Perbandingan Kecepatan dan Ketepatan Antara Learning Vector Quantization Dan Kohonen Pada Identifikasi Penyakit Leukemia
IDENTIFIKASI PENYAKIT LEUKEMIA
SKRIPSI
AULIA FIZHTA
091401014
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2015
(2)
LEUKEMIA
SKRIPSI
Diajukan untuk melengkapi tugas akhir dan memenuhi syarat mencapai gelar Sarjana Komputer
AULIA FIZHTA 091401014
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2015
(3)
PERSETUJUAN
Judul : PERBANDINGAN KECEPATAN DAN KETEPATAN
ANTARA LEARNING VECTOR QUANTIZATION DAN KOHONEN PADA IDENTIFIKASI PENYAKIT LEUKEMIA
Kategori : SKRIPSI
Nama : AULIA FIZHTA
Nomor Induk Mahasiswa : 091401014
Program Studi : S1 ILMU KOMPUTER
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
Diluluskan di Medan,
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Amer Sharif, S.Si,M.Kom Dr. Poltak Sihombing, M.Kom NIP. - NIP. 196203171991031001
Diketahui/Disetujui oleh
Program Studi S1 Ilmu Komputer Ketua,
Dr. Poltak Sihombing, M.Kom NIP. 196203171991031001
(4)
PERNYATAAN
PERBANDINGAN KECEPATAN DAN KETEPATAN ANTARA LEARNING VECTOR QUANTIZATION DAN KOHONEN PADA IDENTIFIKASI
PENYAKIT LEUKEMIA SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 10 September 2015
Aulia Fizhta 091401014
(5)
PENGHARGAAN
Alhamdulillah. Puji dan syukur kehadirat Allah SWT, yang dengan rahmat dan karunia-Nya penulis dapat menyelesaikan penyusunan skripsi ini, sebaga isyarat untuk memperoleh gelar Sarjana Komputer, pada Program Studi S1 Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
Pada pengerjaan skripsi dengan judul Perbandingan Kecepatan dan Ketepatan Antara Learning Vector Quantization Dan Kohonen Pada Identifikasi Penyakit Leukemia ini, penulis menyadari bahwa banyak pihak yang turut membantu dan memotivasi dalam pengerjaannya. Dalam kesempatan ini, penulis mengucapkan terima kasih kepada:
1. Bapak Prof. Dr. dr. Syahril Pasaribu, DTM&H, Msc(CTM), Sp.A(K) selaku Rektor Universitas Sumatera Utara.
2. Bapak Prof. Muhammad Zarlis selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
3. Bapak Dr. Poltak Sihombing, M.Kom selaku Dosen Pembimbing I dan Ketua Program Studi S1 Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
4. Bapak Amer Sharif, S.Si, M.Kom selaku Dosen Pembimbing II yang telah memberikan arahan dan motivasi kepada penulis dalam pengerjaan skripsi ini. 5. Ibu Dr. Erna Budhiarti Nababan, M.IT selaku Dosen Penguji I yang telah banyak meluangkan waktunya dalam memberikan masukan-masukan kepada penulis.
6. Bapak Ade Candra, St, M.Kom selaku Dosen Penguji II yang telah banyak meluangkan waktunya dalam memberikan masukan-masukan kepada penulis. 7. Orang tua penulis Yafizham dan Rimta, serta saudara penulis Sofiya Nazara,
Audita Mutia dan Alfi Abdillah yang selalu memberikan kasih sayang yang tulus,dukungan serta pengorbanan yang tak ternilai harganya kepada penulis. 8. Kekasih hati penulis Fanny Difianti, SE., serta teman-teman seperjuangan yang
saling memberikan bantuan, semangat, perhatian, dan tempat berbagi suka dan duka penulis dalam menyelesaikan skripsi ini Rizky Ramadhansyah, Ajeng Devira Lubis,Mahadi, EkaYuslida, NurAinun, dan Muhammad Huzaifa.
(6)
9. Semua pihak yang terlibat langsung maupun tidak langsung yang tidak dapat penulis ucapkan satu demi satu yang telah membantu penyelesaian laporan ini. Semoga Allah SWT melimpahkan berkah kepada semua pihak yang telah memberikan bantuan, perhatian, serta dukungan kepada penulis dalam menyelesaikan skripsi ini.
Penulis menyadari bahwa skripsi ini masih terdapat kekurangan. Oleh karena tu, penulis mengharapkan kritik dan saran yang bersifat membangun demi kesempurnaan skripsi ini. Sehingga dapat bermanfaat bagi kita semuanya.
Medan, Penulis,
(7)
Perbandingan Kecepatan Dan Ketepatan Antara Learning Vector Quantization Dan Kohonen Pada Identifikasi Penyakit Leukemia
ABSTRAK
Identifikasi penyakit dengan pemanfaatan jaringan syaraf tiruan memungkinkan memberikan hasil yang lebih cepat dan tepat. Identifikasi penyakit leukemia ini akan menggunakan dan membandingkan kecepatan dan ketepatan identifikasi metode LVQ dan Kohonen. Pada metode LVQ pelatihan dilakukan pada setiap pola masukan. Hasil pelatihannya akan dibandingkan dengan target. LVQ merupakan jaringan syaraf tiruan dengan dua jenis lapisan, yaitu lapisan kompetitif dan lapisan linier. Sedangkan metode kohonen, pelatihan dilakukan dengan cara mengelompokkan inputan sehingga hasil yang diperoleh merupakan kelas atau cluster. Objek yang diidentifiksi adalah penyakit leukemia dengan empat pembagian jenis umumnya yaitu Leukemia Limfosit Akut, Leukemia Mieloid Akut, Leukemia Limfosit Kronis dan Leukemia Mieloid Kronis.Sistem identifikasi ini dilatih dengan diberi 20 sampel jenis penyakit dengan masing-masing memiliki 20 gejala. Dengan parameter epochs maksimal 1000, dan goal performance 0,0001. Setelah dilatih sistem diberikan pengujian dengan memasukkan gejala sesuai dengan sampel. Berdasarkan hasil uji identifikasi yang dilakukan, diketahui bahwa metode Kohonen dapat mengenali pola lebih cepat daripada metode LVQ dimana rata-rata waktu yang dibutuhkan metode Kohonen adalah 4.20 detik sedangkan metode LVQ 5.80. Dan persentase ketepatan LVQ lebih tinggi dengan 100% sedangkan Kohonen persentase ketepatannya 50%.
Katakunci: Jaringan Syaraf Tiruan, Identifikasi Penyakit, Penyakit Leukemia Learning Vector Quantization, Kohonen.
(8)
Speed and Accuracy Comparison Between Learning Vector Quantization And Kohonen At Identify Leukemia.
ABSTRACT
Identification of disease with the use of neural network sallow provide results more quickly and precisely. Identification of leukemia will use and compare the identification‘s speedand accuracy of the LVQ and Kohonen method. In training of LVQ method performed on each input pattern. The training results will be compared with the target. LVQ is aneural network with two types of layers, namely the competitive layer and the linear layer. While the Kohonen method, the training is done by classifying the input so that the results obtained are a classor cluster. The object that identified is leukemia with its four general types, namely of acute Lymphocyte Leukemia, acute myeloid leukemia, chronic lymphocytic leukemia and chronic myeloid leukemia. This identification system is trained with a given with 20 samples type of disease and each had 20 symptoms. With a maximum of 1000 epochs, and performance goals 0.0001 parameters. Once the system is trained, its be tested by input ting the symptoms in accor dance with of the sample. Based on the results of the identification test is carried out, it is known that the Kohonen method can recognize patterns faster than LVQ method for which the average time required Kohonen method is 4:20 seconds while LVQ method 5.80. And a higher percentage of LVQ accuracy with 100% accuracy while Kohonen percentage 50%.
Keywords: Neural Networks, Identification of Disease, Leukemia, Learning Vector Quantization, Kohonen
(9)
DAFTAR ISI
Hal.
Persetujuan ii
Pernyataan iii
Penghargaan iv
Abstrak vi
Abstract vii
Daftar Isi Viii
Daftar Tabel Xi
Daftar Gambar Xii
Bab 1 Pendahuluan 1
1.1 Latar Belakang 1
1.2 Rumusan Masalah 2
1.3 Batasan Masalah 2
1.4 Tujuan Penelitian 3
1.5 Manfaat Penelitian 3
1.6 Metodologi Penelitian 3
1.7 Diagram Alir Penelitian 4
1.8 Sistematika Penulisan 6
Bab 2 Landasan Teori 7
2.1 Jaringan Syaraf Tiruan
2.1.1 Arsitektur Jaringan Syaraf Tiruan 2.1.2 Fungsi Aktivasi
2.1.3Pelatihan Jaringan Syaraf Tiruan
7 8 9 10 2.1.4 Algoritma Jaringan Syaraf Tiruan 10 2.2 Learning Vector Quantization (LVQ) 11
2.3 Kohonen 12
2.4 Darah 13
2.5 Leukemia
2.5.1 Leukemia Akut 2.5.2 Leukemia Kronis
14 14 16
(10)
Hal.
Bab 3 Analisis Dan Perancangan Sistem 18
3.1 Analisis Sistem 18
3.1.1 Analisis Permasalahan 18
3.1.2 Analisis Kebutuhan Sistem 19
3.1.2.1 Kebutuhan Fungsional Sistem 19 3.1.2.2 Kebutuhan Non-Fungsional Sistem 19 3.1.3 Analisis Proses Sistem
3.1.3.1 Analisis Proses Learning Vector Quantization 3.1.3.2 Analisis Proses Kohonen
20 20 21
3.2 Pemodelan 23
3.2.1 Use Case Diagram
3.2.1.1 Use Case Pelatihan 3.2.1.2 Use Case Pengujian
24 24 26 3.2.2 SequenceDiagram
3.2.2.1 Sequence Diagram Proses Pelatihan 3.2.2.2 Sequence Diagram ProsesPengujian
26 27 27 3.2.3 Activity Diagram
3.2.3.1 Activity Diagram Proses Pelatihan 3.2.3.2 Activity DiagramProses Pengujian
28 28 29
3.3 Pseudocode Program 30
3.3.1 Pseudocode Proses Pelatihan 30 3.3.2 Pseudocode Proses Pengujian 31
3.4 Perancangan Flowchart 31
3.4.1 Flowchart Sistem
3.4.2 Flowchart Proses Pelatihan 3.4.3 Flowchart Proses Pengujian 3.5 PerancanganData
3.5.1 Perancangan Masukan 3.5.2 Perancangan Keluaran
3.5.3 Arsitektur Jaringan Syaraf Tiruan 3.6 Perancangan Antarmuka
3.6.1Antarmuka Awal 3.6.2 Antarmuka Pelatihan 3.6.3 Antarmuka Pengujian 3.6.4 Antarmuka Bantuan
3.6.5 Antarmuka Konfirmasi Keluar
32 33 35 35 35 36 36 37 37 39 41 43 44
Bab 4 Implementasi dan Pengujian Sistem 45
4.1 Implementasi Sistem 45
4.1.1 Tampilan Antarmuka Sistem 45 4.1.1.1 Antarmuka Beranda Sistem 45 4.1.1.2 Antarmuka Pelatihan LVQ 46 4.1.1.3 Antarmuka Pengujian LVQ 47 4.1.1.4 Antarmuka Pelatihan Kohonen 49 4.1.1.5 Antarmuka Pengujian Kohonen 51 4.1.1.6 Antarmuka Bantuan 52
(11)
4.2 Pengujian Sistem
4.2.1 Jenis Pengujian 53
4.2.1.1 Kecepatan Pelatihan 53 4.2.1.2 Kecepatan Identifikasi
4.2.1.3 Ketepatan Pelatihan 4.2.1.4 Ketepatan Identifikasi
56 57 58
Bab 5 Kesimpulan dan Saran 65
5.1 Kesimpulan 65
5.2 Saran 66
Daftar Pustaka 67
Lampiran Listing Program A-1
(12)
DAFTAR TABEL
Hal. 2.1 Beberapa perbedaan antara leukemia limfosit dan mieloid. 15
3.1 Dokumentasi Naratif Use Case LVQ 24
3.2 Dokumentasi Naratif Use Case Kohonen 26 4.1 Perbandingan Waktu Uji Pengenalan Gejala penyakit identifikasi
penyakit Leukemia dengan metode LVQ dan Kohonen 56 4.2 Hasil Pelatihan Menggunakan Metode LVQ 57 4.3 Hasil Pelatihan Menggunakan Metode Kohonen 58 4.4 Hasil Uji Identifikasi Dengan Metode LVQ 61 4.5 Hasil Uji Identifikasi Metode Kohonen 62
(13)
DAFTAR GAMBAR
Hal. 1.1Flowchart Sistem
2.1 Fungsi Aktivasi Pada Jaringan Syaraf Sederhana 2.2 Arsitektur Jaringan Syaraf Tiruan
2.3Arsitektur Jaringan LVQ 2.4 Arsitektur Jaringan Kohonen 3.1 Ishikawa Diagram
3.2 Use case Diagram Sistem Identifikasi Penyakit Leukemia 3.3 Sequence Diagram Proses Pelatihan
3.4 Sequence Diagram Proses Pengujian 3.5 Activity Diagram Proses Pelatihan LVQ 3.6 Activity Diagram Proses Pelatihan Kohonen
3.7 Activity Diagram Proses Pengujian LVQ dan Kohonen 3.8 Flowchart Sistem
3.9 Flowchart Proses Pelatihan LVQ
3.10 Flowchart Proses Pelatihan Kohonen 3.11 Flowchart Pengujian LVQ dan Kohonen 3.12 Arsitektur Jaringan LVQ
3.13 Arsitektur Jaringan Kohonen 3.14 Tampilan Antarmuka Awal
3.15 Tampilan Antarmuka PelatihanMetode LVQ 3.16 Tampilan Antarmuka Pelatihan Metode Kohonen 3.17 Tampilan Antarmuka Pengujian LVQ
3.18 Tampilan Antarmuka Pengujian Kohonen 3.19 Tampilan Antarmuka Bantuan
3.20 Tampilan Antarmuka Konfirmasi Keluar 4.1 Tampilan Antarmuka Menu Beranda Sistem 4.2 Tampilan Antarmuka Pelatihan LVQ
4.3 Tampilan Antarmuka Berhasil Simpan 4.4.Tampilan Antarmuka Pengujian LVQ
5 8 9 12 13 19 24 27 27 28 29 29 32 33 34 35 36 37 37 39 40 41 42 43 44 46 47 47 48
(14)
4.5 Tampilan Antarmuka Pengujian LVQ Setelah Dikenali 4.6 Tampilan Antarmuka Pelatihan Kohonen
4.7 Tampilan Antarmuka Pelatihan Kohonen Setelah Dilakukan Pelatihan 4.8 Tampilan Antarmuka Pengujian Kohonen
4.9 Tampilan Antarmuka Pengujian Kohonen Setelah Dikenali 4.10 Tampilan Antarmuka Bantuan
4.11. Hasil Pelatihan LVQ 4.12. Hasil Pelatihan Kohonen
4.13 Grafik Perbandingan Kecepatan Identifikasi Penyakit Leukemia Antara Metode LVQ dan Kohonen
4.14 Sebelum Uji Identifikasi Metode LVQ 4.15 Setelah Uji Identifikasi Metode LVQ 4.16 Setelah Uji Identifikasi Metode Kohonen 4.17 Setelah Uji Identifikasi Metode Kohonen
48 49 50 51 52 53 54 55
56 59 59 60 60
(15)
Perbandingan Kecepatan Dan Ketepatan Antara Learning Vector Quantization Dan Kohonen Pada Identifikasi Penyakit Leukemia
ABSTRAK
Identifikasi penyakit dengan pemanfaatan jaringan syaraf tiruan memungkinkan memberikan hasil yang lebih cepat dan tepat. Identifikasi penyakit leukemia ini akan menggunakan dan membandingkan kecepatan dan ketepatan identifikasi metode LVQ dan Kohonen. Pada metode LVQ pelatihan dilakukan pada setiap pola masukan. Hasil pelatihannya akan dibandingkan dengan target. LVQ merupakan jaringan syaraf tiruan dengan dua jenis lapisan, yaitu lapisan kompetitif dan lapisan linier. Sedangkan metode kohonen, pelatihan dilakukan dengan cara mengelompokkan inputan sehingga hasil yang diperoleh merupakan kelas atau cluster. Objek yang diidentifiksi adalah penyakit leukemia dengan empat pembagian jenis umumnya yaitu Leukemia Limfosit Akut, Leukemia Mieloid Akut, Leukemia Limfosit Kronis dan Leukemia Mieloid Kronis.Sistem identifikasi ini dilatih dengan diberi 20 sampel jenis penyakit dengan masing-masing memiliki 20 gejala. Dengan parameter epochs maksimal 1000, dan goal performance 0,0001. Setelah dilatih sistem diberikan pengujian dengan memasukkan gejala sesuai dengan sampel. Berdasarkan hasil uji identifikasi yang dilakukan, diketahui bahwa metode Kohonen dapat mengenali pola lebih cepat daripada metode LVQ dimana rata-rata waktu yang dibutuhkan metode Kohonen adalah 4.20 detik sedangkan metode LVQ 5.80. Dan persentase ketepatan LVQ lebih tinggi dengan 100% sedangkan Kohonen persentase ketepatannya 50%.
Katakunci: Jaringan Syaraf Tiruan, Identifikasi Penyakit, Penyakit Leukemia Learning Vector Quantization, Kohonen.
(16)
Speed and Accuracy Comparison Between Learning Vector Quantization And Kohonen At Identify Leukemia.
ABSTRACT
Identification of disease with the use of neural network sallow provide results more quickly and precisely. Identification of leukemia will use and compare the identification‘s speedand accuracy of the LVQ and Kohonen method. In training of LVQ method performed on each input pattern. The training results will be compared with the target. LVQ is aneural network with two types of layers, namely the competitive layer and the linear layer. While the Kohonen method, the training is done by classifying the input so that the results obtained are a classor cluster. The object that identified is leukemia with its four general types, namely of acute Lymphocyte Leukemia, acute myeloid leukemia, chronic lymphocytic leukemia and chronic myeloid leukemia. This identification system is trained with a given with 20 samples type of disease and each had 20 symptoms. With a maximum of 1000 epochs, and performance goals 0.0001 parameters. Once the system is trained, its be tested by input ting the symptoms in accor dance with of the sample. Based on the results of the identification test is carried out, it is known that the Kohonen method can recognize patterns faster than LVQ method for which the average time required Kohonen method is 4:20 seconds while LVQ method 5.80. And a higher percentage of LVQ accuracy with 100% accuracy while Kohonen percentage 50%.
Keywords: Neural Networks, Identification of Disease, Leukemia, Learning Vector Quantization, Kohonen
(17)
BAB 1 PENDAHULUAN
1.1Latar Belakang
Jaringan syaraf tiruan (Artificial Neural Network) adalah salah satu cabang ilmu dari bidang ilmu kecerdasan buatan (Artificial Intelligence) dan merupakan alat untuk memecahkan masalah terutama di bidang yang melibatkan pengelompokan dan pengenalan pola (pattern recognition). Beragam algoritma pembelajaran jaringan syaraf tiruan yang ada terkadang menimbulkan kebingungan algoritma pembelajaran apa yang sebaiknya digunakan (Diyah Puspitaningrum, 2006).
Dalam hal ini diperlukan keputusan terbaik dalam memilih algoritma yang terbaik untuk menyelesaikan masalah, dari beberapa algoritma Jaringan Saraf tersebut antara lain Algoritma Jaringan Kohonen, algoritma Jaringan Fractal, algoritma Jaringan Learning Vector Quantization, algoritma Jaringan Cyclic, algoritma Jaringan Alternating Projection, dan sebagainya.
Learning Vector Quantization (LVQ) dan Kohonen merupakan jaringan yang banyak dipakai. Keduanya merupakan jaringan self-organizing yang memiliki neuron-neuron yang dapat menyusun dirinya sendiri berdasarkan input nilai tertentu dalam suatu kelompok yang dikenal dengan istilah cluster. LVQ dan Kohonen juga termasuk dalam jaringan dengan pembelajaran kompetitif dimana setiap neuron akan berkompetisi untuk merespon suatu vektor input.
Dengan hasil yang lebih tepat dan waktu yang relatif lebih cepat, penggunaan bantuan komputer dalam mengambil keputusan. Misalnya di dunia kedokteran, ketepatan hasil serta hasil yang cepat sangat dibutuhkan untuk mengetahui diagnosa penyakit pasien, terlebih lagi jika penyakit tersebut merupakan penyakit mematikan yang membutuhkan penanganan yang cepat seperti penyakit jantung, kanker, dan sebagainya.
Leukemia merupakan kanker yang terjadi pada sel darah manusia. Ketika terjadi leukemia, tubuh akan memproduksi sel–sel darah yang abnormal dan dalam jumlah yang besar. Pada leukemia, sel darah yang abnormal tersebut adalah kelompok sel darah putih. Sel– sel darah yang terkena leukemia akan sangat berbeda dengan sel darah normal, dan tidak mampu berfungsi seperti layaknya sel darah normal. Pada
(18)
dasarnya ada 4 tipe leukemia yaitu leukemia limfositik akut, leukemia limfositik kronis, leukemia mielositik akut, dan leukemia mielositik kronis. Leukemia pada tahap kronis dapat berlanjut pada tahap akut.(Arthania Retno Praida, 2008)
Pada penelitian oleh Arthania Retno Praida, Departemen Elektro Fakultas Teknik Universitas Indonesia. Untuk mengenali penyakit kanker sel darah putih (leukemia) dewasa ini masih dilakukan proses konvensional yang memakan waktu cukup lama dalam proses pengenalannya.(Arthania Retno Praida, 2008)
Berdasarkan hal yang telah diuraikan di atas maka penulis ingin membuat skripsi dengan judul Perbandingan Kecepatan dan Ketepatan Antara Learning Vector Quantization Dan Kohonen Pada Identifikasi Penyakit Leukemia.
1.2Perumusan Masalah
Adapun masalah yang akan dibahas dalam penelitian ini adalah :
1. Bagaimana mengidentifikasi jenis-jenis penyakit leukemia berdasarkan gejala masing-masing.
2. Bagaimana merancang aplikasi identifikasi penyakit leukimia dengan metode Learning Vector Quantization Dan Kohonen.
1.3Batasan Masalah
Adapun batasan masalah pada penelitian ini adalah :
1. Pada pembuatan aplikasi perangkat lunak jaringan saraf tiruan menggunakan perbandingan antara metode Learning Vector Quantization dan Kohonen.
2. Objek yang akan dijadikan masukan adalah gejala-gejala pada penyakit leukemia. 3. Jenis penyakit Leukimia yang akan diteliti gejalanya adalah Leukemia Limfositik
Akut, Leukemia Limfositik Kronis, Leukemia Mielositik Akut, dan Leukemia Mielositik Kronis
4. Hal yang akan dibandingkan dari dua metode tersebut adalah kecepatan dan ketepatan pada identifikasi penyakit leukemia.
5. Nilai variabel data yang akan diolah meliputi lama penyakit, penyebab, gejala, dan usia.
6. Implementasi perancangan program jaringan saraf tiruan yang digunakan adalah bahasa pemograman Matlab 2012 dan Microsoft Excel Link.
(19)
1.4Tujuan Penelitian
Tujuan dari penelitian adalah sebagai berikut:
1. Membandingkan kecepatan dan ketepatan setiap metode dalam mengidentifikasi penyakit leukimia.
1.5 Manfaat Penelitian
Penelitian ini diharapkan dapat membantu dokter dalam mengidentifikasi penyakit leukemia, dan nantinya dapat digunakan sebagai sistem pengambil keputusan dalam mengidentifikasi penyakit leukemia. Dan kedepannya dapat menjadi bahan referensi untuk pengembangan lebih lanjut.
1.6 Metodologi Penelitian
Metodologi penelitian yang digunakan dalam penulisan tugas akhir ini adalah sebagai berikut:
a. Studi Literatur
Melakukan studi kepustakaan melalui penelitian berupa buku mengenai ilmu penyakit leukemia dan jaringan syaraf tiruan, jurnal dan artikel-artikel yang relevan.
b. Metode Penelitian
Metode ini dilaksanakan dengan melakukan penelitian terhadap obyek yang nantinya akan diteliti mengenai penerapan metode yang dipakai dalam identifikasi penyakit leukemia.
c. Analisis dan perancangan
Metode ini dilaksanakan dengan melakukan analisis terhadap permasalahan yang ada dan batasan masalah yang dimiliki dan menggunakan flowchart sebagai gambaran sistem sehingga dapat diperoleh rancangan yang terstruktur dan jelas. d. Implementasi
Metode ini dilaksanakan dengan mengimplementasikan rancangan sistem yang telah dibuat pada impelementasi sistem menggunakan bahasa pemrograman Matlab.
(20)
e. Pengujian
Metode ini dilaksanakan dengan melakukan pengujian terhadap sistem dengan melakukan proses identifikasi penyakit leukemia dan kemudian pengujian hasil identifikasinya yang telah di implementasikan.
f. Dokumentasi
Metode ini dilaksanakan dengan membuat dokumentasi dalam bentuk laporan tugas akhir.
1.7 Diagram Alir Penelitian
Penelitian ini akan membandingkan kecepatan dan ketepatan metode LVQ dan Kohonen dalam mengidentifikasi penyakit leukemia. Proses pelatihan dimulai dengan memasukkan gejala-gejala penyakit yang didapat dari rekam medis pasien sebagai input. Setelah mendapat bobot dari masing-masing pelatihan, setelah itu dilakukan pengujian. Berikut adalah diagram alir penelitiannya.
(21)
Mulai
Latihan JST
Pengujian JST
Selesai
Input
Variabel
(22)
1.8 Sistematika Penulisan
Sistematika penulisan dari skripsi ini terdiri dari beberapa bagian utama sebagai berikut:
BAB 1: PENDAHULUAN
Bab ini akan menjelaskan mengenai latar belakang pemilihan judul skripsi ―Perbandingan Kecepatan dan Ketepatan Antara Learning Vector Quantization Dan Kohonen Pada Identifikasi Penyakit Leukemia.‖, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian, flowchart penelitian dan sistematika penulisan.
BAB 2: TINJAUAN PUSTAKA
Bab ini berisi dasar teori-teori yang digunakan dalam analisis, perancangan dan implementasi skripsi.
BAB 3: ANALISIS DAN PERANCANGAN SISTEM
Bab ini berisi analisis terhadap fokus permasalahan penelitian dan perancangan terhadap sistem perbandingan kecepatan dan ketepatan antara learning vector quantization dan kohonen pada identifikasi penyakit leukemia.
BAB 4: IMPLEMENTASI DAN PENGUJIAN SISTEM
Bab ini berisi teknik implementasi dari perancangan yang telah dibuat dan pengujian terhadap implementasi. Pengujian dilakukan untuk membuktikan perangkan lunak dapat berjalan sesuai dengan spesifikasi yang telah ditentukan di tahapan analisis. BAB 5: KESIMPULAN DAN SARAN
Bab ini akan memuat kesimpulan isi dari keseluruhan uraian bab-bab sebelumnya dan saran-saran dari hasil yang diperoleh yang diharapkan dapat bermanfaat untuk pengembangan selanjutnya.
(23)
BAB 2
LANDASAN TEORI
2.1.Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (JST) merupakan representasi buatan dari otak manusia yang selalu mencoba mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan disini digunakan karena jaringan syaraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran.(Sri Kusumadewi, 2003).
Jaringan syaraf tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi.
JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi dengan asumsi bahwa:
o Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron). o Sinyal dikirimkan diantara neuron-neuron melalui
penghubung-penghubung.
o Penghubung antara neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal.
o Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linear) yang dikenakan pada jumlahan input yang diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang. (Jong Siang Jek, 2005).
JST ditentukan oleh 3 hal :
a. Pola hubungan antar neuron ( yang menjadi arsitekturnya).
b. Metode penentuan bobot dalam koneksi (disebut sebagai proses latihan, pembelajaran, atau Algoritma ).
c. Fungsi aktivasi. (Jong Siang Jek, 2005)
Gambar alur fungsi aktifasi pada jaringan syarah tiruan sederhana dapat dilihat pada gambar 2.1.
(24)
X1
X2
XN
F
Ʃ
b
a
y w1
w2
w3
Keterangan
x1, x2, ..., xn = Input w1, w2, ..., wn = Bobot
∑ = Neuro / ode
b = Bias
F = Fungsi aktivasi y = output
a = w1x1+w2x2+...+wnxn+bias
Gambar 2.1 Fungsi Aktivasi Pada Jaringan Syaraf Sederhana
2.1.1. Arsitektur Jaringan Syaraf Tiruan
Lapisan-lapisan penyusun jaringan syaraf tiruan dapat dibagi menjadi tiga, yaitu: a. Lapisan masukan (input layer)
Merupakan lapisan yang terdiri dari beberapa neuron yang akan menerima sinyal dari luar dan kemudian meneruskan ke neuron-neuron lain dalam jaringan. Lapisan ini diilhami berdasarkan ciri-ciri dan cara kerja sel-sel syaraf sensorikpada jaringan saraf biologi (manusia).
b. Lapisan tersembunyi (hidden layer)
Merupakan tiruan dari dari sel-sel saraf konektur pada jaringan saraf biologi (manusia). Lapisan tersembunyi berfungsi meningkatkan kemampuan jaringan dalam memecahkan masalah. Konsekuensi dari adanya lapisan ini adalah pelatihan menjadi makin sulit atau lama.
c. Lapisan keluaran (output layer)
Lapisan keluaran berfungsi menyalurkan sinyal-sinyal keluaran hasil pemrosesan jaringan. Lapisan ini terdiri dari sejumlah neuron. Lapisan ini jugan tiruan dari sel saraf motorikpada jaringan biologi (manusia). (Antoni Siahaan, 2011)
(25)
Gambar susunan lapisan-lapisan jaringan syaraf tiruan dapat dilihat pada gambar 2.2.
Gambar 2.2 Arsitektur jaringan syaraf tiruan
2.1.2. Fungsi Aktivasi
Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan, antara lain:
a. Fungsi Sigmoid Biner
Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan syaraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun fungsi ini juga digunakan oleh jaringan syaraf yang nilai output-nya 0 atau 1.
Fungsi sigmoid biner dirumuskan sebagai:
(26)
b. Fungsi sigmoid bipolar
Fungsi bipolar hampir sama dengan fungsi sigmoid biner, hanya saja output dari fungsi ini memiliki range antara 1 sampai -1.
Fungsi sigmoid bipolar dirumuskan sebagai: (Ferdinand Sinuhaji, 2009)
dengan
2.1.3. Pelatihan Jaringan Syaraf Tiruan
Sebelum digunakan, JST dilatih untuk mengenal fungsi pemetaan. Pelatihan
merupakan proses belajar JST yang dilakukan dengan menyesuaikan bobot terkoneksi jaringan. Suatu Jaringan Saraf Tiruan belajar dari pengalaman. Proses yang lazim dari pembelajaran meliputi 3 tugas, yaitu :
a. Perhitungan output
b. Membandingkan output dengan target yang diinginkan c. Menyesuaikan bobot dan mengulang prosesnya.
Proses pelatihan atau pembelajaran tersebut merupakan proses bobot antar neuron sehingga sebuah jaringan dapat menyelesaikan sebuah masalah. Proses belajar JST diklasifikasikan menjadi dua:
a. Belajar dengan pengawasan (Supervised learning)
b. Belajar tanpa pengawasan (Unsupervised learning). (Antoni Siahaan, 2011)
2.1.4. Algoritma Jaringan Syaraf Tiruan
Penggunaan Jaringan Saraf Tiruan dalam menyelesaikan permasalahan akan dipengaruhi oleh permasalahan apa yang akan diselesaikan. Berbagai macam permasalan yang dapat diselesaikan dengan Jaringan Saraf Tiruan, antara lain; pengenalan poladan optimisasi. Dalam hal ini diperlukan keputusan terbaik dalam
(27)
memilih algoritma yang terbaik untuk menyelesaikan masalah, dari beberapa algoritma Jaringan Saraf tersebut antara lain :
a. Algoritma Kohonen b. Algoritma Fractal
c. Algoritma Learning Vector Quantization d. Algoritma Cyclic
e. Algoritma Alternating Projection f. Algoritma Hamming
g. Algoritma Feedforwad Banyak Lapis. (Antoni Siahaan, 2011)
2.2.Learning Vector Quantization (LVQ)
LVQ merupakan suatu metode untuk melakukan pelatihan terhadap lapisan-lapisan kompetitif yang terawasi. Lapisan kompetitif akan belajar secara otomatis untuk melakukan klasifikasi terhadap vektor input yang diberikan. Apabila beberapa vektor input memiliki jarak yang sangat berdekatan, maka vektor-vektor input tersebut akan dikelompokkan dalam kelas yang sama.
Algoritma:
1. Tetapkan: BobotAwal (W),Maksimum Epoch (MaxEpoch), Error Minimum yang diharapkan (Eps), Learning rate (α).
2. Masukkan : a. Input : x(m,n); b. Target m : T(1,n) 3. Tetapkan kondisi awal:
a. Epoch=0; b. Err =1.
4. Kerjakan jika : (epoch<MaxEpoch) atau (α > Eps) a. Epoch=epoch + 1
b. Kerjakan untuk i=1 sampai n
- Tentukan J sedemikian hingga || W – Wj || minimum (sebut sebagai Cj) - Perbaiki Wj dengan ketentuan:
i. Jika t = Cj maka : Wj(baru)=Wj(lama) + α (X – Wj(lama)) ii. Jika T ≠ Cj maka : Wj(baru)=Wj(lama)- α (X- Wj(lama)) c. Kurangi nilai α
(28)
5. Selesai. (Antoni Siahaan, 2011)
Gambar 8.3 menjelaskan arsitektur jaringan LVQ. Dimana X1, Xi,...¸ Xn adalah input, W11, Wij,..., Wrm adalah bobot dan Y1, Yj,..., Ym adalah output.
Gambar 2.3 Arsitektur Jaringan LVQ
2.3.Kohonen
Jaringan syaraf self organizing, yang sering disebut juga topology preserving maps, mengansumsikan sebuah struktur topologi antar unit-unit cluster. Jaringan syaraf self organizing ini pertama kali diperkenalkan oleh Tuevo Kohonen dari University of Helsinki pada tahun 1981. Algoritma dari kohonen self organizing map adalah sebagai berikut :
Langkah 1. Inisialisasikan bobot wij. Set parameter-parameter tetangga dan set parameter learning rate(α).
Langkah 2. Selama kondisi berhenti masih bernilai salah, kerjakan langkah- langkah berikut ini :
a. Untuk masing-masing vektor input x, lakukan : b. Untuk masing-masing j, lakukan perhitungan :
c. Tentukan J sampai D(j) bernilai minimum. D(j) adalah jarak bobot ke input.
d. Untuk masing-masing unit j dengan spesifikasi tetangga tertentu pada j dan untuk semua I, kerjakan :
(29)
e. Perbaiki learning rate.
f. Kurangi radius tetangga pada waktuwaktu tertentu. g. Tes kondisi berhenti. (Asworo, 2010)
Gambar 2.4 merupakan ilustrasi dari arsitektur jaringan kohonen yang menggambarkan mapping pada setiap node.
Gambar 2.4 Arsitektur Jaringan Kohonen
2.4.Darah
Darah merupakan komponen esensial makhluk hidup, mulai dari binatang primitif sampai manusia. Dalam keadaan fisiologik, darah selalu berada dalam pembuluh darah sehingga dapat menjalankan fungsinya sebagai: (a) pembawa oksigen (oxygen carrier); (b) mekanisme pertahanan tubuh terhadap infeksi; dan (c) mekanisme hemostasis.
Sumsum tulang belakang yang normal merupakan bagian esensial dari hemopoesis. Apabila struktur atau fungsi sumsum tulang terganggu maka dapat menimbulkan kelainan.
Gangguan sumsum tulang menimbulkan berbagai jenis penyakit. Penyakit-penyakit yang mengenai sel induk hemopoetik antara lain adalah:
- Leukemia mieloid akut - Leukemia mieloid kronis
- Sindroma preleukemia (myeloidplastic syndrome) - Polisitemia vera
(30)
- Myelofibrosis with myeloid metaplasia - Anemia aplastik
- Cyclic neutropenia (I Made Bakta, 2006)
2.5.Leukemia
Leukemia adalah neoplasma ganas dari prekursor sel-sel darah; sel-sel ganas ini biasanya beredar dalam darah dan menginfiltrasi jaringan. Leukemia merupakan suatu kelainan klonal; yaitu, kelainan ini berasal dari transformasi maligna biasanya dari satu sel.
Terdapat 4 varietas utama leukemia: limfosit akut, mieloid akut, limfosit akut, dan granulositik kronik (mieloid kronik). Istilah akut dan kronik menggambarkan keadaan klinis penderita yang tak mendapatkan terapi; penderita dengan leukemia akut biasanya meninggal dalam beberapa minggu atau bulan dan penderita dengan leukemia kronis biasanya dapat bertahan hidup lebih lama. (N.C Hudges Jones dan N.S. Wickramasinghe, 1994)
2.5.1. Leukemia Akut
Leukemia akut merupakan leukemia dengan perjalanan klinis yang cepat, tanpa pengobatan penderita rata-rata meninggal dalam 2-4 bulan. Namun, dengan pengobatan yang baik ternyata leukemia akut mengalami kesembuhan lebih banyak dibandingkan dengan leukemia kronik.
Leukemia akut dapat diklasifikasikan menurut klasifikasi FAB(French American British Group), tetapi dalam praktik sehari-hari cukup dibagi menjadi dua golongan besar:
1. Acute lymphoblastic leukemia (ALL) 2. Acute myeloid leukemia (AML)
Gejala klinik leukemia akut sangat bervariasi, tetapi pada umumnya timbul cepat, dalam beberapa hari sampai minggu. Gejala leukemia akut dapat digolongkan menjadi tiga golongan besar yaitu:
1. Gejala kegagalan sumsum tulang, yaitu:
(31)
b. Netropenia menimbulkan infeksi yang ditandai oleh demam, infeksi rongga mulut, tenggorok, kulit, saluran napas, dan sepsis sampai syok septik.
c. Trombositopenia menimbulkan easy bruising, pendarahan kulit, pendarahan mukosa,seperti pendarahan gusi dan epistaksis.
2. Keadaan hiperkatabolik, yang ditandai oleh: a. Keheksia (memburuknya kondisi tubuh) b. Keringat malam
c. Hiperurikemia (aktifitas asam yang berlebih) yang dapat menimbulkan gout dan gagal ginjal
3. Infiltrasi ke dalam organ menimbulkan organomegali dan gejala lain seperti: a. Nyeri tulang dan nyeri sternum
b. Limfadenopati superfisial
c. Splenomegali atau hepatomegali, biasanya ringan d. Hipertrofi gusi dan infiltrasi kulit
e. Sindrom meningael: sakit kepala, mual muntah, mata kabur, kaku kuduk. 4. Gejala lain yang dapat dijumpai adalah:
a. Leukostasis terjadi jika leukosit melebihi 50.000/μL. Penderita dengan leukositosis serebral ditandai oleh sakit kepala, confusion, dan gangguan visual. Leukostasis pulmoner ditandai oleh sesak napas, takhipnea, ronchi dan adanya infiltrat pada foto rontgen.
b. Koagulapati dapat berupa DIC atau fibrinolisis primer.
c. Hiperurikemia yang dapat bermanifestasi sebagai arthritis gout dan batu ginjal.
d. Sindrom lisis tumor dapat dijumpai sebelum terapi, terutama pada ALL. Tetapi sindrom lisis lebih sering dijumpai akibat kemoterapi. (I Made Bakta, 2006)
(32)
Tabel 2.1 Beberapa perbedaan antara leukemia limfosit dan mieloid.(N.C Hudges Jones, N.S Wickramasinghe, 1994)
Limfosit Mieloid
Nukleolid 1-2 2-5
Jumlah Sitoplasma Biasanya sedikit Moderat Batang Auer Tidak ada Terkadang ada Hitam Sudan Negatif Positif
Peroksidase Negatif Positif PAS
Positif: Granula kasar
Negatif: Granula halus
Kloroasetat esterase Negatif Biasanya positif Terminal deoksinukleotidil tranferase (TdT) Positif: Granula kasar Biasanya negatif Ciri-ciri imunologis
Tanda jalur sel-T atau tanda-tanda jalur sel-B
Tanda-tanda jalur mieloid
2.5.1 Leukemia Kronis
Leukemia kronis ditandai dengan keberadaan jumlah leukosit darah tepi yang sangat tinggi. Sel-sel ini adalah sel matur. Leukemia kronis biasanya memiliki awitan samar dan lagi perkembangan yang sangat lambat. Sebagian pasien mengalami perkembangan yang lambat dan pembesaran organ yang infiltrasi oleh sel-sel leukemia.
a. Leukemia Mieloid Kronik
LMK adalah golongan penyakit mieloproliferatif, yang ditandai oleh proliferasi dari granulosit tanpa gangguan diferensiasi. Pada pemeriksaan laboratorium ditemukan leukosit lebih dari dari 50.000/mm3. Pada pemeriksaan sumsum tulang didapatkan keadaan hiperseluler dengan peningkatan jumlah megakariosit dan granulokoesis. Jumlah granulosit umumnya lebih dari 30.000/mm3. Pada 85% kasus terhadap kelainan kromosom yang disebut kromosom philadelpia. Limfa membesar pada 90% kasus sehingga mengakibatkan perasaan penuh pada abdomen dan mudah merasa kenyang atau perut membesar.
(33)
Gejala klinis yang dijumpai adalah splenomegali,lemah badan, penurunan berat badan, hepatomegali, keringat malam, cepat kenyang, pendarahan/purpura, nyeri perut (infark limfa), demam. Gejala lain seperti gout, gangguan penglihatan, anemia.
b. Leukemia Limfosit Kronis
LLK adalah suatu keganasan hematologik yang ditandai oleh proliferasi klonal dan penumpukan limfosit B neoplastik dalam darah, sumsum tulang, limfonodi, limfa dan organ-organ lain. LLK berbeda dari leukemia yang lain yaitu bahwa penyakit ini biasanya berjalan secara indolen (lambat) selama bertahun-tahun. Penyakit ini hampir selalu dijumpai pada orang dewasa berusia lebih dari 40 tahun.
Gejala LLK bermanifestasi dengan adanya penurunan daya tahan tubuh (imunosupresi), kegagalan sumsum tulang, dan infiltrasi organ oleh limfosti. Gejala lain seperti infeksi kulit, kelelahan, malaise, anoreksia, anemia, splenomegali dan trombositopenia. (Iwan Simamora, 2009)
(34)
BAB 3
ANALISIS PERANCANGAN SISTEM
3.1 Analisis Sistem
Analisis sistem merupakan suatu tahap yang dilakukan untuk membantu memahami sesuatu yang menjadi masalah dan apa yang menjadi kebutuhan sistem. Hal ini bertujuan untukmengetahui permasalahannya agar dapat membantu proses perancangan model suatu sistem yang akan dibangun sehingga menjadi tepat guna.
3.1.1 Analisis Masalah
Masalah yang ada pada perancangan sistem ini adalah menentukan kecepatan dan ketepatan antara metode Learning Vector Quantization dan Kohonen dalam mengidentifikasi penyakit leukemia untuk mengetahui metode mana yang lebih tepat digunakan dalam mendiagnosa penyakit tersebut untuk mendapatkan diagnosa yang tepat dan keefesienan waktu dengan alasan sebagai berikut :
1. Leukemia merupakan penyakit yang tergolong cepat penyebarannya di dalam tubuh. Jadi dibutuhkan identifikasi yang cepat guna melakukan tindak lanjut pengobatan. Untuk itu, diperlukan waktu seefisien mungkin untuk mengidentifikasi penyakit leukemia dan dibutuhkan pencatat waktu untuk mencatat dan mengetahui metode mana yang lebih cepat mengidentifikasi penyakit tersebut.
2. Leukemia memiliki empat klasifikasi umum berdasarkan sel yang diserang dan tingkat keparahan penyakit. Dan keempat penyakit tersebut memiliki gejala yang hampir mirip. Oleh karena itu, dibutuhkan ketepatan hasil agar sesuai dengan diagnosa sebenarnya sehingga dapat dilakukan penanganan yang tepat.
(35)
Material Metode
Manusia Mesin
Menentukan metode tercepat dan dan paling tepat antara LVQ dan Kohonen dalam
mengidentifikasi penyakit leukemia
Diperlukan diagnosa yang tepat untuk dilakukan penanganan lebih lanjut
Diperlukan waktu seefesien mungkin untuk mendiagnosa suatu
penyakit Metode LVQ dan kohonen
yang dapat mengidentifikasi penyakit
leukemia
Belum adanya metode yang membandingkan kedua metode tersebut dalam identifikasi penyakit
ini
Memamfaatkan teknologi informasi untuk membandingkan kedua
metode tersebut
Gambar 3.1 Ishikawa Diagram
3.1.2 Analisis Kebutuhan Sistem
Analisis kebutuhan sistem meliputi kebutuhan fungsional dan non-fungsional sistem.
3.1.2.1Kebutuhan Fungsional Sistem
Kebutuhan fungsional yang dimiliki oleh system identifikasi penyakit leukemia adalah:
1. Sistem dapat mendiagnosa penyakit berdasarkan masukan User. 2. Sistem dapat menampilkan jenis penyakit.
3. Sistem dapat menghitung waktu identifikasi. 4. Sistem dapat menampilkan waktu identifikasi.
5. Sistem dapat menampilkan tindakan medis selanjutnya.
3.1.2.2Kebutuhan Non-Fungsional Sistem
Untuk mendukung kinerja sistem, sistem sebaiknya dapat berfungsi sebagai berikut: 1. User mudah memahami dan mengerti tampilan antarmuka sistem.
2. User dapat dengan mudah mengoperasikan sistem.
3. Data yang terdapat pada sistem berupa data yang relevan, sehingga menghasilkan pengenalan yang tepat.
4. Sistem dapat dikembangkan sehingga dapat mengikuti perkembangan dunia medis.
(36)
5. Kinerja sistem berjalan dengan menguji coba sistem tersebut dengan data yang telah diketahui hasilnya terlebih dahulu.
3.1.3 Analisis Proses Sistem
Pada sistem ini terdapat dua metode yaitu metode Learning Vector Quantizationdan Kohonen yang akan digunakan untuk identifikasi penyakit leukemia dengan melakukan pelatihan sebelumnya. Berikut contoh analisis perhitungan bagaimana metode Learning Vector Quantizationdan Kohonendalam melakukanpelatihan.
3.1.3.1Analisis Proses Learning Vector Quantization
Pada proses LVQ, input data pelatihan ada 20 data dan target yang diinginkan ada empatklasifikasi penyakit yaitu leukemia limfosit akut, leukemia mieloid akut, leukemia limfosit kronis dan leukemia mieloid kronis. Kemudian target yang di-input diubah kedalam vektor. Pada tahap selanjutnya tentukan jumlah neuron yang akan digunakan. Di dalam program jumlah neuron ada 20 neuron. Selanjutnya jaringan yang akan dibangun menggunakannewlvq dan cara untuk menentukan kelas yang diproses digunakan net = newlvq(minmax(P),JumNeuron,(1/Jumkls)*ones(1,Jumkls)) setelah kelas diperoleh berdasarkan nilai jarak maka diinputkan nilai parameter dan pelatihannya. Didalam program nilai-nilai parameternya sebagai berikut :
net.trainParam.epochs = 1000 net.trainParam.goal = 0.001
Pada tahapan selanjutnya dilakukan pelatihan data dengan cara menyimpan data pelatihan untuk dilakukan training dan memanggil data pengujian.Pada saat diproses maka akan muncul grafik yang menggambarkan hubungan epoh dan goalnya. Apabila epoh sudah mencapai 1000 epoh atau apabila learning goa-lnya sudah mencapai 0.001 maka grafik akan berhenti.
Berikut ini akan diberikan contoh sederhana bagaimana metode LVQ melakukan pelatihan terhadap suatu pola. Dengan yang pertama sebagai contoh yaitu penerapan metode (algoritma) LVQ untuk mengenali pola dengan input, dimana x1 = 1,0,0, x2 = 0,1,1, dan x3 = 0,0,1 dengan target = 1,2,1.
(37)
Dua input pertama sebagai inisialisasi bobot, learning rate (α=0,05), dengan pengurangan sebesar 0,1*α, dan maksimum epoh (MaxEpoh=1).
1. Epoh ke-1: Data : (0, 0, 1) Jarak pada :
*bobot ke-1 = = 1,41
*bobot ke-2 = = 1
Jarak terkecil pada bobot ke-2 Target data = 2
Bobot ke-2 baru :
w11 = w1+ α*(x11 – w11) = 0 + 0,05*(0-0) = 0; w12 = w1 + α*(x12 – w12) = 1 + 0,05*(0-1) = 0,05; w11 = w1+ α*(x11 – w11) = 1 + 0,05*(1-1) = 1; jadi w11 = ( 0 0,05 1 )
α = α –0,1*α = 0,05 – 0,1*0,05 = 0,045 sehingga input termasuk dalam kelas 2.
3.1.3.2Analisis Proses Kohonen
Jaringan kohonen dipakai untuk membagi pola masukan kedalam beberapa kelompok (cluster). Misalkan masukan berupa vector yang terdiri dari n komponen (tuple) yang akan dikelompokkan dalam maksimum m buah kelompok (disebut vector contoh). Keluaran jaringan adalah kelompok yang paling dekat atau mirip dengan masukan yang diberikan. Ukuran yang sering dipakai adalah jarak Euclidean yang paling minimum.
Berikut adalah contoh bagaimana kohonen melakukan pelatihan. Dengan diketahui terdapat 4 buah vektor yaitu : x(1)=(1,1,0,0), x(2)=(0,0,0,1), x(3)=(1,0,0,0), dan x(4)=(0,0,1,1), 4 buah vektor tersebut akan dibagi menjadi maksimal 2 cluster. Digunanakan laju pemehaman awal α(0)=0.6, dan α(t+1)=0.5 α(t) dan jari-jari vektor sekitar yang dimodifikasi = 0 (hanya vektor pemenang yang dimodifikasi bobotnya pada setiap langkah).
(38)
1. Inisialisasi bobot awal
a) Kolom matrik bobot —›jumlah komponen vektor=4 b) Jumlah baris —›jumlah maksimum kelompok=2 c) ࢝= ....ૢ.ૡ..ૠ.
d) Jari =0
e) Laju pemahaman awal=0.6 2. Pelatihan tiap vektor
Vektor x(1)=(1,1,0,0) D(j)= (࢝−࢞)
D(1)=(0.2-1)2+(0.6-1)2+(0.5-0)2+(0.9-0)2=1.86 D(2)=(0.8-1)2+(0.4-1)2+(0.7-0)2+(0.3-0)2=0.98
Minimum pada j=2, maka vektor bobot di baris kedua di modifikasi pada baris 2 Wji(baru)= Wji(lama)+α(xi-wji(lama))
W21=0.8 + 0.6(1-0.8)=0.92 W22=0.4 + 0.6(1-0.4)=0.76 W23=0.7+0.6(0-0.7)=0.28 W24=0.3+0.6(0-0.3)=0.12
Sehingga vektor bobotnya menjadi w= 0.20.60.50.90.920.760.280.12 Vektor x(2)=(0,0,0,1)
D(1)=(0.2-0)2+(0.6-0)2+(0.5-0)2+(0.9-1)2=0.66 D(2)=(0.92-0)2+(0.76-0)2+(0.28-0)2+(0.12-1)2=2.20
Minimum pada j=1, maka vektor bobot di baris kesatu di modifikasi pada baris 1 W11=0.2 + 0.6(0-0.2)=0.08
W12=0.6 + 0.6(0-0.6)=0.24 W13=0.5 + 0.6(0-0.5)=0.2 W14=0.9 + 0.6(1-0.9)=0.96
Sehingga vektor bobotnya menjadi ࢝= .ૡ...ૢ.ૢ.ૠ.ૡ. Vektor x(3)=(1,0,0,0)
D(1)=(0.08-1)2+(0.24-0)2+(0.2-0)2+(0.96-0)2=1.78 D(2)=(0.92-1)2+(0.76-0)2+(0.28-0)2+(0.12-0)2=0.68
(39)
W21=0.92 + 0.6(1-0.92)=0.968 W22=0.76 + 0.6(0-0.76)=0.304 W23=0.28 + 0.6(0-0.28)=0.112 W34=0.12 + 0.6(0-0.12)=0.048
Sehingga vektor bobotnya menjadi w= 0.080.240.20.960.9680.3040.1120.048 Vektor x(4)=(0,0,1,1)
D(1)=(0.08-0)2+(0.24-0)2+(0.2-1)2+(0.96-1)2=0.7056 D(2)=(0.969-0)2+(0.304-0)2+(0.112-1)2+(0.048-1)2=2.724
Minimum pada j=1, maka vektor bobot di baris kedua di modifikasi pada baris 1 W11=0.08 + 0.6(0-0.08)=0.032
W12=0.24 + 0.6(0-0.24)=0.096 W13=0.2 + 0.6(1-0.2)=0.68 W14=0.96 + 0.6(1-0.96)=0.984 Sehingga vektor bobotnya menjadi
࢝= ..ૢ.ૡ.ૢૡ.ૢૡ...ૡ
Sebelum melakukan iterasi kedua, dilakukan modifikasi laju pemahaman: α(baru)=0.5 (0.6)=0.3
dengan cara yang sama maka diperoleh bobot: iterasi ke-2 : w= 0.005-0.170.710.990.30.020.086
iterasitersebut akan konvergen ke vektor bobot : w= 000.5110.00
Pengelompokkan vektor Vektor x(1)=(1,1,0,0)
D(1)=(0-1)2+(0-1)2+(0.5-0)2+(1-0)2=3.25 D(2)=(1-1)2+(0.5-1)2+(0-0)2+(0-0)2=0.25 Berarti x(1) masuk dalam kelompok 2 Vektor x(2)…?
Vektor x(3)…? Vektor x(4)…? x(2)=(0,0,0,1) x(3)=(1,0,0,0) x(4)=(0,0,1,1)
(40)
3.2 Pemodelan
Pemodelan pada sistem ini menggunakan UML untuk mendisain dan merancang sistem identifikasi penyakit leukemia. Adapun model- model UML yang digunakan adalah use case diagram, sequence diagram dan activity diagram.
3.2.1 Use Case Diagram
Use case diagram merupakan suatu diagram yang menggambarkan teknik untuk merekam persyaratan fungsional suatu sistem. Use case berfungsi untuk menggambarkan interaksi antara pengguna sistem dengan sistem itu sendiri dan memberi suatu penjelasan bagaimana sistem tersebut digunakan.
Untuk mengetahui aktor dan use case yang akan digunakan, maka dilakukan identifikasi aktor dan identifikasi use case. Setelah mendapatkan aktor dan use case, maka use case diagram dapat digambarkan.
Sistem Identifikasi Penyakit Leukemia
Metode Kohonen Metode LVQ Pelatihan
JST
Pengujian JST
Metode LVQ
Metode Kohonen
<<include>>
<< incl
ud e>>
<<include>>
<< incl
ude>> Programer
Actor
Pengguna
Gambar 3.2Use case Diagram Sistem Identifikasi Penyakit Leukemia
3.2.1.1 Use case Pelatihan
Tabel 3.1 Dokumentasi Naratif Use Case LVQ Nama Use case Proses Pelatihan
(41)
Deskripsi Use case ini mendeskripsikan proses pelatihan untuk identifikasi penyakit leukemia
Prakondisi Sistem sudah masuk kedalam tampilan antarmuka pelatihan dan sudah siap menerima masukan dari Jaringan Syaraf Tiruan.
Bidang Khas
Aksi Aktor Respon Sistem Langkah 1 : Pengguna
memilih tombol Menu pelatihan
Langkah 2 : Sistem
menunjukkan pilihan menu yang diinginkan LVQ atau Kohonen
Langkah 3 : Pengguna memilih sub-menu Pelatihan LVQ atau Kohonen
Langkah 4 : Sistem menampilkan antarmuka pelatihan yang dipilih. Langkah 5 : Pengguna
memasukkan gejala dengan meng-checklist checkbox yang tersedia dan mengetik nama penyakit di box Hasil.
Langkah 6 : Sistem menunjukkan nilai biner 0 dan 1.
Langkah 8 : Pengguna menyimpan semua gejala.
Langkah 9 : Sistem
menyimpannya ke dalam file (*.xlxs) yang telah
disediakan. Langkah 10 : Pengguna
memilih tombol latih.
Langkah 11 : Sistem melakukan pelatihan dan menampilkan waktu pelatihan.
Bidang Alternatif
Langah 12 : Pengguna akan memilih tombol Reset.
Langkah 13 : Sistem akan menghapus gejala, nama penyakit dan waktu pelatihan. Langkah 14 : Pengguna
akan memilih tombol Keluar.
Langkah 15 : Sistem akan mengakhiri aplikasi.
Post-Kondisi Sistem akan menampilkan hasil pelatihan berupa waktu yang dibutuhkan untuk melatih.
(42)
3.2.1.2 Use case Pengujian
Tabel 3.2 Dokumentasi Naratif Use Case Kohonen Nama Use case Proses Pengujian
Aktor Pengguna
Deskripsi Use case ini mendeskripsikan proses Pengujian untuk identifikasi penyakit leukemia.
Prakondisi Sistem sudah masuk kedalam tampilan antarmuka dan sudah siap menerima masukan dari Jaringan Syaraf Tiruan.
Bidang Khas
Aksi Aktor Respon Sistem Langkah 1 : Pengguna
memilih tombol Menu Pengujian.
Langkah 2 : Sistem menunjukkan pilihan sub-menu yang diinginkan LVQ atau Kohonen.
Langkah 3 : Pengguna memilih salah satu sub-menu LVQ atau Kohonen.
Langkah 4 : Sistem menampilkan antarmuka pelatihan yang dipilih Langkah 5 : Pengguna
memasukkan gejala dengan meng-checklist checkbox yang tersedia.
Langkah 6 : Sistem menunjukkan nilai biner 0 dan 1.
Langkah 8 : Pengguna memilih tombol Hasil.
Langkah 9 : Sistem melakukan pengujian dan menampilkan nama penyakit, penanganan dan waktu uji.
Bidang Alternatif
Langah 10 : Pengguna akan memilih tombol Reset.
Langkah 11 : : Sistem akan menghapus gejala, nama penyakit, penanganan dan waktu uji.
Langkah 12 : Pengguna akan memilih tombol Keluar.
Langkah 13 :Sistem akan mengakhiri aplikasi.
Post-Kondisi Sistem akan menampilkan hasil pengujian berupa nama penyakit, penanganan dan waktu uji.
3.2.2 Sequence Diagram
Adalah suatu diagram yang memperlihatkan atau menampilkan interaksi-interaksi antar objek di dalam sistem yang disusun pada sebuah urutan atau rangkaian waktu. Interaksi antar objek tersebut termasuk pengguna, display, dan sebagainya berupa
(43)
pesan/message. Sequence Diagram digunakan untuk menggambarkan skenario atau rangkaian langkah-langkah yang dilakukan sebagai sebuah respon dari suatu kejadian/even untuk menghasilkan output tertentu.Berikut ini merupakan gambaran dari sequence diagram dari sistem yang telah dirancang dan dibangun oleh penulis
3.2.2.1 Sequence Diagram Proses Pelatihan
Input Data Latih JST
Latih
Simpan Bobot
Gambar 3.3Sequence Diagram Proses Pelatihan
3.2.2.2 Sequence Diagram Proses Pengujian
Uji JST Input Data
Uji
(44)
Gambar 3.4 Sequence Diagram Proses Pengujian 3.2.3 Activity Diagram
Activity diagram merupakan diagram yang berfungsi untuk menggambarkan logika procedural, jalan kerja suatu sistem. Diagram ini hampir memiliki peran yang sama dengan diagram alir yang mana memungkinkan siapapun yang melaukan proses untuk dapat memilih urutan dalam melakukannya sesuai keinginannya. Berikut ini merupakan activity diagram dari sistem yang telah dirancang dan dibangun oleh penulis.
3.2.3.1 Activity DiagramProses Pelatihan
Sistem menyimpan nilai dari radio button sebagai bahan latih dengan nilai 1 untuk yang
ditandai dan nilai 0 untuk yang tidak Aktor mengisi gejala dengan
Menandai radio button
Aktor menekan tombol simpan
Sistem melakukan pelatihan Aktor mengetik nama penyakit sesuai dengan
gejala yang diisi
Aktor menekan tombol latih
Sistem menyimpan nama penyakit
Sistem menampilkan waktu pengujian
AKTOR SISTEM
(45)
Sistem melakukan pelatihan berdasarkan data penyakit
Aktor menekan tombol pelatihan kohonen
Sistem menyimpan bobot pelatihan
AKTOR SISTEM
Sistem menampilkan waktu pelatihan
Gambar 3.6 Activity DiagramProses Pelatihan Kohonen 3.2.3.2 Activity DiagramProses Pengujian
Sistem menyimpan nilai dari radio button sebagai input dengan nilai 1 untuk yang
ditandai dan 0 untuk yang tidak Aktor mengisi gejala penyakit dengan
Menandai radio button
AKTOR SISTEM
Sistem menampilkan waktu pengujian Aktor menekan tombol hasil
Sistem melakukan pengujian Identifikasi penyakit
Sistem menampilkan hasil diagnosa dan penanganan medis
(46)
3.3. Pseudocode Program
Pseudocode adalah deskripsi dari algoritma pemrograman komputer yang menggunakan struktur sederhana dari beberapa bahasa pemrograman yang hanya ditujukan agar dapat dimengerti manusia
3.3.1Pseudocode Proses Pelatihan Pelatihan LVQ
input Gejala_penyakit
input input’
T ind2vec(target) kelas size(full(T),1) neuron 20
net newlvq(minmax(entry),neuron,(1/kelas)*ones(1,kelas)); net train (net,input,target);
net.IW{1,1} net.LW{2,1}
output sim(net,input) H vec2ind(output)
Pelatihan Kohonen
input gejala_penyakit
target target’
PR : Matrix nilai minimum dan maksimum vektor masukan S jumlah neuron target
KLR Laju pemahaman Kohonen
CLR Laju pemahaman Consciece
net newc (PR, S, KLR, CLR)
(47)
3.3.2Pseudocode Proses Pengujian Pengujian LVQ
input Gejala_penyakit T ind2vec(target)
kelas size (full(T),1)
net newlvq(minmax(entry),neuron,(1/kelas)*ones(1,kelas)) net init(net)
net.IW{1,1} net.LW{2,1}
data_uji data)uji’
output sim(net,data_uji) H vec2ind(output)
Pengujian Kohonen
input gejala penyakit
input input'
net newsom(minmax(input),4); net init(net)
b sim(net,input)
3.4 Perancangaan Flowchart
Flowchart merupakan gambar atau bagan yang memperlihatkan urutan dan hubungan antar proses beserta pernyataannya. Gambaran ini dinyatakan dengan simbol, dengan demikian setiap simbol menggambarkan proses tertentu dan antar proses digambarkan dengan garis penghubung (Zarlis & Handrizal, 2007). Flowchart juga merupakan cara penyajian dari suatu algoritma.
(48)
3.4.1 Flowchart Sistem
Mulai
Latihan JST
Pengujian JST
Selesai
Input
Variabel
(49)
3.4.2 Flowchart Proses Pelatihan
Start
Input
Hitung Jumlah Kelas
Inisialisasi Beban = 0
Hitung Beban
Epoch<MaxEpoch
α >Eps
Temukan bobot terdekat
Jika kelas input sama
Jauhkan dengan input (Bobot
dikurangi)
Dekatkan dengan input (Bobot
ditambah)
Kurangi nilai α
Output
End Ya
Tidak
Tidak
Ya
(50)
Mulai
Inisialisasi Bobot Wji (acak)
Hitung error D(j) = ? (Wji-Xi ) 2
Apakah error dapat diterima
Carilah index j dimana dj
merupakan minimum
Untuk setiap unit j di sektar j modifikasi bobot Wjibaru = Wjilama + a
(xi-Wji lama)
Apakah error semakin sedikit ?
Sudahkah mendapatkan bobot
matrix terbaik ?
Bobot matrix yang lebih baik
Tentukan bobot matrix yang yang bobotnya terbaik Melebihi siklus ? iya Tidak Tidak iya tidak tidak tidak ya ya ya Selesai Proses Pengujian Tampilkan Hasil Pengujian Tampilkan Hasil Pelatihan Pengujian JST
(51)
3.4.3 Flowchart Pengujian
Mulai
Input data pelatihan
Identifikasi penyakit
Hasil identifikasi
penyakit
Selesai
Gambar 3.11 Flowchart Pengujian LVQ dan Kohonen
3.5 Perancangan Data 3.5.1 Perancangan Masukan
Adapun penetapan masukan jaringan syaraf tiruan untuk identifikasi penyakit leukemiaadalah:
1. X1 (Anemia, demam dan selera makan menurun) 2. X2 (Pendarahan kulit dan/atau pembengkakan) 3. X3 (Sindrom meningael)
4. X4(Kejang dan keheksia) 5. X5 (4-10 x 10^9/L Leukosit) 6. X6 (10-50 x 10^9/L Leukosit) 7. X7 (50-400 x 10^9/L Leukosit) 8. X8 (15-300 x 10^9/L Limfosit) 9. X9 (Mieloblas)
10. X10 (Limfoblas) 11. X11 (Mielosit netrofil) 12. X12 (Limfosit)
(52)
14. X14 (Infiltrasilimfoblas dan limfosit)
15. X15 (Infiltrasi hiperplosia netrofil dan eosinofil) 16. X16 (Infiltrasi limfosit)
17. X17 (Pria) 18. X18 (Wanita)
19. X19 (Umur di bawah 20 tahun) 20. X20 (Umur di atas 20 tahun)
3.5.2 Perancangan Keluaran
Adapun penetapan keluaran untuk identifikasi penyakit leukemia adalah sebagai berikut :
1. Y1 (Leukemia limfosit akut) 2. Y2 (Leukemia mieloid akut) 3. Y3 (Leukemia limfosit kronis) 4. Y4 (Leukemia mieloid kronis)
3.5.3 Arsitektur Jaringan Syaraf Tiruan
W11
W13
W14 W12
X1 X2 X3 X20
Y1 Y2 Y3 Y4
W22 W21
W24
W23 W31
W32 W33
W34
W201 W204
W202 W203
(53)
X1 X2 X3 X20 INPUT LAYER Wij
Gambar 3.13 Arsitektur Jaringan Kohonen
3.6 Perancangan Antarmuka
Sistem identifikasi penyakit leukemia ini dirancang dengan menggunakan bahasa pemrograman MATLABR2012b. Perancangan antarmuka atau interface ini bertujuan untuk memudahkan interaksi antara manusia dengan komputer sehingga manusia dapat menggunakan sistem dengan baik dan mudah untuk digunakan.
3.6.1 Antarmuka Awal
Antarmuka awal sistem merupakan tampilan utama ketika sistem dijalankan. Rancangan antarmuka awal pada sistem ini dapat dilihat pada Gambar 3.12.
(54)
Keterangan :
1. Menu Beranda
Berfungsi untuk tampilan awal dari sistem identifikasi penyakit leukemia. 2. Menu Pelatihan
Berfungsi untuk menuju antarmuka pelatihan LVQ dan Kohonen. 3. Menu Pengujian
Berfungsi untuk menuju antarmuka pengujian LVQ dan Kohonen. 4. Menu Bantuan
Berfungsi untuk menampilkan halaman berisi informasi bantuan untuk menjalankan sistem.
5. Menu Keluar
Berfungsi untuk keluar langsung dari sistem 6. Textfield Judul
Berfungsi untuk menampilkan judul skripsi 7. Axes Logo
Berfungsi untuk menampilkan gambar logo fakultas pada sistem 8. Textfield Nama
(55)
3.6.2 Antarmuka Pelatihan
Gambar 3.15 Tampilan Antarmuka Pelatihan Metode LVQ Keterangan:
1. Textfield Judul
Berfungsi menampilkan judul halaman pelatihan 2. Checkbox Gejala
Berfungsi sebagai pilihan untuk diisi menurut dengan gejala penyakit. 3. Tombol Reset
Berfungsi untuk mengembalikan kondisi Checkbox Gejala dan Textfield Hasil ke kondisi awal.
4. Tombol Simpan
Berfungsi untuk menyimpan hasil dari Checkbox Gejala dan Textfield Hasil. 5. Tombol Latih
Berfungsi untuk melatih sistem dengan metode LVQ. 6. Textfield Waktu
Berfungsi untuk menampilkan waktu pelatihan sistem. 7. Textfield Hasil
(56)
Gambar 3.16 Tampilan Antarmuka Pelatihan Metode Kohonen Keterangan:
1. Textfield Judul
Berfungsi menampilkan judul halaman pelatihan 2. Checkbox Gejala
Berfungsi sebagai pilihan untuk diisi menurut dengan gejala penyakit. 3. Tombol Reset
Berfungsi untuk mengembalikan kondisi Checkbox Gejala dan Textfield Hasil ke kondisi awal.
4. Tombol Simpan
Berfungsi untuk menyimpan hasil dari Checkbox Gejala dan Textfield Hasil. 5. Tombol Latih
Berfungsi untuk melatih sistem dengan metode LVQ. 6. Textfield Waktu
Berfungsi untuk menampilkan waktu pelatihan sistem. 7. Textfield Hasil
(57)
3.6.3 Antarmuka Pengujian
Gambar 3.17 Tampilan Antarmuka PengujianLVQ Keterangan:
1. Textfield Judul
Berfungsi menampilkan judul halaman pengujian 2. Checkbox Gejala
Berfungsi sebagai pilihan untuk diisi menurut dengan gejala penyakit. 3. Tombol Reset
Berfungsi untuk mengembalikan kondisi Checkbox Gejala dan Textfield Hasil. 4. Tombol Hasil
Berfungsi untuk melakukan pengujian identifikasi. 5. Textfield Waktu
Berfungsi untuk menampilkan waktu pelatihan sistem. 6. Textfield Hasil
Untuk menampilkan hasil identifikasi penyakit. 7. Textfield Penganganan
(58)
Gambar 3.18 Tampilan Antarmuka Pengujian Kohonen Keterangan:
8. Textfield Judul
Berfungsi menampilkan judul halaman pengujian 9. Checkbox Gejala
Berfungsi sebagai pilihan untuk diisi menurut dengan gejala penyakit. 10.Tombol Reset
Berfungsi untuk mengembalikan kondisi Checkbox Gejala dan Textfield Hasil. 11.Tombol Hasil
Berfungsi untuk melakukan pengujian identifikasi. 12.Textfield Waktu
Berfungsi untuk menampilkan waktu pelatihan sistem. 13.Textfield Hasil
Untuk menampilkan hasil identifikasi penyakit. 14.Textfield Penganganan
(59)
3.6.4 Antarmuka Bantuan
Gambar 3.19 Tampilan Antarmuka Bantuan Keterangan :
1. Text judul
Berisi judul halaman 2. Textfield Bantuan
(60)
3.6.5 Antarmuka Konfirmasi Keluar
Gambar 3.20 Tampilan Antarmuka Konfirmasi Keluar Keterangan :
1. Textfield Pertanyaan
Berisi pertanyaan ‗Apakah Anda Ingin Keluar?‘ 2. Tombol Ya
Berfungsi menjawab 'Ya' pada konfirmasi keluar. 2. Tombol Tidak
(61)
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM
4.1 Implementasi Sistem
Pada tahap implementasi sistem identifikasi penyakit leukemia, penulis membangun sistem dengan program MATLAB 2012 dan menggunakan Microsoft Excel 2010 sebagai tempat penyimpanan data pelatihan.Terdapat 5 form yang digunakan yang mana terdiri dari form depan, form latih LVQ, form latih Kohonen, form uji LVQ dan form uji Kohonen, dan form bantuan.
4.1.1 Tampilan Antarmuka Sistem
Sistem identifikasi penyakit leukemia diimplementasikan dalam beberapa tampilan antarmuka yang terdiri dari antarmuka menu utama, antarmuka pelatihan dan pengujian LVQ, antarmuka pelatihan dan pengujian Kohonen dan Bantuan.
4.1.1.1 Antarmuka Beranda Sistem
Antarmuka Beranda Sistem merupakan yang pertama kali muncul ketika sistem dijalankan.Antarmuka ini terdiri dari Menu Pelatihan yang berfungsi untuk memilih pelatihan pada metode LVQ dan Kohonen.Menu Pengujian yang berfungsi untuk memilih pengujian pada metode LVQ dan Kohonen. Menu Bantuan yang berfungsi untuk membuka halaman bantuan siste,.Menu Keluar yang berfungsi untuk menutup sistem. Tampilan antarmuka Menu Beranda ditunjukkan pada Gambar 4.1
(62)
Gambar 4.1 Tampilan Antarmuka Menu Beranda Sistem
4.1.1.2 Antarmuka Pelatihan LVQ
Pada Antarmuka pelatihan LVQ terdapat beberapa bagian yaitu bagian input gejala penyakit yang terdiri dari 20 checkbox, tombol Reset, tombol simpan, dan tombol latih, serta textfield Hasil untuk memasukkan nama penyakit dan textfield waktu untuk menampilkan waktu pelatihan.Tampilan Antarmuka Pelatihan LVQdiperlihatkan pada Gambar 4.2.
(63)
Gambar 4.2 Tampilan Antarmuka Pelatihan LVQ
Apabila gejala dan nama penyakit yang akan disimpan berhasil maka keluar pemberitahuan seperti yang diperlihatkan Gambar 4.3. Setelah semua data tersimpan, dan telah dilakukan pelatihan, maka lakukan pengujian dengan metode LVQ.
Gambar 4.3. Tampilan Antarmuka Berhasil Simpan
4.1.1.3 Antarmuka Pengujian LVQ
Pada antarmuka Pengujian LVQ terdapat tiga bagian yaitu bagian Gejalayang berisi 20 checkbox, dan textfield Hasil yang akan menampilkan output berupa hasil identifikasi, dan textfield Penanganan yang menampilkan output berupa tindak lanjut medis sesuai hasil diagnosa. Pada bagian bawah Gejala terdapat tombol Reset, tombol Hasil dan textfield waktu untuk menampilkan waktu pengujian.Tampilan antarmuka Pengujian ditunjukkan pada Gambar 4.4.
(64)
Gambar 4.4. Tampilan Antarmuka Pengujian LVQ
(65)
4.1.1.4 Antarmuka Pelatihan Kohonen
Pada Antarmuka pelatihan Kohonen memiliki antamuka yang sama persis dengan antarmuka Pelatihan LVQ.terdapat dua bagian yaitu bagian input gejala penyakit yang terdiri dari 20 checkbox, tombol Reset, tombol simpan, dan tombol latih, dan textfield Hasil untuk memasukkan nama penyakit dan textfield waktu untuk menampilkan waktu pelatihan Tampilan Antarmuka Pelatihan Kohonen diperlihatkan pada Gambar 4.6.
Gambar 4.6 Tampilan Antarmuka Pelatihan Kohonen
Setelah gejala dan nama penyakit disimpan, dilakukan pelatihan dengan menekan tombol latih, maka dilakukan pengujian metode Kohonen. Tampilan antarmuka Pelatihan metode kohonen setelah dilakukan pelatihan pada Gambar 4.7.
(66)
Gambar 4.7 Tampilan Antarmuka Pelatihan Kohonen Setelah Dilakukan Pelatihan
(67)
4.1.1.5 Antarmuka Pengujian Kohonen
Antarmuka Pengujian Kohonen sama dengan Pengujian pada LVQ. Tampilan Antarmuka Pengujian Kohonen dapat dilihat pada Gambar 4.8.
(68)
Gambar 4.9 Tampilan Antarmuka Pengujian Kohonen Setelah Dikenali
4.1.1.6 Antarmuka Bantuan
Pada Antarmuka Bantuan terdapat editbox yang berisi bantuan berupa informasi sistematis menggunakan sistem. Tampilan Antarmuka Bantuan diperlihatkan pada Gambar 4.10.
(69)
Gambar 4.10 Tampilan Antarmuka Bantuan
4.2. Pengujian Sistem
Pengujian sistem akan dilakukan untuk mengetahui apakah sistem yang telah dibangun dapat mengidentifikasi penyakit leukemia dengan baik menggunakan metode LVQ dan Kohonen. Hal lain yang ingin diketahui yaitu identifikasi dengan metode mana yang lebih cepat dan lebih tepat identifikasinya.
4.2.1. Jenis Pengujian
Ada 2 jenis Pengujian yang akan dilakukan dalam sistem ini yaitu yang pertama menguji metode mana yang lebih cepat melakukan identifikasi penyakit leukemia kedua metode mana yang lebih tepat identifikasinya.
4.2.1.1. Kecepatan Pelatihan
Hal pertama yang ingin diuji yaitu metode mana yang lebih cepat dalam pelatihan, akan dilihat ketika masing-masing melakukan pelatihan dan identifikasi gejala. Berikut ini adalah catatan waktu pelatihan yang dilakukan oleh kedua metode.
(70)
(71)
Gambar 4.12. Hasil Pelatihan Kohonen
Berdasarkan pada gambar 4.11 dapat dilihat pelatihan LVQ untuk sistem ini menggunakan 20 masukan dari 4 jenis penyakit yang berbeda dengan 2 lapisan layer. Layer pertama adalah kompetitif layer sebanyak 20 neuron dan layer kedua adalah layer linier sebanyak 4 neuron dengan 4 target output.Pelatihan ini dilakukan dengan parameter1000 epochs dan performance 0,0001.
(72)
Untuk pelatihan menggunakan metode Kohonen, juga menggunakan 20 masukan, tapi metode kohonen hanya memiliki satu lapisan hidden layer dengan 4 neuron dan memiliki 4 target output. Metode kohonen juga menggunakan parameter yang sama untuk pelatihan, yaitu 1000 epochs dan performance 0.0001. Lebih jelasnya dapat dilihat pada gambar 4.12.
Tabel 4.1. Perbandingan Waktu Uji Pengenalan Gejala penyakit identifikasi penyakit Leukemia dengan metode LVQ dan Kohonen
NO. Metode Waktu Pengenalan
1 LVQ 2 detik
2 Kohonen 115 detik
4.2.1.2. Kecepatan Identifikasi
Pada proses pengujian, dilakukan pengujian sebanyak 20 kali sesuai jumlah sampel yang dimiliki. Input berupa gejala yang didapat dari rekam medis rumah sakit. Kemudian dilihat metode mana yang lebih cepat mengidentifikasi penyakit leukemia.
Gambar 4.13. Grafik Perbandingan Kecepatan Identifikasi Penyakit Leukemia Antara Metode LVQ dan Kohonen
(73)
Pada gambar 4.13 dapat dilihat grafik perbandingan kecepatan identifikasi antara kedua metode.Masing-masing bar mewakili 5 sampel dari tiap penyakit dannilai waktu pengujian yang tertera merupakan rata-rata dari ke-lima sampel tersebut.Dari grafik di atas, dapat dilihat bahwa rata-rata kecepatan identifikasi metode kohonen lebih cepat daripada metode LVQ, dimana proses identifikasi metode kohonen yang paling lambat adalah 5.12 dengan rata-rata 4.20 sedangkan proses identifikasi metode LVQ yang paling cepat sebesar 5.21 dengan rata-rata 5.80.
4.2.1.3. Ketepatan Pelatihan
Setelah melakukan uji kecepatan dari kedua metode dalam hal pelatihan dan pengujian.Maka dilakukan juga uji ketepatan dalam hal pelatihan dan pengujian.Dalam uji ketepatan dalam pelatihan, hal yang menjadi acuan adalah ketepatan hasil pelatihan dengan target yang ditetapkan.Berikut adalah hasil pelatihan dari kedua metode.
Tabel 4.2.Hasil Pelatihan Menggunakan Metode LVQ
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X15 X16 X17 X18 X19 X20 Target
Hasil Pelatihan
Leukemia Limfosit Akut 1 1 1 1 1 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 1 1 1
Leukemia Limfosit Akut 2 1 1 1 0 0 1 0 0 0 1 0 0 0 1 0 0 1 0 1 0 1 1
Leukemia Limfosit Akut 3 1 0 1 1 0 1 0 0 0 1 0 0 0 1 0 0 0 1 1 0 1 1
Leukemia Limfosit Akut 4 1 1 1 0 0 1 0 0 0 1 0 0 0 1 0 0 1 0 1 0 1 1
Leukemia Limfosit Akut 5 1 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 1 0 1 0 1 1
Leukemia Mieloid Akut 1 1 1 1 1 1 0 0 0 1 0 0 0 1 0 0 0 0 1 1 0 2 2
Leukemia Mieloid Akut 2 1 1 1 1 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 1 2 2
Leukemia Mieloid Akut 3 1 1 1 1 1 0 0 0 1 0 0 0 1 0 0 0 0 1 1 0 2 2
Leukemia Mieloid Akut 4 1 1 1 1 1 0 0 0 1 0 0 0 1 0 0 0 0 1 1 0 2 2
Leukemia Mieloid Akut 5 1 1 1 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 1 2 2
eukemia Limfosit Kronis 1 1 1 0 1 0 0 0 1 0 0 0 1 0 0 0 1 1 0 0 1 3 3
eukemia Limfosit Kronis 2 1 1 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 1 0 1 3 3
eukemia Limfosit Kronis 3 1 1 0 1 0 0 0 1 0 0 0 1 0 0 0 1 1 0 0 1 3 3
eukemia Limfosit Kronis 4 1 1 0 0 0 0 0 1 0 0 0 1 0 0 0 1 1 0 0 1 3 3
eukemia Limfosit Kronis 5 1 1 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 1 0 1 3 3
Leukemia Mieloid Kronis 1 1 1 0 0 0 0 1 0 0 0 1 0 0 0 1 0 1 0 1 0 4 4
Leukemia Mieloid Kronis 2 1 1 1 0 0 0 1 0 0 0 1 0 0 0 1 0 1 0 1 0 4 4
Leukemia Mieloid Kronis 3 1 1 0 1 0 0 1 0 0 0 1 0 0 0 1 0 0 1 0 1 4 4
Leukemia Mieloid Kronis 4 1 1 0 1 0 0 1 0 0 0 1 0 0 0 1 0 0 1 0 1 4 4
(74)
Pada table 4.2 dapat dilihat 20 sampel penyakit yang akan dibagi menjadi 4 cluster. Masing-masing cluster berisi 5 sampel. Pelatihan diharapkan dapat membagi 20 sampel tersebut menjadi 4 cluster .Hasil pelatihan menggunakan metode LVQ menunjukkan bahwa hasil pelatihannya sesuai dengan target. Jadi, pelatihan menggunakan metode LVQ memiliki ketepatan 100%.
Tabel 4.3.Hasil Pelatihan Menggunakan Metode Kohonen X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X15 X16 X17 X18 X19 X20 Target
Hasil Pelatihan
Leukemia Limfosit Akut 1 1 1 1 1 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 1 1 1
Leukemia Limfosit Akut 2 1 1 1 0 0 1 0 0 0 1 0 0 0 1 0 0 1 0 1 0 1 1
Leukemia Limfosit Akut 3 1 0 1 1 0 1 0 0 0 1 0 0 0 1 0 0 0 1 1 0 1 1
Leukemia Limfosit Akut 4 1 1 1 0 0 1 0 0 0 1 0 0 0 1 0 0 1 0 1 0 1 1
Leukemia Limfosit Akut 5 1 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 1 0 1 0 1 1
Leukemia Mieloid Akut 1 1 1 1 1 1 0 0 0 1 0 0 0 1 0 0 0 0 1 1 0 2 2
Leukemia Mieloid Akut 2 1 1 1 1 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 1 2 2
Leukemia Mieloid Akut 3 1 1 1 1 1 0 0 0 1 0 0 0 1 0 0 0 0 1 1 0 2 2
Leukemia Mieloid Akut 4 1 1 1 1 1 0 0 0 1 0 0 0 1 0 0 0 0 1 1 0 2 2
Leukemia Mieloid Akut 5 1 1 1 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 1 2 2
eukemia Limfosit Kronis 1 1 1 0 1 0 0 0 1 0 0 0 1 0 0 0 1 1 0 0 1 3 4
eukemia Limfosit Kronis 2 1 1 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 1 0 1 3 4
eukemia Limfosit Kronis 3 1 1 0 1 0 0 0 1 0 0 0 1 0 0 0 1 1 0 0 1 3 4
eukemia Limfosit Kronis 4 1 1 0 0 0 0 0 1 0 0 0 1 0 0 0 1 1 0 0 1 3 4
eukemia Limfosit Kronis 5 1 1 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 1 0 1 3 4
Leukemia Mieloid Kronis 1 1 1 0 0 0 0 1 0 0 0 1 0 0 0 1 0 1 0 1 0 4 3
Leukemia Mieloid Kronis 2 1 1 1 0 0 0 1 0 0 0 1 0 0 0 1 0 1 0 1 0 4 3
Leukemia Mieloid Kronis 3 1 1 0 1 0 0 1 0 0 0 1 0 0 0 1 0 0 1 0 1 4 3
Leukemia Mieloid Kronis 4 1 1 0 1 0 0 1 0 0 0 1 0 0 0 1 0 0 1 0 1 4 3
Leukemia Mieloid Kronis 5 1 1 1 1 0 0 1 0 0 0 1 0 0 0 1 0 0 1 0 1 4 3
Sama seperti pelatihan dengan LVQ, pelatihan dengan Kohonen juga menggunakan 20 sampel yang akan dibagi menjadi 4 cluster sesuai dengan urutan yang
ada di kolo Target . Namun pada hasil pelatihannya, target tidak terpenuhi. Proses pelatihan hanya dapat membagi 2 cluster secara benar. Oleh karena itu, ketepatan pelatihan menggunakan metode kohonen sebesar 50%.
4.2.1.4. Ketepatan Identifikasi
Hal selanjutnya yang akan diuji yaitu ketepatan identifikasi penyakit leukemia dari kedua metode ini. Dalam pengujian ketepatan identifikasi ini yang dilihat dari ketepatan target yang menjadi tujuan dengan output yang dikeluarkan dari hasil uji identifikasi.
(75)
Gambar 4.14.Sebelum Uji Identifikasi Metode LVQ
(76)
Gambar 4.16. Setelah Uji Identifikasi Metode Kohonen
(1)
set(handles.O,'Value',0); set(handles.P,'Value',0); set(handles.Q,'Value',0); set(handles.R,'Value',0); set(handles.S,'Value',0); set(handles.T,'Value',0); set(handles.U,'Value',0);
function tombolhasil_Callback(hObject, eventdata, handles) tStart=tic;
input=xlsread('datakohonen.xlsx', 'nilai', 'B1:U1'); input= input';
net=newsom(minmax(input),4);%membangun jaringan kohonen net = init(net);
net.IW{1,1}=xlsread('datakohonen.xlsx',
'Bobot','A1:T4');%inisialisasi bobot alwal sebagai net.iw{1,1} b=sim(net,input); %Membaca hasil pengelompokkan hasil
ac=vec2ind(b);%melihat hasil
ac=[ac] if ac == 1
set(handles.namapenyakit,'String','Leukemia Limfosit Akut','Enable','on');
set(handles.penanganan,'String','1. Terapi suportif umum :
Pemasangan kateter vena sentral, Pencegahan muntah, Transfusi darah, Pengobatan infeksi; 2. Terapi spesifik : Kemoterapi,
Radioterapi','Enable','on'); elseif ac == 2
set(handles.namapenyakit,'String','Leukemia Mieloid Akut','Enable','on');
set(handles.penanganan,'String','1. Terapi suportif umum :
Pemasangan kateter vena sentral, Pencegahan muntah, Transfusi darah, Pengobatan infeksi; 2. Terapi spesifik : Kemoterapi, Radioterapi; 3. Transplantasi sel induk','Enable','on');
elseif ac == 3
set(handles.namapenyakit,'String','Leukemia Limfosit Kronis','Enable','on');
set(handles.penanganan,'String','Pengobatan fase kronik :
Kemoterapi hidroksiurea, Inhibitor tirosin kinase, Interferon-alfa, Transplantasi sel induk','Enable','on');
elseif ac == 4
set(handles.namapenyakit,'String','Leukemia Mieloid Kronis','Enable','on');
set(handles.penanganan,'String','1. Kemoterapi : Klorambusil, Analog purin, Kortikosteroid; 2. Radioterapi; 3. Kemoterapi kombinasi; 4. Siklosporin; 5. Penggantian imunoglomubin; 6. Transplantasi sel induk','Enable','on');
else
set(handles.namapenyakit,'String','Tidak Ditemukan Jenis Penyakt','Enable','on');
set(handles.penanganan,'String','Tidak Ditemukan Jenis Penyakt','Enable','on');
end
waktupengujian = toc(tStart);
set(handles.waktu,'string',waktupengujian);
(2)
HalDepan
delete(handles.figure1)
function menupelatihan_Callback(hObject, eventdata, handles)
% ---
function menupengujian_Callback(hObject, eventdata, handles) % hObject handle to menupengujian (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)
% ---
function menubantuan_Callback(hObject, eventdata, handles) Bantuan
delete(handles.figure1)
% ---
function menukeluar_Callback(hObject, eventdata, handles) choice= questdlg ('Apakah Anda Ingin Keluar?','Konfirmasi',... 'Ya','Tidak','Tidak');
switch choice case 'Ya' close all; end
% ---
function ujilvq_Callback(hObject, eventdata, handles) ujiLVQ
delete(handles.figure1)
% ---
function ujikohonen_Callback(hObject, eventdata, handles) HalUtamakohonen
delete(handles.figure1)
% ---
function latihlvq_Callback(hObject, eventdata, handles) latihLVQ
delete(handles.figure1)
% ---
function latihkohonen_Callback(hObject, eventdata, handles) HalLatihKohonen
(3)
function penanganan_Callback(hObject, eventdata, handles) function penanganan_CreateFcn(hObject, eventdata, handles) if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end
function namapenyakit_Callback(hObject, eventdata, handles) function namapenyakit_CreateFcn(hObject, eventdata, handles) if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end
function waktu_Callback(hObject, eventdata, handles) function waktu_CreateFcn(hObject, eventdata, handles) if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white'); end
Bantuan.m
function varargout = Bantuan(varargin) % Begin initialization code - DO NOT EDIT gui_Singleton = 1;
gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ...
'gui_OpeningFcn', @Bantuan_OpeningFcn, ... 'gui_OutputFcn', @Bantuan_OutputFcn, ... 'gui_LayoutFcn', [] , ...
'gui_Callback', []); if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1}); end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else
gui_mainfcn(gui_State, varargin{:}); end
% End initialization code - DO NOT EDIT
% --- Executes just before Bantuan is made visible.
function Bantuan_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to Bantuan (see VARARGIN)
(4)
% Choose default command line output for Bantuan handles.output = hObject;
% Update handles structure guidata(hObject, handles);
% UIWAIT makes Bantuan wait for user response (see UIRESUME) % uiwait(handles.figure1);
% --- Outputs from this function are returned to the command line. function varargout = Bantuan_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Get default command line output from handles structure
varargout{1} = handles.output;
% --- Executes on selection change in listbox1.
function listbox1_Callback(hObject, eventdata, handles) % hObject handle to listbox1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: contents = get(hObject,'String') returns listbox1 contents as cell array
% contents{get(hObject,'Value')} returns selected item from listbox1
% --- Executes during object creation, after setting all properties. function listbox1_CreateFcn(hObject, eventdata, handles)
% hObject handle to listbox1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called
% Hint: listbox controls usually have a white background on Windows. % See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white'); end
% ---
function menufile_Callback(hObject, eventdata, handles) HalDepan
delete(handles.figure1)
% ---
(5)
function menupelatihan_Callback(hObject, eventdata, handles) % hObject handle to menupelatihan (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)
% ---
function menupengujian_Callback(hObject, eventdata, handles) % hObject handle to menupengujian (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)
% ---
function menubantuan_Callback(hObject, eventdata, handles) Bantuan
delete(handles.figure1)
% ---
function menukeluar_Callback(hObject, eventdata, handles) choice= questdlg ('Apakah Anda Ingin Keluar?','Konfirmasi',... 'Ya','Tidak','Tidak');
switch choice case 'Ya' close all; end
% ---
function ujilvq_Callback(hObject, eventdata, handles) UjiLVQ
delete(handles.figure1)
% ---
function ujikohonen_Callback(hObject, eventdata, handles) HalUtamakohonen
delete(handles.figure1)
% ---
function latihlvq_Callback(hObject, eventdata, handles) HalLatihanLVQ
delete(handles.figure1)
% ---
function latihkohonen_Callback(hObject, eventdata, handles) HalLatihKohonen
(6)