Perbandingan Perfomansi Metode Backpropagation Dan Radial Basis Function (RBF) Untuk Masalah Klasifikasi Peyakit Diabetes Mellitus

PERBANDINGAN PERFORMANSI METODE

  

UNTUK PERMASALAHAN KLASIFIKASI PENYAKIT

DIABETES MELLITUS

SKRIPSI

Diajukan untuk Menempuh Ujian Akhir Sarjana

  

ADISTY SUKMAWATI

10111569

KATA PENGANTAR

  Assalamualaikum wr. wb Alhamdulillahi Rabbil’ Alamin, penulis memanjatkan puji dan syukur ke

hadirat Allah SWT atas segala nikmat kesehatan, tenaga, waktu dan pikiran

sehingga penulis dapat menyelesaikan skripsi yang berjudul “PERBANDINGAN

PERFORMANSI METODE BACKPROPAGATION DAN RADIAL BASIS

  

FUNCTION (RBF) UNTUK PERMASALAHAN KLASIFIKASI PENYAKIT

DIABETES MELLITUS” untuk memenuhi salah satu syarat studi jenjang strata

satu (S1) di program Studi Teknik Informatika, Fakultas Teknik dan Ilmu

Komputer , Universitas Komputer Indonesia.

  Dikarenakan keterbatasan yang dimiliki penulis, penyusunan skripsi ini tidak

akan terwujud tanpa adanya dukungan dari berbagai pihak. Untuk itu penulis

• – memulai kata pengantar ini sangat menghargai dan berterimakasih yang sebesar besarnya kepada: 1.

  Allah SWT atas segala nikmat kesehatan, tenaga, waktu dan pikiran yang telah diberikan sehingga penulis dapat menyelesaikan skripsi ini.

  2. Kedua orangtua, ibu Tungki Setiawati dan bapak R. Uke S. Mulyadi dan kakak

• – kakak yang telah memberikan doa dan dukungannya.

  3. Ibu Ednawati Rainarli , S.Si., M. Si., selaku dosen wali IF – 13 /2011 dan dosen pembimbing Penulis yang telah memberikan bimbingan , masukan , saran dan nasehatnya selama penyusunan skripsi ini.

  7. Seluruh sahabat dan teman – teman Penulis yang selalu memberikan dukungan, motivasi dan saran kepada Penulis.

  8. Serta seluruh pihak yang tidak Penulis sebutkan satu – persatu, terima kasih atas segala dukungan selama proses penyusunan skripsi ini.

  Penulis menyadari bahwa penulis skripsi ini masih jauh dari sempurna. Oleh

karena itu Penulis mengharapkan saran san masukan untuk pengembangan skripsi

ini. Akhirnya, semoga skripsi ini dapat membantu semua pihak yang

berkepentingan dan dapat berkontribusi dalam pengembangan ilmu pengetahuan

bagi seluruh umat manusia.

  Bandung, Februari 2016 Penulis

  

DAFTAR ISI

ABSTRAK ...................................................................................................... i

ABSTRACT ...................................................................................................... ii

KATA PENGANTAR .............................................................................. iii

DAFTAR ISI ........................................................................................................v

DAFTAR TABEL.................................................................................................. x

DAFTAR GAMBAR ......................................................................................... xiii

DAFTAR SIMBOL .......................................................................................... xv

DAFTAR LAMPIRAN ............................................................................. xvii

BAB 1 PENDAHULUAN ................................................................................. 1

  

1.1 Latar Belakang Masalah ..................................................................... 1

  

1.2 Rumusan Masalah ................................................................................. 2

  

1.3 Maksud dan Tujuan ................................................................................. 2

  

1.4 Batasan Masalah ................................................................................. 3

  

1.5 Metodologi Penelitian ..................................................................... 3

  

1.6 Sistematika Penelitian ..................................................................... 5

  

BAB 2 LANDASAN TEORI ................................................................................. 7

  

2.1 Jaringan Syaraf Tiruan ..................................................................... 7

  

2.1.1 Arsitektur Jaringan Syaraf Tiruan ........................................................ 7

  

2.7.1 Klasifikasi Diabetes Mellitus .................................................................. 26

  

2.8 Model Analisis Perancangan .................................................................. 27

2.8.1 pemrograman Berorientasi Objek ...................................................... 25

  

2.8.2 C# ...................................................................................................... 29

  

2.8.3 Unified Modeling Language ................................................................. 30

  

2.8.3.1 Use Case Diagram................................................................................... 30

  

2.8.3.2 Class Diagram ......................................................................................... 30

  

2.8.3.3 Sequence Diagram .............................................................................. 31

  

2.8.3.4 Activity Diagram ...............................................................................32

  

2.9 Perangkat Lunak Pendukung .................................................................. 32

  

2.9.1 Microsoft Visual Studio .................................................................. 32

  

2.9.2 MYSQL ........................................................................................... 33

  

2.9.3 XAMPP .......................................................................................... 33

  

BAB 3 ANALISIS DAN PERANCANGAN SISTEM ............................... 35

  

3.1 Analisis ........................................................................................... 35

  

3.1.1 Analisis Masalah ............................................................................... 35

  

3.1.2 Analisis Proses ............................................................................... 35

  

3.1.3 Analisis Data Masukan ................................................................. 36

  

3.1.4 Analisis Metode .............................................................................. 38

  

3.1.4.1 Normalisasi Data .............................................................................. 40

  

3.2.2 Use Case Diagram ............................................................................... 56

  

3.2.2.1 Definisi Aktor ............................................................................... 57

  

3.2.2.2 Definisi Usecase ............................................................................... 57

  

3.2.3 Skenario Diagram ............................................................................... 58

  

3.2.4 Activity Diagram ............................................................................... 66

  

3.2.5 Class Diagram ............................................................................... 70

  

3.2.6 Sequence Diagram ............................................................................... 71

  

3.3 Perancangan ........................................................................................... 74

  

3.3.1 Perancangan Basis Data ................................................................... 74

  

3.3.2 Skema Relasi ........................................................................................... 74

  

3.3.3 Struktur Tabel .......................................................................................... 75

  

3.3.4 Struktur Menu .............................................................................. 78

  

3.3.3 Perancangan Antarmuka ................................................................... 79

  

3.3.3.1 Perancangan Tampilan Simulator ........................................................... 79

  

3.3.3.2 Perancangan Tampilan Pesan ................................................................. 82

  

3.3.3.3 Jaringan Semantik .................................................................................... 84

  

3.3.4 Perancangan Method .............................................................................. 85

  

BAB 4 IMPLEMENTASI DAN PENGUJIAN .......................................... 90

  

4.1 Implementasi Sistem ................................................................................ 90

  

4.1.1 Implementasi Perangkat Keras ................................................................ 90

  

4.3 Pengujian Algoritma .............................................................................. 100

  

4.3.1 Rencana Pengujian ................................................................................. 101

  

4.3.1.1 Skenario Pengujian Pertama................................................................... 101

  

4.3.1.2 Skenario Pengujian Kedua...................................................................... 105

  

4.4 Kesimpulan Hasil Pengujian ................................................................. 107

  

BAB 5 KESIMPULAN DAN SARAN ..................................................... 108

  

5.1 Kesimpulan ............................................................................................ 108

  

5.2 Saran ....................................................................................................... 108

DAFTAR PUSTAKA ........................................................................................ 111

DAFTAR PUSTAKA

  [1] Fajar AuliaRachman. “Diteksi Penyakiut Kulit Mengguakan Filter 2D Gabor Wavelevet dan Jaringan Saraf Tiruan Radial Basis Function (RBF )”.

  [Diakses 3 september 2015]

[2] Novi Indah Pradasari. “Aplikasi Jaringan Syaraf Tituan Memprediksi

Penyakit Saluran Pernafasan dengan Metode Backpropagation ”. [Diakses 3 september 2015] [3] “Jaringan Syaraf Tiruan” diyah puspita nigrum , C.V andi offset 2006

  [4] “Artificial Intelegent “ sri kusumadei , graha ilmu, 2003 [5] R. Kohavi, “A Study of Cross-Validation and Bootstrap for Accuracy

  Estimation and Model Selection ,” International Joint Conference on Artificial Intelligence (IJCAI), 1995.

  

[6] Matrix [Online]. Available:http://

H.Hamilton, “Confussion ,” www2.cs.uregina.ca/~dbd/cs831/notes/confusion_matrix/confusion_matrix .html. [Diakses 29 December 2015].

  

[7] A.S. Rosa dan M. Shalahuddin, Modul Pembelajaran Rekayasa Perangkat

Lunak (Terstruktur dan Berorientasi Objek), Bandung: Modula, 2013.

[8] Hartanto, B., “Memahami Visual C#.Net Secara Mudah”. Yogyakarta :

Andi, 2008. [9] Arif jumarwanto.”Aplikasi Jaringan Syaraf Tiruan Backpropagation untuk

  Mem prediksi penyakit THT di rumah sakit rahayu kudus”[Diakses 8 oktober 2015] [10] Sri redjeki.”Perbandingan Algoritma Backpropagation dan K- Nearst

BAB 1 PENDAHULUAN

1.1. Latar Belakang Masalah

  Berdasarkan penelitian yang dilakukan oleh Fajar Aulia Rachman yang berjudul

Diteksi Penyakit Kulit Menggunakan Filter 2D Gabor Wavelvet dan Jaringan Saraf

Tiruan Radial Basis Function (RBF) [1] dijelaskan bahwa metode RBF dapat

digunakan untuk menentukan klasifikasi penyakit kulit, yaitu acne vularis, cacar ,

dermatitis, herpes, skabies, campak , dan normal, pengklasifikasian penyakit kulit

didasarkan pada pengindentifikasian data masukan berupa ciri dari masing –

  Mengidentifikasi ciri suatu objek merupakan salah satu cara untuk

mendeskripsikan atau mengklasifikasikan suatu data kelompok tertentu berdasarkan

kesamaan karakteristik yang ada dalam suatu objek. Cara melakukan klasifikasi

salah satunya dapat menggunakan metode dalam jaringan syaraf tiruan. Metode

jaringan syaraf tiruan yang sering digunakan untuk mengklasifikasikan penyakit

diantaranya Backpropagation dan Radial Basis Function. Kedua metode ini

memiliki ciri khas masing

• – masing dalam melakukan klasifikasi. Backpropagation menggunakan nilai error untuk mengubah bobot
• – bobotnya dalam dua arah yaitu

  arah mundur dan maju sehingga mendapat output yang baik. Radial Basis Function

  melakuan pembelajaran dengan dua tahap yaitu terawasi dan tidak terawasi, maksud

  tidak terawasi terdapat algoritma lain untuk membantu dalam proses pembelajaran

  dalam menentukan kebutuhan dalam proses pembelajaran dan melakukan algoritma

  radial basis function untuk proses selanjutnya dalam proses pembelajaran.

  2

klasifikasi penyakit saluran pernafasan adalah 87,5% untuk keseluruhan klasifikasi

penyakit saluran pernafasan.

  Pada penelitian tugas akhir ini, klasifikasi yang dilakukan akan di terapkan pada

kasus klasifikasi penyakit diabetes mellitus. Berdasarkan wawancara yang dilakukan

dengan Dr. Dine Rinjani dokter bagian prolanis di UPT Puskesmas Talaga Bodas.

Ciri – ciri dari penyakit diabetes diantaranya seperti tensi pasien, gula darah pasien

sebelum puasa, gula darah sesudah puasa, tinggi badan pasien dan berat badan

pasien. Penyakit diabetes merupakan penyakit yang umum yang di derita oleh

masyarakat. Penyakit diabetes dibagi menjadi dua jenis yaitu diabetes mellitus

insulin dan diabetes mellitus non insulin. Penanganan masing

• – masing jenis diabetes mellitus ini berbeda
• – beda, perlu adanya pemeriksaan sejak dini agar

  setiap pasien diabetes mellitus mendapat penanganan yang sesuai dengan jenis

  diabetes yang di derita.

  Karena metode Backpropagation dan Radial Basis Function sering digunakan

untuk klasifkasi penyakit. Penyakit diabetes mellitus membutuhkan klasifikasi agar

dalam melakukan tindak lanjut didapat penanganan yang tepat berdasarkan

klasifikasi jenis diabetes mellitus, maka dalam penelitian tugas akhir ini akan

dibandingkan metode Backpropagation dengan Radial Basis Function (RBF) yang

akan diterapkan pada klasifikasi penyakit diabetes mellitus dan performansi pada

tiap

• – tiap metode, maka pada tugas akhir ini mengambil judul

  “ Perbandingan

Performansi Metode Backpropagation dan Radial Basis Function (RBF) untuk

Permasalahan Klasifikasi Penyakit Diabates Mellitus

  ”.

1.2 Rumusan Masalah

  3 Backpropagation dan Radial Basis Function (RBF) untuk mengklasifikasikan penyakit diabetes mellitus.

  Adapun tujuan yang ingin di capai dari tugas akhir ini adalah mengetahui metode mana yang tingkat akurasi dalam klasifikasi penyakit diabetes mellitus paling baik antara metode Backpropagation dengan metode Radial Basis Function (RBF) dalam kasus klasifikasi penyakit diabetes mellitus.

1.4. Batasan Masalah

  Aplikasi yang dibangun adalah aplikasi dengan batasan masalah dari pengembangan sistem sebagai berikut :

  1. Komponen yang akan diukur dalam membandingkan metode Backpropagation dan metode Radial Basis Function (RBF) adalah performansi data berupa akurasi , dan klasifikasi data.

  2. Data yang di inputkan dalam kasus ini antara lain data usia , berat badan, tinggi badan, riwayat keluarga, gangguan distruksi sel beta, dan gangguan pola makan.

  3. Komponen yang akan diukur dalam membandingkan metode Backpropagation dan metode Radial Basis Function (RBF) adalah besar nilai presentase ketepatan dan nilai Root Mean Square Error (RMSE) dari hasil pengujian klasifikasi.

  4. Keluaran pada aplikasi ini berupa hasil perbandingan performasi dari metode klasifikasi Backpropagation dan Radial Basis Function (RBF).

1.5. Metodologi Penelitian

  Metode yang digunakan dalam penelitian ini menggunakan beberapa tahap,

  4 Tahapan

• – tahapan metodologi penelitian pada Gambar 1.1 yang digunakan dalam penelitian tugas akhir ini adalah sebagai berikut : 1.

  Pengumpulan Data Metode pengumpulan data yang digunakan dalam penelitian ini adalah sebagai berikut : a.

  Studi Literatur Pengumpulan data dengan cara mengumpulkan literatur, jurnal, paper dan bacaan

• – bacaan yang ada kaitannya dengan metode Backpropagation dan metode Radial Basis Function (RBF).

  b.

  Observasi Teknik pengumpulan data dengan cara penelitian dan peninjuan langsung ke Puskesmas , terhadap masalah yang di ambil.

  Data yang diperoleh digunakan untuk menentukan kebutuhan – kebutuhan elemen sistem yang diperlukan pada perbandingan metode Backpropagation dan metode Radial Basis Function (RBF) yang akan dilakukan pada simulator yang akan dibangun.

  2. Menganalisis Metode Pada tahap ini akan dilakukan analisis kebutuhan serta proses metode Backpropagation dan metode Radial Basis Function (RBF) untuk membandingkan performansi pada klasifikasi penyakit diabetes mellitus.

  Setelah kebutuhan metode serta elemen simulator sudah terkumpul, maka dibuat kedalam perancangan simulator yang akan dibangun.

  3.

  5

  4. Pengujian Setelah simulator dibangun maka tahap selanjutnya adalah pengujian hasil

implementasi metode Backpropagation dan metode Radial Basis Function (RBF)

pada kasus klasifikasi penyakit diabetes mellitus.pengujian ini dilakukan dengan

memfokuskan pengujian pada pengujian akurasi data yang dihasilkan berdasarkan

presentase dan RMSE.

  5. Penarikan kesimpulan Berdasarkan hasil pengujian langkah selanjutnya adalah penarikan

kesimpulan dari hasil penerapan metode Backpropagation dan metode Radial

Basis Function (RBF) pada penyakit diabetes mellitus serta hasil klasifikasi

penyakit diabetes mellitus yang dihasilkan oleh metode Backpropagation dan

metode Radial Basis Function (RBF).

1.6. Sistematika Penulisan

  Sistematika penulisan laporan akhir penelitian ini disusun untuk memberikan

gambaran umum tentang penelitian yang dijalankan. Sistematika penulisan tugas

akhir ini adalah sebagai berikut :

  BAB 1 PENDAHULUAN Bab ini berisi penjelasan mengenai latar belakang masalah, identifikasi masalah,

maksud dan tujuan, batasan masalah, metodologi penelitian serta sistematika

penulisan yang dimaksudkan agar dapat memberikan gambaran tentang urutan

pemahaman dalam menyajikan laporan ini.

  BAB 2 LANDASAN TEORI Bab ini membahas mengenai landasan teori yang digunakan untuk menganalisis

  6

  Bab ini berisi tentang implementasi perbandingan metode Backpropagation dan Radial Basis Function (RBF) dalam menentukan klasifikasi penyakit diabetes

mellitus serta pengujian akurasi data dari kedua metode tersebut sehingga dapat

terlihat hasilnya.

BAB 5 KESIMPULAN DAN SARAN Bab ini menjelaskan tentang kesimpulan yang diperoleh dari hasil performansi

  

perbandingan metode Backpropagation dan Radial Basis Function (RBF), serta

saran

• – saran untuk pengembangan media pembelajaran kedepannya.

  

RIWAYAT HIDUP

Data Pribadi Nama : ADISTY SUKMAWATI Tempat / Tanggal Lahir : Cirebon , 6 Juli 1993 Umur : 21 Tahun Jenis Kelamin : Perempuan

Alamat : Jl. Koconegoro Komp. Cipageran Asri B.V No. 4

No. Telepon : 082127969898 Riwayat Pendidikan 1999

• – 2005 Lulus SD Sadagori 2 Kota Cirebon 2005
• – 2008 Lulus SMP Negeri 5 Kota Cirebon 2008
• – 2011 Lulus SMA Negeri 6 Kota Cirebon 2011
• – 2015 Universitas Komputer Indonesia Demikian riwayat hidup ini saya buat dengan sebenar

  45 Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033

PERBANDINGAN PERFORMANSI METODE

  BP DAN RBF UNTUK PERMASALAHAN KLASIFIKASI PENYAKIT DIABETES MELLITUS

  1 Adisty Sukmawati

1 Teknik Informatika

• – Universitas Komputer Indonesia Jl. Dipatiukur 112
• – 114 Bandung

  1 E-mail : adistysu@gmail.com

  algoritma lain untuk membantu dalam proses

  ABSTRAK

  pembelajaran dalam menentukan kebutuhan dalam proses pembelajaran dan melakukan algoritma radial Jaringan syaraf tiruan merupakan salah satu basis function untuk proses selanjutnya dalam proses metode yang dapat digunakan untuk melakukan pembelajaran. klasifikasi suatu data.Metode jaringan syaraf tiruan

  Karena metode Backpropagation dan Radial yang sering digunakan untuk mengklasifikasikan

  Basis Function sering digunakan untuk klasifkasi

  penyakit diantaranya Backpropagation dan Radial penyakit. Penyakit diabetes mellitus membutuhkan

  Basis Function. Backpropagation menggunakan nilai

  klasifikasi agar dalam melakukan tindak lanjut

  error untuk mengubah bobot

• – bobotnya dalam dua didapat penanganan yang tepat berdasarkan arah yaitu arah mundur dan maju sehingga mendapat klasifikasi jenis diabetes mellitus.

  output yang baik. Radial Basis Function melakuan pembelajaran dengan dua tahap yaitu terawasi dan

  1.1 Backpropagation Neural Network tidak terawasi.

  Backpropagation Neural Network merupakan

  Penyakit diabetes merupakan penyakit yang umum algoritma pembelajaran yang terawasi dan biasanya yang di derita oleh masyarakat. Penyakit diabetes digunakan oleh perceptron dengan banyak lapisan dibagi menjadi dua jenis yaitu diabetes mellitus insulin untuk mengubah bobot – bobot yang terhubung dan diabetes mellitus non insulin. Penanganan masing dengan neuron

• – neuron yang ada pada lap
• – masing jenis diabetes mellitus ini berbeda – beda, tersembunyinya. Algoritma backpropagation neural perlu adanya pemeriksaan sejak dini agar setiap pasien

  netwrok menggunakan error output untuk mengubah

  diabetes mellitus mendapat penanganan yang sesuai nilai bobot – bobotnya dalam arah mundur dengan jenis diabetes yang di derita.

  (backward). Untuk mendapatkan error ini, tahap Berdasarkan hasil pengujian yang terlah dilakukan perambatan maju (forward propagation) harus metode radialbasis function memiliki nilai error yang dikerjakan terlebih dahulu. lebih sedikit dibandingkan metode backpropagation.

  1.2 Radial Basis Function Kata kunci : Backpropagation , Radial Basis

  Jaringan Radial Basis Function adalah salah

  Function, k-fold cross validation

  satu contoh JST dengan lapis banyak dengan arah perambatan pembelajaran maju (Multilayer

  FeedForward Neural). Jaringan ini memiliki 3 buah Mengidentifikasi ciri suatu objek merupakan

1. PENDAHULUAN

2.4 Ukuran Ketepatan Pengujian

• – kebutuhan dimana yang akan datang. Terdapat beberapa ukuran kesalahan dalam pengujian antara lain.

  hidden layer dengan menggunakan persamaan :

  measing

  Feedforward :

  Langkah 1 : menghitung nilai yang didapat dari sinyal input menuju kehidden layer dengan menggunakan persamaan :

  _ = 0 +

  =1

  Dimana : _ = nilai dari input menuju hidden layer 0 = bobot awal bias input menuju hidden layer

  = nilai input layer ; x1 = tinggi badan x2 = berat badan x3 = tensi x4 =gula darah sebelum puasa (GDP) x5 = gula darah sesudah puasa (GDPP)

  = nilai bobot awal hidden layer ke hidden layer Langkah 2 : menghitung fungsi aktivasi pada sinyal

  = nilai aktivasi pada hidden layer ( ) = fungsi sigmoid binner dengan f(x) dari nilai input pada hidden layer

  = Dimana :

  Langkah 3 : menghitung nilai dari hidden layer menuju output layer dengan menggunakan persamaan :

  _ = 0 +

  =1

  Dimana : _ = nilai dari hidden layer menuju output layer 0 = bias pada hidden layer menuju output layer

  = nilai aktivasi pada hidden layer = bobot pada lapisan output

• – F

  Langkah 4 : menghitung fungsi aktivasi pada output layer dengan menggunakan persamaan = ( _ )

  Dimana : = nilai aktivasi pada output layer

  ( _ ) = fungsi sigmoid binner dengan f (x) menggunakan nilai dari hidden layer ke output layer Langkah 5 : pengecekan nilai error pada output

  Backpropagation dan Radial Basis Function

  n = jumlah data 2.

  Dalam kasus ini kedua metode antara metode

  kuadrat dengan persamaan sebagai berikut : �

  Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

  46 Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033

  ci = pusat data ke – i , i = 1, 2, ..., n �

  2

  = standar deviasi ke – j , j = 1, 2,..., n n = banyak pusat data

  Untuk mengukur suatu pengujian dapat dilakukan dengan menghitung selisih antara data hasil perhitungan dengan data tujuan aktual. Selisih besaran (ukuran kesalahan pengujian) data pengujian terhadap data aktual yang terjadi merupakan suatu data penring untuk menilai ketepatan suatu metode pengujian. Dengan membandingkan ukuran kesalahan beberapa metode pengujian, akan diperoleh metode mana yang mempunyai ukuran kesalahan terkecil, sehingga nilai pengujian dapat dipakai sebagai acuan dalam menentukan kebutuhan

   Root Mean Squared Error (RMSE)

  RMSE merupakan nilai tengah kesalahan akar

  = (

  = nilai kesalahan pengujian

  � − )

  2 =1 RMSE merupakan metode alternatif untuk

  mengevaluasi teknik peramalan. RMSE adalah rata – rata kuadrat dari perbedaan nilai estimasi dengan nilai obeservasi suatu variabel. Jika nilai RMSE semakin kecil maka estimasi model atau variabel tersebut semakain valid. Notasi dasar dari persamaan diatas secara ringkas adalah sebagai berikut :

  X t

  = nilai aktual pada periode t

  F t

  = nilai pengujian pada periode t

  X t

  t

ISI PENELITIAN

• – masing melakukan pembelajaran dan pengujian yang dilakukan untuk tuajuan mengetahui perbandingan performansi mana yang lebih baik .

  Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

  hidden layer

  ( _ ) = nilai turunan sigmoid binner dengan menggunakan f (x) nilai dari ∝

  = learning rate �

  = koreksi informasi pada hidden layer Langkah 14 : menghitung perbaikan nilai bias dan bobot tiap – tiap output dengan menggunakan persamaan

  � = ( ) +

  ∆ Dimana :

  � = nilai bobot baru pada hidden ke

  output layer

  ( ) = nilai bobot lama pada hidden ke

  output layer

  ∆ = koreksi bilai bobot pada hidden ke output

  layer

  Langkah 15 : menghitung perbaikan bias dari output ke hidden layer dengan menggunakan persamaan � = + ∆

  Dimana : �

  = nilai bias baru dari input ke

  = nilai bias lama dari input ke

  = koreksi informasi error pada hidden layer �_ = nilaikoreksi output layer menuju hidden

  Dimana : _

  hidden layer dengan menggunakan persamaan :

  Langkah 2 : menghitung fungsi aktivasi pada sinyal

  layerdari data latih

  = nilai input layer dari data uji = nilai bobot awal hidden layer ke hidden

  layerdari data latih

  = nilai dari input menuju hidden layer = bobot awal bias input menuju hidden

  =1

  hidden layer

  _ = 0 +

  Langkah 1 : menghitung nilai yang didapat dari sinyal input menuju kehidden layer dengan menggunakan persamaan :

  Backpropagation akan melalui tahap feedforward saja yaitu dengan melalui

  Untuk pengujian pada jaringan

  hidden layer 2.

  ∆ = nilai koreksi bias dari inputlayer ke

  layer ′

  ( _ ) Dimana : �

  47 Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033

  layer

  � = −

  ′

  ( _ ) Dimana : �

  = nilai informasi error pada output layer −

  = nilai error pada output layer

  ′

  ( _ ) = nilai turunan dari persamaan

  sigmoid binner dengan f (x) dari nilai hidden layer

  menuju output layer Langkah 8 : menghitung koreksi bobot untuk memperbaiki nilai w

  jk

  dengan persamaan ∆

  = � ∗ � ∗

  Dimana : ∆

  = nilai koreksi pada hidden layer ke output

  � = learning rate

  ′

  = nilai informasi error pada output layer Langkah 10 : menghitung koreksi dari output layer menuju hidden layer dengan menggunakan persamaan

  � = �_ ∗

  Langkah 11 : menghitung koreksi informasi error dengan menggunakan aktivasi pada hidden layer dengan menggunakan persamaan

  � = nilai informasi error pada output layer = nilai hidden layer ke output layer

  hidden layer

  � =1 Dimana : �_ = nilai koreksi dari output layer menuju

  �_ =

  = learning rate �

  � = nilai informasi error pada output layer

  = nilai koreksi bias pada output layer �

  Dimana : ∆

  = � ∗ �

  dengan persamaan ∆

  0k

  Langkah 9 : menghitung koreksi bias untk memperbaiki nilai w

  (2.17) (2.18) (2.19) (2.20)

2.2 Algoritma Radial Basis Function

  2 =1

  ( − )

  Dimana : p = dimensi data Setelah menentukan pusat cluster di atas, dapat dilanjutkan dnegan menentukan lebar cluster.

  Berikut adalah rumus untuk menentukan lebar cluster : � =

  ℎ � Dimana adalah jarak maksimum dari jarak setiap pusat cluster. Berikut adalah rumus mencari

  : =

  ( − )

  2 Tahap Pembelajaran Terawasi

  Bobot pada proses pembelajaran jaringan Radial Basis Function ini diperoleh melalui tahap pembelajaran terawasi. Pada tahp ini akan dilakukan perbaikan bobot, dimana data keluaran sudah ditentukan (data aktual). Perbaikan bobot akan menentukan keluaran dari Fungsi Radial Basis. Berikut adalah proses tahap pembelajaran dalam menentukan bobot: a.

  Untuk setiap vektor himpunana pembelajaran, ualangi langkah 1 -3

  1. Ambil vektor masukan xi dari himpunana pembelajaran

  2. Hitung keluaran dari neuron lapisan tersembunyi secara bersamaan ditunjukkan sebagai vektor h ℎ =

  2 �

  2 =1

  )

  2 Dimana : x = data

  c = center r = lebar

  3. Hitung vektor keluaran jaringan y. Berikut persamaan mencari y : Bentuk umum dari RBF adalah : y = f x = w

  i

  h

  j n i=1 b.

  Hitung error antara hasil keluaran dengan target.

  Ulangi langkah 1

  4. Untuk perbaikan bobot, bandingkan dengan (2.13)

  (2.14)

1. Tentukan jumlah pusat cluster 2.

  1

  Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

  �� � = nilai error pada output layer = nilai target keluaran

  48 Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033

  0 = bias pada hidden layer menuju output

  layerdari data latih

  = nilai aktivasi pada hidden layer = bobot pada lapisan outputdari data latih

  Langkah 4 : menghitung fungsi aktivasi pada output

  layer dengan menggunakan persamaan

  = ( _ ) Dimana :

  = nilai aktivasi pada output layer ( _ )= fungsi sigmoid binner dengan f (x) menggunakan nilai dari hidden layer ke output layer

  Langkah 5 : pengecekan nilai error pada output

  layer dengan menggunakan persamaan

  �� � = − Dimana :

  = nilai aktivasi pada output layer Langkah 6 : penentuan klasifikasi dengan membandingkan hasil error dengan nilai thershold

  2

  Tahap pembelajaran tak terawasi Untuk klasifikasi data pada tahap pembelajaran tak terawasi ini digunakan algoritma K – means. Pada tahap ini akan diapatkan pusat center cluster yang disebut juga center, dari center – center tersebut akan didapatkan lebar (widht) cluster. Berikut tahapan algoritma K – means.

  Tentukan pusat cluster secara acak 3. Hitung jarak setiap data yang ada terhadap setiap pusat cluster.

  Distence space atau jarak antar dua titik dihitung menggunakan rumus Eucledian yang didefinisikan :

  12

  2

  −

  1 =

  2

  −

  1

  = (

• – 4 samapai batas yang ditentukan sudah dilampaui.

  49 Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033

  [11] “Pharamaceutical care untuk penyakit 3.

   PENUTUP

  diabetes mellitus” direktorat bina farmasi konumitas Berdasarkan rencana pengujian 1 dan 2 dapat dan klinik direktorat jendaral bina kefarmasian dan ditarik kesimpulan bahwa nilai parameter terbaik alat kesehatan departemen kesehatan RI.[Diakses 9 untuk metode backpropagation dan radial basis september]

  function dalam menentukan klasifikasi penyakit

  diabetes mellitus adalah parameter learning rate sebesar 0,1 dan parameter epoch sebesar 100. Pada pengujian cross validation dapat disimpulkan bahwa metode radial basis function memiliki keakurasian yang baik dibandingkan dengan metode

  backpropagation dalam mengklasifikasikan penyakit

  diabetes mellitus. Dengan nilai akurasi yang diperoleh oleh metode radial basis function sebesar 67,5% sedangkan nilai akurasiuntuk metode

  backpropagation sebesar 60%. Oleh karena itu

  dalam kasus klasifikasi penyakit diabetes mellitus dengan menggunakan metode backpropagation dan

  radial basis function dapat disimpulkan bahwa

  metode radial basis function lebih baik dibandingkan metode backpropagation dalam kasus klasifikasi penyakit diabetes mellitus.

DAFTAR PUSTAKA

  [1] Fajar AuliaRachman. “Diteksi Penyakiut Kulit Mengguakan Filter 2D Gabor Wavelevet dan Jaringan Saraf Tiruan Radial Basis Function (RBF)”.

  [Diakses 3 september 2015] [2] Novi Indah Pradasari. “Aplikasi Jaringan Syaraf Tituan Memprediksi Penyakit Saluran Pernafasan dengan Metode Backpropagation”.

  [Diakses 3 september 2015] [3] “Jaringan Syaraf Tiruan” diyah puspita nigrum , C.V andi offset 2006 [4] “Artificial Intelegent “ sri kusumadei , graha ilmu, 2003 [5] R. Kohavi, “A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection,” International Joint Conference on Artificial Intelligence (IJCAI), 1995.

  [6] H.Hamilton, “Confussion Matrix,” [Online]. Available:http://

  Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

  45 Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033

PERFORMANCE COMPARISON

BACKPROPAGATION METHOD AND RADIAL BASIS FUNCTION (RBF)

FOR CLASSIFICATION PROBLEMS DIABETES MELLITUS DISEASE

  

Adisty Sukmawati

  1

1 Teknik Informatika

• – Universitas Komputer Indonesia Jl. Dipatiukur 112
• – 114 Bandung

  E-mail : adistysu@gmail.com

  1 ABSTRACT Artificial neural network is one method that can be used to classify a data.Metode artificial neural networks are often used to classify diseases including Backpropagation and Radial Basis Function. Backpropagation use error values to change the weight - the weight in two directions, namely toward backward and forward so that it gets a good output. Radial Basis Function undergo two stages of learning with supervised and unsupervised. Diabetes is a common disease suffered by the community. Diabetes is divided into two types of diabetes mellitus insulin and non-insulin diabetes mellitus. Handling each - each type of diabetes is different - different, the need for examination early age so that every patient with diabetes mellitus had been treated in accordance with the type of diabetes in the suffering. Based on the results of tests performed superbly radialbasis method function has a value which is less than the error propagation method. Keywords: Backpropagation, Radial Basis Function, k-fold cross validation

  learning process and perform radial basis function algorithm for further processing in the learning process. Since the method of Backpropagation and Radial Basis Function is often used for in classification of disease. Diabetes mellitus require classification in order to conduct follow-up obtained the appropriate treatment based on the classification of types of diabetes mellitus.

  1.1 Backpropagation Neural Network Backpropagation Neural Network is a supervised learning algorithm and is typically used by perceptron with many layers to change the weight - weight that is connected to neurons - neurons that exist in the hidden layer. Algorithm backpropagation neural netwrok using the error output to change the value of weight - weight in a backward direction (backward). To get this error, advanced propagation phase (forward propagation) must be done first.

  1.2 Radial Basis Function Radial Basis Function Network is one example of a neural network with many layers to the direction of propagation of advanced learning (Multilayer feedforward neural). The network has three pieces of coating the layer of input, hidden and output. In the Radial Basis Function, there is only one hidden layer pieces only.

1. PRELIMINARY

  Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

  the input values in the hidden layer Step 3: calculate the value of the hidden layer to the output layer using the equation:

  �� � = value error at the output layer

  Where :

  �� � = −

  using the value of the hidden layer to the output layer Step 5: checking the value of the error in the output layer using the equation

  ( _ )= Binner with the sigmoid function f (x)

  Where : = value at the output layer activation

  = ( _ )