proposal ta.docx

7/21/2019 Proposal TA.docx

http://slidepdf.com/reader/full/proposal-tadocx 1/39

1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Dewasa ini kepedulian masyarakat Indonesia akan budaya-budaya lokal semakin

memudar. Kebanyakan lebih memilih mengikuti tren perkembangan yang lebih mewah dan

modern. Dan anehnya, tren yang dipilih oleh masyarakat kebanyakan berasal dari luar negeri.

Inilah yang menjadi suatu anomali yang terjadi di Indonesia, dimana negara-negara asing sangat

tertarik dan kagum serta ingin mempelajari budaya-budaya yang beragam serta unik di setiap

daerah di Indonesia, disaat itu pula masyarakat Indonesia semakin melupakan dan mengabaikan

warisan budaya yang sangat dibanggakan dan dicintai masyarakat pada zaman dulu.

Saat ini, kita telah mengenal berbagai macam teknologi canggih yang diciptakan

seharusnya untuk memfasilitasi segala kebutuhan masyarakat. Akan tetapi banyak juga yang

digunakan untuk suatu hal yang tidak berguna, tidak bermoral, dan tidak mendidik. Padahal, jika

teknologi digunakan dengan sebaik-baiknya maka masyarakat akan lebih maju dan berkembang.

Contoh teknologi canggih saat ini seperti tv, radio, internet, telepon, komputer, dll. Bayangkan

jika media tersebut digunakan untuk menyebarkan, melestarikan, dan mendidik masyarakat

tentang keunikan, keindahan, keanekaragaman budaya yang dimiliki oleh bangsa Indonesia serta

mengajarkan bagaimana budaya tersebut patut dipertahankan dan dilestarikan di zaman ini dan

zaman yang akan datang.

Rumah adat merupakan salah satu kebudayaan dari setiap daerah di Indonesia. Setiap

rumah adat ini memiliki keunikan dan keindahan tersendiri. Sehingga sangat disayangkan

apabila kebudayaan ini dilupakan oleh masyarakat di Indonesia. Terbukti di beberapa daerah di

Indonesia dimana rumah adat ini sudah sangat sedikit yang terlihat. Padahal, rumah adat ini bukan hanya sebagai identitas bagi suatu daerah tertentu, akan tetapi masing-masing rumah adat

ini juga memiliki kegunaan untuk masyarakatnya sendiri.

Melihat permasalahan tersebut, penulis ingin turut serta memberi kontribusi untuk

menjaga kelestarian budaya dengan cara mengembangkan sebuah aplikasi yang dapat mengenali



2

rumah adat di Indonesia. Ide dasar dari pembangunan aplikasi ini adalah untuk mengenalkan

kembali rumah adat dalam bentuk digital. Tema penelitian yang diambil yaitu mendeteksi rumah

adat di Indonesia.

1.2

Rumusan Masalah

Berdasarkan latar belakang yang telah di jelaskan sebelumnya, maka di dapat beberapa

hal yang perlu dirumuskan dalam pembuatan aplikasi deteksi rumah adat, antara lain :

1. Bagaimana membangun aplikasi deteksi rumah adat yang mampu mengenali

karakteristik masing-masing rumah adat.

2. Bagaimana memanfaatkan deteksi tepi agar dapat mengolah dan mengenali tepi suatu

objek.

3. Bagaimana menerapkan metode backpropagation dalam menentukan pola suatu

objek.

4. Bagaimana menentukan nilai input saat proses pembelajaran.

1.3 Batasan Masalah

Batasan masalah yang dipakai dalam pembuatan aplikasi deteksi rumah adat adalah

sebagai berikut :

1. Rumah adat yang dideteksi adalah bagian tampak depan.

2. Rumah adat yang dideteksi adalah rumah adat di Indonesia.

3. Sampel dibatasi pada 5 rumah adat.

4. Aplikasi yang digunakan berbasis desktop.

5. Algoritma deteksi tepi yang digunakan yaitu algoritma canny.



3

1.4 Tujuan Penelitian

Ada beberapa tujuan dari penelitian pembuatan aplikasi deteksi rumah adat adalah

sebagai berikut :

1. Mengetahui cara mengimplementasikan algoritma deteksi tepi pada gambar rumah

adat.

2. Menemukan keunikan dan karateristik dengan mendeteksi tepi gambar dari masing-

masing rumah adat.

1.5 Metode Penelitian

Untuk mendapatkan data data yang berkaitan dengan penelitian, ada beberapa metode

yang dapat digunakan, yaitu :

1. Studi Pustaka / Literatur

Metode ini dilakukan dengan cara mengumpulkan data data dan informasi yang

berkaitan dengan penelitian baik itu dari buku buku perpustakaan, referensi di internet

dan juga buku buku hasil TA kakak tingkat sebelumnya.

2. Sampling

Metode ini dilakukan dengan cara membandingkan hasil ringkasan sistem dengan

ringkasan beberapa orang yang dijadikan sample.

3. Metode pengembangan perangkat lunak ( prototype )

- Analisis kebutuhan

Pengumpulan data dalam tahap ini bisa melakukan sebuah penelitian,

wawancara atau studi literatur. Tahapan ini akan menghasilkan dokumen user

requirment atau bisa dikatakan sebagai data yang berhubungan dengan

keinginan user dalam pembuatan sistem.



4

- Desain sistem

Tahapan dimana dilakukan penuangan pikiran dan perancangan sistem

terhadap solusi dari permasalahan yang ada dengan menggunakan perangkat

pemodelan sistem seperti diagram alir data (data flow diagram), diagram

hubungan entitas (entity relationship diagram) serta struktur dan bahasan data.

- Pengkodean

Penulisan kode program atau coding merupakan

penerjemahan design dalam bahasa yang bisa dikenali oleh komputer. Dilakukan

oleh programmer yang akan meterjemahkan transaksi yang sesuai dengan

analisis kebutuhan dan desain sistem. Tahapan ini lah yang merupakan tahapan

secara nyata dalam mengerjakan suatu sistem.

- Pengujian

Tahapan akhir dimana sistem yang baru diuji kemampuan dan

keefektifannya sehingga didapatkan kekurangan dan kelemahan sistem pendeteksi

rumah adat yang kemudian dilakukan pengkajian ulang dan perbaikan terhadap

aplikasi menjadi lebih baik dan sempurna.

1.6 Tinjauan Pustaka

Berikut ini dilakukan tinjauan pustaka terhadap aplikasi deteksi rumah adat dengan

berbagai metode, antara lain :

Anggi Rizky Windra Putri ( 2013 ) Jurusan Teknik Informatika Universitas Islam

Negeri Sunan Kalijaga Yogyakarta dalam tugas akhirnya yang berjudul “ Aplikasi

Jaringan Syaraf Tiruan Dengan Menggunakan Metode Backpropagation Dalam

Kasus Pengenalan Pola Huruf Hijaiyah” mengungkapkan bahwa Pengenalan huruf

berdasarkan pola yang dibentuk bilangan biner. Semakin baik pola huruf dibentuk

bilangan biner maka akan semakin mudah untuk dikenali hurufnya. Pola huruf hijaiyah

dikelompokkan sebanyak tiga puluh pola huruf yang mampu dikenali.



5

Dompak Petrus Sinambela ( 2013 ) Sekolah Tinggi Manajemen Informatika

Komunikasi dalam tugas akhirnya yang berjudul “Pengenalan Karakter Tulisan

Tangan Latin pada Jaringan Syaraf Tiruan Metode Backpropogation dengan Input

Citra Kamera Digital “ mengungkapkan bahwa tingkat keakurasian program yaitu

sebesar 87,2% dari pengenalan karakter tulisan tangan 5 orang. Penentuan nilai learning

rate sangat mempengaruhi pergeseran nilai pada bobot saat proses pelatihan jaringan

syaraf tiruan, dimana data bobot v dan bias ke hidden layer yang baru mengalami

pergeseran yang sangat kecil. Sedangkan data bobot w dan bias ke output layer yang baru

mengalami pergeseran nilai yang cukup besar. Nilai input dan epoh pada saat proses

pelatihan jaringan syaraf tiruan mempengaruhi pendekatan nilai ke target output jaringan

syaraf tiruan dengan menggunakan algoritma backpropagation untuk dapat mengenali

tulisan tangan yang ditulis di formulir pengajuan kredit.

Akbar Ramadhan ( 2012 ) Teknik Informatika Institut Teknologi Nasional

Bandung dalam tugas akhirnya yang berjudul “ Implementasi Backpropagation dalam

mengenali Pola Gambar Untuk Mendiagnose Penyakit Kulit“ menyatakan bahwa

Jaringan syaraf tiruan tidak dapat menyelesaikan proses pengujian dari citra baru yang berbeda

untuk memprediksi penyakit kulit dengan baik. Dengan persentase fungsi yang gagal mencapai

16,67% maka sistem tidak menghubungkan antara aplikasi system pakar dan jaringan syaraf

tiruan sehingga menjadi 2 aplikasi yang berbeda.



6

1.7 Batasan Masalah

Bab I Pendahuluan, berisi latar belakang masalah, rumusan masalah, tujuan penelitian,

manfaat penelitian dan sistematika penulisan.

Bab II Landasan Teori, berisi telaah teori yang berhubungan dan menjadi acuan dalam

penulisan tugas akhir.

Bab III Metode Penelitian, berisi Disain Penelitian, Populasi dan Sampling Penelitian,

Variabel Penelitian dan Definisi Operasional Variabel, Lokasi dan Waktu Penelitian, Prosedur

Pengumpulan Data dan Teknik Analisis yang digunakan dalam penelitian ini.

Bab IV Hasil Penelitian dan Pembahasan, berisi data penelitian, hasil penelitian serta

pembahasan atas hasil penelitian data tersebut.

Bab V Kesimpulan dan Saran, berisi kesimpulan dan saran terhadap penelitian yang telah

dibuat dan kepada penulis sendiri.



7

1.8 Tabel Perbandingan

JUDUL Aplikasi Jaringan Syaraf Tiruan

Dengan Menggunakan Metode

Backpropagation Dalam Kasus

Pengenalan Pola Huruf Hijaiyah

Pengenalan Karakter Tulisan

Tangan Latin pada Jaringan

Syaraf Tiruan Metode

Backpropogation dengan Input

Citra Kamera Digital

Implementasi Backpropagation

dalam mengenali Pola Gambar Untuk

Mendiagnose Penyakit Kulit

Aplikasi Pengenalan Rumah

Adat daerah di Indonesia

menggunakan algoritma canny

dan metode Backpropagation

TAHUN 2013 2013 2012 2014

PENELITI Anggi Rizky Windra Putri Dompak Petrus Sinambela Akbar RamadhanMeikel Sandy Juerman, Asep Nana

Hermana

PENDEKATAN Algoritma Bacpropagation Algoritma Bacpropagation Algoritma Bacpropagation Algoritma Bacpropagation

BENTUK

PENELITIAN

Pengenalan huruf berdasarkan pola

yang dibentuk bilangan biner.

Semakin baik pola huruf dibentuk

bilangan biner maka akan semakin

mudah untuk dikenali hurufnya.

Pola huruf hijaiyah dikelompokkan

sebanyak tiga puluh pola huruf

yang mampu dikenali.

Penentuan nilai learning rate untuk

mengetahui nilai pada bobot saat

proses pelatihan jaringan syaraf

tiruan, Penentuan nilai input dan

epoh pada saat proses pelatihan

jaringan syaraf tiruan algoritma

backpropagation untuk dapat

mengenali tulisan tangan yang

ditulis di formulir pengajuan

kredit.

Menggabungkan antara aplikasi system

pakar dan aplikasi jaringan syaraf ti ruan

untuk mendiagnosa penyakit kulit.

Bagaimanan cara menggabungkan

algoritma canny dan

backpropagation sehingga input

gambar dapat diubah secara utuh ke

bentuk matrik.

HASIL

PENELITIAN

Pengenalan huruf berdasarkan pola

yang dibentuk bilangan biner.

Semakin baik pola huruf dibentuk

bilangan biner maka akan semakin

mudah untuk dikenali hurufnya.

Keakurasian program yaitu sebesar

87,2% dari pengenalan karakter

tulisan tangan 5 orang.

Jaringan syaraf tiruan tidak dapat

menyelesaikan proses pengujian dari

citra baru yang berbeda untuk

memprediksi penyakit kulit dengan

baik. Dengan persentase fungsi yang

-



9

1.9 Alur Kerja Sistem

Perambanan maju

Grayscale Gaussian filter

Operator sobelThreshold

Non-maximum

suppression

Hasil

Pengenalan

pola

Hysteresis

Input PraprocessingDeteksi Tepi

(canny)Pengenalan Pola

(Bacpropagation)

Citra

rumah

adat (.jpg)

Citra

biner

Hasil

deteksi

tepi citra

Perambanan

mundur

Simpan hasil

pelatihan

Proses Pelatihan

Pengujian citra baruterhadap hasil

pelatihan

Gambar 1.1 alur kerja system

Pada aplikasi ini, input merupakan citra atau gambar rumah adat yang ada di Indonesia.

Citra rumah adat yang menjadi input akan diproses terlebih dahulu menjadi citra biner sebelum

dideteksi tepi menggunakan grayscale dan threshold . Kemudian output yang berupa citra biner

akan diproses oleh algoritma canny untuk mendapatkan tepi dari objek. Output dari proses canny

akan diproses lagi oleh algoritma backpropagation untuk mengenali pola atau fitur dari suatu

objek dengan melakukan pelatihan bobot dan bias kemudian melakukan pengujian terhadap hasil

pelatihan.



9

BAB II

Landasan Teori

Untuk dapat mencapai tujuan dari penelitian ini yaitu membuat aplikasi pengenalan

rumah adat menggunakan metode bacpropagation maka dibutuhkan beberapa disiplin ilmu

sebagai pedoman pembangunannya. Agar dapat memahami isi program-program dan metode-

metode yang ada dalam system ini, maka harus mempelajari fungsi-fungsi dasar dari disiplin

ilmu yang digunakan dalam system ini.

2.1

Citra

Citra (image) adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari

sudut pandang matematis, citra merupakan fungsi menerus (continue) dari intensitas

cahaya pada bidang dwimatra. Sumber cahaya menerangi objek, objek memantulkan

kembali sebagian dari berkas cahaya tersebut. Pemantulan cahaya ini ditangkap oleh alat-

alat optic, misalnya mata pada manusia, kamera, pemindai ( scanner ), sehingga bayangan

objek yang disebut citra tersebut terekam.

2.1.1. Citra Digital

Citra digital adalah citra f ( x,y) yang telah dilakukan digitalisasi baik koordinat

area maupun brightness level. Nilai f di koordinat ( x,y) menunjukkan brightness atau

grayness level dari citra pada titik tersebut.

Citra digital diwakili oleh sebuah matrik yang terdiri dari M kolom dan N baris dimana

perpotongan antara kolom dan baris disebut piksel (pixel = picture element), yaitu elemen

terkecil dari sebuah citra. Piksel mempunyai 2 parameter, yaitu koordinat dan intensitas

atau warna. Nilai yang terdapat pada koordinat (x,y) adalah f ( x,y), yaitu besar intensitas

atau warna dari piksel di titik tersebut. Oleh sebab itu, sebuah citra digital dapat ditulis

dalam bentuk matrik pada gambar 2.2.



12

Dimana nilai m,n dan k adalah bilangan bulat positif. Interval (0, G) disebut skala

keabuan. Besar G tergantung pada proses digitalisasi, Biasanya keabuan 0 (nol)

menyatakan intensitas hitan dan 1 (satu) menyatakan intensitas putih. Untuk citra 8 bit,

nilai G sama dengan 28 = 256 warna (derajat keabuan). (RD. Kusumanto : 2011).

Gambar 2.3 Representasi citra digiltal dalam 2 dimensi

2.1.2.

Pengolahan Citra Digital

Pengolahan citra digital merupakan proses yang bertujuan untuk memanipulasi

dana menganalisis citra dengan bantuan computer. Atau dapat juga diartikan sebagai

proses memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau komputer.

Masukan dari pengolahan citra adalah berupa data gambar dan keluarannya berupa

gambar juga. Tujuannya adalah memperbaiki informasi pada gambar (masukan) sehingga

menghasilkan gambar (keluaran) yang mudah terbaca atau hanya sekedar untuk

memperbaiki kualitas dari gambar itu sendiri.

Pengolahan citra digital dapat dikelompokkan dalam dua kenis kegiatan :

a. Memperbaiki kualitas gambar sehingga dapat lebih mudah diinterpretasikan oleh

mata manusia.

b. Mengolah informasi yang terdapat pada suatu gambar untuk keperluan pengenalan

objek secara otomatis.



13

2.1.2.1.Operasi PraProcessing Citra Digital

Operasi-operasi yang dilakukan dalam praprocessing citra yaitu :

a. Grayscale

Grayscale merupakan proses pengolahan citra dengan mengubah nilai-nilai piksel

awal citra menjadi sebuah citra keabuan. Citra keabuan adalah citra yang setiap

pikselnya mengandung satu layer dimana nilai intensitasnya berada pada interval 0-

255, sehingga nilai-nilai piksel pada citra keabuan tersebut dapat direpresentasikan

dalam sebuah matriks yang dapat memudahkan proses perhitungan pada operasi

berikutnya. Rumus menghitung grayscale :

…………………..(4)

(a) (b)

Gambar 2.4 (a) citra asli, (b) citra hasil grayscale

b. Threshold

Threshold merupakan operasi pemetaan suatu nilai piksel berdasarkan syarat nilai

ambang menjadi nilai baru yang dikehendaki. Pada prinsipnya threshold mengubah

citra grayscale menjadi citra biner. Citra biner adalah citra yang terdiri dari dua

derajat keabuan. Tujuan dari operasi threshold yaitu untuk mengidentifikasi

keberadaan objek yang direpresentasikan sebagai daerah (region) di dalam citra.

Misalnya kita ingin memisahkan objek dari latar belakangnya. Piksel objekdinyatakan dengan nilai 1 sedangkan piksel lain dengan nilai 0. Rumus threshold :

⁄ ……………………………..(5)



14

Dimana :

b = nilai derajat keabuan sebelum thresholding

x = nilai derajat keabuan setelah thresholding

b didapat dari :

⁄ …………………………….(6)

(a) (b)

Gambar 2.5 (a) Citra grayscale, (b) citra hasil threshold

2.1.2.2.Deteksi Tepi (edge detection )

Tepi adalah perubahan nilai intensitas derajat keabuan yang mendadak (besar)

dalam jarak yang singkat. Deteksi tepi pada suatu citra adalah suatu proses yang

menghasilkan tepi-tepi dari objek-objek citra, tujuannya adalah :

1. Untuk menandai bagian yang menjadi detail citra

2. Untuk memperbaiki detail dari citra yang kabur, yang terjadi karena error atau

adanya efek dari proses akuisisi.

Suatu titik (x,y) dikatakan sebagai tepi dari suatu citra bila titik tersebut

mempunyai perbedaan yang tinggi dengan tetangganya. Gambar 2.6 berikut ini

menggambarkan proses deteksi tepi.



15

Gambar 2.6 Proses deteksi tepi citra

Berdasarkan prinsip-prinsip filter pada citra maka tepi suatu citra dapat diperolehmenggunakan High Pass Filter (HPF), yang mempunyai karakteristik :

∑ ∑ ……………………………..(7)

Contoh :

Diketahui fungsi citra f(x,y) sebagai berikut :

1 1 1 1 1

1 1 1 1 0

1 1 1 0 0

1 1 0 0 0

1 0 0 0 0

Dengan menggunakan filter : H ( x,y) = [-1 1]

Maka hasil filter adalah :

0 0 0 0 1

0 0 0 1 0

0 0 1 0 0

0 1 0 0 0

1 0 0 0 0



16

Terdapat tiga macam tepi di dalam citra digital yaitu :

a. Tepi Curam

Tepi curam adalah tepi dengan perubahan intensitas yang tajam. Arah tepi

berkisar 900. Gambar 2.7 menunjukkan deteksi tepi tipe tepi curam.

Gambar 2.7 Tepi curam

b.

Tepi Landai

Tepi landau yaitu tepi dengan sudut arah yang kecil. Tepi landau dapat dianggap

terdiri dari sejumlah tepi-tepi lokal yang lokasinya berdekatan. Gambar 2.8

menunjukkan deteksi tepi tipe tepi landai.

Gambar 2.8 Tepi landai

c. Tepi mengandung derau

Umumnya tepi yang terdapat pada aplikasi visi computer mengandung derau.

Operasi peningkatan kualitas citra dapat dilakukan terlebih dahulu sebelum

pendeteksian tepi. Gambar 2.9 menunjukkan deteksi tepi tipe tepi derau.



17

Gambar 2.9 Tepi derau.

Berikut ini contoh hasil deteksi tepi :

(a) (b)

Gambar 2.10 Citra kamera (a), citra hasil deteksi tepi (b)

Deteksi tepi memiliki berbagai macam operator dalam mendeteksi tepi suatu citra,

salah satu yaitu operator Canny.

2.1.2.3.Operator Canny

Salah satu operator deteksi tepi modern adalah deteksi tepi dengan operator

Canny. Deteksi tepi canny ditemukan oleh Marr dan Hildreth yang meneliti pemodelan

persepsi visual manusia. Ada beberapa kriteria pendeteksi tepian paling optimum yang

dapat dipenuhi oleh operator canny :

a. Mendeteksi dengan baik (kriteria deteksi)

Kemampuan untuk meletakkan dan menandai semua tepi yang ada sesuai dengan

pemilihan parameter-parameter konvolusi yang dilakukan. Sekaligus juga



18

memberikan fleksibilitas yang sangat tinggi dalam hal menentukan tingkat deteksi

ketebalan tepi sesuai yang diinginkan.

b. Melokalisasi dengan baik (kriteria lokalisasi)

Dengan Canny dimungkinkan dihasilkan jarak yang minimum antara tepi yang

dideteksi dengan tepi yang asli.

c. Respon yang jelas (kriteria respon)

Hanya ada satu respon untuk tiap tepi, sehingga mudah dideteksi dan tidak

menimbulkan kerancuan pada pengolahan citra selanjutnya. Pemilihan parameter

deteksi tepi Canny sangat mempengaruhi hasil dari tepian yang dihasilkan. Beberapa

parameter tersebut adalah :

1. Nilai Standart Deviasi Gaussian

2.

Nilai Ambang

Pendekatan algoritma Canny dilakukan dengan konvolusi fungsi gambar dengan

operator Gaussian dan turunan-turunannya. Turunan pertama dari fungsi citra yang

dikonvolusikan dengan fungsi Gaussian yaitu :

g(x,y) = D[gauss(x,y)*(f(x,y)] ……………………………. (5)

ekivalen dengan fungsi citra yang dikonvolusi dengan turunan pertama dari fungsi

Gaussian :

g(x,y) = D[gauss(x,y)] *(f(x,y) ……………………………. (6)

Oleh karena itu, memungkinkan untuk mengkombinasikan tingkat kehalusan dan

pendeteksian tepi ke dalam suatu konvolusi dalam satu dimensi dengan dua arah yang

berbeda (vertical dan horizontal).

Algoritma Canny berjalan dalam 5 langkah yang terpisah yaitu :

1. Smoothing

Smoothing merupakan proses mengaburkan gambar untuk menghilangkan

noise. Pada tahap ini digunakan Gaussian filter dengan standar deviasi = n.

2. Finding gradient : Tepian harus ditandai pada gambar yang memiliki

gradient yang besar.



19

3. Non-maksimum-suppresion : Hanya maxima local yang harus ditandai sebagai

edge

4. Double thresholding : Tepian yang berpotensi ditentukan oleh

thresholding.

5. Edge Tracking by hysteresis : Tepian final ditentukan dengan menekan semua

sisi yang tidak terhubung dengan tepian yang sangat kuat.

(a) (b)

Gambar 2.11 Gambar (a) citra asli, (b) citra hasil deteksi

canny



20

Start

Citra hasil

praprocessing

Gaussian Filter

Sobel x (Gx),

Sobel y (Gy)

Non-maximum

suppression

Hysteresis

Hasil Tepicitra

End

Alur kerja algoritma canny :

√

Gambar 2.12 alur kerja algoritma canny



21

2.2 Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan dibuat pertama kali pada tahun 1943 oleh

neurophysiologist Waren McCulloch dan logician Walter Pits, namun teknologi yang

tersedia pada saat itu belum memungkinkan mereka berbuat lebih jauh.

Jaringan Syaraf Tiruan adalah paradigma pemrosesan suatu informasi yang

terinspirasi oleh sistim sel syaraf biologi, sama seperti otak yang memproses suatu

informasi. Elemen mendasar dari paradigma tersebut adalah struktur yang baru dari

sistim pemrosesan informasi. Jaringan Syaraf Tiruan, seperti manusia, belajar dari suatu

contoh. Jaringan Syaraf Tiruan dibentuk untuk memecahkan suatu masalah tertentu

seperti pengenalan pola atau klasifikasi karena proses pembelajaran. Jaringan Syaraf

Tiruan berkembang secara pesat pada beberapa tahun terakhir. Jaringan Syaraf Tiruan

telah dikembangkan sebelum adanya suatu computer konvensional yang canggih dan

terus berkembang walaupun pernah mengalami masa vakum selama beberapa tahun.

Jaringan Syaraf Tiruan keluar dari penelitian kecerdasan buatan, terutama

percobaan untuk menirukan fault-tolerence dan kemampuan untuk belajar dari sistem

syaraf biologi dengan model struktur low-level dari otak. Otak terdiri dari sekitar

(10.000.000.000) sel syaraf yang saling berhubungan. Sel syaraf mempunyai cabang

struktur input (dendrites), sebuah inti sel dan percabangan struktur output (axon). Axon

dari sebuah sel terhubung dengan dendrites yang lain melalui sebuah synapse. Ketika

sebuah sel syaraf aktif, kemudian menimbulkan suatu signal electrochemical pada axon.

Signal ini melewati synapses menuju ke sel syaraf yang lain. Sebuah sel syaraf lain akan

mendapatkan signal jika memenuhi batasan tertentu yang sering disebut dengan nilai

ambang atau (threshold).



22

Gambar 2.13 Susunan syaraf manusia

Jaringan Syaraf Tiruan memiliki pendekatan yang berbeda untuk memecahkan

masalah bila dibandingkan dengan sebuah komputer konvensional. Umumnya komputer

konvensional menggunakan pendekatan algoritma (komputer konvensional menjalankan

sekumpulan perintah untuk memecahkan masalah). Jika suatu perintah tidak diketahui

oleh komputer konvensional maka komputer konvensional tidak dapat memecahkan

masalah yang ada. Sangat penting mengetahui bagaimana memecahkan suatu masalah

pada komputer konvensional dimana komputer konvensional akan sangat bermanfaat jika

dapat melakukan sesuatu dimana pengguna belum mengatahui bagaimana melakukannya.

Jaringan Syaraf Tiruan (Neural Network) dan suatu algoritma komputer

konvensional tidak saling bersaing namun saling melengkapi satu sama lain. Pada suatu

kegiatan yang besar, sistim yang diperlukan biasanya menggunakan kombinasi antara

keduanya (biasanya sebuah komputer konvensional digunakan untuk mengontrol

Jaringan Syaraf Tiruan (Neural Network) untuk menghasilkan efisiensi yang maksimal.

Jaringan Syaraf Tiruan (Neural Network) tidak memberikan suatu keajiban tetapi jika

digunakan secara tepat akan menghasilkan sasuatu hasil yang luar biasa.

Keuntungan penggunaan Jaringan syaraf tiruan :

a.

Perangkat yang mampu untuk mengenali suatu objek secara non-linier.

b. Mempermudah pemetaan input menjadi suatu hasil tanpa mengetahui proses

sebenarnya.

c. Mampu melakukan pengadaptasian terhadap pengenalan suatu objek

d. Perangkat yang memiliki toleransi terhadap suatu kesalahan dalam pengenalan objek.

e. Jaringan syaraf tiruan mampu diimplementasikan pada suatu Hardware.



23

f. Perangkat yang mampu diimplementasikan secara parallel.

Jaringan syaraf tiruan ditentukan oleh 3 hal :

1. Pola hubungan antar neuron ( disebut arsitektur jaringan )

2. Metode untuk menentukan bobot penghubung (disebut metode learning/training)

3. Fungsi aktivasi.

2.2.1 Arsitektur Jaringan Syaraf Tiruan

Beberapa arsitektur jaringan yang sering dipakai dalam jaringan syaraf tiruan

antara lain :

1.

Jaringan Lapisan Tunggal ( single layer network )

Dalam jaringan ini, sekumpulan input neuron dihubungkan langsung dengan

sekumpulan outputnya. Dalam beberapa model (misalnya perseptron), hanya ada

sebuah unit neuron output. Jaringan dengan lapisan tunggal hanya memiliki satu

lapisan dengan bobot-bobot terhubung. Jaringan ini hanya menerima input kemudian

secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan

tersembunyi. Pada gambar 4 menunjukan jaringan syaraf dengan lapisan input

memiliki 3 neuron, yaitu X1, X2, dan X3. Sedangkan pada lapisan output memiliki 2

neuron yaitu Y1 dan Y2. Neuron-neuron pada kedua lapisan saling berhubugan, besar

hubungan antara 2 neuron ditentukan oleh bobot yang bersesuaian.



24

Gambar 2.14 Jaringan Lapisan Tunggal

2. Jaringan Lapisan Jamak (multi layer network )

Jaringan dengan banyak lapisan memiliki satu atau lebih lapisan yang terletak

diantara lapisan input dan lapisan output sering disebut lapisan tersembunyi/ hidden

layer ). Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang

lebih sulit dari pada lapisan dengan lapisan tunggal, tentunya dengan pembelajaran

yang lebih rumit.Jaringan ini merupakan perluasan dari lapisan tunggal. Dalam

jaringan ini, selain unit input dan output, ada unit-unit lain (sering disebut lapisan

tersembunyi/hidden layer ). Dimungkinkan pula ada beberapa lapisan tersembunyi.

Sama seperti pada unit input dan output, unit-unit dalam satu lapisan tidak saling

berhubungan.



25

Gambar 2.15 Jaringan Lapisan Banyak

3. Jaringan Lapisan Kompetitif

Model jaringan kompetitif mirip dengan lapisan tunggal ataupun ganda. Hanya saja,

ada neuron output yang memberikan sinyal pada unit input (sering disebut feedbackloop).

Gambar 2.16 Jaringan Lapisan Kompetitif



26

2.2.2 Paradigma Pembelajaran dalam JST

Berdasarkan cara memodifikasi bobotnya, ada 2 macam pelatihan yang dikenal

yaitu dengan supervisi dan tanpa supervisi Dalam pelatihan dengan supervisi, terdapat

sejumlah pasangan data (masukan - target keluaran) yang dipakai untuk melatih jaringan

hingga diperoleh bobot yang diinginkan. Pasangan data tersebut berfungsi sebagai "guru"

untuk melatih jaringan hingga diperoleh bentuk yang terbaik. "Guru" akan memberikan

informasi yang jelas tentang bagaimana sistem harus mengubah dirinya untuk

meningkatkan unjuk kerjanya. Pada setiap kali pelatihan, suatu input diberikan ke

jaringan. Jaringan akan memproses dan mengeluarkan keluaran. Selisih antara keluaran

jaringan dengan target (keluaran yang diinginkan) merupakan kesalahan yang terjadi.

Jaringan akan memodifikasi bobot sesuai dengan kesalahan tersebut. Jaringan

perceptron, Adaline dan backpropagation merupakan model-model yang menggunakan

pelatihan dengan supervisi. Sebaliknya, dalam pelatihan tanpa supervisi tidak ada "guru"

yang akan mengarahkan proses pelatihan. Dalam pelatihannya, perubahan bobot jaringan

dilakukan berdasarkan parameter tertentu dan jaringan dimodifikasi menurut ukuran

parameter tersebut.

Sebagai contoh, dalam model jaringan kompetitif, jaringan terdiri dari 2 layar,

yaitu layar input dan layar kompetisi. Layar input menerima data eksternal. Layar

kompetitif berisi neuron-neuron yang saling berkompetisi agar memperoleh kesempatan

untuk merespon sifat-sifat yang ada dalam data masukan. Neuron yang memenangkan

kompetisi akan memperoleh sinyal yang berikutnya ia teruskan. Bobot neuron pemenang

akan dimodifikasi sehingga lebih menyerupai data masukan.

Sebagai ilustrasi, pelatihan dengan supervisi dapat diandaikan sebagai skripsi

yang dibimbing oleh seorang dosen. Pada setiap kali pengumpulan berkas skripsi, dosen

akan mengkritik, mengarahkan dan meminta perbaikan agar kualitas skripsi meningkat.

Sebaliknya, Dalam pelatihan tanpa supervisi dapat dibayangkan sebagai skripsi tanpadosen pembimbing. Mahasiswa mengerjakan skripsi sebaik-baiknya berdasarkan ukuran

tertentu (misal dibandingkan dengan skripsi yang sudah ada sebelumnya atau

dibandingkan dengan hasil skripsi temannya). Berdasarkan hasil yang pernah dilaporkan,

model pelatihan dengan supervisi lebih banyak digunakan dan terbukti cocok dipakai

dalam berbagai aplikasi. Akan tetapi kelemahan utama pelatihan dengan supervisi adalah



27

dalam hal pertumbuhan waktu komputasinya yang berorde eksponensial. Ini berarti untuk

data pelatihan yang cukup banyak, prosesnya menjadi sangat lambat.

1. Pelatihan dengan Supervisi

Jaringan memberikan tanggapan dengan mendapatkan target tertentu. Sebelum

jaringan mengubah sendiri bobotnya untuk mencapai target, bobot interkoneksi

diinisialisasi. Proses belajar JST dengan pengawasan adalah proses belajar dengan

memberikan latihan untuk mencapai suatu target keluaran yang ditentukan. JST

mendapatkan latihan untuk mengenal pola-pola tertentu. Dengan memberikan target

keluaran, perubahan masukan akan diadaptasi oleh keluaran dengan mengubah bobot

interkoneksinya mengikuti algoritma belajar yang ditentukan. Set pelatihan dipilih

dari fungsi keluaran maksimum setiap keadaan parameter yang diubah. Dengan

menginisialisasi bobot tiap sel, JST akan mencari error terkecil, sehingga bentuk

fungsi keluaran mendekati target yang diinginkan. Berdasarkan proses belajar yang

dilakukan.

Beberapa hal yang perlu diperhatikan dalam menyusun set pelatihan, yaitu :

a. Pemberian urutan pola yang akan diajarkan.

b. Kriteria perhitungan error

c. Kriteria proses belajar

d. Jumlah iterasi yang harus dilalui

e. Inisialisasi bobot dan parameter awal.

Pelatihan dilakukan dengan memberikan pasangan pola-pola masukan dan

keluaran. Untuk keperluan pengendalian, pasangan pola tidak mengikuti rumusan

tertentu. JST harus dapat mengadaptasi masukan yang acak supaya keluaran tetap

mengikuti target. Lebih lanjut, proses pelatihan dilakukan dengan memberikan pola

yang menggunakan masukan acak dan bobot interkoneksi yang besar. Dengan

pemberian bobot yang besar, perbedaan target dan keluaran berkurang lebih cepat,

sehingga proses adaptasi akan lebih cepat pula. Salah satu proses belajar dengan

pengawasan adalah proses belajar menggunakan algoritma propagasi balik. Proses

belajar jaringan umpan balik dituliskan dalam bentuk algoritma propagasi balik yang

dikenal sebagai JPB. Jaringan Propagasi Balik (JPB) kadang-kadang dikenal sebagai



28

Multilayer Perceptron (MLP). Anda dapat menggunakan algoritma propagasi balik

untuk melatih jaringan lapis banyak.

2. Pelatihan Tanpa Supervisi

Pada pelatihan tanpa supervisi jaringan tidak mendapatkan target, sehingga JST

mengatur bobot interkoneksi sendiri. Belajar tanpa pengawasan kadang-kadang diacu

sebagai self-organizing learning , yakni belajar mengklasifikasikan tanpa dilatih. Pada

proses belajar tanpa pengawasan, JST akan mengklasifikasikan contoh pola-pola

masukan yang tersedia ke dalam kelompok yang berbeda-beda.

2.2.3 Fungsi Aktivasi

Fungsi aktivasi merupakan fungsi yang digunakan pada jaringan syaraf untuk

mengaktifkan atau tidak mengaktifkan neuron. Seperti terlihat pad gambar 3 sebuah

neuron akan mengolah N input (x1, x2, ..,xN) yang masing-masing memiliki bobot w1,

w2, w3, ..,wN) dan bobot bias b, dengan persamaan (5) :

() i wi ……………………………..(7)

Kemudian fungsi aktivasi F akan mengaktivasi a menjadi output jaringan y.

Gambar 2.17 Fungsi aktivasi

Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan,

yaitu :

1. Fungsi bipolar

Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner, hanya saja

output yang dihasilkan berupa 1 atau -1. Pada matlab fungsi ini lebih dikenal dengan

nama hardlims, dengan syntax: Y = hardlim(a).



29

{ ………………………………(8)

2.

Fungsi sigmoid biner (logsis)Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan menggunakan

metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1.

Oleh karena itu, fungsi ini sering digunakan untuk jaringan syaraf yang membutuhkan

nilai output yang terletak pada interval 0 sampai 1, namun fungsi ini juga dapat

digunakan oleh jaringan syaraf yang nilai outputnya 0 atau 1. Syntax yang digunakan

pada matlab adalah: Y = logsig(a).

……………………………..(9)

3. Fungsi sigmoid bipolar (tansig )

Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja

output dari fungsi ini memiliki range antara 1 sampai – 1. Syntax yang digunakan

pada matlab adalah: Y = tansig(a).

……………………………...(10)

2.2.4 Metode Backpropagation

Perambatan galat mundur ( Backpropagation) adalah sebuah metode sistematik

untuk pelatihan multiplayer jaringan saraf tiruan. Metode ini memiliki dasar matematis

yang kuat, obyektif dan algoritma ini mendapatkan bentuk persamaan dan nilai koefisien

dalam formula dengan meminimalkan jumlah kuadrat galat error melalui model yang

dikembangkan (training set ). Langkah-langkah proses backpropagation :

1.

Dimulai dengan lapisan masukan, hitung keluaran dari setiap elemen pemroses

melalui lapisan luar.

2. Hitung kesalahan pada lapisan luar yang merupakan selisih antara data aktual dan

target.



31

Keterangan gambar 2.14 :

X = masukan (input)

J = 1 s/d n (n=10)

V = bobot pada lapisan tersembunyi

W = bobot pada lapisan keluaran

n = jumlah unit pengolah pada lapisan tersembunyi

b = bias pada lapisan tersembunyi dan lapisan keluaran

k = jumlah unit pengolah pada lapisan keluaran

Y = keluaran hasil.

Tujuan dari perubahan bobot untuk setiap lapisan, bukan merupakan hal

yang sangat penting. Perhitungan kesalahan merupakan pengukuran bagaimana jaringan

dapat belajar dengan baik. Kesalahan pada keluaran dari jaringan merupakan selisih

antara keluaran aktual (current output ) dan keluaran target (desired output ).

Langkah berikutnya adalah menghitung nilai SSE (Sum Square Error) yang

merupakan hasil penjumlahan nilai kuadrat error neuron1 dan neuron2 pada lapisan

output tiap data, dimana hasil penjumlahan keseluruhan nilai SSE akan digunakan untuk

menghitung nilai RMSE (Root Mean Square Error) tiap iterasi.

Sum Square Error (SSE). SEE dihitung sebagai berikut :

1. Hitung lapisan prediksi atau keluaran model untuk masukan pertama.

2. Hitung selisih antara nilai luar prediksi dan nilai target atau sinyal latihan untuk setiap

keluaran.

3. Kuadratkan setiap keluaran kemudian hitung seluruhnya. Ini merupakan kuadrat

kesalahan untuk contoh lain.

( ) ……………………………..(11)



32

Root Mean Square Error (RMS Error). Dihitung sebagai berikut :

1. Hitung SSE.

2. Hasil dibagi dengan perkalian antara banyaknya data pada latihan dan banyaknya

keluaran, kemudian diakarkan.

√ ………………………………(12)

Ket :

RMSE = Root Mean Square Error

SSE = Sum Square Error

N = banyaknya data pada latihan

K = banyaknya keluaran.

2.2.4.2 Algoritma Pelatihan

Pelatihan suatu jaringan dengan algoritma backpropagation meliputi dua tahap :

perambatan maju dan perambatan mundur.

Selama perambatan maju, tiap unit masukan ( xi) menerima sebuah masukan sinyal

ini ke tiap-tiap lapisan tersembunyi z1

,…..,z p

. Tiap unit tersembunyi ini kemudianmenghitung aktivasinya dan mengirimkan sinyalnya ( z j) ke tiap unit keluaran. Tiap unit

keluaran ( yk ) menghitung aktivasinya ( yk ) untuk membentuk respon pada jaringan untuk

memberikan pola masukan.

Selama pelatihan, tiap unit keluaran membandingkan perhitungan aktivasinya yk

dengan nilai targetnya t k untuk menentukan kesalahan pola tersebut dengan unit itu.

Berdasark an kesalahan ini, faktor δk (k = 1,..,m) dihitung. δk digunakan untu menyebarkan

kesalahan pada unit keluaran yk kembali ke semua unit pada lapisan sebelumnya (unit-

unit tersembunyi yang dihubungkan ke yk ). Juga digunakan (nantinya) untuk mengupdate

bobot-bobot antara keluaran dan lapisan tersembunyi. Dengan cara yang sama, faktor ( j =

1,…,p) dihitung untuk tiap unit tersembunyi z j. Tidak perlu untuk menyebarkan kesalahan

kembali ke lapisan masukan, tetapi δ j digunakan untuk mengupdate bobot-bobot antara

lapisan tersembunyi dan lapisan masukan.



33

Setelah seluruh faktor δ ditentukan, bobot untuk semua lapisan diatur secara

serentak. Pengaturan bobot w jk (dari unit tersembunyi z j ke unit keluaran yk ) didasarkan

pada faktor δk dan aktivasi z j dari unit tersembunyi z j. didasarkan pada faktor δ j dan dan

aktivasi xi unit masukan.

a. Prosedur Pelatihan

Langkah 0 : Inisialisasi bobot. (sebaiknya diatur pada nilai acak yang kecil),

Langkah 1 : Jika kondisi tidak tercapai, lakukan langkah 2-9,

Langkah 2 : Untuk setiap pasangan pelatihan, lakukan langkah 3-8,

Perambatan Maju :

Langkah 3 : Tiap unit masukan ( xi , i = 1,…, n) menerima sinyal xi dan menghantarkan

sinyal ini ke semua unit lapisan di atasnya (unit tersembunyi),

Langkah 4 : Setiap unit tersembunyi ( xi , i = 1,…, p) jumlahkan bobot sinyal

masukannya,

……………………………..(13)

voj = bias pada unit tersembunyi j aplikasikan fungsi aktivasinya untuk

menghitung sinyal keluarannya, z j = f ( z_in j), dan kirimkan sinyal ini

keseluruh unit pada lapisan diatasnya (unit keluaran).

Langkah 5 : Tiap unit keluaran ( yk , k = 1,…, m) jumlahkan bobot sinyal masukannya,

………………………..……(14)

wok = bias pada unit keluaran k dan aplikasikan fungsi aktivasinya untuk

menghitung sinyal keluarannya, yk = f ( y_ink ).



34

Perambatan Mundur :

Langkah 6 : Tiap unit keluaran ( yk , k = 1,…, m) menerima pola target yang saling

berhubungan pada masukan pola pelatihan, hitung kesalahan

informasinya,

………………………….(15)

hitung koreksi bobotnya (digunakan untuk memperbaharui wjk nantinya),

…………………………….(16)

hitung koreksi biasnya (digunakan untuk memperbaharui wok nantinya),

dan kirimkan δk ke unit-unit pada lapisan dibawahnya,

Langkah 7 : Setiap unit lapisan tersembunyi ( z j , j = 1,…, p) jumlahkan hasil

perubahan masukannya (dari unit-unit lapisan diatasnya),

……………………………(17)

kalikan dengan turunan fungsi aktivasinya untuk menghitung informasi

kesalahannya,

…………………………(18)

hitung koreksi bobotnya (digunakan untuk memperbaharui voj nanti),

Langkah 8 : Tiap unit keluaran ( yk , k =1,…,m) update bias dan bobotnya ( j = 0,…,p) :

……………………………(19)

Tiap unit lapisan tersembunyi ( z j , j = 1,…, p) update bias dan bobotnya ( I

= 0,…,n) :

…………………………(20)

Langkah 9 : Test kondisi berhenti.



35

b. Prosedur Pengujian

Setelah pelatihan, jaringan saraf backpropagation diaplikasikan dengan hanya

menggunakan tahap perambatan maju dari algoritma pelatihan. Prosedur aplikasinya

adalah sebagai berikut :

Langkah 0 : Inisialisasi bobot (dari algoritma pelatihan).

Langkah 1 : Untuk tiap vektor masukan, lakukan langkah 2-4.

Langkah 2 : for i = 1,…, n : atur aktivasi unit masukan xi .

Langkah 3 : for j = 1,…, p :

∑ ……………………………(21)

……………………………(22)

Langkah 4 : for k = 1,…, m :

∑ ……………………………(23)

……………………………(24)

Langkah 5 : Jika yk ≥ 0,5 maka yk = 1, else yk = 0.



37

2.3 Rumah Adat

Indonesia sungguh kaya baik alamnya maupun budayanya. Di Indonesia terdapat

ribuan suku bangsa yang mendiami sepanjang wilayah kepulauan negara ini. Setiap suku

bangsa memiliki unsur kebudayaan mulai dari bahasa, upacara adat, tari tradisional,

makanan, rumah adat, dan unsur lain yang berbeda dengan suku lainnya. Bentuk kearifan

lokal ini merupakan harta yang sangat berharga bagi Indonesia.

2.3.1 Pengertian Rumah Adat

Budihardjo (1994:57) rumah adalah aktualisasi diri yang diejawantahkan dalam

bentuk kreativitas dan pemberian makna bagi kehidupan penghuninya. Selain itu rumah

adalah cerminan diri, yang disebut Pedro Arrupe sebagai ”Status Conferring Function”,

kesuksesan seseorang tercermin dari rumah dan lingkungan tempat huniannya.

Rumah Adat adalah bangunan yang memiliki ciri khas, digunakan untuk tempat

hunian oleh suatu suku bangsa tertentu.Rumah adat merupakan salah satu representasi

kebudayaan yang paling tinggi dalam sebuah komunitas suku/masyarakat. Keberadaan

rumah adat di Indonesia sangat beragam dan mempunyai arti yang penting dalam

perspektif sejarah, warisan, dan kemajuan masyarakat dalam sebuah peradaban.

Rumah-rumah adat di indonesia memiliki bentuk dan arsitektur masing-masing

daerah sesuai dengan budaya adat lokal. Rumah adat pada umumnya dihiasi ukiran-

ukiran indah, pada jaman dulu, rumah adat yang tampak paling indah biasa dimiliki para

keluarga kerajaan atau ketua adat setempat menggunakan kayu-kayu pilihan dan

pengerjaannya dilakukan secara tradisional melibatkan tenaga ahli dibidangnya, Banyak

rumah-rumah adat yang saat ini masih berdiri kokoh dan sengaja dipertahankan dan

dilestarikan sebagai simbol budaya Indonesia.

http://rumahadatdiindonesia.blogspot.com/

http://rumahadatdiindonesia.blogspot.com/2014/01/pengertian-rumah-adat.html





http://rumahadatdiindonesia.blogspot.com/



38

2.3.2 Fungsi Rumah Adat

Rumah adat ini mempunyai fungsi sosial dan budaya yang bertingkat-tingkat di

masyarakat. Awalnya merupakan pusat pemerintahan, kekuasaan adat, sekaligus

perkembangan kehidupan sosial budaya masyarakat. Contoh : Tongkonan yang

merupakan rumah adat suku Toraja, yang secara umum digunakan sebagai rumah tinggal,

kegiatan social, upacara adat, serta membina kekeluargaan. Bagian dalam dari

Tongkonan terbagi 3 yaitu ruang bagian utara atau depan yang berfungsi sebagai ruang

tamu, tempat anak-anak tidur, dan tempat meletakkan sesaji. Ruang bagian tengah yang

berfungsi sebagai ruang makan, tempat pertemuan keluarga, dapur, serta tempat

meletakkan mayat. Ruang bagian selatan berfungsi sebagai ruang kepala keluarga.

Gambar 2.20 Tongkonan (rumah adat suku Toraja)

2.3.3 Ciri Rumah Adat

Rumah adat di Indonesia sangat beranekaragam dengan ciri khas dan keunikan

masing-masing, baik dari bentuk, warna, dan kegunaan. Hal tersebut merupakan

kekayaan negeri ini yang tak ternilai. Walaupun tiap daerah memiliki perbedaan termasuk

rumah adatnya, kita tetap Indonesia yang berjiwa “Bhinneka Tunggal Ika”. Contoh : Ciri

khas Tongkonan yaitu bangunannya dibuat menghadap ke utara. Hal ini bermakna

proposal ta.docx

Documents