JUNI 2009 APLIKASI JARINGAN SARAF TIRUAN

Download Jurnal Teknik Elektro Vol. 1 No.1. Januari - Juni 2009. APLIKASI JARINGAN SARAF TIRUAN BACKPROPAGATION. UNTUK MEMPREDIKSI PENYAKIT THT. D...

0 downloads 396 Views 262KB Size
Jurnal Teknik Elektro Vol. 1 No.1 Januari - Juni 2009

11

APLIKASI JARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK MEMPREDIKSI PENYAKIT THT DI RUMAH SAKIT MARDI RAHAYU KUDUS

Arif Jumarwanto Rudy Hartanto, Dhidik Prastiyanto ABSTRACT Artificial neural network (ANN) is a modern computing paradigm. That can be used for the pattern recognition and other. Backpropagation is artificial neural network which using hidden layer addition. Computation of artificial neural network through some certain step like training phase and examination. After both the step reached, so a neural network capable to recognize pattern to be entered will be found. The purpose of this research is simulation of artificial neural network that capable to pattern recognition from output of electrocardiogram by helped of MATLAB program. Input of result electrocardiogram record, then input of data can be normalization after that data can be proccesed by backpropagation computing with two step (training phase and examination phase). Output of ANN is like explaning condition of patient is normal, rhinitis kronis or epistaksis. Keyword : rhinitis kronis, epistaksis, artificial neural network. I. PENDAHULUAN

berdasarkan gejala klinis. Jaringan syaraf tiruan

1.1. Latar Belakang Masalah

backpropagation merupakan topologi yang cukup

Salah satu permasalahan yang ada di masyarakat adalah semakin banyaknya jenis

popular

dan

berbagai

aplikasi

paling

banyak

terutama

dipakai

untuk

pengenalan

pola.

penyakit yang bermunculan. Salah satu jenis

Jaringan syaraf tiruan backpropagation adalah

penyakit yang sering dijumpai di masyarakat

jenis supervised learning dimana output dari

adalah penyakit THT. Hal ini dikarenakan banyak

jaringan

penyakit sistematis yang bermanifestasi di daerah

diharapkan

telinga, hidung dan tenggorokan. Penelitian ini

kemudian error ini dipropagasikan balik untuk

dikhususkan untuk memprediksi jenis penyakit

memperbaiki

dibandingkan sehingga

dengan diperoleh

bobot

jaringan

target error dalam

yang output, rangka

THT pada bagian hidung, yaitu rinitis kronis dan

meminimasi error. Pada sistem prediksi penyakit

Epistaksis.

THT

Rinitis

kronis

dan

Epistaksis

berbasis

lubang

jaringan saraf tiruan keberhasilan tergantung

hidung. Usaha bernafas menghantarkan udara

pada data-data yang telah diberikan pada fase

lewat saluran pernafasan atas dan bawah kepada

pelatihan.

Nafas

manusia

dimulai

dari

elveoli paru dalam volume, tekanan kelembaban, suhu

dan

kebersihan

yang

cukup

untuk

menjamin suatu kondisi ambil oksigen yang optimal,

dan

pada

proses

sebaliknya

juga

1.2. Rumusan Masalah Bertitik tolak dari latar belakang masalah tersebut di atas, skripsi yang akan dibuat

menjamin proses eliminasi karbondioksida yang

dapat dirumuskan sebagai berikut :

optimal, yang diangkut ke alveoli lewat aliran

1. Bagaimana merancang arsitektur jaringan syaraf tiruan backpropagation sehingga

darah. Pada skripsi ini jaringan syaraf tiruan backpropagation yang akan dicoba diterapkan untuk

diagnosis

awal

suatu

penyakit

yang

dapat memprediksi penyakit THT rinitis kronis dan epistaksis ? 2. Bagaimana tingkat akurasi yang dihasilkan

berkembang di masyarakat yaitu THT bagian

dari

hidung

terkait

yaitu

Rinitis

kronis

dan

Epistaksis

jaringan dengan

syaraf

tiruan

pengenalan

tersebut pola

dari

Jurnal Teknik Elektro Vol. 1 No.1 Januari - Juni 2009

12

penyakit THT rinitis kronis dan epistaksis

1.7.1

?

depan, halaman judul, halaman pengesahan,

Bagian awal, berisi : halaman sampul

prakata,

1.3. Batasan Masalah

daftar

isi,

daftar

tabel,

daftar

Batasan masalah dalam penulisan skripsi ini

gambar, daftar lampiran, arti lambang (jika

adalah:

ada), singkatan, dan instisari.

1.

Penyakit yang dibahas dalam penelitian

1.7.2

Bagian utama skripsi :

ini dikhususkan untuk penyakit hidung

BAB I

: PENDAHULUAN

yaitu Rinitis Kronis dan epistaksis

Meliputi latar belakang permasalahan yaitu

2. 3.

Jaringan syaraf yang digunakan adalah

latar belakang jaringan saraf tiruan, penyakit

backpropagation

THT terutama rinitis kronis dan epistaksis.

Program dibuat dengan matlab 7.04

Berdasarkan tersebut,

1.4. Tujuan Penelitian

latar

penulis

belakang

masalah

menyusun

rumusan

Adapun tujuan dari penelitian ini adalah

masalah yang diperjelas dengan pembatasan

1

syaraf

masalah yang akan diangkat dalam tugas

2.

Merancang

arsitektur

jaringan

tiruan yang dapat memprediksi penyakit

akhir ini. Manfaat penelitian akan dapat

THT rinitis kronis dan epistaksis.

dirasakan apabila tujuan penelitian telah

Menghitung tingkat akurasi / kehandalan

tercapai. Metodologi penelitian merupakan

jaringan syaraf tiruan yang dibuat

tahapan dalam menuntun penulis dalam mencapai tujuan skripsi

1.5.Manfaat Penelitian

BAB II : LANDASAN TEORI dari

Berisi teori-teori pendekatan yang digunakan

penelitian ini adalah membantu kerja para

untuk menganalisis masalah dan teori yang

ahli dibidangnya terutama rinitis kronis da

dipakai dalam mengolah data yang digunakan

epistaksis

dalam penelitian. Uraian pada landasan teori

Manfaat

yang

akan

diperoleh

ini akan menunjukan bahwa permasalahan 1.6.Metode Penelitian

yang diteliti memiliki dasar teori dan dapat

Metode yang dilakukan dalam penelitian ini

dipecahkan melalui penelitian yang akan

adalah metode pengumpulan data dengan

dilakukan penulis.

melaksanakan kegiatan sebagai berikut:

BAB III

1.

Bab

2.

3.

Wawancara

dengan

pihak–pihak

yang

: PERANCANGAN SISTEM

ini

merupakan

tahap

dasar

dari

terkait dengan permasalahan yang diteliti,

pencapaian tujuan yaitu aplikasi jaringan

dalam hal ini adalah dari bagian diklit,

saraf

Unit penyakit THT dirumah sakit Mardi

memprediksi penyakit THT terutama rinitis

Rahayu Kudus.

kronis

Observasi atau pengumpulan data pasien

penjabaran perancangan system yang terdiri

yang terjangkit penyakit THT terutama

dari

rinitis kronis dan epistaksis

identifikasi

sistem,

Studi literatur dengan mencari literatur

pengujian,

dan

tiruan dan

backpropagation epistaksis.

perangkat

Bab

untuk

ini

perancangan data

berisi sistem,

pelatihan,

data

perancangan

JST

dan artikel yang menunjang penyusunan

Backpropagation untuk memprediksi penyakit

skripsi baik itu tentang penyakit THT dan

THT terutama rinitis kronis dan epistaksis.

tentang jaringan syaraf tiruan.

BAB IV Bab

1.7.Sistematika Penulisan

: HASIL DAN PEMBAHASAN Meliputi

pembuatan

pembahasan

program

sebagai

prosedur wujud

dari

Penulisan skripsi ini terbagi menjadi tiga

penggunaan aplikasi jaringan saraf tiruan.

bagian yang mencakup bagian awal, bagian

Program disusun mulai dari pembentukan

utama yang terdiri atas lima bab, dan bagian

neuron input sampai dengan proses prediksi

akhir.

Jurnal Teknik Elektro Vol. 1 No.1 Januari - Juni 2009

13

suatu penyakit yaitu dihasilkannya produk

klebsiella,

yang sama dengan target.

pseudomonas aerginosa. Keluhan subyektif

ini

berisi

streptokok,

dan

yang sering ditemukan pada pasien biasanya

BAB V : PENUTUP Bab

stafilokok,

kesimpulan

serta

napas bau, pasien menderita anosmia, ingus

saran,

kesimpulan merupakan hasil dari analisis

kental

data serta perancangan dan implementasi

penciuman,

hijau,

kusta

program. Berdasarkan tujuan awal tugas

tersumbat. Gambar penyakit rinitis kronis

akhir kesimpulan harus dapat mencapai poin

ditunjukan oleh gambar dibawah ini

sakit

hijau,

kepala,

gangguan

dan

hidung

tujuan tersebut. Salah satu dari poin tujuan adalah menghasilkan metode untuk prediksi awal suatu penyakit dengan mengaplikasikan jaringan saraf tiruan. Saran dari tugas akhir ini merupakan dasar dari pengembangan penelitian selanjutnya yang belum sampai dibahas dalam tugas akhir ini. II. LANDASAN TEORI 2.1 THT (Telinga, Hidung, Tengorok) Banyak

penyakit

(“Kapita selekta kedokteran”, 2001)

sistematis

yang

Gambar 1. penyakit Rinitis Kronis

bermanifestasi di daerah telinga, hidung dan tenggorokan. Demikian juga sebaliknya. Jenis

2.2.1.Teori Jaringan Syaraf Tiruan

penyakit yang menyerang telinga antara lain :

a.

Pengertian Jaringan Syaraf Tiruan

otitis, gangguan pendengaran, presbikusis,

Menurut

tuli, meniere, dll. Sedangkan yang menyerang bagian

hidung

sinusitis,

antara

rinitis,

tumor,

lain

:

dll.

Pada

Hermawan,

Arief

.

2006

.

Jaringan Syaraf Tiruan, Teori dan Aplikasi.

epistaksis,

“Jaringan syaraf tiruan didefinisikan sebagai

bagian

suatu sistem pemrosesan informasi yang

tenggorokan antara lain: esofagitis, tumor,

mempunyai

laryngitis, dll.

jaringan

Hidung bekerja sebagai indera pencium

karakteristik

saraf

manusia”.

menyerupai Jaringan

saraf

dengan adanya mukosa olfaktorius pada atap

tiruan tercipta sebagai suatu generalisasi

rongga hidung, konka superior dan sepertiga

model matematis dari pemahaman manusia

bagian

(human

atas

septum.

mencapai daerah

Partikel

ini dengan

bau

dapat

yang

didasarkan

atas

asumsi sebagai berikut :

cara difusi

1.

dengan palut lendir atau bila menarik nafas

Pemrosesan

informasi

terjadi

pada

elemen sederhana yang disebut neuron.

dengan kuat. Epistaksis

adalah

perdarahan

2.

dari

kardiovaskular,

melalui

suatu

sambungan

penghubung.

sebab sistemik. Diagnosis awalnya biasanya penyakit

Isyarat mengalir di antara sel saraf / neuron

hidung yang terjadi akibat lokal ataupun karena

cognition)

3.

kelainan

Setiap sambungan penghubung memiliki bobot yang bersesuaian.

darah, infeksi sistemik, gangguan endokrin, 4.

ataupun kelainan kongenital.

Setiap sel saraf akan merupakan fungsi aktivasi

Sedangkan penyakit Rinitas Kronis

terhadap

hasil

yang

masuk

penjumlahan

kronik dengan tanda adanya atrofi progresif

kepadanya untuk menentukan isyarat

tulang dan mukosa konka. Mukosa hidung

keluarannya.

menghasilkan

secret

kental

dan

berbobot

isyarat

merupakan suatu penyakit infeksi hidung

cepat

mengering, sehingga terbentuk krusta berbau busuk. Penyebabnya bisa berupa spesies

b.

Pemodelan Jaringan Syaraf Tiruan

Jurnal Teknik Elektro Vol. 1 No.1 Januari - Juni 2009

14

Jaringan syaraf terdiri atas beberapa

mendapatkan

keseimbangan

antara

neuron dan ada hubungan antara neuron–

kemampuan jaringan untuk mengenali pola

neuron tersebut. Neuron adalah sebuah unit

yang

pemroses

kemampuan untuk memberikan respon yang

informasi

yang

menjadi

dasar

pengoperasian jaringan syaraf tiruan. Syaraf adalah

sebuah

unit

pemroses

Satu set link yang terhubung

2.

Sebuah penjumlah untuk menghitung besarnya

penambahan

pada

pelatihan

serta

dengan pola yang dipakai selama pelatihan. d.

1.

selama

benar terhadap pola masukan yang serupa

informasi

dengan tiga elemen dasar yaitu :

digunakan

Arsitektur JST Backpropagation

sinyal

masukan 3.

Sebuah fungsi aktivasi untuk membatasi banyaknya keluaran pada syaraf Sebagian

melakukan

besar

jaringan

penyesuaian

syaraf

bobot–bobotnya

selama menjalani pelatihan. Pelatihan dapat berupa

pelatihan

training)

di

terbimbing

mana

masukan–sasaran

diperlukan

untuk

tiap

(supervised pasangan pola

yang

dilatihkan. Jenis kedua adalah pelatihan tak terbimbing (unsupervised training). Gambar 2.2

dibawah

ini

menggambarkan

Gambar 3. Model jaringan backpropagation

model

jaringan syaraf tiruan.

Backpropagation

memiliki

beberapa

unit yang ada dalam satu atau lebih lapis tersembunyi.

Gambar

2.3

diatas

adalah

arsitektur backpropagation dengan n buah masukan

(X1, X2, X3, ......., Xn) ditambah

sebuah bias, sebuah lapis tersembunyi yang terdiri dari j unit ditambah sebuah bias, serta k buah unit keluaran. e.

Algoritma Backpropagation

Pelatihan backpropagation meliputi tiga fase. Fase I :

Propagasi Maju Selama

propagasi

maju,

sinyal

masukan (= xi) dipropagasikan ke lapis Gambar 2. Model Jaringan Syaraf Tiruan

tersembunyi

Jaringan Syaraf Tiruan Backpropagation JST dengan layar tunggal memiliki keterbatasan

dalam

pengenalan

pola.

fungsi

aktivasi yang ditentukan. Keluaran dari setiap

c.

menggunakan

unit

lapis

tersembunyi

(=

zj)

tersebut selanjutnya dipropagasikan maju lagi ke lapis tersembunyi di atasnya menggunakan

fungsi

aktivasi

yang

Kelemahan ini bisa ditanggulangi dengan

ditentukan. Demikian seterusnya hingga

menambahkan

menghasilkan keluaran jaringan (= yk).

satu

atau

beberapa

layar

tersembunyi diantara layar masukan dan layar

keluaran.

Jaringan

syaraf

tiruan

backpropagation (JST-BP) melatih jaringan

Berikutnya, keluaran jaringan (= yk) dibandingkan dengan target yang harus dicapai

(=

tk).

Selisih

tk-yk

adalah

Jurnal Teknik Elektro Vol. 1 No.1 Januari - Juni 2009

15

kesalahan yang terjadi. Jika kesalahan ini

Bobot

lebih kecil dari batas toleransi yang

jaringan mencapai titik minimum lokal atau

ditentukan,

global, dan seberapa cepat konvergensinya.

maka

iterasi

dihentikan.

awal

akan

Bobot

lebih besar dari batas toleransinya, maka

aktivasi yang kecil sedapat mungkin dihindari

bobot setiap garis dalam jaringan akan

karena

dimodifikasikan

bobotnya menjadi sangat kecil. Demikian pula

untuk

mengurangi

Fase II :

karena

kesalahan

tk-yk,

dihitung faktor δk (k=1, 2, …, m) yang dipakai

untuk

akan

nilai

menyebabkan

turunan

perubahan

nilai bobot awal tidak boleh terlalu besar

Propagasi Mundur Berdasarkan

menghasilkan

apakah

Akan tetapi apabila kesalahan masih

kesalahan yang terjadi.

yang

mempengaruhi

nilai

turunan

fungsi

aktivasinya

menjadi sangat kecil juga. 2)

mendistribusikan

Jumlah unit tersembunyi Hasil teoritis yang didapat menunjukkan

kesalahan di unit yk ke semua unit

bahwa

tersembunyi yang terhubung langsung

tersembunyi

dengan

backpropagation untuk mengenali sembarang

yk.

δk

mengubah

juga

dipakai

bobot

garis

untuk yang

jaringan

dengan

sebuah

sudah

perkawanan

antara

cukup

masukan

lapis bagi

dan

target

menghubungkan langsung dengan unit

dengan tingkat ketelitian yang ditentukan.

keluaran.

Akan

tetapi

panambahan

jumlah

lapis

Dengan cara yang sama, dihitung δj

tersembunyi kadangkala membuat pelatihan

di setiap unit di lapis tersembunyi sebagai

lebih mudah dan bisa jadi pelatihan dapat

dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di lapis di

lebih mencapai target. 3)

Jumlah pola pelatihan

bawahnya. Demikian seterusnya hingga

Tidak ada kepastian tentang berapa banyak

faktor

yang

pola yang diperlukan agar jaringan dapat

unit

dilatih dengan sempurna. Jumlah pola yang

δ

di

berhubungan

unit

tersembunyi

langsung

dengan

masukan dihitung. Fase III :

dibutuhkan

Perubahan Bobot Setelah

bobot

semua

semua

oleh

banyaknya

bobot dalam jaringan serta tingkat akurasi

faktor δ dihitung, garis

dipengaruhi

dimodifikasi

yang diharapkan. 4)

Lama iterasi

bersamaan. Perubahan bobot suatu garis

Tujuan utama penggunaan backpropagation

didasarkan atas faktor δ neuron di lapis

adalah mendapatkan keseimbangan antara

atasnya.

penganalan pola pelatihan secara benar dan

bobot

Sebagai

lapis

respon yang baik untuk pola lain yang sejenis. Jaringan dapat dilatih terus menerus

ada di unit keluaran.

hingga semua pola pelatihan dikenali dengan

fase

yang

perubahan

keluaran didasarkan atas dasar δk yang Ketiga

garis

contoh,

tersebut

menuju

ke

diulang-ulang

terus

benar. Akan tetapi hal itu tidak menjamin

hingga kondisi penghentian dipenuhi. Umumnya

jaringan

kondisi penghentian yang sering dipakai adalah

pengujian

jumlah

akan

bermanfaat untuk meneruskan iterasi hingga

dihentikan jika jumlah iterasi yang dilakukan

semua kesalahan pola pelatihan sama dengan

iterasi

atau

kesalahan.

Iterasi

sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang terjadi

akan

mampu

dengan

tepat.

mengenali Jadi

pola

tidaklah

0 (nol). 5)

Parameter laju pelatihan

sudah lebih kecil dari batas toleransi yang

Parameter laju pelatihan (learning rate) sangat

diijinkan.

berpengaruh pada proses pelatihan. Begitu pula

terhadap

efektivitas

dan

kecepatan

f.

Optimalitas jaringan backpropagation

mencapai konvergensi dari pelatihan. Nilai

1)

Pemilihan bobot dan bias awal

optimum

dari

learning

rate

tergantung

Jurnal Teknik Elektro Vol. 1 No.1 Januari - Juni 2009

16

permasalahan yang diselesaikan, prinsipnya

Variasi lain yang dapat dilakukan pada

dipilih sedemikian rupa sehingga tercapai

standar

konvergensi

bobotnya

yang

optimal

dalam

proses

backpropagation sekaligus

adalah

setelah

merubah

semua

pola

pelatihan.

dimasukkan. Prosedur ini memberikan efek

Nilai learning rate yang cukup kecil menjamin

yang lebih halus dalam perubahan bobot.

penurunan gradient terlaksana dengan baik,

Dalam beberapa kasus, variasi perubahan ini

namun ini berakibat bertambahnya jumlah

akan

iterasi.

konvergensi ke titik minimum lokal.

meningkatkan

kemungkinan

h. Sum Square Errorn dan Root Mean Square g.

Variasi Backpropagation

Error Kesalahan

Variasi ini biasa digunakan untuk keperluan

antara

keluaran

merupakan

sebenarnya dengan keluaran yang diinginkan.

Beberapa

Selisih

variasi

backpropagation

selisih

yang

dihasilkan

antara

keduanya

biasanya ditentukan dengan cara dihitung

Momentum

menggunakan suatu persamaan. momentum

dimaksudkan

Sum Square Error (SSE) dihitung sebagai

untuk menghindari perubahan bobot yang

berikut :

mencolok akibat adanya data yang sangat

1.

Hitung keluaran jaringan syaraf untuk

2.

Hitung

berbeda dengan yang lain. Modifikasi yang dapat

dilakukan

adalah

melakukan

masukan pertama. selisih

antara

nilai

keluaran

perubahan bobot yang didasarkan atas arah

jaringan syaraf dan nilai target / yang

gradien pola terakhir dan pola sebelumnya

diinginkan untuk setiap keluaran.

yang dimasukkan.

3.

Dengan penambahan momentum, bobot baru pada waktu ke- (t

+ 1)

didasarkan atas

Kuadratkan setiap keluaran kemudian hitung seluruhnya.

Adapun rumusnya adalah:

bobot pada waktu t dan t-1. Jika µ adalah konstanta maka

yang

bobot

menyatakan

baru

dihitung

p

Perubahan

dalam dapat

seluruh dilakukan

j

X jp = nilai target/yang diinginkan untuk setiap keluaran Root Mean Square Error (RMS Error): 1.

Hitung SSE

2.

Hasilnya dibagi dengan perkalian antara banyaknya

Laju pemahaman (α) merupakan suatu iterasinya.

− X jp ) 2

T jp = nilai keluaran jaringan syaraf

Delta – Bar – Delta dipakai

jp

berdasarkan

v ji (t + 1) = v ji (t ) + αδ j xi + µ (v ji (t ) − v ji (t − 1))

yang

∑ (T

Dengan :

wkj (t − 1) = wkj + αδ k z k + µ (wkj (t ) − wkj (t − 1)) dan

konstanta

SSE = ∑

momentum,

persamaan (JJ Siang, 2005: 113) :

banyaknya

data

pada

pelatihan

keluaran,

kemudian

Rumus : RMS Error =

∑∑ (T p

jp

− X jp ) 2

j

n p no

berbeda-beda untuk setiap bobotnya, atau

Dengan :

tiap

T jp = nilai keluaran jaringan syaraf

iterasinya.

Perubahan

bobot

dalam

aturan delta-bar-delta adalah sebagai berikut :

X jp = nilai target/yang diinginkan untuk setiap keluaran

wkj (t + 1) = wkj (t ) + α kj (t + 1)δ k z j Perubahan Bobot Berkelompok

dan

diakarkan.

dengan memberikan laju pemahaman yang

3)

jaringan

mempercepat pelatihan dalam kasus tertentu.

Penambahan

2)

keluaran

khusus, atau teknik modifikasi bobot untuk

diantaranya adalah : 1)

pada

n p = jumlah seluruh pola no = jumlah keluaran

Jurnal Teknik Elektro Vol. 1 No.1 Januari - Juni 2009

17

III. PERANCANGAN SISTEM

• Diberi nilai 0 jika ‘tidak’

3.1. Perangkat yang dipakai

• Diberi nilai 1jika ‘ya’

Perangkat Keras (Hardware)

e.

CPU

: Intel Pentium 4 Celeron 1.7 Ghz

RAM

: 256 MB

Hidung gatal ( X 5 ) • Diberi nilai 0 jika ‘tidak’

PC (Personal Computer) dengan spesifikasi :

• Diberi nilai 1 jika ‘ya’ f.

Batuk ( X 6 )

HRD

: 80 GB

• Diberi nilai 0 jika ‘tidak’

VGA

: On Board share 128 MB

• Diberi nilai 0,50 jika ‘ya’ tetapi batuk

Monitor : 15” SVGA

ringan • Diberi nilai 1 jika ‘ya’ dengan batuk berat

Printer : Canon ip1000 Perangkat Lunak (Software)

atau berdahak

OS Windows XP Service Pack 1

g.

Alergi (

X7 )

• Diberi nilai 0 jika ‘tidak’

MATLAB 7.04

• Diberi nilai 1 jika ‘ya’ 3.2. Identifikasi sistem

h.

Nyeri kepala ( X 8 ) • Diberi nilai 0 jika ‘tidak’

3.2.1 Data Masukan

• Diberi nilai 1jika ‘ya’

Data ini dapat berupa suatu masukan suatu device ataupun data statistik dari suatu

i.

Demam ( X 9 )

percobaan. Nilai data adalah bebas artinya nilai

• Diberi nilai 0 jika ‘tidak’

dapat

• Diberi nilai 1 jika ‘ya’

diisi

dengan

sembarangan

bilangan.

Untuk perancangan sistem ini menggunakan

j.

Keluar darah (

X 10 )

data masukan berupa numeric dari gejala

• Diberi nilai 0 jika ‘tidak’

penyakit THT rinitis kronis dan epistaksis itu

• Diberi nilai 0,50 jika ‘ya’ tetapi kurang

sendiri

meliputi

Hidung

Tersumbat,

pilek,

dari 5 ml • Diberi

bersin, keluar sekret, hidung gatal, batuk, k.

lemas a.

nilai

1

jika

‘ya’

dan

melebihi 5 ml

alergi, nyeri kepala, demam, keluar darah,

Lemas ( X 11 )

Hidung tersumbat ( X 1 )

• Diberi nilai 0 jika ‘tidak’

• Diberi nilai 0 jika ‘tidak’

• Diberi nilai 1jika ‘ya’

• Diberi nilai 1 jika ‘ya’ b.

Pilek ( X 2 )

3.3 Normalisasi

• Diberi nilai 0 jika ‘tidak’ • Diberi nilai 0,25 jika ‘ya’ tetapi lama pilek kurang dari 3 minggu • Diberi nilai 0,50 jika ‘ya’ tetapi lama pilek antara 3 sampai 8 minggu • Diberi nilai 1jika ‘ya’ dengan lama pilek lebih dari 8 minggu c.

Bersin (

X3)

Sebelum

digunakan

untuk

pelatihan, perlu dilakukan penskalaan terhadap nilai-nilai

masukan

dan

target

sedemikian

hingga data-data masukan dan target tersebut masuk dalam suatu range tertentu yang disebut preprocessing atau normalisasi data. Tujuan utama

normalisasi

adalah

agar

• Diberi niali 0,25 jika ‘ya’ tetapi kadang – kadang dan periode bersinnya tidak tetap.

memudahkan dalam proses komputasi. Pada MATLAB

ada

beberapa

tools

serangan kurang dari 5 kali per periode. • Diberi nilai 1 jika ‘ya’ dengan serangan lebih besar deri 5 kali per periode.

X4 )

untuk

preprocessing diantaranya premnmx dan prestd

• Diberi nilai 0,50 jika ‘ya’ tetapi dengan

Keluar sekret (

terjadi

sinkronisasi data, disamping itu juga untuk

• Diberi nilai 0 jika ‘tidak’

d.

proses

3.4 Perancangan Sistem 3.4.1Perancangan Jaringan Syaraf Tiruan a) Penentuan arsitektur jaringan

Jurnal Teknik Elektro Vol. 1 No.1 Januari - Juni 2009

18

pada

Penentuan

arsitektur

jaringan

JST

memiliki

rumusan

tidak

Setiap variasi parameter diamati dengan menghitung

MSE

dan

lama

iterasinya.

khusus, untuk itu diperlukan adanya

Setelah nilai yang optimal didapatkan maka

percobaan-percobaan. Percobaan pertama

nilai tersebut nantinya digunakan untuk

dengan 1 hidden layer. Dengan unit

melakukan pengujian jaringan.

hidden layer juga dirandom mulai dari 11 unit sampai 40 unit. Percobaan yang

3.4.3 Perancangan Pengujian Jaringan Pengujian

kedua dengan menambahkan 1 hidden

mutlak

dilakukan

setelah

layer lagi sehingga terdapat 2 hidden

langkah pelatihan selesai dan didapatkan

layer. Untuk menentukan unit hidden

nilai-nilai bobot dan bias yang optimal.

layer yang kedua juga dilakukan dengan

Jaringan yang telah jadi tersebut kemudian

mengurutkan nilai mulai dari 6 unit

diuji dengan dua pengujian yaitu pengujian

sampai 25 unit. Untuk lapisan keluaran

dengan set-data pelatihan dan pengujian

ada 3 unit yang menjelaskan mengenai

dengan

kondisi seseorang, yaitu normal, rinitis

pengujian

kronis

pernah dilatihkan sebelumnya (yang tidak

atau

epistaksis.

pada

Matlab

set-data

pengujian.

adalah

set-data

Set-data

yang

belum

digunakan untuk proses pelatihan).

menggunakan instruksi newff. Net = newff(PR,[S1 S2 S3],{TF1 TF2

3.4.4 Perancangan Analisis Hasil Pengujian

TF3},BTF)

Kinerja dari suatu jaringan syaraf tiruan

b) Penentuan fungsi aktivasi Ada beberapa model fungsi aktivasi

setelah dilakukan pelatihan dapat diukur

yang

dengan melihat error hasil pelatihan, dan

disediakan

diantaranya

yaitu,

logsig, tansig, purelin. Pada penelitian

pengujian

terhadap

ini

digunakan

masukan

baru.

adalah logsig. Nilai logsig digunakan

pengujian

karena

mengamati ketepatan atau akurasi antara

fungsi

aktivasi

nilai

komputasi

yang

ini

dan

mudah

mudah

untuk

diturunkan

target

c) Penentuan variasi jaringan variasi jaringan yang digunakan pada ini

membatasi

pelatihan

dianalisis

keluaran

data dan

dengan

jaringan,

yang

dirumuskan :

(determinan).

penelitian

dapat

dengan

sekumpulan

Hasil

berguna

eksekusi

diantaranya

JumlahData Uji − JumlahKesalahanKeluaranJST ×100% JumlahData Uji

untuk

dari

adalah

PK(%) =

program

menentukan

Keluaran

jaringan

akan

dibandingkan

dengan hasil diagnosa dokter. perbandingan

nilai momentum dan pesat belajar, dan

keunggulan ataupun kelemahan jaringan

menentukan target yang ingin dicapai.

syaraf

tiruan

ini

akan

Dari hasil

jumlah epoch maksimum, menentukan

dibandingkan

diketahui dengan

diagnosa dokter ataupun ahli tersebut. 3.4.2 Perancangan Pelatihan Jaringan Pelatihan

jaringan

digunakan

untuk

melatih set data yang telah dibuat, yaitu

IV. HASIL DAN PEMBAHASAN

data input berupa nilai dari data-data hasil

4.1 Analisis pertama

perekaman

alat

EKG.

targetnya

adalah

Sedangkan

kondisi

data

seseorang

4.1.1 Analisis Layer tersembunyi Hasil pelatihan memiliki kesamaan dan

tersebut apakah denyut jantungnya normal

perbedaan.

atau abnormal. Pelatihan dapat dilakukan

performanya.

secara

ditambahkan

bahwa goal (kinerja tujuan) yang ingin

berbagai variasi untuk optimasi target.

dicapai hasilnya tidak tercapai semuanya

standar

dengan

Kesamaannya Keduanya

terletak

pada

menunjukkan

Jurnal Teknik Elektro Vol. 1 No.1 Januari - Juni 2009

19

(pelatihan pertama dan kedua), meskipun

pertimbangan

epoch

Ini

dengan satu hidden layer sudah cukup

menunjukkan bahwa jaringan masih belum

yaitu 11-29-3, karena dengan 2 hidden

mampu mengenali pola masukan yang

layer perbedaan MSE sangat tipis dari satu

diberikan dengan benar. Sebenarnya ini

hidden

bukan suatu masalah karena grafik yang

proses iterasi digunakan satu hidden layer

yang

diinginkan

tercapai.

dihasilkan selama pelatihan menunjukkan adanya penurunan MSE. Ada

beberapa

masalah

yang

mengakibatkan goal tidak tercapai pada kedua pelatihan diatas. Pertama epoch yang disediakan

10000

epoch,

kalau

menginginkan kinerja tujuan tercapai maka perlu

ditambah

takberhingga

epoch

lagi

hingga

sampai

kinerja

tujuan

tercapai. Ini menjadi kendala sebab akan membutuhkan banyak waktu. Padahal yang dibutuhkan waktu yang relatif singkat. Kedua kecilnya laju belajar. Laju belajar yang digunakan pada pelatihan pertama dan

kedua

adalah

0.1,

ini

membuat

jaringan sulit untuk mengenali pola. Akan lebih baik jika laju belajar ditambahkan, ini akan dibahas pada sub-bab berikutnya. Ketiga momentum yang kecil. Momentum yang kecil akan berakibat pada penurunan gradien.

Idealnya

digunakan

berkisar

momentum antara

yang

0.4

sampai

terjadi

antara

dengan 0.8. Perbedaan

yang

penggunaan satu hidden layer dengan dua hidden layer tersebut ada pada MSE-nya. Memang

MSE

yang

diinginkan

tidak

tercapai, tetapi dari hasil pelatihan MSE yang dihasilkan relatif kecil. Hasil-hasil pelatihan diatas tetap digunakan dengan melihat MSE yang paling kecil dari tabel diatas.

MSE

terkecil

pada

pelatihan

pertama adalah 0.00275369, sedangkan pada pelatihan kedua MSE yang terkecilnya adalah 0.00170939. Dari perbedaan MSE ini menjelaskan bahwa penggunaan layer tersembunyi dapat meningkatkan performa dari jaringan yang dibuat. Dari hasil pelatihan pertama dan kedua maka dapat disimpulkan bahwa arsitektur jaringan

yang

optimal

berdasar

4.1.2

layer,

diatas

jadi

adalah

untuk

jaringan

mempercepat

Analisis Laju belajar dan moentum Analisis kedua bertujuan untuk menganalisis pelatihan ketiga. Dari hasil pengamatan bahwa untuk nilai laju belajar yang cukup kecil menjamin penurunan gradient terlaksana dengan baik, namun ini berakibat bertambahnya jumlah iterasi sehingga untuk mencapai konvergensi berlangsung lebih lama. Jika konstanta laju belajar bertambah besar maka konvergensi akan berlangsung lebih cepat. Kemudian penggunaan konstanta momentum berfungsi untuk mempercepat konvergensi dan juga untuk mencegah terjebaknya pelatihan ke dalam minimum lokal, jika momentum semakin besar maka konvergensi akan cepat tercapai. Akan tetapi penggunaan konstanta momentum jangan terlalu tinggi, sebab kemungkinan gelombang yang dihasilkan akan terjadi noise. Gambar grafik perlatihan ketiga pada sub-bab 3.4 menjelaskan bahwa penggunaan pesat belajar dan momentum yang terus bertambah mengakibatkan jaringan akan mencapai target yang diinginkan Nilai 0,8 untuk pesat belajar (LR) dan 0,2 untuk momentum dipilih dengan mempertimbangkan beberapa aspek. Pertama aspek prosentase data uji. Ada beberapa pasangan LR dan momentum yang mencapai target yang diinginkan, namun ketika diberi data uji pasangan tersebut belum mampu menghasilkan prosentase yang sempurna (100 %). Aspek kedua adalah aspek grafik. Grafik yang dihasilkan dari berbagai pasangan berbeda-beda meski pencapaian targetnya sama. Jika fungsi alih yang digunakan adalah logsig artinya logaritmik, maka grafik yang dihasilkan harusnya berbentuk logaritmik pula. Akan lebih baik jika grafik yang dihasilkan tidak terdapat noise

Jurnal Teknik Elektro Vol. 1 No.1 Januari - Juni 2009

20

Hasil terbaik terjadi pada laju belajar 0,8 dan konstanta momentum 0,2 yang menghasilkan MSE sebesar 0.000999981. Hasil terbaik tersebut disajikan pada Gambar 4

Dari berbagai pertimbangan diatas maka variasi yang paling baik adalah menggunakan menghasilkan

traingdx. waktu

Selain

komputasi

yang

singkat, grafiknya juga baik. 4.1. Analisis kedua analisis kedua adalah Proses pengujian, pengujian dilakukan dengan dua data yaitu set-data pelatihan dan set-data pengujian. Hasil

yang

didapatkan

yaitu

keduanya

masing-masing memiliki kemampuan 100 %, ini artinya jaringan mampu untuk mengenali pola yang diberikan. V. KESIMPULAN DAN SARAN 5.1.

Kesimpulan

Berdasarkan

hasil

penelitian

dan

pembahasan pada bab sebelumnya dapat diambil kesimpulan, sebagai berikut : 1. Berdasar dari hasil MSE, jumlah epoch yang

Gambar 4. pelatihan terbaik

diinginkan dan gambar grafik yang dihasilkan

4.1.3 Analisis variasi jaringan Analisis

ini

bertujuan

menganalisis pelatihan keempat yakni pelatihan

untuk

menentukan

variasi

jaringan. Tujuan dari pelatihan ini adalah mencari variasi jaringan yang mampu menghasilkan kesalahan terkecil dengan waktu komputasi yang cepat. Pelatihan dilakukan dengan hasil pelatihan terbaik sebelumnya yaitu arsitektur jaringan 1129-3, laju belajar 0,8; momentum 0,2; target error (MSE) 0,001 dan maksimum Ada beberapa variasi jaringan yang digunakan

backpropagation.

dalam

Setiap

variasi

yang

masing. Untuk menentukan variasi yang digunakan perlu melihat MSE, jumlah epoch dan prosentase hasil pengujian. beberapa

tercapai

variasi

namun

yang

MSE-nya

prosentsenya

tidak

tercapai, ada yang MSE tidak tercapai namun prosentasenya tercapai. Selain itu,

perlu

dihasilkan

juga

dan nilai momentum 0,2. Fungsi aktivasi yang digunakan logsig dan algoritma pelatihan yang digunakan adalah traingdx. 2. Jaringan saraf tiruan yang dihasilkan pada penelitian ini memiliki tingkat akurasi 100 %, baik pada tahap pelatihan maupun tahap pengujian. Artinya jaringan syaraf turuan

melihat

dengan sempurna (benar).

JST

dilatihkan memiliki karakteristik masing-

Ada

satu lapisan tersembunyi dengan arsitektur jaringan 11-29-3, dengan pesat belajar 0,8

yang dibuat dapat mengenali pola data THT

epochnya 10000 epoch. dapat

maka dapat dijabarkan bahwa Arsitektur jaringan syaraf tiruan yang dibuat memiliki

grafik

yang

5.2.

Saran

1. Sistem

jaringan

yang

telah

dibuat

menunjukkan jaringan dapat mengenali pola dengan sempurna, ini karena data yang diujikan adalah data yang sempurna (data lengkap).

Untuk

mengetahui

keandalan

jaringan dapat diuji dengan data yang tidak sempurna. 2. Jaringan syaraf ada banyak jenisnya, salah satunya digunakan

backpropagation pada

penelitian

seperti ini.

yang Untuk

Jurnal Teknik Elektro Vol. 1 No.1 Januari - Juni 2009

21

mengetahui kinerja jaringan syaraf tiruan yang lebih optimal, perlu digunakan algoritma pelatihan selain backpropagation. 3. Untuk lebih memudahkan pengguna, maka perlu dibuat suatu interface seperti GUI (graphical user interface) DAFTAR PUSTAKA Aston, Richard. 1991. Principles Of Biomedical Instrumentation

And

Measurement.

Maxwell Macmillan International Editions Hermawan, Arief. 2006. Jaringan Saraf Tiruan Teori

dan

Aplikasi.

Yogyakarta:

ANDI

OFFSET. Kusumadewi. Sri 2003. Artificial

Intelligence

Teknik dan Aplikasi. Yogyakarta: Graha Ilmu. Puspitaningrum,

Diyah.

2006.

Pengantar

Jaringan Saraf Tiruan. Yogyakarta: ANDI OFFSET. Setiawan, Sandi. 1993. Artificial Intelligence. Yogyakarta: ANDI OFFSET. Siang.JJ 2005. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Yogyakarta: ANDI. www.elekroindonesia.com/jst diupload tanggal 28 Agustus 2007 pukul 14.40 WIB http://telkomnika.elektrouad.net/?Volume_2%2C _No_2:Desain_Dan_Penggunaan_%22E2glite _Expert_System_Shell%22_Untuk_Diagnosis _Penyakit_THT diupload tanggal 28 Agustus 2007 pukul 14.23 WIB BIOGRAFI Arif Jumarwanto, Pendidikan terakhir S1 Teknik Elektro Unnes Rudy Hartanto, dosen Teknik Elektro UGM, menekuni bidang konsentrasi Sistem Informasi dan Teknologi Komputer. Dhidik Prastiyanto, dosen Teknik Elektro Unnes, menekuni bidang konsentrasi Sistem Informasi dan Teknologi Komputer