PENGENALAN POLA BREAST CANCER MENGGUNAKAN ALGORITMA NGUYEN WIDROW BACKPROPAGATION.
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
SUSUNAN DEWAN REDAKSI JELIKU
KETUA
AGUS MULIANTARA, S.KOM, M.KOM
PENYUNTING
DRA. LUH GEDE ASTUTI, M.KOM
NGURAH AGUS SANJAYA E.R., S.KOM, M.KOM
IDA BAGUS MAHENDRA, S.KOM, M.KOM
IDA BAGUS GEDE DWIDASMARA, S.KOM, M.CS
PELAKSANA
I KETUT GEDE SUHARTANA, S.KOM., M.KOM
I GEDE SANTI ASTAWA, S.T., M.CS
I MADE WIDIARTHA, S.SI., M.KOM
ALAMAT REDAKSI
JURUSAN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS UDAYANA
KAMPUS BUKIT JIMBARAN – BADUNG
TELEPON : 0361 – 701805
EMAIL : JELIKU@CS.UNUD.AC.ID
WEBSITE : WWW.CS.UNUD.AC.ID
i
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
[halaman ini sengaja dikosongkan]
ii
JELIKU Vol 2 No. 3 Agustus 2013
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
DAFTAR ISI
SUSUNAN DEWAN REDAKSI JELIKU ............................................................................................ i
DAFTAR ISI ....................................................................................................................................... iii
PERANCANGAN SISTEM INFORMASI MOBILE SALES FORCE AUTOMATION (SFA) PT.
ASTRA INTERNASIONAL TBK. –HONDA
Ni Made Dwi Arnita, Agus Muliantara ............................................................................................. 1
PENGENALAN POLA BREAST CANCER MENGGUNAKAN ALGORITMA NGUYEN
WIDROW BACKPROPAGATION
I Gst Ag Indra Arthana, Agus Muliantara ..................................................................................... 11
PENERAPAN QUEUE TREE PADA ROUTER MIKROTIK DALAM MANAJEMEN BANDWITH
I Putu Ery Handika dan I Komang Ari Mogi ................................................................................. 16
PERANCANGAN SISTEM INFORMASI KEANEKARAGAMAN HAYATI DI PT. PERTAMINA
DEPOT PENGISIAN PESAWAT UDARA (DPPU) NGURAH RAI
I Gusti Putu Deviara Putra, I.B Made Mahendra .......................................................................... 25
IMPLEMENTASI SISTEM OPERASI ROUTER MIKROTIK SEBAGAI PROXY SERVER
BERBASIS TRANSPARENT PROXY
I Putu Iyasa Pringgagada Pecut, I Made Widhi Wirawan ............................................................ 33
PURWARUPA APLIKASI MESIN PENCARI REFERENSI
I Putu Sutria Narada, Agus Muliantara, Ida Bagus Dwidasmara ................................................ 42
IMPLEMENTASI BANDWIDTH MANAGEMENT PADA PENGALOKASIAN HOTSPOT DI
FAKULTAS HUKUM UNIVERSITAS UDAYANA
I Made Yuda Prasetia, I Made Widhi Wirawan, I Dewa Made Bayu Atmaja Darmawan ......... 51
PERANCANGAN SISTEM TRACER STUDY
PARIWISATA UNIVERSITAS UDAYANA
BERBASIS
WEB
PADA
FAKULTAS
Luh Sukma Widiasari, Ngurah Widyatmaja .................................................................................. 59
PERANCANGAN DAN IMPLEMENTASI APLIKASI KLASIFIKASI PENYAKIT DIABETES
DENGAN METODE NAÏVE BAYES
Putu Gerhans Prawira Risnawan, Ngurah Agus Sanjaya ER, I Made Widiartha ..................... 68
IMPLEMENTASI SPLIT DNS DENGAN MENGGUNAKAN BIND9 DALAM MEMBANGUN
SISTEM CONTENT DELIVERY NETWORK
I Made Yoga Sattwika Darma
, I Made Widhi Wirawan, I Dewa Made Bayu Atmaja Darmawan .............................................. 73
PERANCANGAN SISTEM INFORMASI SALES ACTIVITY PT. ASTRA INTERNATIONAL
TBK. - HONDA
I Wayan Angga Pratama, Ida Bagus Gede Dwidasmara ............................................................... 78
ANALISIS MANAJEMEN BANDWIDTH UNTUK MEMBERIKAN LAYANAN SECARA ADIL
TERHADAP PENGGUNA DENGAN MENGGUNKAN METODE ANTRIAN HTB DAN
METODE ANTRIAN PCQ PADA MIKROTIK
iii
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
I Made Bayu Adi Utama, I Dewa Made Bayu Atmaja Darmawan .............................................. 88
PENGENALAN WICARA KARAKTER INDONESIA MENGGUNAKAN HIDDEN MARKOV
MODEL
I Wayan Adi Juliawan Pawana ........................................................................................................ 96
IDENTIFIKASI KEKURANGAN UNSUR HARA PADA TANAMAN JAGUNG DENGAN
METODE JARINGAN SARAF TIRUAN LEARNING VECTOR QUANTIZATION
Adinda Prisila Permatasari, Luh Gede Astuti, I Gede Santi Astawa.......................................... 101
ANALISA KINERJA ROUTING MENGGUNAKAN ROUTING INFORMATION PROTOCOL
(rip) DAN OPEN SHORTEST PATH FIRST (OSPF)
A.A.Sagung Istri Candra Padmasari ........................................................................................... 1010
iv
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
PENGENALAN POLA BREAST CANCER MENGGUNAKAN ALGORITMA NGUYEN
WIDROW BACKPROPAGATION
I Gst Ag Indra Arthana1, Agus Muliantara2
Program Studi Teknik Informatika,
Jurusan Ilmu Komputer,
Fakultas Matematika Dan Ilmu Pengetahuan Alam,
Universitas Udayana
Email : indra.arthana@cs.unud.ac.id1, muliantara@cs.unud.ac.id2
ABSTRAK
Kanker payudara adalah penyakit penyebab kematian wanita kedua di dunia. Untuk
mendeteksi kanker payudara butuh pengetahuan dokter. Disamping itu kadangkala tidak tepat
sehingga pasien butuh second opinion. Salah satu cara untuk mendapatkan second opinion adalah
dengan menanyakannya kepada dokter lain sehingga informasi bisa lebih jelas. Untuk mempersingkat
proses penentuan kanker payudara, dapat dilakukan oleh system dengan menggunakan jaringan saraf
tiruan. Salah satu cabang dari jaringan saraf tiruan adalah backpropagation.
Algoritma Bacpropagation mengadaptasi bagaimana otak manusia bekerja dengan memproses
suatu masalah hingga mendapat hasil dengan mengupdate nilai dari masing – masing sinapsisnya.
Backpropagation mampu mengenali pola dari dataset yang telah ada. Dataset ini akan dipelajari oleh
Backpropagation sehinnga dapat memberikan keputusan untuk data baru yang akan diinputkan.
Backpropagation dapat digunakan untuk mendeteksi penyakit contohnya kanker payudara. Dataset
kanker payudara terdiri dari 9 atribut yang merupakan input ke Backpropagation.
Output dari backpropagation akan dibagi menjadi 2 kelas yaitu kelas benign, dan kelas
malignant. Maksimum iterasi yang digunakan adalah 10000 dengan toleransi kesalahan 0.1. Setelah
dilakukan proses pengenalan dan evaluasi didapatkanlah nilai akurasi 92%.
Kata Kunci: Jaringan saraf tiruan, backpropagation, Wisconsin breast cancer, eror, iterasi.
ABSTRACT
Breast cancer is the second leading causes of death of women in the world. To detect breast
cancer, physicians need knowledge. Besides, sometimes the result is inaccurate so patients need a
second opinion. One way is to get a second opinion is by checking with another doctor so the
information can be more clear. To shorten the process of determining breast cancer, can be
performed by the system by using artificial neural networks. One branch of artificial neural network
is backpropagation.
Backpropagation algorithm adapts how the human brain works by processing a problem to
get the result by updating the value of each neuron. Backpropagation is able to recognize the pattern
of existing datasets. This dataset will be learned by the Backpropagation until it can provide the
decision for new data to be entered. Backpropagation can be used to detect breast cancer. Breast
cancer dataset consists of 9 attributes that are inputs to the Backpropagation.
The output of the backpropagation will be divided into two classes, namely classes benign
and malignant classes. Maximum iterations used is 10000 with fault tolerance 0.1. After the learning
and evaluation process value obtained 92% accuracy.
Keyword: Artificial neural network, backpropagation, Wisconsin breast cancer, error, iteration.
11
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
1
JELIKU Vol 2 No. 3 Agustus 2013
Bobot awal akan mempengaruhi
apakah jaringan mencapai titik minimum lokal
(local minimum) atau global dan seberapa
cepat
konvergensinya.
Bobot
yang
menghasilkan nilai turunan aktivasi yang kecil
sedapat mungkin dihindari karena akan
menyebabkan perubahan bobotnya menjadi
sangat kecil. Demikian pula nilai bobot awal
tidak boleh terlalu besar karena nilai turunan
fungsi aktivasinya menjadi sangat kecil juga.
Oleh
karena
itu
dalam
“Standar
backpropagation”, bobot dan bias diisi dengan
bilangan acak kecil.
Nguyen
dan
Widrow
(1990)
mengusulkan cara membuat inisialisasi bobot
dan bias ke unit tersembunyi sehingga
meghasilkan iterasi lebih cepat (Zamani dkk.,
2012). Oleh karana itu, pada penelitian ini
dilakukan optimasi pencarian bobot random
pada jaringan syaraf tiruan backpropagation
dengan metode nguyen widrow untuk
melakukan
klasifikasi
data
dengan
meminimalkan waktu iterasi.
Pada penelitian ini penulis akan
mengimplementasikan
nguyen
widrow
bacpropagation.
PENDAHULUAN
Kanker payudara adalah jenis kanker
paling umum yang diderita kaum wanita.
Hingga saat ini, salah satu cara pengobatan
yang umum dilakukan adalah dengan
pembedahan dan jika perlu dilanjutkan dengan
kemoterapi
maupun
radiasi.
Namun
pengobatan tersebut tidak akan memberikan
dampak yang signifikan jika kankernya sudah
mencapai stadium akhir. Oleh karena itu
apabila penyakit ini dapat dideteksi lebih awal,
dampak buruk yang mungkin ditimbulkan oleh
kanker payudara dapat dicegah.
Untuk deteksi awal kanker payudara
dapat dibantu dengan menggunakan AI
(Artificial
Intelligence)
agar
dapat
mendapatkan hasil yang cepat dan akurat.
Salah satu cabang dari AI (Artificia l
Intelligence) adalah apa yang dikenal dengan
Jaringan Saraf Tiruan (Artificial Neural
Network). Jaringan saraf tiruan merupakan
salah satu sistem pemrosesan informasi yang
didesain dengan menirukan cara kerja otak
manusia dalam menyelesaikan suatu masalah
dengan melakukan proses belajar melalui
perubahan bobot sinapsisnya. Jaringan saraf
tiruan mampu melakukan pengenalan kegiatan
berbasis data masa lalu. Data masa lalu akan
dipelajari oleh jaringan saraf tiruan sehingga
mempunyai kemampuan untuk memberikan
keputusan terhadap data yang belum pernah
dipelajari. Dalam analisis ini dicoba untuk
dipelajari dan dicoba penerapannya didalam
bidang kesehatan yaitu pada kanker payudara.
Usaha
manusia
dalam
mengembangkan suatu sistem yang meniru
kemampuan dan perilaku makhluk hidup telah
berlangsung
selama
beberapa
decade
belakangan ini. Jaringan saraf tiruan (JST),
merupakan hasil perkembangan ilmu dan
teknologi yang kini sedang berkembang pesat.
JST yang berupa susunan sel-sel saraf tiruan
(neuron ) dibangun berdasarkan prinsip-prinsip
organisasi otak manusia. Perhatian yang besar
pada JST disebabkan adanya keunggulan yang
dimilikinya seperti kemampuan untuk belajar,
komputasi
paralel,
kemampuan
untuk
memodelkan fungsi nonlinier dan sifat fault
tolerance.
2
METODOLOGI
Metode dalam penelitian ini adalah
algoritma backpropagation yang telah di
enhance dengan algoritma nguyen widrow.
Dan dataset yang digunakan adalah dataset
kanker payudara.
2.1 Datasets
Pada penelitian ini dataset yang
digunakan adalah dataset Wisconsin Breast
Cancer . Dataset ini berasal dari University of
Wisconsin Hospitals, Madison dari Dr.
William H. Wolberg [1]. Dataset ini berisi 699
data yang terdiri dari 458 kanker jinak dan 241
kanker ganas. Atribut dari masing – masing
data ada 9 yaitu Clump Thickness, Uniformity
of Cell Size, Uniformity of Cell Shape,
Marginal Adhesion, Single Epithelial Cell
Size, Bare Nuclei, Bland Chromatin, Normal
Nucleoli, Mitoses.
12
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
Berikutnya, keluaran jaringan (yk)
dibandingkan dengan target yang harus dicapai
(tk). Selisih tk – yk adalah kesalahan yang
terjadi. Jika kesalahan ini lebih kecil dari batas
toleransi yang ditentukan, maka iterasi
dihentikan. Jika kesalahan masih lebih besar
dari batas toleransi, maka bobot setiap garis
dari jaringan akan dimodifikasi untuk
mengurangi kesalahan
Berdasarkan kesalahan tk – yk dihitung
faktor δk yang dipakai untuk mendistribusikan
kesalahan di unit yk ke semua unit tersembunyi
yang terhubung langsung dengan yk. δk juga
dipakai untuk mengubah bobot garis yang
berhubungan langsung dengan unit keluaran.
Dengan cara yang sama, dihitung
faktor δk di setiap layer tersembunyi sebagai
dasar perubahan bobot semua garis yang
berasal dari unit tersembunyi di layer di
bawahnya. Dan seterusnya hingga semua
faktor δ di unit tersembunyi yang terhubung
langsung dengan unit masukan dihitung.
Setelah semua faktor δ dihitung, bobot
semua
garis
dimodifikasi
bersamaan.
Perubahan bobot suatu garis didasarkan atas
faktor δ neuron di layer atasnya.
Ketiga fase tersebut diulang-ulang
hingga
kondisi
penghentian
dipenuhi.
Umumnya kondisi penghentian yang sering
dipakai adalah jumlah interasi atau kesalahan.
Iterasi akan dihentikan jika jumlah iterasi yang
dilakukan sudah melebihi jumlah maksimum
iterasi yang ditetapkan, atau jika kesalahan
yang terjadi sudah lebih kecil dari batas
toleransi yang ditetapkan.
Algoritma
backpropagation
(Kusumadewi, 2003):
a. Inisialisasi bobot dilakukan dengan cara
mengambil bobot awal dengan nilai
random yang cukup kecil.
b. Langkah-langkah
berikut
dikerjakan
selama kondisi berhenti bernilai FALSE
1. Untuk tiap-tiap pasangan elemen yang
akan dilakukan pembelajaran, maka
dilakukan langkah-langkah berikut:
Feed forward:
a. Tiap-tiap
unit
input
(xi,
i=1,2,3,….,n) menerima sinyal xi
dan meneruskan sinyal tersebut ke
2.2 Backpropagation
Backpropagation
merupakan
algoritma pembelajaran yang terawasi dan
biasanya digunakan oleh perceptron dengan
banyak lapisan untuk mengubah bobot-bobot
yang terhubung dengan neuron-neuron yang
ada pada lapisan tersembunyinya. Algoritma
backpropagation menggunakan error output
untuk mrngubah nilai bobot-bobotnya dalam
arah mundur (backwa rd ). Untuk mendapatkan
error ini, tahap perambatan maju (forwa rd
propagation ) harus dikerjakan terlebih dahulu.
Pada saat perambatan maju, neuron-neuron
diaktifkan dengan menggunakan fungsi
aktivasi sigmoid (Kusumadewi, 2003).
f (x) =
Dimana :
e : bilangan exponensial
x : inputan ke sinapsis
JELIKU Vol 2 No. 3 Agustus 2013
+ −�
Arsitektur jaringan backpropagation seperti
dilihat pada gambar 1.
Gambar 1. arsitektur jaringan backpropagation
[3]
Selama perambatan maju, sinyal
masukan (x1) diperambatankan ke layer
tersembunyi menggunakan fungsi aktivasi
yang ditentukan. Keluaran dari unit
tersembuyi
(Zj)
tersebut
selanjutnya
diperambatan maju lagi ke layer tersembunyi
berikutnya dengan fungsi aktivasi yang telah
ditentukan.
Dan
seterusnya
hingga
menghasilkan keluaran jaringan (yk).
13
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
b.
c.
d.
e.
JELIKU Vol 2 No. 3 Agustus 2013
Kalikan nilai ini dengan turunan
dari funssi aktivasinya untuk
menghitung informasi error
δj=
δ_
inj
f(z_in j)……………………(8)
Kemudian hitung koreksi bobot
(yang nantinya akan digunakan
untuk memperbaiki nilai v)
∆vjk=αδjxi………………………
…..(9)
Hitung juga koreksi bias (yang
nantinya akan digunakan untuk
memperbaiki nilai v)
∆v0j=αδj…………………………
…(10)
f. Tiap-tiap
unit
output
(yk,
k=1,2,3,….,m) memperbaiki bias
dan bobotnya (j=0,1,2,…p)
wjk (baru)= wjk (lama) +
∆vjk……(11)
Tiap-tiap unit tersembunyi (zj,
j=1,2,3,…..p) memperbaiki bias
dan bobotnya (i=0,1,2,…,n)
vij
(baru)=
vij
(lama)
+
∆vij………..(12)
2. Tes
kondisi
berhenti.
Apakah
maksimum iterasi atau minimum eror
terpenuhi.
semua unit pada lapisan yang ada
di atasnya (lapisan tersembunyi).
Tiap-tiap unit tersembunyi (zj,
j=1,2,3,….p)
menjumlahkan
sinyal-sinyal input terbobot:
∑=
z_in j
=
v0j
+
xivij……………(1)
Gunakan fungsi aktivasi untuk
menghitung sinyal outputnya:
zj
=
f(z_in j)
…………………………(2)
Dan kirimkan sinyal tersebut ke
semua unit di lapisan atasnya
(unit-unit output).
Tiap-tiap
unit
output
(yk,
k=1,2,3,….,m)
menjumlahkan
sinyal-sinyal input terbobot.
∑�=
y_in k
=
w0k
+
zi wjk………….(3)
Gunakan fungsi aktivasi untuk
menghitung sinyal outputnya:
yk=
f(y_in k)………………………….(
4)
Dan kirimkan sinyal tersebut ke
semua unit di lapisan atasnya
(unit-unit output).
Tiap-tiap
unit
output
(yk,
k=1,2,3,….,m) menerima target
pola yang berhubungan dengan
pola input pembelajaran, hitung
informasi erornya:
δk
=
(tk-yk)
f’(y_ink)…………………(5)
Kemudian hitung koreksi bobot
(yang nantinya akan digunakan
untuk memperbaiki nilai wjk).
∆wjk
=
αδkzj…………………………(6)
Hitung juga koreksi bias (yang
nantinya akan digunakan untuk
memperbaiki nilai W0k)
∆W0k=αδk………………………
……(7)
Kirimkan δk ini ke unit yang ada
dilapisan bawahnya.
Tiap-tiap unit tersembunyi (zj,
j=1,2,3,…..p) menjumlahkan delta
inputnya (dari unit-unit yang
berada pada lapisan di atasnya.
2.3 Nguyen Widrow
Nguyen
dan
Widrow
(1990)
mengusulkan cara membuat inisialisasi bobot
dan bias ke unit tersembunyi sehingga
meghasilkan iterasi lebih cepat. Misalkan, n =
jumlah unit masukan, p = jumlah unit
tersembunyi, dan β = faktor skala = 0,7 �√ .
Algoritma inisialisasi Nguyen-Widrow adalah
sbb:
1. Inisialisasi semua bobot (v (lama)) dengan
ij
bilangan acak dalam interval [-0,5: 0,5]
2.
Hitung
‖ ‖=
+
√
+ ⋯+
………..(13)
3. Bobot yang dipakai sebagai inisialisasi
=
�
‖
‖
…………………………….(14)
4. Bias yang dipakai sebagai inisialiasasi v =
bilangan acak antara –β dan β
14
0j
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
yang
diperoleh
dengan
algoritma
backpropagation dengan hasil yang ada di
dataset yang diujikan. Setelah dilakukan
pengujian, hasilnya akan dievaluasi dengan
akurasi dan waktu komputasinya. Akurasi
dapat dihitung dengan jumlah data yang benar
dibagi dengan total data yang diujikan.
Sedangkan waktu komputasi dihitung berapa
lama
algoritma
bacpropagation
dapat
menghitung hasilnya.
2.4 Flowchart Backpropagation
Adapun alur kerja yang dilakukan
dalam penelitian ini adalah sebagai berikut:
Gambar 2. Flowchart Training
Pada proses training data diinputkan
ke dalam sistem. Setelah data diinputkan
sistem akan menginisialisasi bobot awal dari
setiap inputan dan bias dengan menggunakan
algoritma nguyen widrow. Hitung nilai pada
setiap layer dan gunakan fungsi aktivasi
sigmoid untuk menentukan outputnya.
Selanjutnya hitung eror pada outputnya. Bila
eror sudah dibawah toleransi eror atau epoh
sudah mencapai maksimum epoh maka simpan
bobot dan tampilkan hasilnya. Bila belum
memenuhi kriteria maka lakukan proses
update bobot dan ulangi proses hitung nilai
pada setiap layer.
Pada proses testing bobot yang
digunakan adalah bobot hasil dari proses
training yang telah disimpan sebelumnya.
Proses pada testing hampir sama dengan
proses training hanya saja tidak terjadi proses
update bobot.
3
Gambar 3. Flowchart Testing
4
HASIL PENGUJIAN
Pada penelitian ini menggunakan
dataset wisconsin breast cancer dengan jumlah
maksimun iterasi 10000, jumlah hiden layer 7,
nilai belajar 0.7, dan nilai kesalahan 0.1. Pada
tabel 1, saat proses pembelajaran dataset diatur
secara acak antara kelas malignant dan benign
sehingga hasil dari pembelajaran dapat dengan
optimal
dilakukan
oleh
algoritma
backpropagation.
Dari tabel 3 dapat dilihat bahwa
akurasi
dari
backpropagation
dengan
penentuan bobot awal dengan nguyen widrow
lebih baik daripada algoritma backpropagation
tanpa nguyen widrow yaitu 92%.
SKENARIO UJI COBA
Pada
penelitian
ini
pengujian
dilakukan dengan membandingkan antara hasil
15
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
Tabel 3. Perbandingan antara Backpropagation
dan Nguyen Widrow Backprogation
No Metode
Bena Sala Akuras
.
r
h
i
(%)
1
Backpropagatio 79
21
79
n
2
Nguyen
92
8
92
Widrow
Backpropagatio
n
5
JELIKU Vol 2 No. 3 Agustus 2013
[5] Kumar, P. R., Murty, M. V. R., et al.
2008. Time Series Modeling Using
Artificial Neural Networks. Journal of
Theoretical and Applied Information
Technology, 4 (12), hal. 259-264.
[6] Kusumadewi, 2003. Artificial Intelligence
(Teknik dan Aplikasinya). Yogyakarta:
Graha Ilmu
[7] Mait, H. M. N. 2009. Jaringan Syaraf
Tiruan. Depok: Universitas Gunadarma.
[8] Subekti, R. M. 2010. Perbaikan Metode
Backpropagation untuk Pelatihan Jaringan
Syaraf Tiruan Multilayer. Tangerang:
P2TRR-Batan. Hal. 1-8.
[9] Zaman, A. M., Amaliah, B. dan Munif, A.
2012. Implementasi Algoritma Genetika
pada Struktur Backpropagation Neural
Network untuk Klasifikasi Kanker
Payudara. Jurnal Teknik ITS (1): 2012,
hal: 222-227.
KESIMPULAN
Melalui penelitian ini, dapat diketahui
dengan penambahan metode nguyen widrow
pada
inisialisasi
bobot
awal
dapat
mempercepat proses pembelajaran. Sehingga
hasil klasifikasi menggunakan algoritma
Baclpropagation menjadi lebih meningkat.
Akan
tetapi
tingkat
akurasi
dari
backpropagation masih mungkin dapat
ditingkatkan. Untuk penelitian selanjutnya
disarankan untuk mengembangkan penentuan
bobot awal dan jumlah hidden layer agar bisa
menghasilkan akurasi yang lebih baik.
DAFTAR PUSTAKA
[1] Ming, S. Hung, Shanker, Murali, Y. Hu,
Michael. Estimating Breast Cancer Risks
Using Neural Networks. Journal of
Operation Research society:2001, 52, hal:
1-10.
[2] Antara, I P. R., Sumarminingsih, E., dan
Handoyo, S. 2010. Model Jaringan Syaraf
Tiruan Backpropagation dengan Input
Berdasarkan Model Regresi Terbaik.
Malang: Universitas Brawijaya.
[3] Dhaneswara, G. dan Moertini, V. S. 2004.
Jaringan Saraf Tiruan Propagasi Balik
untuk Klasifikasi Data. Integral, FMIPA
Unpar, (9):3, hal. 1-11.
[4] Kiki, S. K. 2004. Analisis Jaringan Saraf
Tiruan dengan Metode Backpropagation
untuk Mendeteksi Gangguan Psikologi.
Yogyakarta: Universitas Islam Indonesia.
16
JELIKU Vol 2 No. 3 Agustus 2013
SUSUNAN DEWAN REDAKSI JELIKU
KETUA
AGUS MULIANTARA, S.KOM, M.KOM
PENYUNTING
DRA. LUH GEDE ASTUTI, M.KOM
NGURAH AGUS SANJAYA E.R., S.KOM, M.KOM
IDA BAGUS MAHENDRA, S.KOM, M.KOM
IDA BAGUS GEDE DWIDASMARA, S.KOM, M.CS
PELAKSANA
I KETUT GEDE SUHARTANA, S.KOM., M.KOM
I GEDE SANTI ASTAWA, S.T., M.CS
I MADE WIDIARTHA, S.SI., M.KOM
ALAMAT REDAKSI
JURUSAN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS UDAYANA
KAMPUS BUKIT JIMBARAN – BADUNG
TELEPON : 0361 – 701805
EMAIL : JELIKU@CS.UNUD.AC.ID
WEBSITE : WWW.CS.UNUD.AC.ID
i
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
[halaman ini sengaja dikosongkan]
ii
JELIKU Vol 2 No. 3 Agustus 2013
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
DAFTAR ISI
SUSUNAN DEWAN REDAKSI JELIKU ............................................................................................ i
DAFTAR ISI ....................................................................................................................................... iii
PERANCANGAN SISTEM INFORMASI MOBILE SALES FORCE AUTOMATION (SFA) PT.
ASTRA INTERNASIONAL TBK. –HONDA
Ni Made Dwi Arnita, Agus Muliantara ............................................................................................. 1
PENGENALAN POLA BREAST CANCER MENGGUNAKAN ALGORITMA NGUYEN
WIDROW BACKPROPAGATION
I Gst Ag Indra Arthana, Agus Muliantara ..................................................................................... 11
PENERAPAN QUEUE TREE PADA ROUTER MIKROTIK DALAM MANAJEMEN BANDWITH
I Putu Ery Handika dan I Komang Ari Mogi ................................................................................. 16
PERANCANGAN SISTEM INFORMASI KEANEKARAGAMAN HAYATI DI PT. PERTAMINA
DEPOT PENGISIAN PESAWAT UDARA (DPPU) NGURAH RAI
I Gusti Putu Deviara Putra, I.B Made Mahendra .......................................................................... 25
IMPLEMENTASI SISTEM OPERASI ROUTER MIKROTIK SEBAGAI PROXY SERVER
BERBASIS TRANSPARENT PROXY
I Putu Iyasa Pringgagada Pecut, I Made Widhi Wirawan ............................................................ 33
PURWARUPA APLIKASI MESIN PENCARI REFERENSI
I Putu Sutria Narada, Agus Muliantara, Ida Bagus Dwidasmara ................................................ 42
IMPLEMENTASI BANDWIDTH MANAGEMENT PADA PENGALOKASIAN HOTSPOT DI
FAKULTAS HUKUM UNIVERSITAS UDAYANA
I Made Yuda Prasetia, I Made Widhi Wirawan, I Dewa Made Bayu Atmaja Darmawan ......... 51
PERANCANGAN SISTEM TRACER STUDY
PARIWISATA UNIVERSITAS UDAYANA
BERBASIS
WEB
PADA
FAKULTAS
Luh Sukma Widiasari, Ngurah Widyatmaja .................................................................................. 59
PERANCANGAN DAN IMPLEMENTASI APLIKASI KLASIFIKASI PENYAKIT DIABETES
DENGAN METODE NAÏVE BAYES
Putu Gerhans Prawira Risnawan, Ngurah Agus Sanjaya ER, I Made Widiartha ..................... 68
IMPLEMENTASI SPLIT DNS DENGAN MENGGUNAKAN BIND9 DALAM MEMBANGUN
SISTEM CONTENT DELIVERY NETWORK
I Made Yoga Sattwika Darma
, I Made Widhi Wirawan, I Dewa Made Bayu Atmaja Darmawan .............................................. 73
PERANCANGAN SISTEM INFORMASI SALES ACTIVITY PT. ASTRA INTERNATIONAL
TBK. - HONDA
I Wayan Angga Pratama, Ida Bagus Gede Dwidasmara ............................................................... 78
ANALISIS MANAJEMEN BANDWIDTH UNTUK MEMBERIKAN LAYANAN SECARA ADIL
TERHADAP PENGGUNA DENGAN MENGGUNKAN METODE ANTRIAN HTB DAN
METODE ANTRIAN PCQ PADA MIKROTIK
iii
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
I Made Bayu Adi Utama, I Dewa Made Bayu Atmaja Darmawan .............................................. 88
PENGENALAN WICARA KARAKTER INDONESIA MENGGUNAKAN HIDDEN MARKOV
MODEL
I Wayan Adi Juliawan Pawana ........................................................................................................ 96
IDENTIFIKASI KEKURANGAN UNSUR HARA PADA TANAMAN JAGUNG DENGAN
METODE JARINGAN SARAF TIRUAN LEARNING VECTOR QUANTIZATION
Adinda Prisila Permatasari, Luh Gede Astuti, I Gede Santi Astawa.......................................... 101
ANALISA KINERJA ROUTING MENGGUNAKAN ROUTING INFORMATION PROTOCOL
(rip) DAN OPEN SHORTEST PATH FIRST (OSPF)
A.A.Sagung Istri Candra Padmasari ........................................................................................... 1010
iv
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
PENGENALAN POLA BREAST CANCER MENGGUNAKAN ALGORITMA NGUYEN
WIDROW BACKPROPAGATION
I Gst Ag Indra Arthana1, Agus Muliantara2
Program Studi Teknik Informatika,
Jurusan Ilmu Komputer,
Fakultas Matematika Dan Ilmu Pengetahuan Alam,
Universitas Udayana
Email : indra.arthana@cs.unud.ac.id1, muliantara@cs.unud.ac.id2
ABSTRAK
Kanker payudara adalah penyakit penyebab kematian wanita kedua di dunia. Untuk
mendeteksi kanker payudara butuh pengetahuan dokter. Disamping itu kadangkala tidak tepat
sehingga pasien butuh second opinion. Salah satu cara untuk mendapatkan second opinion adalah
dengan menanyakannya kepada dokter lain sehingga informasi bisa lebih jelas. Untuk mempersingkat
proses penentuan kanker payudara, dapat dilakukan oleh system dengan menggunakan jaringan saraf
tiruan. Salah satu cabang dari jaringan saraf tiruan adalah backpropagation.
Algoritma Bacpropagation mengadaptasi bagaimana otak manusia bekerja dengan memproses
suatu masalah hingga mendapat hasil dengan mengupdate nilai dari masing – masing sinapsisnya.
Backpropagation mampu mengenali pola dari dataset yang telah ada. Dataset ini akan dipelajari oleh
Backpropagation sehinnga dapat memberikan keputusan untuk data baru yang akan diinputkan.
Backpropagation dapat digunakan untuk mendeteksi penyakit contohnya kanker payudara. Dataset
kanker payudara terdiri dari 9 atribut yang merupakan input ke Backpropagation.
Output dari backpropagation akan dibagi menjadi 2 kelas yaitu kelas benign, dan kelas
malignant. Maksimum iterasi yang digunakan adalah 10000 dengan toleransi kesalahan 0.1. Setelah
dilakukan proses pengenalan dan evaluasi didapatkanlah nilai akurasi 92%.
Kata Kunci: Jaringan saraf tiruan, backpropagation, Wisconsin breast cancer, eror, iterasi.
ABSTRACT
Breast cancer is the second leading causes of death of women in the world. To detect breast
cancer, physicians need knowledge. Besides, sometimes the result is inaccurate so patients need a
second opinion. One way is to get a second opinion is by checking with another doctor so the
information can be more clear. To shorten the process of determining breast cancer, can be
performed by the system by using artificial neural networks. One branch of artificial neural network
is backpropagation.
Backpropagation algorithm adapts how the human brain works by processing a problem to
get the result by updating the value of each neuron. Backpropagation is able to recognize the pattern
of existing datasets. This dataset will be learned by the Backpropagation until it can provide the
decision for new data to be entered. Backpropagation can be used to detect breast cancer. Breast
cancer dataset consists of 9 attributes that are inputs to the Backpropagation.
The output of the backpropagation will be divided into two classes, namely classes benign
and malignant classes. Maximum iterations used is 10000 with fault tolerance 0.1. After the learning
and evaluation process value obtained 92% accuracy.
Keyword: Artificial neural network, backpropagation, Wisconsin breast cancer, error, iteration.
11
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
1
JELIKU Vol 2 No. 3 Agustus 2013
Bobot awal akan mempengaruhi
apakah jaringan mencapai titik minimum lokal
(local minimum) atau global dan seberapa
cepat
konvergensinya.
Bobot
yang
menghasilkan nilai turunan aktivasi yang kecil
sedapat mungkin dihindari karena akan
menyebabkan perubahan bobotnya menjadi
sangat kecil. Demikian pula nilai bobot awal
tidak boleh terlalu besar karena nilai turunan
fungsi aktivasinya menjadi sangat kecil juga.
Oleh
karena
itu
dalam
“Standar
backpropagation”, bobot dan bias diisi dengan
bilangan acak kecil.
Nguyen
dan
Widrow
(1990)
mengusulkan cara membuat inisialisasi bobot
dan bias ke unit tersembunyi sehingga
meghasilkan iterasi lebih cepat (Zamani dkk.,
2012). Oleh karana itu, pada penelitian ini
dilakukan optimasi pencarian bobot random
pada jaringan syaraf tiruan backpropagation
dengan metode nguyen widrow untuk
melakukan
klasifikasi
data
dengan
meminimalkan waktu iterasi.
Pada penelitian ini penulis akan
mengimplementasikan
nguyen
widrow
bacpropagation.
PENDAHULUAN
Kanker payudara adalah jenis kanker
paling umum yang diderita kaum wanita.
Hingga saat ini, salah satu cara pengobatan
yang umum dilakukan adalah dengan
pembedahan dan jika perlu dilanjutkan dengan
kemoterapi
maupun
radiasi.
Namun
pengobatan tersebut tidak akan memberikan
dampak yang signifikan jika kankernya sudah
mencapai stadium akhir. Oleh karena itu
apabila penyakit ini dapat dideteksi lebih awal,
dampak buruk yang mungkin ditimbulkan oleh
kanker payudara dapat dicegah.
Untuk deteksi awal kanker payudara
dapat dibantu dengan menggunakan AI
(Artificial
Intelligence)
agar
dapat
mendapatkan hasil yang cepat dan akurat.
Salah satu cabang dari AI (Artificia l
Intelligence) adalah apa yang dikenal dengan
Jaringan Saraf Tiruan (Artificial Neural
Network). Jaringan saraf tiruan merupakan
salah satu sistem pemrosesan informasi yang
didesain dengan menirukan cara kerja otak
manusia dalam menyelesaikan suatu masalah
dengan melakukan proses belajar melalui
perubahan bobot sinapsisnya. Jaringan saraf
tiruan mampu melakukan pengenalan kegiatan
berbasis data masa lalu. Data masa lalu akan
dipelajari oleh jaringan saraf tiruan sehingga
mempunyai kemampuan untuk memberikan
keputusan terhadap data yang belum pernah
dipelajari. Dalam analisis ini dicoba untuk
dipelajari dan dicoba penerapannya didalam
bidang kesehatan yaitu pada kanker payudara.
Usaha
manusia
dalam
mengembangkan suatu sistem yang meniru
kemampuan dan perilaku makhluk hidup telah
berlangsung
selama
beberapa
decade
belakangan ini. Jaringan saraf tiruan (JST),
merupakan hasil perkembangan ilmu dan
teknologi yang kini sedang berkembang pesat.
JST yang berupa susunan sel-sel saraf tiruan
(neuron ) dibangun berdasarkan prinsip-prinsip
organisasi otak manusia. Perhatian yang besar
pada JST disebabkan adanya keunggulan yang
dimilikinya seperti kemampuan untuk belajar,
komputasi
paralel,
kemampuan
untuk
memodelkan fungsi nonlinier dan sifat fault
tolerance.
2
METODOLOGI
Metode dalam penelitian ini adalah
algoritma backpropagation yang telah di
enhance dengan algoritma nguyen widrow.
Dan dataset yang digunakan adalah dataset
kanker payudara.
2.1 Datasets
Pada penelitian ini dataset yang
digunakan adalah dataset Wisconsin Breast
Cancer . Dataset ini berasal dari University of
Wisconsin Hospitals, Madison dari Dr.
William H. Wolberg [1]. Dataset ini berisi 699
data yang terdiri dari 458 kanker jinak dan 241
kanker ganas. Atribut dari masing – masing
data ada 9 yaitu Clump Thickness, Uniformity
of Cell Size, Uniformity of Cell Shape,
Marginal Adhesion, Single Epithelial Cell
Size, Bare Nuclei, Bland Chromatin, Normal
Nucleoli, Mitoses.
12
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
Berikutnya, keluaran jaringan (yk)
dibandingkan dengan target yang harus dicapai
(tk). Selisih tk – yk adalah kesalahan yang
terjadi. Jika kesalahan ini lebih kecil dari batas
toleransi yang ditentukan, maka iterasi
dihentikan. Jika kesalahan masih lebih besar
dari batas toleransi, maka bobot setiap garis
dari jaringan akan dimodifikasi untuk
mengurangi kesalahan
Berdasarkan kesalahan tk – yk dihitung
faktor δk yang dipakai untuk mendistribusikan
kesalahan di unit yk ke semua unit tersembunyi
yang terhubung langsung dengan yk. δk juga
dipakai untuk mengubah bobot garis yang
berhubungan langsung dengan unit keluaran.
Dengan cara yang sama, dihitung
faktor δk di setiap layer tersembunyi sebagai
dasar perubahan bobot semua garis yang
berasal dari unit tersembunyi di layer di
bawahnya. Dan seterusnya hingga semua
faktor δ di unit tersembunyi yang terhubung
langsung dengan unit masukan dihitung.
Setelah semua faktor δ dihitung, bobot
semua
garis
dimodifikasi
bersamaan.
Perubahan bobot suatu garis didasarkan atas
faktor δ neuron di layer atasnya.
Ketiga fase tersebut diulang-ulang
hingga
kondisi
penghentian
dipenuhi.
Umumnya kondisi penghentian yang sering
dipakai adalah jumlah interasi atau kesalahan.
Iterasi akan dihentikan jika jumlah iterasi yang
dilakukan sudah melebihi jumlah maksimum
iterasi yang ditetapkan, atau jika kesalahan
yang terjadi sudah lebih kecil dari batas
toleransi yang ditetapkan.
Algoritma
backpropagation
(Kusumadewi, 2003):
a. Inisialisasi bobot dilakukan dengan cara
mengambil bobot awal dengan nilai
random yang cukup kecil.
b. Langkah-langkah
berikut
dikerjakan
selama kondisi berhenti bernilai FALSE
1. Untuk tiap-tiap pasangan elemen yang
akan dilakukan pembelajaran, maka
dilakukan langkah-langkah berikut:
Feed forward:
a. Tiap-tiap
unit
input
(xi,
i=1,2,3,….,n) menerima sinyal xi
dan meneruskan sinyal tersebut ke
2.2 Backpropagation
Backpropagation
merupakan
algoritma pembelajaran yang terawasi dan
biasanya digunakan oleh perceptron dengan
banyak lapisan untuk mengubah bobot-bobot
yang terhubung dengan neuron-neuron yang
ada pada lapisan tersembunyinya. Algoritma
backpropagation menggunakan error output
untuk mrngubah nilai bobot-bobotnya dalam
arah mundur (backwa rd ). Untuk mendapatkan
error ini, tahap perambatan maju (forwa rd
propagation ) harus dikerjakan terlebih dahulu.
Pada saat perambatan maju, neuron-neuron
diaktifkan dengan menggunakan fungsi
aktivasi sigmoid (Kusumadewi, 2003).
f (x) =
Dimana :
e : bilangan exponensial
x : inputan ke sinapsis
JELIKU Vol 2 No. 3 Agustus 2013
+ −�
Arsitektur jaringan backpropagation seperti
dilihat pada gambar 1.
Gambar 1. arsitektur jaringan backpropagation
[3]
Selama perambatan maju, sinyal
masukan (x1) diperambatankan ke layer
tersembunyi menggunakan fungsi aktivasi
yang ditentukan. Keluaran dari unit
tersembuyi
(Zj)
tersebut
selanjutnya
diperambatan maju lagi ke layer tersembunyi
berikutnya dengan fungsi aktivasi yang telah
ditentukan.
Dan
seterusnya
hingga
menghasilkan keluaran jaringan (yk).
13
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
b.
c.
d.
e.
JELIKU Vol 2 No. 3 Agustus 2013
Kalikan nilai ini dengan turunan
dari funssi aktivasinya untuk
menghitung informasi error
δj=
δ_
inj
f(z_in j)……………………(8)
Kemudian hitung koreksi bobot
(yang nantinya akan digunakan
untuk memperbaiki nilai v)
∆vjk=αδjxi………………………
…..(9)
Hitung juga koreksi bias (yang
nantinya akan digunakan untuk
memperbaiki nilai v)
∆v0j=αδj…………………………
…(10)
f. Tiap-tiap
unit
output
(yk,
k=1,2,3,….,m) memperbaiki bias
dan bobotnya (j=0,1,2,…p)
wjk (baru)= wjk (lama) +
∆vjk……(11)
Tiap-tiap unit tersembunyi (zj,
j=1,2,3,…..p) memperbaiki bias
dan bobotnya (i=0,1,2,…,n)
vij
(baru)=
vij
(lama)
+
∆vij………..(12)
2. Tes
kondisi
berhenti.
Apakah
maksimum iterasi atau minimum eror
terpenuhi.
semua unit pada lapisan yang ada
di atasnya (lapisan tersembunyi).
Tiap-tiap unit tersembunyi (zj,
j=1,2,3,….p)
menjumlahkan
sinyal-sinyal input terbobot:
∑=
z_in j
=
v0j
+
xivij……………(1)
Gunakan fungsi aktivasi untuk
menghitung sinyal outputnya:
zj
=
f(z_in j)
…………………………(2)
Dan kirimkan sinyal tersebut ke
semua unit di lapisan atasnya
(unit-unit output).
Tiap-tiap
unit
output
(yk,
k=1,2,3,….,m)
menjumlahkan
sinyal-sinyal input terbobot.
∑�=
y_in k
=
w0k
+
zi wjk………….(3)
Gunakan fungsi aktivasi untuk
menghitung sinyal outputnya:
yk=
f(y_in k)………………………….(
4)
Dan kirimkan sinyal tersebut ke
semua unit di lapisan atasnya
(unit-unit output).
Tiap-tiap
unit
output
(yk,
k=1,2,3,….,m) menerima target
pola yang berhubungan dengan
pola input pembelajaran, hitung
informasi erornya:
δk
=
(tk-yk)
f’(y_ink)…………………(5)
Kemudian hitung koreksi bobot
(yang nantinya akan digunakan
untuk memperbaiki nilai wjk).
∆wjk
=
αδkzj…………………………(6)
Hitung juga koreksi bias (yang
nantinya akan digunakan untuk
memperbaiki nilai W0k)
∆W0k=αδk………………………
……(7)
Kirimkan δk ini ke unit yang ada
dilapisan bawahnya.
Tiap-tiap unit tersembunyi (zj,
j=1,2,3,…..p) menjumlahkan delta
inputnya (dari unit-unit yang
berada pada lapisan di atasnya.
2.3 Nguyen Widrow
Nguyen
dan
Widrow
(1990)
mengusulkan cara membuat inisialisasi bobot
dan bias ke unit tersembunyi sehingga
meghasilkan iterasi lebih cepat. Misalkan, n =
jumlah unit masukan, p = jumlah unit
tersembunyi, dan β = faktor skala = 0,7 �√ .
Algoritma inisialisasi Nguyen-Widrow adalah
sbb:
1. Inisialisasi semua bobot (v (lama)) dengan
ij
bilangan acak dalam interval [-0,5: 0,5]
2.
Hitung
‖ ‖=
+
√
+ ⋯+
………..(13)
3. Bobot yang dipakai sebagai inisialisasi
=
�
‖
‖
…………………………….(14)
4. Bias yang dipakai sebagai inisialiasasi v =
bilangan acak antara –β dan β
14
0j
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
JELIKU Vol 2 No. 3 Agustus 2013
yang
diperoleh
dengan
algoritma
backpropagation dengan hasil yang ada di
dataset yang diujikan. Setelah dilakukan
pengujian, hasilnya akan dievaluasi dengan
akurasi dan waktu komputasinya. Akurasi
dapat dihitung dengan jumlah data yang benar
dibagi dengan total data yang diujikan.
Sedangkan waktu komputasi dihitung berapa
lama
algoritma
bacpropagation
dapat
menghitung hasilnya.
2.4 Flowchart Backpropagation
Adapun alur kerja yang dilakukan
dalam penelitian ini adalah sebagai berikut:
Gambar 2. Flowchart Training
Pada proses training data diinputkan
ke dalam sistem. Setelah data diinputkan
sistem akan menginisialisasi bobot awal dari
setiap inputan dan bias dengan menggunakan
algoritma nguyen widrow. Hitung nilai pada
setiap layer dan gunakan fungsi aktivasi
sigmoid untuk menentukan outputnya.
Selanjutnya hitung eror pada outputnya. Bila
eror sudah dibawah toleransi eror atau epoh
sudah mencapai maksimum epoh maka simpan
bobot dan tampilkan hasilnya. Bila belum
memenuhi kriteria maka lakukan proses
update bobot dan ulangi proses hitung nilai
pada setiap layer.
Pada proses testing bobot yang
digunakan adalah bobot hasil dari proses
training yang telah disimpan sebelumnya.
Proses pada testing hampir sama dengan
proses training hanya saja tidak terjadi proses
update bobot.
3
Gambar 3. Flowchart Testing
4
HASIL PENGUJIAN
Pada penelitian ini menggunakan
dataset wisconsin breast cancer dengan jumlah
maksimun iterasi 10000, jumlah hiden layer 7,
nilai belajar 0.7, dan nilai kesalahan 0.1. Pada
tabel 1, saat proses pembelajaran dataset diatur
secara acak antara kelas malignant dan benign
sehingga hasil dari pembelajaran dapat dengan
optimal
dilakukan
oleh
algoritma
backpropagation.
Dari tabel 3 dapat dilihat bahwa
akurasi
dari
backpropagation
dengan
penentuan bobot awal dengan nguyen widrow
lebih baik daripada algoritma backpropagation
tanpa nguyen widrow yaitu 92%.
SKENARIO UJI COBA
Pada
penelitian
ini
pengujian
dilakukan dengan membandingkan antara hasil
15
Jurnal Elektronik Ilmu Komputer - Universitas Udayana
Tabel 3. Perbandingan antara Backpropagation
dan Nguyen Widrow Backprogation
No Metode
Bena Sala Akuras
.
r
h
i
(%)
1
Backpropagatio 79
21
79
n
2
Nguyen
92
8
92
Widrow
Backpropagatio
n
5
JELIKU Vol 2 No. 3 Agustus 2013
[5] Kumar, P. R., Murty, M. V. R., et al.
2008. Time Series Modeling Using
Artificial Neural Networks. Journal of
Theoretical and Applied Information
Technology, 4 (12), hal. 259-264.
[6] Kusumadewi, 2003. Artificial Intelligence
(Teknik dan Aplikasinya). Yogyakarta:
Graha Ilmu
[7] Mait, H. M. N. 2009. Jaringan Syaraf
Tiruan. Depok: Universitas Gunadarma.
[8] Subekti, R. M. 2010. Perbaikan Metode
Backpropagation untuk Pelatihan Jaringan
Syaraf Tiruan Multilayer. Tangerang:
P2TRR-Batan. Hal. 1-8.
[9] Zaman, A. M., Amaliah, B. dan Munif, A.
2012. Implementasi Algoritma Genetika
pada Struktur Backpropagation Neural
Network untuk Klasifikasi Kanker
Payudara. Jurnal Teknik ITS (1): 2012,
hal: 222-227.
KESIMPULAN
Melalui penelitian ini, dapat diketahui
dengan penambahan metode nguyen widrow
pada
inisialisasi
bobot
awal
dapat
mempercepat proses pembelajaran. Sehingga
hasil klasifikasi menggunakan algoritma
Baclpropagation menjadi lebih meningkat.
Akan
tetapi
tingkat
akurasi
dari
backpropagation masih mungkin dapat
ditingkatkan. Untuk penelitian selanjutnya
disarankan untuk mengembangkan penentuan
bobot awal dan jumlah hidden layer agar bisa
menghasilkan akurasi yang lebih baik.
DAFTAR PUSTAKA
[1] Ming, S. Hung, Shanker, Murali, Y. Hu,
Michael. Estimating Breast Cancer Risks
Using Neural Networks. Journal of
Operation Research society:2001, 52, hal:
1-10.
[2] Antara, I P. R., Sumarminingsih, E., dan
Handoyo, S. 2010. Model Jaringan Syaraf
Tiruan Backpropagation dengan Input
Berdasarkan Model Regresi Terbaik.
Malang: Universitas Brawijaya.
[3] Dhaneswara, G. dan Moertini, V. S. 2004.
Jaringan Saraf Tiruan Propagasi Balik
untuk Klasifikasi Data. Integral, FMIPA
Unpar, (9):3, hal. 1-11.
[4] Kiki, S. K. 2004. Analisis Jaringan Saraf
Tiruan dengan Metode Backpropagation
untuk Mendeteksi Gangguan Psikologi.
Yogyakarta: Universitas Islam Indonesia.
16