DAFTAR ISI
COVER i
LEMBAR PENGESAHAN ii
LEMBAR PERNYATAAN ORISINALITAS iii
LEMBAR PERSETUJUAN PUBLIKASI iv
LEMBAR PANITIA PENGUJI TESIS v
LEMBAR RIWAYAT HIDUP vi
LEMBAR UCAPAN TERIMA KASIH vii
LEMBAR ABSTRAK ix
LEMBAR ABSTRACT x
DAFTAR ISI xi DAFTAR TABEL
xiv DAFTAR GAMBAR xv
BAB I PENDAHULUAAN
1 1.1
Latar Belakang Masalah 1
1.2 Perumusan Masalah
2 1.3
Batasan Masalah 3
1.4 Tujuan Penelitian
3 1.5
Manfaat Penelitian 3
BAB II LANDASAN TEORI 5
2.1 Jaringan Syarat Tiruan 5 2.2.1 Fungsi Aktivasi
6 2.2.2 Multi layer perceptron
7 2.2
Algoritma Backpropagation 9
2.2.1 Fase Propagasi Maju 10
2.2.2 Fase Propagasi Mundur 10
2.2.3 Fase Modifikasi Bobot 10
2.2.4 Prosedur Pelatihan 11
2.3 Algoritma Kohonen
15 2.4 Normalisasi Data
16
Universita Sumatera Utara
2.5 Teori Penunjang Tentang Penyakit Paru 17
2.6 Smoothing Grafik
21 2.7
RisetTerkait 21 2.8
Perbedaan dengan Riset lain 23
2.9 Kontribusi Riset
23
BAB III METODELOGI PENELITIAN
24 3.1
Pendahuluan 24
3.2 Proses Penelitian
24 3.2.1 Data yang Digunakan
24 3.2.2 Data TargetOutput
31 3.2.3 Pelatihan Data
31 3.2.4 Pengujian Data
32 3.3
Analisis Data 33
3.3.1 Arsitektur Jaringan Syaraf Tiruan 33 3.3.2 Perancangan Skema Sistem 37
3.3.3 Algoritma Backpropagation 37
3.3.4 Algoritma Kohonen 39
BAB IV HASIL DAN PEMBAHASAN 42
4.1 Pendahuluan 42
4.2 HasilAnalisa 42
4.2.1 Pembobotan Awal 42
4.2.2 Pengisian Nilai Bias 45
4.2.3 Input Data 45
4.2.4 Training Data 46
4.2.5 Pengujian Data 47
4.3 Pembahasan dan Hasil 48
4.3.1 Analisis Pengaruh Bobot dan Bias Untuk Pengenalan Pola 48 4.3.1.1 Pengaruh Bobot
48 4.3.1.2 Pengaruh Bias
49 4.3.2 Pengujian Terhadap Program
49 4.3.2.1 Pengujian dengan algoritma Backpropagation
50
Universita Sumatera Utara
4.3.2.2 Pengujian dengan algoritma Kohonen pada JST Backpropagation
51 4.3.2.3 Hasil Pengujian Penggabungan Algoritma
Backpropagation dengan Algoritma Kohonen pada JST Backpropagation
53
BAB V KESIMPULAN DAN SARAN 58
5.1 Kesimpulan 58
5.2 Saran 58
DAFTAR PUSTAKA 60
Universita Sumatera Utara
DAFTAR TABEL
Nomor Tabel
Judul Halaman
2.1 3.1
3.2 3.3
3.4 3.5
3.6 3.7
4.1
4.2 Riset Terkait
Penilaian Kriteria Identitas Pasien Berdasarkan Umur dan Jenis Kelamin
Penilaian Kriteria Identitas Pasien Berdasarkan Kanker TBC
Penilaian Kriteria Identitas Pasien Berdasarkan Pneumonia
Penilaian Kriteria Identitas Pasien Berdasarkan Lingkungan dan Kebiasaan
Persentasi Bobot Data Target
Data untuk Pelatihan dan Data Target Tabel Perbandingan Nilai Error Pada Algoritma
Backpropagation dan Algoritma Kohonen Dengan Bobot Awal : 0.5
Tabel Perbandingan Nilai Error Pada Algoritma Backpropagation dan Algoritma Kohonen Dengan Bobot
Awal : -0.5 22
26 27
28 29
30 31
31
56
57
Universita Sumatera Utara
DAFTAR GAMBAR
Nomor Gambar
Judul Halaman
2.1 Node Sederhana
5 2.2
Fungsi Linear 6
2.3 Fungsi Theshold
6 2.4
Fungsi Piecewise Linear 7
2.5 Fungsi Sigmoid
7 2.6
Multi Layer Perceptron 8
2.7 Paru manusia
17 3.1
3.2 3.3
3.4 3.5
3.6 4.1
4.2 4.3
4.4 4.5
4.6 4.7
4.8 4.9
4.10 Skema sistem
Langkah-langkah Pelatihan JST Pelatihan Data
Pola Output Pengujian Data Arsitektur Jaringan Syaraf Tiruan Pengenalan Pola
Perancangan Skema Sistem Program saat dilakukan Pembobotan
Program saat dilakukan Pengisian Nilai Bias Program saat dilakukan Input Data
Program saat dilakukan Pelatihan Pola Output Pelatihan
Hasil Pengujian dengan Algoritma Backpropagation Hasil Pengujian dengan Algoritma Backpropagation
dalam bentuk grafik Hasil Percobaan dengan Algoritma Kohonen
Hasil Percobaan dengan Algoritma Kohonen dalam Bentuk Grafik
Hasil Percobaan dengan Penggabungan Algoritma Kohonen dengan Algoritma Backpropagation
25 30
32 33
34 37
44 45
46 47
48 50
51 52
52 54
Universita Sumatera Utara
ABSTRAK
Dalam penelitian ini penulis menggunakan algoritma Kohonen pada Jaringan Syaraf Tiruan Backpropagation dalam pengenalan pola penyakit paru dalam mempercepat
proses pembelajaran training yang signifikan dan klasifikasi yang akurat dalam mengenali pola suatu penyakit. Algoritma Backpropagation merupakan salah satu
algoritma pembelajaran supervised learning, yaitu pembelajaran yang membutuhkan pengawasan dalam proses pembelajarannya. Pada supervised learning terdapat
pasangan data input dan output yang dipakai untuk melatih Jaringan Syaraf Tiruan hingga diperoleh bobot penimbang weight yang diinginkan. Dalam penelitian ini,
dalam pengenalan pola penyakit paru yaitu: Pneumonia dan TBC Paru-paru. Penulis menggunakan 2 data input yang sama dan data yang satu dilatih menggunakan
algoritma backpropagation dimana pembobotannya secara random dan data yang kedua dilatih menggunakan algoritma backpropagation tapi pembobotannya
menggunakan algoritma Kohonen. Dari hasil penelitian yang penulis lakukan, dengan pembobotan menggunakan kohonen dan dilatih dengan algoritma
backpropagation ternyata dapat mempercepat proses pembelajaran training dalam mengenali suatu pola penyakit paru.
Kata Kunci : Penyakit Paru, Jaringan Syaraf Tiruan, Backpropagation, Kohonen SOM
Universita Sumatera Utara
KOHONEN ALGORITHM ANALYSIS ON THE USE OF NEURAL NETWORK BACKPROPAGATION FOR PATTERN RECOGNITION
OF PULMONARYDISEASE
ABSTRACT
In this study, the research eruses the Kohonen algorithm in neural network backpropagation for pattern recognition of pulmonary disease to increase the process
of learning training for a significantandaccurate classification in recognizing patterns of a disease. Backpropagation algorithm is a supervised learning algorithm,
a kind of learning that requires supervision in the learning process. In supervised learning, there are input and output data that are used totrain theartificial neural
networkin obtaining the desired weight. In this study, for the pattern recognition of pulmonary disease: Pneumonia and Lung TBC, the researcher uses the same two
input data. The first data is train edusing backpropagation algorithm with random weight and the second data is train educing backpropagation algorithm with
Kohonen algorithm weight. From the results of research, using Kohonen algorithm weight and training with backpropagation algorithm are able to accelerate the
process of learning training in recognizing a pattern of pulmonary disease compared to using backpropagation neural network only.
Keywords: Pulmonary Disease, Neural Network, Backpropagation, KohonenSOM
Universita Sumatera Utara
BAB 1 PENDAHULUAN
