PERBANDINGAN ALGORITMA LEVENBERG-MARQUARDT DENGAN BACKPROPAGATION UNTUK MENDIAGNOSA JENIS PENYAKIT KANDUNGAN

PERBANDINGAN ALGORITMA LEVENBERG -MARQUARDT DENGAN BACKPROPAGATION UNTUK MENDIAGNOSA JENIS PENYAKIT KANDUNGAN SKRIPSI Diajukan untuk memenuhi sebagian persyaratan mendapatkan gelar Strata Satu Jurusan Informatika

  

Disusun Oleh:

AYU PRABHAWANINGRUM

NIM. M0509013 JURUSAN INFORMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET SURAKARTA _{commit to user}

  

September 2013

PERBANDINGAN ALGORITMA LEVENBERG -MARQUARDT DENGAN BACKPROPAGATION UNTUK MENDIAGNOSA JENIS PENYAKIT KANDUNGAN SKRIPSI Diajukan untuk memenuhi sebagian persyaratan mendapatkan gelar Strata Satu Jurusan Informatika

  

Disusun Oleh:

AYU PRABHAWANINGRUM

NIM. M0509013 JURUSAN INFORMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET SURAKARTA _{commit to user}

  September 2013

• _-MARQUARDT DENGAN BACKPROPAGATION UNTUK MENDIAGNOSA JENIS PENYAKIT KANDUNGAN

  Disusun oleh : AYU PRABHAWANINGRUM M0509013

  Skripsi ini telah disetujui untuk dipertahankan di hadapan Dewan Penguji pada tanggal 23 Agustus 2013: Pembimbing I Pembimbing II

Wiharto, S.T., M.Kom Umi Salamah,S.Si.,M.Kom.

  NIP.19750210 200801 1 005 NIP. 19700217 199702 2 001

  commit to user

  

SKRIPSI

PERBANDINGAN ALGORITMA LEVENBERG _{-MARQUARDT DENGAN}

BACKPROPAGATION UNTUK MENDIAGNOSA JENIS PENYAKIT

KANDUNGAN

HALAMAN PENGESAHAN

  Disusun oleh : AYU PRABHAWANINGRUM M0509013

  Telah dipertahankan di hadapan Dewan Penguji Pada tanggal 3 September 2013 :

  Susunan Dewan Penguji 1.

   Wiharto, S.T., M.Kom _{NIP.19750210 200801 1 005} ( ) 2.

   Umi Salamah,S.Si.,M.Kom.

  ( ) NIP. 19700217 199702 2 001 3.

   Esti Suryani, S.Si., M.Kom.

  ( ) NIP. 19761129 200812 2 001 4.

   Abdul Azis S.Kom., M.Cs.

  ( ) NIP. 19810413 200501 1 001

  Disahkan oleh Dekan FMIPA UNS Ketua Jurusan Informatika

  Prof.Ir.Ari Handono Ramelan,M.Sc.(Hons),Ph.D Umi Salamah, S.Si., M.Kom _{commit to user} NIP. 19610223 198601 1 001 NIP. 19700217 199702 2 001

  MOTTO

  “Karena sesungguhnya sesudah kesulitan itu ada kemudahan. Sesungguhnya sesudah kesulitan itu ada kemudahan. Maka apabila kamu telah selesai (dari sesuatu urusan), kerjakanlah dengan sungguh-sungguh (urusan) yang lain”

  (Q.S Al Insyirah : 5-7) “Hidup itu seperti naik sepeda, agar tetap seimbang, kau harus terus bergerak”

  (Albert Einstein) “Jangan lihat masa lampau dengan penyesalan; jangan pula lihat masa depan dengan ketakutan; tapi lihatlah sekitar anda dengan penuh kesadaran”

  (James Thurber)

  commit to user commit to user PERSEMBAHAN

  Kupersembahkan karya ini kepada : Orang tuaku tercinta, mama dan papa Kakak yang aku sayangi, Hadi Sahabatku Fera Feriyal

  Semua teman Informatika UNS khususnya angkatan 2009

• _-MARQUARDT

  DENGAN BACKPROPAGATION UNTUK MENDIAGNOSA JENIS

  PENYAKIT KANDUNGAN

  AYU PRABHAWANINGRUM

  Jurusan Informatika. Fakultas MIPA. Universitas Sebelas Maret.

  

ABSTRAK

  Algoritma levenberg _{-marquardt (LM) merupakan salah satu algoritma} pembelajaran pada jaringan syaraf tiruan. Algoritma ini merupakan optimalisasi dari algoritma backpropagation gradient descent (BP) sehingga dalam proses pembelajaran, algoritma ini memiliki jumlah iterasi lebih sedikit dibandingkan algoritma BP. Penelitian ini membahas mengenai perbandingan algoritma LM dan BP untuk mendiagnosa jenis penyakit kandungan berdasarkan 18 gejala klinis dan dikategorikan menjadi empat jenis penyakit kandungan yaitu radang panggul, mioma uteri, kanker serviks dan kanker ovarium.

  Terdapat dua komponen utama yang akan diujikan yaitu kombinasi fungsi aktivasi dan jumlah neuron pada lapisan hidden. Fungsi aktivasi yang akan digunakan meliputi sigmoid bipolar, tangen hiperbolik, dan elliot. Sedangkan, jumlah neuron pada lapisan hidden yang akan digunakan adalah 7, 13, 17, 25, 29, dan 33. Selain itu, akan dibandingkan kecepatan iterasi serta akurasi antara algoritma LM dan BP.

  Hasil penelitian, menunjukkan bahwa algoritma LM memiliki jumlah iterasi yang lebih kecil dengan rata-rata 39 iterasi dan akurasi 81% dibandingkan dengan algoritma BP yang memiliki rata-rata 381 iterasi dengan tingkat akurasi 71%. Namun waktu pembelajaran yang dibutuhkan algoritma LM memiliki rata- rata 3373 ms sedangkan BP 939 ms. Kombinasi fungsi aktivasi dengan jumlah iterasi yang kecil dan akurasi yang besar pada kedua algoritma adalah tangen hiperbolik–sigmoid bipolar. Sedangkan jumlah neuron pada lapisan hidden tidak memberikan pengaruh yang signifikan baik terhadap iterasi maupun akurasi jaringan.

  

Kata Kunci: backpropagation gradient descent, diagnosa penyakit kandungan,

  fungsi aktivasi, levenberg _-marquardt.

  

commit to user

  

COMPARISON OF LEVENBERG–MARQUARDT ALGORITHM WITH

BACKPROPAGATION TO DIAGNOSE GYNECOLOGIC DISEASES

AYU PRABHAWANINGRUM

Department of Informatics. Mathematic and Natural Science Faculty.

  Sebelas Maret University

  

ABSTRACT

  Levenberg-Marquardt algorithm is one of training algorithm in neural network. This algorithm is optimalization from backpropagation gradient descent so, for training process, this algorithm has a less iteration than backpropagation gradient descent algorithm.This research discuss about comparison of levenberg- marquardt algorithm with backpropagation to diagnose gynecologic diseases based on 18 symptoms and categorized into four kind gynecologic diseases which are, pelvic inflammatory disease, myoma uterus, cervical cancer, and ovarium cancer.

  There are two main components which will be tested, that are the combination of activation function and the number of hidden neuron. The activation which will be used are sigmoid bipolar, hyperbolik tangent and elliot. Whereas the number of hidden neuron which will be used 7, 13, 17, 25, 29, and 33. Besides, will be compared the iteration and accuracy of LM and BP.

  Results of this research shows that levenberg-marquardt algorithm has less iteration which average is 39 and 81% of accuration than backpropagatin gradient descent which has average 381 iterations with 71% accurate, but the average of learning time needed in LM algorithm is 3373 ms while BP is 939 ms. The combination of activation function with smallest iteration and highest accuration is hyperolic tangent–sigmoid bipolar. Whereas, the number of hidden neuron doesnt affect the network’s iteration and accuracy.

  

Keywords: activation function, backpropagation gradient descent, diagnose

gynecologic diseases, levenberg-marquardt.

commit to user

  

KATA PENGANTAR

Bismillahirrahmaanirrahiim

  Puji dan syukur penulis panjatkan kehadirat Allah Subhanahu Wa Ta’ala yang senantiasa memberikan nikmat dan karunia-Nya sehingga penulis dapat

• _- menyelesaikan skripsi dengan judul Perbandingan Algoritma Levenberg

  

Marquardt dengan Backpropagation untuk Mendiagnosa Jenis Penyakit

  Kandungan, yang menjadi salah satu syarat wajib untuk memperoleh gelar Sarjana Informatika di Universitas Sebelas Maret (UNS) Surakarta.

  Penulis menyadari akan keterbatasan yang dimiliki, begitu banyak bimbingan, bantuan, motivasi, serta semangat yang diberikan dalam proses penyusunan skripsi ini. Oleh karena itu, ucapan terima kasih penulis sampaikan kepada : _1. Bapak Wiharto, S.T., M.Kom. selaku Dosen Pembimbing I yang penuh kesabaran membimbing, mengarahkan, dan memberi motivasi kepada _2. penulis selama proses penyusunan skripsi ini,

  Ibu Umi Salamah,S.Si.,M.Kom, selaku Ketua Jurusan S1 Informatika dan Dosen Pembimbing II yang penuh kesabaran membimbing, mengarahkan, _3. dan memberi motivasi kepada penulis selama proses penyusunan skripsi ini,

  Bapak Didiek S. Wiyono. selaku Pembimbing Akademik yang telah banyak memberi bimbingan dan pengarahan selama penulis menempuh studi di _4. Jurusan Informatika FMIPA UNS, Pihak RSUD dr. Moewardi yang telah mengijinkan penulis untuk _5. mengambil data pada instansi tersebut, Bapak dan Ibu dosen serta karyawan di Jurusan Informatika FMIPA UNS yang telah mengajar penulis selama masa studi dan membantu dalam proses _6. penyusunan skripsi ini,

  Mama, papa, kakak, dan sahabatku Fera yang telah memberikan semangat _7. dan motivasi kepada penulis selama penelitian ini dilaksanakan. Teman–teman angkatan 2008 terutama mbak Anisa Atiliani dan mbak Wina

  Isti Retnani yang telah memberikan dukungan dan bimbingan kepada _8. penulis selama penelitian ini dilaksanakan. Teman–teman angkatan 2009, terutama Estining, Yoga dan Vicka yang telah memberikan semangat kepada penulis selama ini.

  Penulis berharap semoga skripsi ini dapat bermanfaat bagi semua pihak yang berkepentingan. _{commit to user} Surakarta, Agustus 2013 Penulis

  

DAFTAR ISI

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

commit to user

  

DAFTAR GAMBAR

  

  

  

commit to user

  

DAFTAR TABEL

  

  

commit to user

  

commit to user

DAFTAR LAMPIRAN