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.
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.
3.1.2.1 Kebutuhan 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.
3.1.2.2 Kebutuhan 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.
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.
3.1.3.1 Analisis 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 = newlvqminmaxP,JumNeuron,1Jumklsones1,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.
D ua input pertama sebagai inisialisasi bobot, learning rate α=0,05, dengan
pengurangan sebesar 0,1α, 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 : w
11
= w
1
+ αx
11
– w
11
= 0 + 0,050-0 = 0; w
12
= w
1
+ αx
12
– w
12
= 1 + 0,050-1 = 0,05; w
11
= w
1
+ αx
11
– w
11
= 1 + 0,051-1 = 1; jadi w
11
= 0 0,05 1 α = α – 0,1α = 0,05 – 0,10,05 = 0,045
sehingga input termasuk dalam kelas 2.
3.1.3.2 Analisis 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 : x1=1,1,0,0, x2=0,0,0,1, x3=1,0,0,0, dan x4=0,0,1,1, 4 buah vektor tersebut akan dibagi menjadi maksimal 2 cluster.
Digunanakan laju pemehaman awal α0=0.6, dan αt+1=0.5 αt dan jari-jari vektor
sekitar yang dimodifikasi = 0 hanya vektor pemenang yang dimodifikasi bobotnya pada setiap langkah.
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 x1=1,1,0,0 Dj=
࢝−࢞ D1=0.2-12+0.6-12+0.5-02+0.9-02=1.86
D2=0.8-12+0.4-12+0.7-02+0.3-02=0.98 Minimum pada j=2, maka vektor bobot di baris kedua di modifikasi pada baris 2
Wjibaru= Wjilama+αxi-wjilama W21=0.8 + 0.61-0.8=0.92
W22=0.4 + 0.61-0.4=0.76 W23=0.7+0.60-0.7=0.28
W24=0.3+0.60-0.3=0.12
Sehingga vektor bobotnya menjadi w= 0.20.60.50.90.920.760.280.12
Vektor x2=0,0,0,1 D1=0.2-02+0.6-02+0.5-02+0.9-12=0.66
D2=0.92-02+0.76-02+0.28-02+0.12-12=2.20 Minimum pada j=1, maka vektor bobot di baris kesatu di modifikasi pada baris 1
W11=0.2 + 0.60-0.2=0.08 W12=0.6 + 0.60-0.6=0.24
W13=0.5 + 0.60-0.5=0.2 W14=0.9 + 0.61-0.9=0.96
Sehingga vektor bobotnya menjadi ࢝= .ૡ...ૢ.ૢ.ૠ.ૡ.
Vektor x3=1,0,0,0 D1=0.08-12+0.24-02+0.2-02+0.96-02=1.78
D2=0.92-12+0.76-02+0.28-02+0.12-02=0.68 Minimum pada j=2, maka vektor bobot di baris kedua di modifikasi pada baris 2
W21=0.92 + 0.61-0.92=0.968 W22=0.76 + 0.60-0.76=0.304
W23=0.28 + 0.60-0.28=0.112 W34=0.12 + 0.60-0.12=0.048
Sehingga vektor bobotnya menjadi w= 0.080.240.20.960.9680.3040.1120.048
Vektor x4=0,0,1,1 D1=0.08-02+0.24-02+0.2-12+0.96-12=0.7056
D2=0.969-02+0.304-02+0.112-12+0.048-12=2.724 Minimum pada j=1, maka vektor bobot di baris kedua di modifikasi pada baris 1
W11=0.08 + 0.60-0.08=0.032 W12=0.24 + 0.60-0.24=0.096
W13=0.2 + 0.61-0.2=0.68 W14=0.96 + 0.61-0.96=0.984
Sehingga vektor bobotnya menjadi ࢝= ..ૢ.ૡ.ૢૡ.ૢૡ...ૡ
Sebelum melakukan iterasi kedua, dilakukan modifikasi laju pemahaman:
αbaru=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 x1=1,1,0,0
D1=0-12+0-12+0.5-02+1-02=3.25 D2=1-12+0.5-12+0-02+0-02=0.25
Berarti x1 masuk dalam kelompok 2 Vektor x2…?
Vektor x3…? Vektor x4…?
x2=0,0,0,1 x3=1,0,0,0
x4=0,0,1,1
3.2 Pemodelan
Kategori