Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009
77 Proses Pelatihan ini diawali input maxs
imum epoh, Learning rate dan
target error dari pengguna program dengan level kuasa “Tenaga Ahli”.
Selanjutnya Bobot Awal input ke hidden, bias ke hidden, hidden ke output dan bias ke output di-assign dengan nilai random dengan nilai 0 sampai 1.
Setelah tahap assign bobot awal, tahap selanjutnya adalah membuka data pelatihan, dimana data pelatihan ini merupakan keputusan diagnosis dokter
terdahulu dan saran dokter terhadap waktu yang tepat untuk meminta pertolongan dokter yang terdahulu.
Data pelatihan dapat diinputkan menggunakan fasilitas input data pembelajaran pada program aplikasi. Dimana data pelatihan untuk JST Ketepatan
Diagnosa menurut Klasifikasi Asma adalah tabel belajar masukkan 1 dan tabel belajar keluaran 1, data pelatihan untuk JST Ketepatan Penilaian Beratnya
Serangan Asma adalah tabel belajar masukkan 2 dan tabel belajar keluaran 2, data pelatihan untuk JST Ketepatan Waktu dalam Meminta Pertolongan Dokter adalah
tabel belajar masukkan 3 dan tabel belajar keluaran 3.
Tahap berikutnya adalah peng-assign-an epoh dengan nilai 0. Setelah tahap tersebut, maka ada tes percabangan yang mempuyai 2 kondisi sebagai berikut :
a. Epoh = Maxepoh
Jika kondisi ini terpenuhi maka :
a.1 Epoh akan di-increment dengan jarak 1 Epoh=Epoh + 1 a.2 Algoritma Pelatihan
Pada Algoritma pelatihan ini terdapat 3 tahap, yaitu : 1. Tahap Feedforward
Data pelatihan dari tabel belajar digunakan sebagai data masukkaninput x
i
bagi unit masukkan X
i
yang akan diteruskan ke setiap unit tersembunyi Z
j
yang terhubung dengannya, kemudian setiap unit tersembunyi Z
j
menjumlahkan setiap sinyal input terboboti yang masuk padanya. Hasilnya digunakan untuk
Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009
78 menghitung sinyal keluaran Z
j
dengan menggunakan fungsi aktifasinya, kemudian mengirimkan ke setiap keluaran Y
k
. Pada setiap unit keluaran menjumlahkan setiap sinyal input terboboti yang masuk padanya. Hasilnya digunakan untuk
menghitung sinyal keluaran Y
k
dengan menggunakan fungsi aktifasinya.
Dimana tabel belajarnya pada masing-masing JST berbeda, tabel berikut menunjukan tabel-tabel belajar yang digunakan masing-masing JST :
Tabel 3.14 Nama JST berikut Tabel Belajar yang digunakan
Nama JST Tabel Belajar yang Digunakan
JST Ketepatan Diagnosa menurut Klasifikasi Asma
tabel belajar masukan 1 tabel belajar keluaran 2
JST Ketepatan Penilaian Beratnya Serangan Asma
tabel belajar masukan 2 tabel belajar keluaran 2
JST Ketepatan Waktu dalam Meminta Pertolongan Dokter
tabel belajar masukan 3 tabel belajar keluaran 3
2. Tahap Backpropagation
Setiap unit keluaran Y
k
menerima target pola t
k
. Dimana pola t
k
tersebut dapat dilihat pada tabel berikut.
Tabel 3.15 Tabel Pola Output pada masing-masing JST
Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009
79
JST Ketepatan Diagnosa
menurut Klasifikasi Asma
Asma Episodik Jarang
Asma Episodik Sering
Asma Episodik BeratPersisten
1 1
1 1
JST Ketepatan Penilaian
Beratnya Serangan Asma
Serangan Ringan
Serangan Sedang
Serangan Berat
1 1
1 1
JST Ketepatan Waktu dalam
Meminta Pertolongan
Dokter Hubungi
dokter untuk instruksi lebih
lanjut Hubungi dokter
segera hari ini untuk instruksi
lebih lanjut Rujuk ke
Ruang Gawat Daurat
1 1
1 1
Dengan menggunakan pola tersebut, hitung faktor kesalahan
k
dari unit tersebut. Dengan menggunakan faktor kesalahan tersebut, hitung koreksi bobot
dan koreksi biasnya. Faktor kesalahan ini kemudian didistribusikan kembali ke semua unit pada lapisan sebelumya lapisan tersembunyi. Setiap unit tersembunyi
Z
j
menjumlahkan delta input dari unit-unit keluaran. Nilai yang didapatkan kemudian digunakan untuk menghitung faktor kesalahan
j
. dengan menggunakan faktor kesalahan tersebut, hitung koreksi bobot dan koreksi biasnya.
3. Tahap Penyesuaian Bobot
Ubah bobot dan bias untuk setiap unit masukkan dan unit tersembunyi. Bobot untuk semua lapisan disesuaikan, berulang-ulang sebanyak maksimal siklus
yang ditentukan.
Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009
80 Setelah melalui tahap penyesuaian bobot, maka program akan melakukan
perhitungan MSE tiap-tiap unit pada lapisan keluaran.
Setelah melakukan penghitungan MSE maka program akan menemui percabangan, jika MSE1 target error dan MSE2 target error, maka program
akan menghentikan proses pembelajaran dan langsung menyimpan bobot-bobot ke dalam tabel hasil belajar. Akan tetapi jika kondisi sebaliknya maka program
akan terus melakukan proses pembelajaran.
b. Epoh Maxepoh
