Hasil perbandingan training untuk percobaan ketiga dibandingkan untuk mencari selisih rata-rata waktu training seperti pada Tabel 4.9.
Tabel 4.9 Perbandingan Hasil Training Percobaan Ketiga No Nama Penyakit
Waktu Detik Inisialisasi
Acak Waktu Detik
Nguyen Widrow Selisih
Detik
1 Gagal Ginjal Akut
38,68 37,83
0,85 2
Kanker Ginjal 39,03
37,30 1,73
3 Pielonefritis
39,62 37,90
1,72 4
Sindrom Nefrotik 39,71
37,29 2,42
5 Hidronefrosis
40,10 37,89
2,21 6
Kanker Kandung Kemih 40,46
37,45 3,01
7 Ginjal Polkista
40,67 37,32
3,35 8
Nefritis Tububinter Stisialis
41,00 37,35
3,65 9
Sistisis 41,43
37,30 4,13
10 Infeksi Saluran Kemih
41,55 37,39
4,16
Selisih Rata-rata 2,723
4.2.2 Implementasi Recognition
Sesudah melakukan training sejumlah gejala-gejala penyakit pada jaringan syaraf tiruan dilakukan pengenalan jenis penyakit ginjal berdasarkan gejala-gejala yang
diinput pengguna dengan menggunakan variasi parameter jaringan. Setelah semua data gejala-gejala penyakit berhasil di-training maka dilakukan pengujian atau
prediksi nama penyakit berupa input gejala.
a. Percobaan Pertama dengan Inisialisasi Acak
Percobaan pertama dengan parameter jaringan sebagai berikut: Maksimal epoch
= 100 Min Error
= 0.01 Maksimal Iterasi
= 100 Learning Rate
= 0.8
Universitas Sumatera Utara
Hasil recognition Pengenalan untuk gejala-gejala yang berhubungan dengan penyakit Gagal Ginjal Akut adalah seperti pada Gambar 4.4
Gambar 4.4 Tampilan Hasil Recognition Gagal Ginjal Akut Selanjutnya dilakukan recognition terhadap gejala-gejala lainnya dan dimasukkan ke
dalam Tabel 4.10.
Tabel 4.10 Hasil Recognition Percobaan Pertama No Nama Penyakit
Prediksi 1
Gagal Ginjal Akut 78.14
2 Kanker Ginjal
56.11 3
Pielonefritis 1.1
4 Sindrom Nefrotik
32.48 5
Hidronefrosis 99.03
6 Kanker Kandung Kemih
7.05 7
Ginjal Polkista 48.8
8 Nefritis Tububinter
Stisialis 37.75
9 Sistisis
56.48 10
Infeksi Saluran Kemih 42.88
Prediksi Rata-rata 45,98
Universitas Sumatera Utara
b.Percobaan Kedua dengan Inisialisasi Acak
Percobaan Kedua dengan parameter jaringan sebagai berikut: Maksimal epoch
= 500 Min Error
= 0.01 Maksimal Iterasi
= 500 Learning Rate
= 0.8
Hasil recognition Pengenalan untuk gejala-gejala yang berhubungan dengan penyakit Gagal Ginjal Akut adalah seperti pada Gambar 4.5
Universitas Sumatera Utara
Gambar 4.5 Tampilan Hasil Recognition Gagal Ginjal Akut Percobaan Pertama
Selanjutnya dilakukan recognition terhadap gejala-gejala lainnya dan dimasukkan ke dalam Tabel 4.10.
Tabel 4.11 Hasil Recognition Percobaan Kedua No Nama Penyakit
Prediksi 1
Gagal Ginjal Akut 47.00
2 Kanker Ginjal
36.30 3
Pielonefritis 7.17
4 Sindrom Nefrotik
58.42 5
Hidronefrosis 98.81
6 Kanker Kandung Kemih
0.87 7
Ginjal Polkista 75.53
8 Nefritis Tububinter
Stisialis 2.51
9 Sistisis
95.53 10
Infeksi Saluran Kemih 99.49
Prediksi Rata-rata 52,16
c.Percobaan Ketiga dengan Inisialisasi Acak
Percobaan Ketiga dengan parameter jaringan sebagai berikut: Maksimal epoch
= 1000 Min Error
= 0.01 Maksimal Iterasi
= 1000 Learning Rate
= 0.8
Universitas Sumatera Utara
Hasil recognition Pengenalan untuk gejala-gejala yang berhubungan dengan penyakit Gagal Ginjal Akut adalah seperti pada Gambar 4.6.
Gambar 4.6 Tampilan Hasil Recognition Gagal Ginjal Akut Percobaan Ketiga
Selanjutnya dilakukan recognition terhadap gejala-gejala lainnya dan dimasukkan ke dalam Tabel 4.12.
Tabel 4.12 Hasil Recognition Percobaan Ketiga No Nama Penyakit
Prediksi 1
Gagal Ginjal Akut 26,08
2 Kanker Ginjal
29,78 3
Pielonefritis 18,98
4 Sindrom Nefrotik
66,39 5
Hidronefrosis 90,64
6 Kanker Kandung Kemih
0.76 7
Ginjal Polkista 90,67
8 Nefritis Tububinter
Stisialis 5,35
9 Sistisis
96,44 10
Infeksi Saluran Kemih 99,64
Prediksi Rata-rata 52,47
Universitas Sumatera Utara
d.Percobaan Pertama dengan Inisialisasi Nguyen Widrow