Analisis Konvergensi Pada Entangled Neural Network

ANALISIS KONVERGENSI PADA ENTANGLED NEURAL NETWORK

TESIS
LIPANTRI MASHUR GULTOM
127038052

PROGRAM STUDI S2 TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2015

Universitas Sumatera Utara

ANALISIS KONVERGENSI PADA ENTANGLED NEURAL NETWORK

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah
Magister Teknik Informatika
LIPANTRI MASHUR GULTOM
127038052

PROGRAM STUDI S2 TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2015

Universitas Sumatera Utara

ii

PERSETUJUAN

Judul

: ANALISIS KONVERGENSI PADA ENTANGLED
NEURAL NETWORK

Kategori

: TESIS

Nama

: LIPANTRI MASHUR GULTOM

Nomor Induk Mahasiswa

: 127038052

Program Studi

: TEKNIK INFORMATIKA

Fakultas

: ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
:

Komisi Pembimbing

Pembimbing 2

Pembimbing 1

Dr. Erna Budhiarti Nababan, M.IT

Prof. Dr. Muhammad Zarlis

Diketahui/disetujui oleh
Magister Teknik Informatika
Ketua,

Prof. Dr. Muhammad Zarlis
NIP. 19570701 198601 003

Universitas Sumatera Utara

iii

PERNYATAAN

ANALISIS KONVERGENSI PADA ENTANGLED NEURAL NETWORK

TESIS

Saya mengakui bahwa tesis ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing – masing telah disebutkan sumbernya.

Medan, 9 Maret 2015

Lipantri Mashur Gultom
127038052

Universitas Sumatera Utara

iv

PERNYATAAN PERSETUJUAN PUBLIKASI
KARYA ILMIAH UNTUK KEPENTINGAN

AKADEMIS

Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan di
bawah ini :
Nama

: Lipantri Mashur Gultom

NIM

: 127038052

Program Studi

: Magister Teknik Informatika

Jenis Karya Ilmiah

: Tesis

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada
Universitas Sumatera Utara hak Bebas Royalti Non-Ekslusif (Non-ExclusiveRoyalti
Free Right) atas tesis saya yang berjudul:

ANALISIS KONVERGENSI PADA ENTANGLED NEURAL NETWORK

Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti NonEksklusif Ini, Universitas Sumatera Utara berhak menyimpan, mengalih media,
meformat, mengelola dalam bentuk database, merawat dan mempublikasikan tesis
saya tanpa meminta izin dari saya selama tetap mencantumkan nama saya sebagai
penulis dan sebagai pemegang dan/atau sebagai pemilik hak cipta.

Demikan pernyataan ini dibuat dengan sebenarnya,
Medan, 9 Maret 2015

Lipantri Mashur Gultom
127038052

Universitas Sumatera Utara

v

Telah diuji pada
Tanggal : 9 Maret 2015

Panitia Penguji Tesis
Ketua

: Prof. Dr. Muhammad Zarlis

Anggota

: 1. Dr. Erna Budhiarti Nababan, M.IT
2. Prof. Dr. Opim Salim Sitompul
3. Dr. Marwan Ramli, M.Si
4. Dr. Zakarias Situmorang

Universitas Sumatera Utara

vi

RIWAYAT HIDUP

DATA PRIBADI
Nama

: Lipantri Mashur Gultom

Tempat dan Tanggal Lahir

: Pematang Siantar, 12 Agustus 1987

Alamat Rumah

: Jl. Veteran, Beringin Indah Permai No.30,
Kecamatan Tapian Dolok Kabupaten
Simalungun

HP

: 082160808989

E-Mail

: lipantri@gmail.com

Instansi Tempat Bekerja

: Politeknik LP3I Medan

Alamat Kantor

: Jl. Amaliun No. 37 Medan

DATA PENDIDIKAN
SD

: Impress Baru Siantar

TAMAT : 1999

SLTP : SLTP N 1 Siantar

TAMAT : 2002

SLTA : SMA N 3 Pematang Siantar

TAMAT : 2005

S1

: Ilmu Komputer USU

TAMAT : 2009

S2

: Teknik Informatika USU

TAMAT : 2015

Universitas Sumatera Utara

vii

KATA PENGANTAR
Alhamdulillah, puji syukur penulis panjatkan kehadirat Allah SWT yang telah
memberikan rahmat dan hidayah-Nya serta segala sesuatunya dalam hidup, sehingga
penulis dapat menyelesaikan penyusunan tesis ini. Tidak lupa penulis mengucapkan
terimakasih sebesar – besarnya kepada :
1. Prof. Dr. dr. Syahril Pasaribu, D.T.M&H, M.Sc (C.T.M), Sp.A(K) selaku rektor
Universitas Sumatera Utara yang telah memberikan kesempatan kepada penulis
untuk mengikuti dan menyelesaikan pendidikan program magister
2. Prof. Dr. Muhammad Zarlis selaku dekan Fasilkom-TI Universitas Sumatera
Utara
3. M. Andri Budiman, ST, M.Comp Sc, M.E.M selaku sekretaris program studi
magister teknik informatika
4. Prof. Dr. Muhammad Zarlis selaku pembimbing utama yang telah banyak
memberikan bimbingan dan arahan serta motivasi kepada penulis
5. Dr. Erna Budhiarti Nababan,M.IT selaku pembimbing kedua yang telah banyak
memberikan bimbingan dan arahan serta motivasi kepada penulis
6. Prof. Dr. Opim Salim Sitompul selaku pembanding pertama yang telah banyak
memberikan kritik dan saran kepada penulis
7. Dr. Marwan Ramli, M.Si selaku pembanding kedua yang telah banyak
memberikan kritik dan saran kepada penulis
8. Dr. Zakarias Situmorang selaku pembanding ketiga yang telah banyak
memberikan kritik dan saran kepada penulis
9. Seluruh staf pengajar dan pegawai di program studi magister teknik informatika
Universitas Sumatera Utara
10. Teristimewa kepada ayahanda Suwono Gultom dan ibunda Rupini yang selalu
memberikan segalanya bagi penulis baik moril maupun materil yang tidak
terbalaskan selama penyelesaiantesis ini
11. Sahabat - sahabat angkatan 2012 KOM C dan seluruh rekan kerja di Politeknik
LP3I Medan
Penulis menyadari bahwa tesis ini masih jauh dari kesempurnaan, karena
kesempurnaan hanya milik Allah SWT. Oleh karena itu penulis menerima saran dan
kritik yang bersifat membangun demi kesempurnaan tesis ini. Sehingga dapat
bermanfaat bagi kita semuanya.
Medan, 9 Maret 2015

Lipantri Mashur Gultom

Universitas Sumatera Utara

viii

ABSTRAK

Entangled neural networks merupakan salah satu bentuk dari jaringan syaraf kuantum
(quantum neural networks) yang menggunakan entanglement sebagai fitur kunci
untuk

menginterpretasikan

data.

Setiap

qubitdalam

entanglement

memiliki

probabilitas nilai yang berbeda – beda pada keadaan tertentu dalam suatu waktu
sehingga sangat mempengaruhi kecepatan konvergensi pada algoritma pembelajaran.
Algoritma pembelajaran yang dibandingkan dalam penelitian ini ialah algoritma
quantum perceptron dan algoritma perceptron klasik. Pengukuran nilai kecepatan
konvergensi dalam algoritma pembelajaran menggunakan beberapa parameter yaitu
jumlah hidden node, nilai learning rate, jumlah epoch dan tingkat akurasi
pengujian.Hasil akhir pengujian menunjukkan bahwa algoritma pembelajaran
quantum perceptron memiliki kecepatan konvergensi yang lebih baik daripada
perceptron klasik. Selain itu tingkat akurasi pengujian dari algoritma quantum
perceptron lebih tinggi dibandingkan dengan algoritma perceptron klasik.
Kata kunci : neural network, entanglement, quantum, perceptron

Universitas Sumatera Utara

ix

CONVERGENCE ANALYSIS OF ENTANGLED NEURAL NETWORK
ABSTRACT

Entangled neural networks is one form of the quantum neural network which uses
entanglement as a key feature to interpreting the data. Each qubit within probability of
entanglement have different values on the particular state in one time so greatly affect
the speed of convergence in the learning algorithm. Learning algorithms that
compared in this study are the perceptron quantum algorithms and classical perceptron
algorithm. Measurement the value of the speed of convergence in the learning
algorithm uses several parameters: the number of hidden nodes, the value of learning
rate, number of epochs and the accuracy of testing. The final results of testing indicate
that the quantum perceptron learning algorithm has better convergence speed than the
classical perceptron. In addition, the level of accuracy of the testing from quantum
algorithms perceptron higher than the classical perceptron algorithm.
Keywords: neural network, entanglement, quantum, perceptron

Universitas Sumatera Utara

x

DAFTAR ISI
Hal
PENGESAHAN ........................................................................................................ ii
PERNYATAAN ORISINALITAS .......................................................................... iii
PERSETUJUAN PUBLIKASI ................................................................................. iv
PANITIA PENGUJI .................................................................................................. v
RIWAYAT HIDUP .................................................................................................. vi
UCAPAN TERIMA KASIH .................................................................................... vii
ABSTRAK .............................................................................................................. viii
ABSTRACT .............................................................................................................. ix
DAFTAR ISI .............................................................................................................. x
DAFTAR GAMBAR ............................................................................................... xii
DAFTAR TABEL ................................................................................................... xiv
BAB I PENDAHULUAN
1.1. Latar Belakang Masalah ......................................................................... 1
1.2. Rumusan Masalah ................................................................................... 2
1.3. Tujuan Penelitian .................................................................................... 2
1.4. Batasan Penelitian ................................................................................... 2
1.5 Manfaat Penelitian ................................................................................... 2
BAB II LANDASAN TEORI
2.1. Komputasi Quantum ............................................................................... 3
2.2. Artificial Neural Network ....................................................................... 3
2.3.Quantum Neural Network ........................................................................ 4
2.4. Penelitian Terdahulu ............................................................................... 6
BAB III METODOLOGI PENELITIAN
3.1 Tahapan Penelitian ................................................................................... 8
3.1.1 Data Yang Digunakan .............................................................. 8
3.1.2 Tahapan Analisis ....................................................................... 9
3.1.3 Tahapan Akhir / Hasil analisis / Kesimpulan ......................... 11
3.2 Preprocessing Data ................................................................................. 11
3.2.1 Dataset Klasifikasi Penggunaan Lensa Kontak ...................... 11
3.2.2 Dataset Klasifikasi Skala Keseimbangan ................................ 16
3.3 Pembelajaran Perceptron ....................................................................... 20
BAB IVHASIL PENELITIAN DAN PEMBAHASAN
4.1 Hasil Penelitian ...................................................................................... 27
4.1.1 Dataset Lensa Kontak ............................................................. 27
4.1.2 Dataset Klasifikasi Skala Keseimbangan ................................ 38
4.2 Pembahasan ............................................................................................ 48
4.2.1 Perbandingan Jumlah Epoch Dengan Learning Rate Untuk
Dataset Lensa Kontak ............................................................. 48
4.2.2 Perbandingan Jumlah Epoch Dengan Tingkat Akurasi Untuk

Universitas Sumatera Utara

xi

Dataset Lensa Kontak ............................................................. 50
4.2.3 Perbandingan Jumlah Epoch Dengan Learning Rate Untuk
Dataset Klasifikasi Skala Keseimbangan ................................ 55
4.2.4 Perbandingan Jumlah Epoch Dengan Tingkat Akurasi Untuk
Dataset Klasifikasi Skala Keseimbangan................................ 57
4.2.5 Perbedaan Perhitungan nilai Error
antara Perceptron dengan Quantum ........................................ 62
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan ............................................................................................ 64
5.2 Saran ...................................................................................................... 65
DAFTAR PUSTAKA .............................................................................................. 66
LAMPIRAN ............................................................................................................. 68

Universitas Sumatera Utara

xii

DAFTAR GAMBAR
Gambar 2.1 Arsitektur jaringan saraf quantum .......................................................... 6
Gambar 3.1 Tahapan penelitian ................................................................................. 8
Gambar 3.2 Arsitektur general ................................................................................. 10
Gambar 3.3 Arsitektur jaringan klasifikasi penggunaan lensa kontak..................... 15
Gambar 3.4 Arsitektur jaringan klasifikasi skala keseimbangan ............................. 18
Gambar 3.5 Flowchart algoritma quantumperceptron............................................. 19
Gambar 3.6 Arsitektur 5-2-2 dengan nilai input, bobot dan output ......................... 20
Gambar 3.7. Data ke-2 dengan bobot baru .............................................................. 24
Gambar 4.1 Jumlah Hidden Node 2 dan learning rate 0,1 ...................................... 27
Gambar 4.2 Jumlah Hidden Node 2 dan learning rate 0,5 ...................................... 28
Gambar 4.3 Jumlah Hidden Node 2 dan learning rate 0,9 ...................................... 29
Gambar 4.4 Jumlah Hidden Node 3 dan learning rate 0,1 ...................................... 29
Gambar 4.5 Jumlah Hidden Node 3 dan learning rate 0,5 ...................................... 30
Gambar 4.6 Jumlah Hidden Node 3 dan learning rate 0,9 ...................................... 30
Gambar 4.7 Jumlah Hidden Node 2 dan learning rate 0,01 .................................... 32
Gambar 4.8 Jumlah Hidden Node 2 dan learning rate 0,05 .................................... 33
Gambar 4.9 Jumlah Hidden Node 2 dan learning rate 0,09 .................................... 33
Gambar 4.10 Jumlah Hidden Node 2 dan learning rate 0,001 ................................ 35
Gambar 4.11 Jumlah Hidden Node 2 dan learning rate 0,005 ................................ 35
Gambar 4.12 Jumlah Hidden Node 2 dan learning rate 0,009 ................................ 36
Gambar 4.13 Jumlah Hidden Node 2 dan learning rate 0,1 .................................... 39
Gambar 4.14 Jumlah Hidden Node 2 dan learning rate 0,5 .................................... 40
Gambar 4.15 Jumlah Hidden Node 2 dan learning rate 0,9 .................................... 40
Gambar 4.16 Jumlah Hidden Node 2 dan learning rate 0,01 .................................. 42
Gambar 4.17 Jumlah Hidden Node 2 dan learning rate 0,05 .................................. 42
Gambar 4.18 Jumlah Hidden Node 2 dan learning rate 0,09 .................................. 43
Gambar 4.19 Jumlah Hidden Node 2 dan learning rate 0,001 ................................ 44
Gambar 4.20 Jumlah Hidden Node 2 dan learning rate 0,005 ................................ 45
Gambar 4.21 Jumlah Hidden Node 2 dan learning rate 0,009 ................................ 45
Gambar 4.22 Perbandingan Jumlah Epoch Dengan
Learning Rate 0,1, 0,5 Dan 0,9 ................................................................................ 48
Gambar 4.23 Perbandingan Jumlah Epoch Dengan
Learning Rate 0,01, 0,05 Dan 0,09 .......................................................................... 49
Gambar 4.24 Perbandingan Jumlah Epoch Dengan
Learning Rate 0,001, 0,005 Dan 0,009 .................................................................... 49
Gambar 4.25 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,1............................................................... 50
Gambar 4.26 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,5............................................................... 51
Gambar 4.27 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,9............................................................... 51
Gambar 4.28 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,01............................................................. 52
Gambar 4.29 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,05............................................................. 52

Universitas Sumatera Utara

xiii

Gambar 4.30 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,09............................................................. 53
Gambar 4.31 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,001 ........................................................... 54
Gambar 4.32 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,005........................................................... 54
Gambar 4.33 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,009........................................................... 55
Gambar 4.34 Perbandingan Jumlah Epoch Dengan
Learning Rate 0,1, 0,5 Dan 0,9 ................................................................................ 55
Gambar 4.35 Perbandingan Jumlah Epoch Dengan
Learning Rate 0,01, 0,05 Dan 0,09 .......................................................................... 56
Gambar 4.36 Perbandingan Jumlah Epoch Dengan
Learning Rate 0,001, 0,005 Dan 0,009 .................................................................... 56
Gambar 4.37 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,1............................................................... 57
Gambar 4.38 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,5............................................................... 58
Gambar 4.39 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,9............................................................... 58
Gambar 4.40 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,01............................................................. 59
Gambar 4.41 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,05............................................................. 59
Gambar 4.42 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,09............................................................. 60
Gambar 4.43 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,001........................................................... 60
Gambar 4.44 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,005........................................................... 61
Gambar 4.45 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,009........................................................... 61
Gambar 4.46 Perbandingan nilai error antara
perceptron dengan quantum..................................................................................... 63

Universitas Sumatera Utara

xiv

DAFTAR TABEL
Hal
Tabel 2.1 Model QNN dari beberapa peneliti (Garman. 2011) ................................. 5
Tabel 2.2 Perbedaan jaringan (Nayak & Singh. 2011) .............................................. 5
Tabel 2.3 Penelitian terdahulu ................................................................................... 7
Tabel 3.1 Struktur dataset .......................................................................................... 9
Tabel 3.2 Dataset klasifikasi penggunaan lensa kontak........................................... 12
Tabel 3.3 Kode atribut age of the patient................................................................. 12
Tabel 3.4 Kode atribut spectacle prescription ......................................................... 13
Tabel 3.5 Kode atribut astigmatic ............................................................................ 13
Tabel 3.6 Kode atribut tear production rate ............................................................ 13
Tabel 3.7 Kode klasifikasi kelas .............................................................................. 13
Tabel 3.8 Dataset klasifikasi lensa kontak dalam kode binari ................................. 14
Tabel 3.9 Data klasifikasi skala keseimbangan ....................................................... 16
Tabel 3.10 Kode Left-Weight Left-Weight, Left-Distance,
Right-Weight dan Right-Distance ............................................................................ 16
Tabel 3.11 Kode klasifikasi kelas ............................................................................ 17
Tabel 3.12 Dataset klasifikasi skala keseimbangan dalam kode binari ................... 17
Tabel 3.13 Kategori jumlah hidden node ................................................................. 18
Tabel 3.14 Kategori learning rate ........................................................................... 19
Tabel 4.1 Nilai Epoch Dari Setiap Hidden Node Dan
Learning Rate Kategori 1......................................................................................... 31
Tabel 4.2 Nilai Epoch Dari Setiap Hidden Node Dan
Learning Rate Kategori 2......................................................................................... 34
Tabel 4.3 Nilai Epoch Dari Setiap Hidden Node Dan
Learning Rate Kategori 3......................................................................................... 37
Tabel 4.4 Hasil Proses Pengujian Untuk Dataset Lensa Kontak ........................... 38
Tabel 4.5 Nilai Epoch Dari Setiap Hidden Node Dan
Learning Rate Kategori 1......................................................................................... 41
Tabel 4.6 Nilai Epoch Dari Setiap Hidden Node Dan
Learning Rate Kategori 2......................................................................................... 43
Tabel 4.7 Nilai Epoch Dari Setiap Hidden Node Dan
Learning Rate Kategori 3......................................................................................... 46
Tabel 4.8 Hasil Proses Pengujian Untuk Dataset
Klasifikasi Skala Keseimbangan .............................................................................. 47

Universitas Sumatera Utara