3.2 Perancangan Jaringan Syaraf Tiruan
Dipilihnya jaringan syaraf tiruan propagasi balik backpropagation sebagai metode pada tugas akhir ini karena propagasi balik dikenal sangat efektif
dalam menyelesaikan masalah pengenalan dan pengelompokan pola. Jika diberikan suatu pola input, maka akan dikeluarkan pola output yang dikehendaki.
Jika persyaratan telah tercapai maka proses training selesai, simpan nilai bobot dalam file dengan format text .txt. Bobot ini yang akan digunakan dalam
proses testing jaringan. Pada Gambar 3.4 dan 3.5 dibawah ini diberikan flowchart proses training
dan testing pada JST. Pada saat training dimulai dengan memberikan nilai jumlah hidden layer, learning rate dan momentum, yang harganya bisa berubah-ubah
sesuai keinginan kita. Selanjutnya memberi bobot awal secara rondom. Lalu melakukan proses training, yaitu mengalikan antara bobot rondom dan input
kemudian ditambah dengan bias. Dari perhitungan ini didapat harga input ke hidden layer. Selanjutnya mengalikan output hidden dengan bobot hidden dan
ditambah bias, didapat harga input pada layer output. Selanjutnya menghitung koreksi bobot dan koreksi bias. Lalu menghitung error output, jika error kurang
dari error maximal atau epoch kurang dari atau sama dengan epoch maximal maka proses training diulangi. Namun jika kondisi error sudah tercapai atau epoch
sudah terpenuhi maka training akan berhenti.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Gambar 3.4 Flowchart Training Jaringan Syaraf Tiruan.
Start
Random Bobot
Hidden, Learning
Rate, Momentum
ij j
j
V Xi
V Zin
j j
Zin f
Z
jk j
k k
W Z
W Yin
k k
Yin f
Y
RMSE = max Error
Atau Epoch
= max Epoch
End
Ya Tidak
Update bobot
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Gambar 3.5 Flowchart Testing Jaringan Syaraf Tiruan.
Start
Bobot hasil Training
Hidden, Learning Rate,
Momentum
Tidak Ya
Jenis data
ij j
j
V Xi
V Zin
j j
Zin f
Z
jk j
k k
W Z
W Yin
k k
Yin f
Y
Error max Error
Identifikasi Koroner
Identifikasi Normal
End Testing
data lain
Ya Tidak
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Proses pengujian testing dilakukan untuk melihat output jaringan syaraf tiruan yang berupa justifikasi dari data input.
Langkah-langkah proses pengujian testing adalah: 1.
Memasukkan data input yang akan ditesting. 2.
Mengambil nilai bobot v
ij
dan w
jk
dari hasil training. 3.
Menghitung semua nilai hasil output pada lapisan hidden Z
j
dan output. Parameter-parameter jaringan syaraf tiruan yang digunakan pada tugas
akhir ini adalah sebagai berikut: a.
Jumlah layer Jaringan syaraf tiruan yang digunakan terdiri dari tiga layer, yaitu input
layer, hidden layer dan output layer. Jumlah unit tiap layer :
Unit input : 625 unit Unit hidden : 5 unit
Unit output : 1 unit b.
Inisialisasi bobot Bobot diinisialisasikan secara random antara -0,5 sampai 0,5.
c. Fungsi aktifasi
Fungsi aktifasi yang digunakan adalah fungsi Binary Sigmoid.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
d. Nilai learning rate
Nilai learning rate yang merupakan parameter penentu dalam kecepatan belajar jaringan syaraf tiruan yaitu 0,5; 0.6; 0,7; 0,8 dan 0,9.
e. Nilai koefisien momentum
Koefisien ini digunakan sebagai alternatif dalam up-date bobot dengan nilai 0,4; 0.5 dan 0,6.
Langkah-langkah pada proses training adalah sebagai berikut: 1.
Inisialisasi nilai parameter konstanta belajar , unit hidden, nilai
momentum , maksimum error, maksimum epoch, target dan jumlah
input. 2.
Memberikan input x
i
gambar yang dinumerikkan menjadi matrik 25 x 25.
3. Normalisasi data input
4. Memberikan bobot random pada v
ij
dan w
jk
. 5.
Mengalikan input x
i
dengan bobot random sebanyak jumlah input. Dan ditambahkan dengan input bias v
0j
. 6.
Didapatkan harga input ke hidden layer z_in
j
. 7.
Output lapisan hidden dikalikan dengan bobot sebanyak input lapisan hidden z
j
, serta ditambahkan dengan bias lapisan hidden w
0k
. 8.
Didapatkan harga input pada layer output y_in
k
.Pada back propagation error
δ
k
dihitung dengan mengurangi target dengan output y
k
dan dikalikan dengan fungsi input pada layer output y_in
k
. 9.
Menghitung koreksi bobot untuk mengupdate w
jk.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
10. Menghitung koreksi bias untuk mengupdate w
ok
. 11.
Mengupdate bobot w
jk
dan bobot v
ij
. 12.
Menghitung error output. Jika error error max atau epoch epoch max
maka ulangi proses training.
Block diagram dari flowchart diatas adalah:
Fase III. Perubahan Bobot dengan menggunakan persamaan 2.19 sd 2.20
Normalisasi Gambar 1
Gambar 2 Gambar n
Normalisasi Normalisasi
Fase I. Propagasi Maju dengan menggunakan Persamaan 2,10 2.11
Bobot Random Vij Wjk Awal
Input Hidden, Learning Rate alpa,
momentum, Batas error dan Eppoch
Output Zin, Z, Yin dan Y Fase II. Propagasi Mundur dengan menggunakan
Persamaan 2,13 sd 2.18 Output Faktor kesalahan
error error max atau
epoch = epoch max
Ya
Output Vij Wjk Akhir
Gambar 3.6 Block Diagram Training Sistem. Pertama diawali dengan pasien datang untuk cek up ke dokter spesialis.
Dari rangkaian pemeriksaan, pasien discan detak jantungnya dengan batuan dokter kardiolog dibagian ICCU untuk mengetahui pasien tersebut mengalami
penyakit jantung atau tidak. Kemudian menentukan nilai paramater inputan yang
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
terdiri dari input hidden, learning ratealfa, momentum, batas error dan nilai epoch. Kemudian memasukan gambar yang akan di normalisasi, dimana gambar
yang dipakai training adalah gambar ECG jantung normal. Dari hasil normalisasi gambar tersebut, lalu dimasukan ke fase I untuk mencari nilai unit tersembunyi Y
dan Z dengan membutuhkan bobot random awal Vij dan Wjk secara acak antara - 0.5 sd 0.5.
Dari hasil fase I tersebut, menghitung nilai kesalahan di fase II. Setelah semua faktor
dihitung, bobot semua garis dimodifikasi bersamaan di fase III. Perubahan bobot suatu garis didasarkan atas factor
neuron dilayer. Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi. Umumnya
kondisi penghentian yang sering dipakai adalah jumlah iterasi atas kesalahan.
Normalisasi Gambar 1
Fase I. Propagasi Maju dengan menggunakan Persamaan 2,10 2.11
Bobot Random Vij Wjk Awal
Input Hidden, Learning Rate alpa,
momentum, dan Error Training
Output Zin, Z, Yin dan Y Fase II. Propagasi Mundur dengan menggunakan
Persamaan 2,13 sd 2.18
Output Testing Normal Koroner Menghitung error, dengan menggunakan
Error = error max
Gambar 3.7 Block Diagram Testing Sistem.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Sedangkan alur system block diagram testing hampir sama dengan block diagram training system. Tapi didalam block diagram testing tidak menggunakan
fase III, dikarenakan untuk nilai ukur sebagai perbandingan yang dipakai adalah nilai Vij, Wjk akhir, dan error yang dihasilkan dari proses training sebelumnya.
Dari nilai perbandingan tersebut menghasilkan suatu output koroner atau normal dari nilai testing gambar inputan dari ECG pasien. Untuk jelasnya alur dari block
diagram diatas dapat dilihat dari block diagram keseluruhan system, bisa dilihat dari Gambar 3.8 dibawah ini.
Pasien
Dokter Kardiolog
Sunday, April 03, 2011
Page 1
Block Diagram
Cek up kesehatan Dokter Spesialis
Terkena jantung
Scanning detak jantung Pasien
Data ECG Pasien Start
Input ke JST
Normalisasi Data ECG
Mentraining Data
Mentesting Data Pasien
Data ECG Normal
Ya Koroner
Normal Tidak
End
Gambar 3.8 Block Diagram Keseluruhan Sistem
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
BAB IV IMPLEMENTASI SISTEM
Kategori