dan mengurangi biaya perbaikan

program. Beberapa keunggulan python, antara lain:

1. Syntax yang simpel.

2. Memiliki library yang sangat banyak.

3. Mendukung Object-Oriented Programming.

4. Syntax dicek per baris, sehingga memudahkan pembacaan kembali dan

penulisan ulang.

5. Memiliki banyak fasilitas pendukung sehingga mudah mengoperasikan.

6. Open source.

2.20 Keras

Keras adalah API (Application Programming Interface) jaringan saraf tingkat

tinggi, ditulis dengan Python dan mampu berjalan di atas TensorFlow, CNTK, atau

Theano. Keras dikembangkan dengan fokus pada memungkinkan eksperimen cepat.

Mampu beralih dari ide ke hasil dengan penundaan sekecil mungkin adalah kunci

untuk melakukan penelitian yang baik.

2.21 Black Box Testing

Black Box Testing adalah pengujian berdasarkan spesifikasi persyaratan dan

tidak perlu memeriksa kode dalam black box testing. Black box testing memainkan

peran penting dalam pengujian perangkat lunak, ini membantu validasi

fungsionalitas keseluruhan sistem. Black box testing dilakukan berdasarkan

persyaratan pelanggan - sehingga persyaratan yang tidak lengkap atau tidak dapat

diprediksi dapat dengan mudah diidentifikasi dan dapat diatasi nanti. Pengujian black

box dilakukan berdasarkan perspektif pengguna akhir. Pentingnya pengujian kotak

hitam ini menangani input yang valid dan tidak valid dari perspektif pengguna.

Keuntungan utama black box testing adalah penguji tidak perlu memiliki

pengetahuan tentang bahasa pemrograman tertentu, tidak hanya bahasa pemrograman

tetapi juga pengetahuan tentang implementasi. Dalam black box testing, kedua

programmer dan penguji tidak tergantung satu sama lain. Keuntungan lain adalah

30

pengujian dilakukan dari sudut pandang pengguna. Keuntungan yang signifikan dari

black box testing adalah membantu mengekspos ambiguitas atau ketidakkonsistenan

dalam spesifikasi persyaratan (Nidhra, S., Dondeti, J., 2012).

2.22 Tinjauan Pustaka

Dasar dari pembuatan skripsi ini ditinjau dari beberapa jurnal penelitian,

antara lain:

1. Artikel berjudul “Structural Damage Detection with Automatic

Feature�Extraction through Deep Learning” yang ditulis oleh Yi�zhou Lin,

Zhen�hua Nie dan Hong�wei Ma pada tahun 2017. Artikel ini membahas

deep convolutional neural network dirancang untuk mempelajari fitur dan

mengidentifikasi lokasi kerusakan, yang mengarah ke hasil akurasi lokalisasi

yang sangat baik. Dengan menggunakan 6 convolution layer dan 3 max pooling

layer, kerusakan dideteksi dengan akurasi yang sangat tinggi (94.57%).

2. Artikel berjudul “1-D CNNs for structural damage detection: Verification on a

structural health monitoring benchmark data” yang ditulis oleh Osama

Abdeljaber, Onur Avci, Mustafa Serkan Kiranyaz, Boualem Boashash, Henry

Sodano, Daniel J.Inman pada tahun 2018. Jurnal ini membahas tentang

eksperimen Structural Damage Detection berbasis 1-D convolutional neural

network lainnya dilakukan pada benchmark frame structure, di mana kerusakan

struktural dibuat dengan melepas beberapa braces. Metode ini hanya meminta

dua data pengukuran di bawah kondisi kesehatan dan kerusakan parah,

melaporkan estimasi yang baik dari keseluruhan kondisi kesehatan struktural.

3. Artikel berjudul “Deep Learning Algorithms for Structural Condition

Identification with Limited Monitoring Data” yang ditulis oleh T. Zhang and Y.

Wang pada tahun 2019. Artikel ini membahas tentang structural condition

identification menggunakan data time domain dengan menerapkan algoritma

1D-CNN. Berdasarkan hasil eksperimen ini, didapatkan akurasi 92%.