Buku Ta 5110100097

TUGAS AKHIR KI091391
IMPLEMENTASI SISTEM CERDAS UNTUK

KLASIFIKASI PENYAKIT PARKINSON
MENGGUNAKAN NEURAL NETWORK WITH
WEIGHTED FUZZY MEMBERSHIP
NABIL
NRP 5110 100 097
Dosen Pembimbing I
Dr. Eng. Chastine Fatichah, S.Kom., M.Kom.
Dosen Pembimbing II
Isye Arieshanti, S.Kom., M.Phil.
JURUSAN TEKNIK INFORMATIKA
Fakultas Teknologi Informasi
Institut Teknologi Sepuluh Nopember
Surabaya 2014
TUGAS AKHIR KI091391

NABIL
NRP 5110 100 097
Dosen Pembimbing I
Dosen Pembimbing II
JURUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INFORMASI
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA 2014
(Halaman ini sengaja dikosongkan)
FINAL PROJECT KI091391
IMPLEMENTATION INTELEGENT SYSTEM FOR

CLASSIFICATION PARKINSON DISEASE USING
NEURAL NETWORK WITH WEIGHTED FUZZY
MEMBERSHIP
NABIL
NRP 5110 100 097
Supervisor I
Supervisor II
DEPARTMENT OF INFORMATICS
FACULTY OF INFORMATION TECHNOLOGY
SEPULUH NOPEMBER INSTITUTE OF TECHNOLOGY
SURABAYA 2014
7
LEMBAR PENGESAHAN

TUGAS AKHIR
Diajukan Untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Komputer
pada
Bidang Studi Komputasi Cerdas Visual
Program Studi S-1 Jurusan Teknik Informatika
Fakultas Teknologi Informasi
Institut Teknologi Sepuluh Nopember
Oleh
NABIL
NRP. 5110 100 097
Disetujui oleh Dosen Pembimbing Tugas Akhir:
1.
Dr. Eng. Chastine Fatichah, S.Kom., M.Kom. .......................

NIP:19751220 200112 2 002
(Pembimbing 1)
2.

NIP:19780412 200604 2 001
SURABAYA
JUNI 2014
.......................
(Pembimbing 2)
IMPLEMENTASI DETEKSI TEPI CITRA

BERDASARKAN SUBPIXEL PADA AREA
PARSIAL
Nama
NRP
Jurusan
Dosen Pembimbing I
: M. Hilmil Muchtar AP
: 5110100041
: Teknik Informatika FTIf ITS
: Dr. Eng. Chastine Fatichah, S.Kom.,
M.Kom.
Dosen Pembimbing II : Rully Soelaiman, S.Kom., M.Kom.
Abstrak
Kemajuan teknologi digital menyebabkan meningkatnya
kebutuhan deteksi tepi citra dengan nilai presisi yang tinggi.
Sehingga dibutuhkan pendeteksi tepian citra yang tidak
berpengaruh pada kontinuitas nilai citra. Penggunaan deteksi tepi
berpengaruh untuk memperoleh hasil yang diharapkan. Jika tidak
tepat pada penggunaan deteksi tepi, maka akan mempengaruhi
proses yang selanjutnya.
Pada penelitian-penelitian yang sebelumnya, deteksi tepi
citra hanya bernilai diskontinu. Sehingga perlu digunakan metode
deteksi tepi yang tidak berpengaruh pada kontinuitas nilai citra.
Untuk memperoleh akurasi yang tinggi dari lokasi tepian citra,
maka Tugas Akhir ini diajukan untuk mengimplementasi lokasi
yang tepat dari suatu tepian citra.
Metode deteksi tepi citra berdasarkan subpixel pada area
parsial dibagi menjadi 3 yaitu deteksi tepi citra yang tidak
mempunyai noise, deteksi tepi citra yang mempunyai noise yang
sedikit dan deteksi tepi citra dengan lokasi garis yang
bersebelahan. Dari masing-masing metode, digunakan
penyesuaian dari kondisi citra masukan, sehingga dapat
memperoleh nilai akurasi yang tepat untuk berbagai jenis citra
yang terkena noise atau tidak terkena noise.
Dari uji kinerja menggunakan teknik akurasi, didapatkan
bahwa metode yang digunakan mempunyai akurasi sebesar 88,92
%. Masing-masing metode deteksi tepi citra yang tidak

mempunyai noise sebesar 89,92 %, metode deteksi tepi citra yang
mempunyai noise yang sedikit sebesar 88,11% dan metode
deteksi tepi citra dengan lokasi garis yang bersebelahan sebesar
88,74 %.
Kata kunci: piksel, subpixel, area parsial, noise, deteksi tepi.
11
IMPLEMENTATION OF IMAGE EDGE

DETECTION BASED ON SUBPIXEL OF
PARTIAL AREA
Name
NRP
Department
Supervisor I
Supervisor II
: M. Hilmil Muchtar AP
: 5110100041
: Informatics Engineering, FTIf, ITS
: Dr. Eng. Chastine Fatichah, S.Kom.,
M.Kom.
: Rully Soelaiman, S.Kom., M.Kom.
Abstract
Improvement in digital technology causes increasing
demands on image edge detection with high precision values. So
it takes the image edge detection does not affect the continuity of
the value of the image. The use of edge detection is to obtain the
desired results. If the edge detection is not appropriate, it will
affect the next process.
In previous studies, image edge detection is only worth
discontinuous. So it is necessary to use edge detection method
that does not affect the continuity of the value of the image. To
obtain a high accuracy of the location of the edges of the image,
this Undergraduate Thesis is proposed to implement the exact
location of the edges of the image.
Image edge detection method based on subpixel partial
area is divided into three types: image edge detection image with
no noise, image edge detection with a little noise and image edge
detection with the location of the adjacent lines. Each method
used the adjustment of the input image conditions to obtain the
proper value of accuracy for different types of image with and
without noise.
From performance test using techniques of accuracy, it is
found that the method used has an accuracy of 88.92%. Each
image edge detection method with no noise has 89.92%, image
edge detection method with a slight noise has 88.11% and image
edge detection method with the location of the adjacent lines

has 88.74%.
Keywords: pixel, subpixel, noise, partial area, noise, edge
detection.
13
KATA PENGANTAR
Puji syukur penulis sampaikan kepada Allah SWT atas
segala rahmat dan berkat yang telah diberikan sehingga penulis
dapat menyelesaikan tugas akhir dengan judul Implementasi
Sistem Cerdas Untuk Klasifikasi Penyakit Parkinson
Menggunakan Neural Network With Weighted Fuzzy
Membership. Tugas Akhir ini dibuat untuk memenuhi salah satu
syarat untuk mendapatkan gelar Sarjana Komputer dari Program
Studi Teknik Informatika, Fakultas Teknologi Informasi, Institut
Teknologi Sepuluh Nopember.
Selesainya Tugas Akhir ini tidak lepas dari bantuan dan
dukungan beberapa pihak. Oleh karena itu, pada kesempatan ini
penulis ingin mengucapkan terima kasih kepada:
1. Orang tua yang telah memberikan rasa kasih sayang dan
perhatian yang sebesar-besarnya kepada penulis. Terima kasih
Aba dan Mama yang sudah menjadi teladan dan mengajarkan
penulis untuk selalu bekerja keras.
2. Yasser, Rusda dan Tsana, selaku kakak dan adik penulis,
terima kasih atas dorongan, dukungan dan kasih sayang
selama ini.
3. Ibu Dr. Chastine Fatichah, S.Kom., M. Kom. selaku
pembimbing I yang telah membantu dan membimbing penulis
dalam menyelesaikan Tugas Akhir.
4. Ibu Isye Arieshanti S.Kom., M.Phil., selaku pembimbing II
yang telah membantu dan membimbing penulis dalam
menyelesaikan Tugas Akhir.
5. Ibu Dr. Eng. Nanik Suciati, S.Kom., M.Kom. selaku Kepala
Jurusan Teknik Informatika ITS, Ibu Anny Yuniarti S.Kom.,
M.Comp.Sc., selaku dosen wali penulis Bapak Abdul Munif,
S.Kom., M.Sc. selaku koordinator TA, dan segenap dosen
Teknik Informatika yang telah memberikan ilmu-ilmu dan
pengalaman-pengalaman hidup yang pasti akan berguna bagi

penulis kelak.
6. Pak Yudi, Pak Sugeng, Mbak Fathin, Bu Wartani, Pak
Sholeh, Pak Pri dan segenap staf Tata Usaha yang telah
memberikan segala bantuan dan kemudahan kepada
penulis selama menjalani kuliah di Teknik Informatika
ITS.
7. Naufal Aulia Rizal yang telah membantu memberi
masukan dan gagasan dalam proses pengerjaan Tugas
Akhir.
8. Reza Dwi Putra, Adriyanra, Ibrahim Oswaldo, Arthur
Holong dan teman-teman lain yang telah membantu
adaptasi penulis tinggal di Surabaya.
9. Teman-teman Teknik Informatika ITS 2010, terima kasih
atas dukungan dan kerjasamanya selama ini. Semoga kita
semua menjadi orang yang berguna bagi bangsa ini.
10. Wanita shalehah yang telah menjadi inspirasi dan
penyemangat penulis. Semoga kita dipertemukan pada
waktu yang tepat.
11. Serta semua pihak yang yang telah turut membantu
penulis dalam menyelesaikan Tugas Akhir ini.
Penulis menyadari masih banyak kekurangan dalam Tugas
Akhir ini. Oleh karena itu, kritik dan saran yang membangun
sangat dibutuhkan agar Tugas Akhir ini bias menjadi lebih baik
untuk ke depan. Semoga Tugas Akhir ini bisa bermanfaat
dikembudian hari.
Surabaya, Juni 2014
15
DAFTAR ISI
Abstrak.......................................................................................vii
Abstract.......................................................................................ix
KATA PENGANTAR..................................................................xi
DAFTAR ISI.............................................................................xiii
DAFTAR GAMBAR................................................................xvii
DAFTAR TABEL......................................................................xix
DAFTAR KODE SUMBER....................................................xxiii
BAB I PENDAHULUAN.............................................................1
1.1 Latar Belakang......................................................................1
1.2 Rumusan Permasalahan........................................................1
1.3 Batasan Masalah...................................................................2
1.4 Tujuan...................................................................................2
1.5 Manfaat.................................................................................2
1.6 Metodologi...........................................................................2
1.7 Sistematika Penulisan...........................................................4
BAB II DASAR TEORI...............................................................7
2.1 Jaringan Syaraf Tiruan..........................................................7
2.2 Membership Function...........................................................9
2.2.1.
Fungsi Segitiga..............................................................10
2.2.2.
Fungsi Trapesium...........................................................11
2.2.3.
Fungsi Gaussian.............................................................14
2.3 Neural Network With Weighted Fuzzy Membership..........15

2.3.1
Struktur dari NEWFM...................................................16
2.3.2
Skema Pembelajaran......................................................17
2.3.3
Pseudocode Algoritma Pembelajaran.............................20
2.3.4
Ekstraksi Aturan Fuzzy..................................................21
2.4 Subpixel...............................Error! Bookmark not defined.

BAB III PERANCANGAN PERANGKAT LUNAK.................24
3.1 Perancangan Deteksi Tepi Citra Berdasarkan Subpixel pada
Area Parsial..........................Error! Bookmark not defined.
3.1.1
Program Utama...............Error! Bookmark not defined.
3.1.2
Proses Restorasi Citra.....Error! Bookmark not defined.
3.1.3
Pencarian Nilai A dan B. .Error! Bookmark not defined.
3.1.4
Pencarian Nilai SL, SM dan SR....Error! Bookmark not

defined.
3.1.5
Deteksi Tepi Citra yang Tidak Mempunyai Noise...Error!

Bookmark not defined.
3.1.6
Deteksi Tepi Citra yang Mempunyai Noise yang Sedikit

........................................Error! Bookmark not defined.
3.1.7
Deteksi Tepi Citra dengan Lokasi Garis yang

Bersebelahan...................Error! Bookmark not defined.
3.1.8
Perbesaran Citra..............Error! Bookmark not defined.
3.1.9
Pengubahan Nilai a,b dan c ke dalam Bentuk x dan y

........................................Error! Bookmark not defined.
BAB IV IMPLEMENTASI.........................................................31
4.1 Lingkungan Implementasi..................................................31
4.2 Implementasi......................................................................31
4.2.1
Implementasi Deteksi Tepi Citra Berdasarkan Subpixel

pada Area Parsial...........................................................31
17
BAB V UJI COBA DAN EVALUASI........................................43
5.1 Lingkungan Uji Coba.........................................................43
5.2 Skenario Uji Coba..............................................................43
5.2.1
Uji Kebenaran................................................................44
5.2.2
Uji Kinerja Deteksi Tepi................................................57
BAB VI KESIMPULAN DAN SARAN.....................................61

6.1 Kesimpulan.........................................................................61
6.2 Saran...................................................................................62
DAFTAR PUSTAKA..................................................................63
LAMPIRAN A............................................................................65
BIODATA PENULIS..................................................................89
19
DAFTAR GAMB
Gambar 2.1 Neuron Sederhana...................................................10
Gambar 2.2 Jaringan Syaraf Tiruan Sederhana...........................11
Gambar 2.3 Grafik Fungsi Segitiga............................................13
Gambar 2.4 Grafik Fungsi Trapesium.........................................14
Gambar 2.5 Grafik Fungsi R.......................................................16
Gambar 2.6 Grafik Fungsi L.......................................................17
Gambar 2.7 Grafik Fungsi Gaussian...........................................18
Gambar 2.8 Struktur NEWFM....................................................19
Gambar 2.9 Contoh WFM dan BSWFM.....................................20
Gambar 2.10 Sebelum dan Setelah Operasi Adjust.....................23
YGambar 3.1 Diagram Alur Proses Secara Umum.....................30
Gambar 3.2 Diagram Alir Normalisasi Data...............................31
Gambar 3.3 Flowchart Proses Pembelajaran..............................32
Gambar 3.4 Diagram Alir Proses Prediksi Kelas........................33
YGambar 5. 1 Hasil deteksi tepi menggunakan metode subpixel44
Gambar 5. 2 Hasil deteksi tepi menggunakan metode Laplacian 45
Gambar 5. 3 Hasil deteksi tepi citra dengan filter tanpa noise yang
ditambahkan dengan noise Gaussian dengan parameter m=0,5
v=0,5 dan jumlah iterasi=0.........................................................46
Gambar 5. 4 Hasil deteksi tepi citra dengan filter tanpa noise yang
ditambahkan dengan noise Gaussian dengan parameter m=0,5
v=0,5 dan jumlah iterasi=100.....................................................46
Gambar 5. 5 Menggunakan nilai batas ambang = 0....................47
Gambar 5. 6 Menggunakan nilai batas ambang = 254................48
Gambar 5. 7 Perbesaran 5x5 dari Tepian Citra............................58
Gambar 5. 8 Perbesaran 11x11 dari Tepian Citra........................58
DAFTAR TA
Tabel 3.1 Lingkungan Perancangan Perangkat Lunak................26
Tabel 3.2 Data Masukan.............................................................27
Tabel 3.3 Atribut Data Training..................................................27
Tabel 3.4 Data Proses..................................................................29
Tabel 3.5 Data Keluaran.............................................................29
YTabel 5. 1 Uji Coba Citra Buatan Hasil Foto dari hasil Printer
pada Proses Deteksi Tepi Citra yang Tidak Mempunyai Noise
dengan Perbesaran 5x5 piksel tanpa noise..................................50
Tabel 5. 2 Uji Coba Citra Buatan Hasil Foto dari hasil Printer
pada Proses Deteksi Tepi Citra yang Mempunyai Noise yang
Sedikit dengan Perbesaran 5x5 piksel tanpa noise......................51
pada Proses Deteksi Tepi Citra dengan Lokasi Garis yang
Bersebelahan dengan Perbesaran 5x5 piksel tanpa noise............52
pada Proses Deteksi Tepi Citra yang Tidak Mempunyai Noise
dengan Perbesaran 5x5 piksel dengan noise Gaussian, m=0,5
v=0,5 dan iterasi=100.................................................................54
pada Proses Deteksi Tepi Citra yang Mempunyai Noise yang
Sedikit dengan Perbesaran 5x5 piksel dengan noise Gaussian,
m=0,5 v=0,5................................................................................55
pada Proses Deteksi Tepi Citra dengan Lokasi Garis yang
Bersebelahan dengan Perbesaran 5x5 piksel dengan noise
Gaussian, m=0,5 v=0,5...............................................................56
YTabel A. 1 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil
Printer pada Proses Deteksi Tepi Citra yang Tidak Mempunyai
Noise dengan Perbesaran 5x5 piksel tanpa noise (Bagian Pertama)
....................................................................................................65
Tabel A. 2 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil
21
Noise dengan Perbesaran 5x5 piksel tanpa noise (Bagian Kedua)
....................................................................................................66
Noise dengan Perbesaran 5x5 piksel tanpa noise (Bagian Ketiga)
....................................................................................................67
Printer pada Proses Deteksi Tepi Citra yang Mempunyai Noise
yang Sedikit dengan Perbesaran 5x5 piksel tanpa noise (Bagian
Pertama)......................................................................................68
Kedua)........................................................................................69
Ketiga)........................................................................................70
Printer pada Proses Deteksi Tepi Citra dengan Lokasi Garis yang
Bersebelahan dengan Perbesaran 5x5 piksel tanpa noise (Bagian
Pertama)......................................................................................71
Bersebelahan dengan Perbesaran 5x5 piksel tanpa noise (Bagian
Kedua)........................................................................................72
Bersebelahan dengan Perbesaran 5x5 piksel tanpa noise(Bagian
Ketiga)........................................................................................73
Noise dengan Perbesaran 5x5 piksel dengan noise Gaussian,
m=0,5 v=0,5 dan iterasi=100 (Bagian Pertama)..........................74
m=0,5 v=0,5 dan iterasi=100 (Bagian Kedua)............................75
m=0,5 v=0,5 dan iterasi=100 (Bagian Ketiga)............................76
yang Sedikit dengan Perbesaran 5x5 piksel dengan noise
Gaussian, m=0,5 v=0,5 dan iterasi=100 (Bagian Pertama).........77
Gaussian, m=0,5 v=0,5 dan iterasi=100 (Bagian Kedua)............78
Gaussian, m=0,5 v=0,5 dan iterasi=100 (Bagian Ketiga)............79
Gaussian, m=0,5 v=0,5 dan iterasi=100 (Bagian Pertama).........80
Gaussian, m=0,5 v=0,5 dan iterasi=100 (Bagian Kedua)............81
Gaussian, m=0,5 v=0,5 dan iterasi=100 (Bagian Ketiga)............82
Tabel A. 19 Akurasi Deteksi Tepi Citra Berdasarkan Area Parsial
untuk Citra Buatan Hasil Foto dari hasil Printer (Tanpa Noise)..83
23
untuk Citra Buatan Hasil Foto dari hasil Printer (Noise Sedikit) 83
untuk Citra Buatan Hasil Foto dari hasil Printer (Garis yang
Bersebelahan).............................................................................84
untuk Citra Buatan Hasil Foto dari hasil Printer (Tanpa Noise)
m=0,5 v=0,5 dan iterasi=100......................................................84
untuk Citra Buatan Hasil Foto dari hasil Printer (Noise Sedikit)
m=0,5 v=0,5 dan iterasi=100......................................................85
untuk Citra Buatan Hasil Foto dari hasil Printer (Garis yang
Bersebelahan) m=0,5 v=0,5 dan iterasi=100...............................85
Tabel A. 25 Akurasi dari setiap jenis filter dan noise yang
digunakan...................................................................................86
Tabel A. 26 Akurasi Berdasarkan Jenis Filter yang Digunakan...86
Tabel A. 27 Akurasi Berdasarkan Jenis Noise yang Digunakan dan
Total Akurasi...............................................................................87
DAFTAR KODE SUMBER

Kode Sumber 4.1 Kode sumber fungsi adjust.............................37
Kode Sumber 4.2 Kode sumber fungsi BSWFM........................37
Kode Sumber 4.3 Kode sumber fungsi Frandom........................38
Kode Sumber 4.4 Kode sumber Inisialisasi Variabel..................39
Kode Sumber 4.5 Kode sumber fungsi Input Node.....................40
Kode Sumber 4.6 Kode sumber fungsi Learning........................40
Kode Sumber 4.7 Kode sumber fungsi Maxmin.........................41
Kode Sumber 4.8 Kode sumber fungsi Miu................................42
Kode Sumber 4.9 Kode sumber fungsi Output...........................42
Kode Sumber 4.10 Kode sumber fungsi Testing.........................43
25
27
BAB I
PENDAHULUAN
1.1
Latar Belakang
Penyakit
parkinson
merupakan
gangguan
neurodegenerative terbanyak ke-2 di dunia setelah penyakit
Alzheimer. Penyakit parkinson menyerang jutaan penduduk di
dunia atau sekitar 1% dari total populasi dunia [1]. Penderita
penyakit ini didominasi orang yang telah berumur di atas 60
tahun. Penyakit ini disebabkan oleh degenerasi syaraf pembawa
dopamine yang terletak pada struktur dalam otak yang disebut
dengan basal ganglia dan subtantia nigra [2].
Pada zaman ini ilmu pengetahuan pada bidang komputer
telah mengalami kemajuan yang sangat pesat. Salah satunya
adalah bidang klasifikasi data. Terdapat banyak macam metode
untuk melakukan klasifikasi. Salah satu yang sering digunakan
adalah neural network. Neural network dapat digunakan seperti
dalam kasus diagnosis suatu penyakit karena memiliki
kemampuan prediksi yang relatif baik.
Tugas Akhir ini akan melakukan uji performa neural
network with weighted fuzzy membership pada kasus klasifikasi
penyakit parkinson. Hasil yang didapatkan pada studi ini
diharapkan memiliki hasil akurasi yang tinggi sehingga dapat
menjadi kakas bantu untuk mempermudah diagnosis penyakit
parkinson.
1.2
Rumusan Permasalahan
Rumusan masalah yang dapat diangkat dalam Tugas

Akhir ini dapat dipaparkan sebagai berikut:
1. Bagaimana memahami konsep Neural Network with
Weighted Fuzzy Membership?
2. Bagaimana metode Neural Network with Weighted Fuzzy
Membership dapat digunakan untuk mengklasifikasi penyakit
parkinson?
1.3
Batasan Masalah
Permasalahan yang dibahas dalam Tugas Akhir ini

memiliki beberapa batasan, yaitu sebagai berikut:
1. Metode yang digunakan adalah Neural Network with
Weighted Fuzzy Membership.
2. Implementasi menggunakan perangkat lunak Matlab.
3. Dataset
yang
digunakan
didapatkan
dari
http://archive.ics.uci.edu/ml/datasets/Parkinsons
1.4
Tujuan
Tujuan dari Tugas Akhir ini adalah sebagai berikut:

1. Mengklasifikasi penyakit parkinson menggunakan Neural
Network with Weighted Fuzzy Membership.
2. Melakukan uji performa metode Neural Network with
Weighted Fuzzy Membership.
1.5
Manfaat
Tugas Akhir ini dikerjakan dengan harapan agar

memberikan manfaat yang besar pada bidang kesehatan yaitu
mengaplikasikan kakas bantu untuk mempermudah diagnosis
penyakit parkinson.
1.6
Metodologi
Tahapan-tahapan yang dilakukan dalam pengerjaan Tugas

Akhir ini adalah sebagai berikut:
1. Penyusunan proposal Tugas Akhir.
Tahap awal untuk memulai pengerjaan Tugas Akhir
adalah penyusunan proposal Tugas Akhir. Proposal Tugas
Akhir
yang
diajukan
memiliki
gagasan
untuk
mengimplementasikan metode Neural Network with
Weighted Fuzzy Membership dalam klasifikasi penyakit
parkinson.
29
2. Studi literatur
Pada tahap ini dilakukan pencarian, pengumpulan,
pembelajaran dan pemahaman informasi dan literatur yang
diperlukan untuk mengiimplementasikan metode Neural
Network with Weighted Fuzzy Membership. Dasar informasi
yang diperlukan pada pembuatan implementasi ini di
antaranya mengenai metode Artificial Neural Network secara
umum, metode fuzzy membership dan metode Neural
Network with Weighted Fuzzy Membership secara spesifik.
Informasi dan literatur didapatkan dari jurnal-jurnal di
internet dan buku.
3. Perancangan perangkat lunak
Tahap ini meliputi perancangan sistem berdasarkan studi
literatur dan pembelajaran konsep teknologi dari perangkat
lunak yang ada. Tahap ini mendefinisikan alur dari
implementasi. Langkah-langkah yang dikerjakan juga
didefinisikan pada tahap ini. Pada tahapan ini dibuat
prototype sistem, yang merupakan rancangan dasar dari
sistem yang akan dibuat. Serta dilakukan desain suatu sistem
dan desain proses-proses yang ada.
4. Implementasi perangkat lunak
Implementasi merupakan tahap membangun rancangan
sistem yang telah dibuat. Pada tahapan ini merealisasikan
apa yang terdapat pada tahapan sebelumnya, sehingga
menjadi sebuah sistem yang sesuai dengan apa yang telah
direncanakan.
5. Pengujian dan evaluasi
Pada tahapan ini dilakukan uji coba terhadap perangkat
lunak yang telah dibuat. Pengujian dan evaluasi akan
dilakukan dengan melihat kesesuaian dengan perencanaan.
Tahap ini dimaksudkan juga untuk mengevaluasi jalannya
sistem, mencari masalah yang mungkin timbul dan

mengadakan perbaikan jika terdapat kesalahan.
6. Penyusunan buku Tugas Akhir.
Pada tahapan ini disusun buku yang memuat dokumentasi
mengenai pembuatan serta hasil dari implementasi perangkat
lunak yang telah dibuat.
1.7 Sistematika Penulisan
Buku Tugas Akhir
penulisan sebagai berikut:
ini
disusun
dengan
sistematika
BAB I. PENDAHULUAN
Bab yang berisi mengenai latar belakang, tujuan, dan
manfaat dari pembuatan Tugas Akhir. Selain itu permasalahan,
batasan masalah, metodologi yang digunakan, dan sistematika
penulisan juga merupakan bagian dari bab ini.
BAB II. DASAR TEORI
Bab ini berisi penjelasan secara detail mengenai dasardasar penunjang dan teori-teori yang digunakan untuk
mendukung pembuatan Tugas Akhir ini.
BAB III. PERANCANGAN PERANGKAT LUNAK
Bab ini berisi tentang desain sistem yang disajikan dalam
bentuk diagram alir dan pseudocode.
BAB IV. IMPLEMENTASI
Bab ini membahas implementasi dari desain yang telah
dibuat pada bab sebelumnya. Penjelasan berupa kode yang
digunakan untuk proses implementasi.
BAB V. UJI COBA DAN EVALUASI
31
Bab ini menjelaskan kemampuan perangkat lunak dengan
melakukan pengujian kebenaran dan pengujian kinerja dari sistem
yang telah dibuat.
BAB VI. KESIMPULAN DAN SARAN

Bab ini merupakan bab terakhir yang menyampaikan
kesimpulan dari hasil uji coba yang dilakukan dan saran untuk
pengembangan perangkat lunak ke depannya.
BAB II
DASAR TEORI
Bab ini berisi penjelasan teori-teori yang berkaitan
dengan metode yang diajukan pada pengimplementasian
perangkat lunak. Penjelasan ini bertujuan untuk memberikan
gambaran secara umum terhadap sistem yang dibuat dan berguna
sebagai penunjang dalam pengembangan perangkat lunak.
2.1 Parkinson
Penyakit parkinson merupakan penyakit neurodegenerative
terbanyak ke-2 di dunia setelah penyakit Alzheimer. Penyakit ini
didominasi oleh pasien yang berumur di atas 60 tahun.
Disebabkan oleh degenerasi syaraf pembawa dopamine yang
terletak pada struktur dalam otak yang disebut dengan basal
ganglia dan subtantia nigra. Gejala motorik dan non-motorik
terdapat pada penyakit parkinson, walaupun diagnosis penyakit
ini murni adanya berasal dari gejala motorik [3].
2.1.1
Diagnosis pada Penyakit Parkinson
Diagnosis pada penyakit parkinson adalah murni klinis

dan membutuhkan adanya bradykinesia atau lambatnya gerakan
dan satu atau lebih fitur klinis yang seperti berikut:
a. Gemetar
b. Kekakuan
c. Postur yang tidak seimbang
Bradykinesia merupakan tanda utama pada penyakit ini dan
berkorelasi dengan tingkat hilangnya sel dopamine di otak.
33
2.1.2
Gejala Motorik Penyakit Parkinson
Gejala penyakit parkinson dapat dibagi menjadi motorik

dan non-motorik. Ciri khas dari gejala motorik termasuk gemetar
pada tangan dan atau kaki dan lambatnya gerakan. Gemetar pada
parkinson juga diketahui sebagai pill-rolling, karena memiliki
karakteristik seperti seseorang menggelindingkan sebutir pil di
tangannya. Sering kali terjadi apabila pasien sedang beristirahat
dan akan sangat jelas apabila pasien sedang cemas dan mendapat
tugas yang berhubungan dengan psikis. Bradykinesia dapat
berpengaruh terhadap setiap bagian tubuh termasuk juga wajah,
menyebabkan gerakan wajah berkurang (hypomimia) dan mata
berkedip sehingga membuat kurang ekspresi atau penampilan
seperti menggunakan topeng. Tulisan tangan dapat menjadi
semakin kecil (micrographia) dan pasien mungkin akan
kehilangan kelihaian dalam melaksanakan tugas sehari-hari. Gaya
berjalan mungkin juga akan berpengaruh, langkah kecil dengan
kurangnya lengan ayun. Sehingga memberikan penampilan
menyeret ketika berjalan. Ketika penyakit semakin parah, pasien
kemungkinan akan mengalami pembekuan gaya berjalan, yang
dapat mengakibatkan pasien jatuh. Suara bisa menjadi bernada
rendah dan monoton, dengan air liur yang berlebihan [3].
2.1.3
Gejala Non-Motorik Penyakit Parkinson
Gejalan non-motorik seperti sembelit, gangguan tidur dan

depresi juga mendominasi pada penyakit parkinson. Tidak seperti
gejala motorik, gejala non-motorik biasanya kurang dikenal dan
karenanya tidak diobati. Penelitian menunjukkan bahwa gejala
non-motorik adalah faktor penting dari kualitas hidup,
menyebabkan kecacatan yang signifikan apabila tidak diobati.
Beberapa gejala non-motorik seperti depresi dan sembelit bahkan
dapat mendahului diagnosis klinis penyakit parkinson dari
beberapa tahun. Gejala non-motorik yang rumit pada penyakit
parkinson dapat dikategorikan ke dalam kelompok berikut.
a.
b.
c.
d.
e.
2.1.4
Gangguan neuropsikiatrik
Gangguan tidur
Gangguan otonom
Masalah pencernaan
Gejala sensorik
Pengobatan Penyakit Parkinson
Penyakit parkinson adalah penyakit yang dapat diobati. Untuk

gejala motorik dapat secara efektif diobati dengan terapi
penggantian dopamine yaitu dopamine precursors (levodopa)
atau dopamine agonists (meniru tindakan dopamine pada reseptor
dopamine). Perawatan medis lain yang tersedia termasuk
monoamine-oxidase inhibitors (MAO-I), yang bertujuan untuk
menunda pemecahan levodopa di otak. Pengobatan penyakit
parkinson harus dilakukan secara individual, dengan
mempertimbangkan usia pasien sejak timbulnya, keparahan
penyakit, adanya gejala non-motor dan harapan pasien. Konseling
merupakan bagian penting dari pengobatan, sehingga pasien dan
wali menyadari prognosis dan harapan penyakit. Pada awalnya,
gejala penyakit parkinson mungkin benar-benar dapat dihapuskan
oleh obat-obatan. Namun, seiring perkembangan penyakit, pasien
kemungkinan mengalami komplikasi yang berkaitan dengan obatobatan dan masalah non-motor lain seperti depresi dan kepikunan,
yang membuat pengobatan sangat menantang.
2.2 Jaringan Syaraf Tiruan
Jaringan syaraf tiruan adalah sistem pemrosesan informasi
yang memiliki karakteristik kinerja tertentu yang sama dengan
jaringan syaraf biologis. Jaringan syaraf tiruan telah
dikembangkan sebagai generalisasi model matematika dari
pengetahuan manusia, berdasarkan asumsi bahwa:
i.
Proses informasi terjadi pada elemen yang sederhana

bernama neuron.
35
ii.
Sinyal melewati antara neuron melalui link koneksi.
iii.
Setiap koneksi link memiliki bobot, yang mana dalam

jaringan syaraf yang khas, mengalikan sinyal yang dikirim.
iv.
Setiap neuron menerapkan sebuah fungsi aktivasi kepada

jaringan input untuk menentukan sinyal output.
Jaringan syaraf ditandai dengan (1) Pola hubungan antara

neuron (disebut arsitektur), (2) metode untuk menentukan bobot
pada koneksi (disebut pelatihan atau pembelajaran), dan (3)
fungsi aktivasi.
Jaringan syaraf terdiri dari sejumlah besar elemen pemrosesan
sederhana yang disebut neurons, units, cells atau nodes. Setiap
neuron terhubung dengan neuron lainnya dengan cara diarahkan
oleh link komunikasi, masing-masing dengan bobot yang
berhubungan. Bobot merepresentasikan informasi yang sedang
digunakan oleh jaringan untuk memecahkan permasalahan.
Jaringan syaraf dapat diterapkan pada berbagai permasalahan,
seperti menyimpan dan mengingat data, klasifikasi pola,
melakukan pemetaan dari pola input ke pola ouput,
pengelompokkan pola yang serupa, atau pencarian solusi dari
problem optimisasi.
Setiap neuron memiliki kondisi internal, disebut activation
atau activity level, yang mana adalah fungsi dari input yang telah
diterima. Khususnya, neuron mengirim activation sebagai sinyal
terhadap beberapa neuron lainnya.
Gambar 2.1 Neuron Sederhana
Y , seperti pada Gambar

2.1, yang menerima input dari neuron X 1 , X 2 , dan X 3 .
Sebagai contoh, terdapat neuron
Activation (sinyal output) dari neuron tersebut adalah
x 2 , dan
x 3 . Bobot koneksi dari
kepada neuron
jaringan, y , ke neuron
X1 ,
sinyal dari neuron
w1 ,
adalah
X1 ,
X 2 , dan
w 2 , dan
x1 ,
X3
w 3 . Input
adalah pertambahan dari bobot
X 2 , dan
X3 ,
y =w1 x 1+ w2 x 2 +w 3 x 3
(2.1)
Activation
fungsi jaringan input
dari neuron
diberikan oleh beberapa
y=f ( y ) . Sebagai contoh, memakai
fungsi logistic sigmoid atau fungsi aktivasi lainnya.
37
Gambar 2.2 Jaringan Syaraf Tiruan Sederhana

Neuron
dengan bobot
Y
v1
terhubung dengan neuron

dan
mengirim sinyal
Z1
dan
Z2
v2
seperti pada Gambar 2.2. Neuron
kepada setiap dari unit neuron.
Secara umum, nilai yang didapat neuron
Z1
dan
Z2
akan
berbeda, karena setiap sinyal adalah skala yang sesuai dengan
v 1 atau v 2 . Pada jaringan khusus, activation
bobot,
dan
z2
dari neuron
Z1
dan
Z2
z1
akan tergantung oleh
input dari beberapa atau bahkan banyak neuron, tidak hanya satu
neuron, seperti pada Gambar 2.2.
Meskipun jaringan syaraf pada Gambar 2.2 sangat
sederhana, adanya hidden unit, juga fungsi aktivasi non-linear,
memberikan kemampuan untuk menyelesaikan lebih banyak
permasalahan daripada yang bisa diselesaikan oleh jaringan yang
hanya terdiri dari input dan output unit. Di sisi lain, lebih susah
untuk melakukan pelatihan terhadap jaringan yang memiliki

hidden units.
2.3 Membership Function
Membership function untuk satu set fuzzy A pada semesta X
didefinisikan sebagai
A :X[0,1], dimana setiap elemen dari
X memetakan terhadap nilai antara 0 dan 1. Nilai ini disebut

membership value, mengukur tingkat membership dari elemen di
X terhadap set fuzzy A.
Membership
function
memungkinkan
kita
untuk
merepresentasikan set fuzzy
secara grafis. Sumbu-x
merepresentasikan
nilai
semesta,
sedangkan
sumbu-y
merepresentasikan nilai dari membership (membership value)
pada interval [0,1] .
2.3.1. Fungsi Segitiga
Didefinisikan oleh batas bawah a, batas atas b, dan
sebuah nilai m, dimana a < m < b.
39
Gambar 2.3 Grafik Fungsi Segitiga
Berikut ini adalah persamaan untuk mendapatkan

membership value dari fungsi segitiga seperti yang
ditunjukkan pada Persamaan 2.1.
A ( x ) =
xa
ma
bx
bm
xa
a< x m
(2.2)
m< x< b
xb
Fungsi Trapesium
Didefinisikan oleh batas bawah a, batas atas d, batas
dukungan bawah b, dan batas dukungan atas c, dimana a < b
< c < d.
41
Gambar 2.4 Grafik Fungsi Trapesium

membership value dari fungsi trapesium seperti yang
,
0
(x< a)
or
(x> d)
xa
ba
A ( x ) =
dx
dc
,
,
,
ax b
(2.3)
bx c
c xd
Terdapat dua kasus special pada fungsi trapesium, yang

disebut fungsi R dan fungsi L.
2.3.2.1.
Fungsi R
Parameter a = b = -
43
Gambar 2.5 Grafik Fungsi R
Berikut ini adalah persamaan untuk

mendapatkan membership value dari fungsi R
seperti yang ditunjukkan pada Persamaan 2.3.
A ( x ) =
2.3.2.2.
Fungsi L
dx
dc
x> d
c xd
x< c
(2.4)
Parameter c = d = +
Gambar 2.6 Grafik Fungsi L
Berikut
ini
adalah
persamaan
untuk
mendapatkan membership value dari fungsi L seperti
yang ditunjukkan pada Persamaan 2.4.
A ( x ) =
x< a
xa
ba
ax b
(2.5)
45
1
x> b
2.3.3. Fungsi Gaussian

Didefinisikan oleh nilai tengah m dan standar deviasi k >
0. Lebih kecil nilai k, maka akan lebih sempit bukit yang
terbentuk.
Gambar 2.7 Grafik Fungsi Gaussian

membership value dari fungsi gaussian seperti yang
A ( x )=e
( xm )
2
2k
(2.6)
47
2.4 Neural Network With Weighted Fuzzy Membership
Neural network with weighted fuzzy membership function
(NEWFM) adalah klasifikasi supervised neuro-fuzzy yang
menggunakan bounded sum of weighted fuzzy membership
function (BSWFM).
2.4.1
Struktur dari NEWFM

Struktur NEWFM seperit pada Gambar 2.6 terdiri dari 3
lapisan, yaitu lapisan input, lapisan hyperbox dan lapisan
class.
Gambar 2.8 Struktur NEWFM

Lapisan input terdiri atas n simpul input untuk n pola
input. Lapisan hyperbox terdiri dari m simpul hyperbox.
Setiap simpul hyperbox
Bl
dapat terhubung ke simpul
class, terdiri dari n BSWFM untuk n simpul input. Lapisan

ouput terdiri dari p simpul class. Setiap simpul class
terhubung ke satu atau lebih simpul hyperbox. Pola input ke
h dapat ditulis sebagai
I h={ A h=( a1 , a2 , , an ) , class } ,
dimana class adalah hasil dari klasifikasi dan
Ah
adalah
n fitur dari sebuah pola input.
Gambar 2.9 Contoh WFM dan BSWFM

Bobot koneksi antar simpul hyperbox
simpul class
Ci
direpresentasikan sebagai
Bl
dan
w li , yang
mana memiliki nilai awal 0. Dari pola input pertama
Ih ,
w li
menjadi bernilai 1 oleh pemenang simpul hyperbox
Bl
dan class i di
Ih .
Ci
harus memiliki satu atau
lebih koneksi dari simpul hyperbox, dimana
Bl
hanya
diperbolehkan memiliki satu koneksi ke simpul class yang
49
sesuai.
Bl
hanya bisa melakukan proses pembelajaran
apabila
Bl
adalah pemenang dari input
dengan
w li=1 .
class i dan
2.4.2
Ih
Skema Pembelajaran
Simpul hyperbox
fuzzy ke-i dari
Bl
tiga
fuzzy
weighted
Bl
terdiri dari n set fuzzy. Set
B il , memiliki
dinotasikan sebagai
membership
merupakan segitiga abu-abu
i
l1
functions
i
l2
dan
(WFM
il 3
seperti yang tertera pada Gambar 2.9) yang akan disusun

sebelum proses pembelajaran. Bounded sum of three
weighted fuzzy membership functions (BSWFM) dari
B il
mengkombinasikan karakteristik fuzzy dari ketiga WFM

tesebut. Nilai BSWFM dari
B l , dinotasikan sebagai
B Sl ( .) , dan dihitung dengan Persamaan 2.7.

3
B Sl ( a i )= l j ( ai )
i
j=1
Dimana
input
ai
Ah .
(2.7)
merupakan nilai input fitur ke-I dari pola
Bl
Pemenang dari simpul hyperbox

operasi
Bl
Output ( Bl ) . Hanya
Output (Bl )
maksimum dari fungsi
terpilih oleh
yang memiliki nilai

untuk input
Ih
w li=1 , diantara simpul hyperbox
dengan class i dan
dapat melakukan proses pembelajaran. Untuk input ke-h,
A h=(a1 , a2 , , an )
Bl
dengan n fitur, output dari
diperoleh dari Persamaan 2.8.

n
1
i
Output ( Bl )= B Sl ( ai)
n i=1
(2.8)
Setelah itu, simpul hyperbox B l

melakukan
proses
yang telah terpilih
pembelajaran
dengan
operasi
Adjust (Bl ) . Operasi ini berguna untuk menyesuaikan

hyperbox
Bl
menurut dari input
ai , dimana
i=1,2, ... , n . Bobot membership function

(dimana
0 W il j 1 dan
kekuatan dari
j=1,2,3 ) menunjukkan
il j . WFM
direpresentasikan sebagai
Wl j
il j
dapat
juga
(v il j1 , W il j , vil j+1 ) . Berikut ini
persamaan yang digunakan pada operasi

seperti terlihat pada Persamaan 2.9 dan 2.10.
Adjust (Bl )
51
v il j=v il j+ s E il j il j ( ai )
(2.9)
53
Dimana,
s=1, Eil j=min (|v il jai|,|v il j 1ai|) , if v il j1 ai < vil j

s=1, El j=min (|v l j ai|,|v l j+1ai|) , if v il j ai < v il j+1
i
s=0 , Eil j=0 , otherwise
W l j =W l j + ( l j ( ai ) W l j )
Dimana
i
lj
dan
dan
i
lj
(2.10)
adalah nilai learning rate untuk
yang bernilai antara 0 dan 1 dan
j=1,2,3 .
Gambar 2.10 memperlihatkan BSWFM sebelum dan
setelah operasi
Adjust ( Bl )
untuk
B il
dengan input
ai . Bobot dan nilai tengah dari membership function

Adjust ( Bl ) .
mengalami penyesuaian dengan operasi
W il 1 ,W il 2 , W il 3
v il 2
mengalami penurunan,
berpindah mendekati
posisi awalnya.
ai
dan
v il 3
v il 1
dan
tetap pada
Gambar 2.10 Sebelum dan Setelah Operasi Adjust
Operasi
Adjust (Bl )
dieksekusi oleh sekumpulan
data pelatihan. Apabila tingkat klasifikasi untuk data testing

tidak mencapai tingkat tujuan, proses pembelajaran kembali
diulang dari awal dengan kembali merekonstruksi secara
acak semua WFM pada
Bl
dan merubah bobot koneksi
ke nilai 0 ( w li=0 ) sampai dengan tingkat tujuan

terpenuhi.
55
2.4.3 Ekstraksi Aturan Fuzzy
Hasil dari pembelajaran NEWFM dapat digunakan
untuk ekstraksi aturan fuzzy pada bentuk if-then untuk
mengklasifikasi pola input.
Aturan dapat di ekstraksi langsung dari weighted
fuzzy membership (WFM). Disarankan menggunakan
aturan ekstraksi seperti pada dibawah.
i.
Bounded sum(salah satu operasi pada kumpulan
fuzzy) dari WFM (BSWFM) pada kumpulan
fuzzy
ke-i
B il (x) .
dari
BSWFM
mengkombinasikan karakteristik fuzzy dari tiga

WFM.
ii.
Aturan untuk sebuah class
Ci
adalah fungsi
membership fuzzy yang direpresentasi oleh

perbaikan BSWFM pada
if (enhanced BSWFMs of
(enhanced BSWFMs of
2.5 Cross-Validation
B l , seperti :
B lw li =1 ) or or
B mwmi=1 ) then Ci
BAB III
PERANCANGAN PERANGKAT LUNAK
Pada bab ini akan diuraikan mengenai desain dan
perancangan system perangkat lunak agar dapat mencapai tujuan
dari Tugas Akhir ini. Perangkat lunak yang dibuat pada Tugas
Akhir ini berguna untuk melakukan proses klasifikasi dari data
pengukuran suara pada penderita penyakit parkinson berdasarkan
tingkat kesesuaiannya dengan data pelatihan. Perangkat lunak ini
memiliki dua bagian utama yaitu proses pelatihan dan proses
testing. Proses perancangan perangkat lunak meliputi
perancangan data, perancangan proses, perancangan tabel,
arsitektur sistem dan diagram alir dari masing-masing proses.
3.1 Lingkungan Perancangan Perangkat Lunak
Spesifikasi perangkat keras dan perangkat lunak yang
digunakan dalam perancangan perangkat lunak untuk Tugas Akhir
ini ditampilkan pada Tabel 3.1.
Tabel 3.1 Lingkungan Perancangan Perangkat Lunak
Perangkat
Perangkat Keras
Perangkat Lunak
Spesifikasi
Intel(R) Core (TM) i5
Prosesor
: CPU M 520 @2.40
GHz
Memori
: 4 GB
Windows 7 Ultimate
Sistem Operasi
:
32-bit
Perangkat
: Matlab R2011b
Pengembang
57
3.2 Perancangan Data
Pada subbab ini akan dijelaskan mengenai perancangan
data yang dibutuhkan untuk membangun perangkat lunak
klasifikasi penyakit parkinson. Data meliputi data masukan, data
proses berupa data-data yang diperlukan dan dihasilkan selama
menjalankan proses eksekusi perangkat lunak, serta data keluaran
yang berupa hasil prediksi kelas.
3.2.1 Data Masukan
Tabel 3.2 Data Masukan
No
.
1.
Nama Data
Keterangan
Data Training
2.
Data Testing
Data masukan
prose pembelajaran
Data
masukan
proses testing
Data training terdiri dari 146 pola data. Terdiri atas 2

kelas yaitu 0 dan 1. 0 untuk data orang yang sehat, sedangkan
1 adalah untuk data orang yang terjangkit penyakit parkinson.
Data training terdiri atas 23 atribut seperti pada Tabel 3.3.
Tabel 3.3 Atribut Data Training
No.
1.
Nama Atribut
MDVP:Fo(Hz)
2.
MDVP:Fhi(Hz)
3.
MDVP:Flo(Hz)
Keterangan
Rata-rata frekuensi
dasar vokal
Maksimum
frekuensi dasar
vocal
Minimum
frekuensi dasar
vocal
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
MDVP:Jitter(%)
MDVP:Jitter(Abs)
MDVP:RAP
MDVP:PPQ
Jitter:DDP
MDVP:Shimmer
MDVP:Shimmer(dB)
Shimmer:APQ3
Shimmer:APQ5
MDVP:APQ
Shimmer:DDA
NHR
HNR
17.
18.
RPDE
D2
19.
DFA
20.
21.
22.
23.
spread1
spread2
PPE
status
Variasi ukuran pada

frekuensi dasar
Variasi ukuran
dalam amplitudo
Rasio ukuran
kebisingan
komponen tonal
dalam suara
Ukuran
kompleksitas
dinamik
Skala sinyal
eksponen fraktal
Ukuran variasi
frekuensi dasar
Status kesehatan
dari subjek
Data testing terdiri dari 49 pola data. Terdiri 22

atribut, seperti pada Tabel 3.3 akan tetapi tidak
menggunakan data status.
3.2.2
Data Proses
Data Proses adalah data-data yang digunakan dalam
proses pelatihan dan testing dapat dilihat pada Tabel 3.4.
59
Tabel 3.4 Data Proses
No
.
1.
2.
3.2.3
Keterangan
Nama Data
alfa
beta
3.
bswfmval
4.
data
5.
enhval
6.
7.
8.
9.
h
hyperbox
ik
m
10.
minmaxvalue
11.
12.
13.
n
p
test_class
Learning rate untuk v

Learning rate untuk W
Nilai BSWFM terakhir dari
data masukan terakhir.
Data masukan untuk proses
pembelajaran dan training
Nilai dari operasi output pada
tiap data masukan pembelajaran
Jumlah dari
Variabel dari simpul hyperbox
masukan dari NEWFM
Jumlah simpul hyperbox
Nilai terbesar dan terkecil dari
setiap atribut masukan yang ada
Jumlah simpul masukan
Jumlah simpul kelas
Kelas hasil pada data percobaan
Data Keluaran
Data keluaran adalah data dari hasil proses klasifikasi
berupa prediksi kelas dari data testing, yang merupakan hasil
pembelajaran dari metode neural network with weighted fuzzy
membership data training. Data keluaran pada Tugas Akhir ini
dapat dilihat pada Tabel 3.5.
Tabel 3.5 Data Keluaran
No
Nama Data
Keterangan
.
1.
accuracy
2.
predict_class
Hasil
akurasi
dari
prediksi
yang
telah
dilakukan
Hasil prediksi kelas dari
proses testing
3.3 Perancangan Proses

Perancangan proses dilakukan untuk mengetahui alur
penerapan algoritma yang nantinya kan dipakai dalam proses
implementasi. Alur tersebut akan ditampilkan pada Gambar 3.1.
Gambar 3.1 Diagram Alur Proses Secara Umum

3.3.1
Normalisasi Data
Proses normalisasi data bertujuan untuk mengubah data yang

memiliki nilai range terlalu besar dan terlalu kecil ke bentuk yang
lebih normal. Pada kasus ini, digunakan normalisasi data ke
bentuk 0-1.
61
X'=
Dimana
X Xmin
Xmax Xmin
X
(3.1)
adalah nilai yang akan dinormalisasi,
adalah nilai terendah dari dataset,
Xmax
Xmin
adalah nilai
terbesar dari dataset.
Gambar 3.2 Diagram Alir Normalisasi Data

3.3.2
Proses Pembelajaran
Proses pembelajaran atau pelatihan merupakan proses

perubahan bobot sehingga sebuah jaringan dapat menyelesaikan
sebuah masalah. Proses pembelajaran telah sebelumnya dipaparkan
pada subbab 2.3.2.
Gambar 3.3 Flowchart Proses Pembelajaran

3.3.3 Proses Prediksi Kelas
Proses prediksi kelas merupakan proses yang bertujuan untuk
memprediksi data dan akan mengklasifikasikan suatu data
masukan ke salah satu kelas yang ada. Proses ini akan
63
menggunakan data masukan baru yang sama sekali belum
pernah digunakan pada proses sebelumnya yaitu proses
pembelajaran. Data baru yang dimasukkan akan menggunakan
data-data yang ada dari hasil pembelajaran untuk menentukan
klasifikasi data tersebut. Cara untuk melakukan prediksi kelas
telah sebelumnya dipaparkan pada subbab 2.3.4.
Gambar 3.4 Diagram Alir Proses Prediksi Kelas
BAB IV
IMPLEMENTASI
Pada bab ini akan dibahas mengenai implementasi yang
dilakukan berdasarkan rancangan yang telah dijabarkan pada bab
sebelumnya. Sebelum penjelasan implementasi akan ditunjukkan
terlebih dahulu lingkungan untuk melakukan implementasi.
4.1 Lingkungan Implementasi
Spesifikasi perangkat keras dan perangkat lunak yang
digunakan dalam implementasi perangkat lunak untuk Tugas
Akhir ini ditampilkan pada Tabel 4.1.
Tabel 4.1 Lingkungan Implementasi Perangkat Lunak
Perangkat
Spesifikasi
Prosesor
: CPU M 520 @2.40
Perangkat Keras
GHz
Memori
: 4 GB
Windows 7 Ultimate
Sistem Operasi
:
32-bit
Perangkat Lunak
Perangkat
: Matlab R2011b
Pengembang
4.2 Implementasi
Pada subbab ini akan dijelaskan implementasi setiap
subbab yang terdapat pada bab sebelumnya yaitu bab
perancangan perangkat lunak. Pada bagian ini juga akan
dijelaskan mengenai fungsi-fungsi yang digunakan dalam
65
perangkat lunak Tugas Akhir ini dan disertai dengan kode sumber
masing-masing fungsi utama.
4.2.1
Implementasi Fungsi Adjust

Fungsi adjust adalah fungsi yang bertujuan untuk
melakukan penyesuaian nilai
dan nilai
untuk semua
weighted fuzzy membership pada setiap simpul hyperbox.

Penyesuaian dilakukan tiap ada input baru pada simpul hyperbox
yang memiliki nilai fungsi output paling besar.
1
2
3
4
5
6
7
8
9
10
11
function B =
adjust(B,m,n,input,alfa,beta)
S=0;
Ej=0;
for i=1:n
for j=2:4
if input.a(i) <
B(m).wmf(i).v(j) && input.a(i) >=
B(m).wmf(i).v(j-1)
S=-1;
Ej =
min(abs(B(m).wmf(i).v(j)input.a(i)),abs(B(m).wmf(i).v(j-1)input.a(i)));
elseif input.a(i) <
B(m).wmf(i).v(j+1) && input.a(i) >=
B(m).wmf(i).v(j)
S=1;
Ej =
min(abs(B(m).wmf(i).v(j)input.a(i)),abs(B(m).wmf(i).v(j+1)input.a(i)));
12
13
14
15
16
17
18
19
end
v = B(m).wmf(i).v(j) + (S *
alfa * Ej * miu(B,m,i,j-1,input.a(i)) *
B(m).wmf(i).w(j-1));
w = B(m).wmf(i).w(j-1) +
(beta * (miu(B,m,i,j-1,input.a(i)) B(m).wmf(i).w(j-1)));
B(m).wmf(i).v(j) = v;
B(m).wmf(i).w(j-1) = w;
end
end
end
Kode Sumber 4.1 Kode sumber fungsi adjust
4.2.2
Implementasi Fungsi BSWFM
Fungsi BSWFM adalah fungsi yang bertujuan untuk

mengkombinasikan karakteristik fuzzy dari 3 weighted fuzzy
membership (WFM) yang terdapat pada simpul hyperbox
1
2
3
4
5
6
4.2.3
Bl .
function y = bswfm(B,m,i,input)
y=0;
for j=1:3
y = y + ((miu(B,m,i,j,input) *
B(m).wmf(i).w(j)));
end
end
Kode Sumber 4.2 Kode sumber fungsi BSWFM
Implementasi Fungsi Frandom

Fungsi Frandom adalah fungsi yang bertujuan untuk
melakukan inisialisasi variabel-variabel awal pada sebuah simpul
67
hyperbox
v0
B l , inisialisasi ini meliputi inisialisasi pada nilai
sampai dengan
dan juga nilai

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
v 4 , nilai W 1 sampai dengan W 3 ,
r 0 sampai dengan r 4 .
function B = frandom(B,m,n,mmval)
for i=1:n
mx = mmval(i,1);
mn = mmval(i,2);
B(m).wmf(i).vmin = mn;
B(m).wmf(i).vmax = mx;
range = (mx-mn)/3;
B(m).wmf(i).r(1,1) = mn;
B(m).wmf(i).v(1,1) = mn (range/2);
B(m).wmf(i).v(1,5) = mx +
(range/2);
for j=1:3
B(m).wmf(i).w(1,j) =
rand()*0.1+0.45;
B(m).wmf(i).r(1,j+1) =
B(m).wmf(i).r(1,j) + range;
B(m).wmf(i).v(1,j+1) =
B(m).wmf(i).r(1,j) + (range/2);
end
end
end
Kode Sumber 4.3 Kode sumber fungsi Frandom
4.2.4
Implementasi Fungsi Inisialisasi Variable

Fungsi Inisialisasi Variabel adalah fungsi yang bertujuan
untuk melakukan inisialisasi awal terhadap variable-variabel
utama yang digunakan dalam proses klasifikasi. Variabel utama
ini meliputi variabel simpul input, simpul hyperbox, alfa, beta,
jumlah simpul input, jumlah simpul hyperbox, dan jumlah simpul
kelas.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
17
18
4.2.5
n = size(data.training.input,2); %jumlah
input node
m = 10; %jumlah hyperbox node
p = 2; %jumlah class node
alfa = 0.05;
beta = 0.01;
%inisialisasi node input
ik.a(1:n,1)=0;
ik.diagnosis=0;
%inisialisasi node hyperbox
hyperbox.wmf.v(1,1:5)=0;
hyperbox.wmf.w(1,1:3)=0;
hyperbox.wmf.r(1,1:4)=0;
hyperbox.wmf.vmin=0;
hyperbox.wmf.vmax=0;
hyperbox.wmf(1:n,1)=hyperbox.wmf;
hyperbox.w(1,1:p)=0;
hyperbox(1,1:m)=hyperbox;
Kode Sumber 4.4 Kode sumber Inisialisasi Variabel
Implementasi Fungsi Input Node

Fungsi input node adalah fungsi yang bertujuan untuk
memasukkan nilai atribut-atribut training dan testing ke dalam
69
suatu variable yang memiliki struktur seperti struct. Variabel
Ik
memiliki 2 variabel anak, yaitu a dan diagnosis. Variable a
memiliki nilai sejumlah nilai atribut.

1
2
3
4
5
6
7
4.2.6
function y = inputnode(input,data,n,d)
for i=1:n
input.a(i)=data.input(d,i);
end
input.diagnosis = data.output(d);
y = input;
end
Kode Sumber 4.5 Kode sumber fungsi Input Node
Implementasi Fungsi Learning

Fungsi Learning adalah fungsi yang bertujuan untuk
melakukan pembelajaran pada data input yang baru. Secara garis
besar, fungsi ini hanya melakukan pengecekan terhadap syarat
tertentu. Apabila syarat terpenuhi, maka akan dipanggil fungsi
adjust.
1
2
3
4
5
function B =
learning(B,l,n,inp,i,alfa,beta)
if B(l).w(i) == 1 && inp.diagnosis ==
i-1
B = adjust(B,l,n,inp,alfa,beta);
end
end
Kode Sumber 4.6 Kode sumber fungsi Learning
4.2.7
Implementasi Fungsi Load Data

Fungsi Load data adalah fungsi yang bertujuan untuk
memuat data yang terdapat pada sebuah file agar dapat
dipergunakan dalam program. Selain itu terdapat juga proses
normalisasi pada fungsi ini.
4.2.8
Implementasi Fungsi Maxmin

Fungsi Maxmin adalah fungsi yang bertujuan untuk
mencari nilai terbesar dan terkecil pada setiap atribut-atribut dari
data yang ada. Proses ini diperlukan untuk menentukan nilai-nilai
pada simpul hyperbox.
1
2
3
4
5
x = size(data.training.input,1);
y = size(data.training.input,2);
minmaxvalue(y,2) = 0;
for i=1:y
minmaxvalue(i,1) =
max(data.training.input(1:x,i));
minmaxvalue(i,2) =
min(data.training.input(1:x,i));
end
Kode Sumber 4.7 Kode sumber fungsi Maxmin
6
7
4.2.9
Implementasi Fungsi Miu

Fungsi Miu adalah fungsi yang bertujuan untuk mencari
nilai tingkat membership dari elemen input terhadap sebuah set
fuzzy. Nilai ini dapat juga disebut membership value. Memiliki
nilai antara 0 dan 1.
71
1
2
3
4
5
6
7
8
9
10
11
12
13
14
function y = miu(B,m,i,j,input)
a = B(m).wmf(i).v(j);
b = B(m).wmf(i).v(j+2);
c = B(m).wmf(i).v(j+1);
if input <= a
y = 0;
elseif input >= b
y=0;
elseif input <= c && input > a
y = ((input-a) / (c-a));
elseif input < b && input > c
y = ((b-input) / (b-c));
end
end
Kode Sumber 4.8 Kode sumber fungsi Miu

4.2.10 Implementasi Fungsi Ouput
Fungsi Output adalah fungsi yang bertujuan untuk
mencari nilai dari simpul hyperbox
dan
Bl
dengan input
Ak
atribut. Simpul hyperbox yang akan dilakukan proses
pembelajaran harus memiliki nilai output terbesar dengan input
Ak .
1
2
3
4
function y = output(B,m,n,input)
temp = 0;
for i=1:n
temp = temp +
bswfm(B,m,i,input.a(i));
5
6
7
end
y = temp / n;
end
Kode Sumber 4.9 Kode sumber fungsi Output
4.2.11 Implementasi Fungsi Testing

Fungsi Testing adalah fungsi yang bertujuan untuk
mencari prediksi kelas dari sebuah input data baru. Sebelum
melakukan prediksi kelas atau testing, harus terlebih dahulu
dilakukan proses pembelajaran.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
function result =
testing(B,m,n,p,input,lst)
bswfmval(m)=0;
for i=1:m
for it = 1 : n
bswfmval(i) = bswfmval(i) +
bswfm(B,i,it,input.a(it));
end
end
rst = bswfmval - lst;
[a b] = sort(rst,'descend');
stat = 0;
for i=1:m
nilai = b(i);
for j=1:p
if B(nilai).w(j) == 1
result = j-1;
stat = 1;
end
end
73
19
20
21
22
if stat == 1;
break;
end
end
Kode Sumber 4.10 Kode sumber fungsi Testing
4.2.12 Implementasi Fungsi Training

Fungsi training
4.2.13 Implementasi Fungsi Utama

dsad
BAB V
UJI COBA DAN EVALUASI
Pada bab ini akan dijelaskan mengenai rangkain uji coba
dan evaluasi yang dilakukan. Pembahasan yang dikemukakan
meliputi data uji coba, hasil uji coba, dan evaluasi.
5.1 Lingkungan Uji Coba
Lingkungan uji coba yang digunakan dalam pembuatan
Tugas Akhir ini meliputi perangkat lunak dan perangkant keras
yang digunakan untuk klasifikasi penyakit parkinson
menggunakan neural network with weighted fuzzy membership.
Lingkungan uji coba merupakan komputer tempat uji coba
perangkat lunak. Berikut adalah lingkungan uji coba yang

digunakan pada Tugas Akhir ini seperti yang ditampilkan pada
Tabel 5.1.
Tabel 5.1 Lingkungan Uji Coba Perangkat Lunak
Perangkat
Perangkat Keras
Perangkat Lunak
Spesifikasi
Prosesor
: CPU M 520 @2.40
GHz
Memori
: 4 GB
Windows 7 Ultimate
Sistem Operasi
:
32-bit
Perangkat
: Matlab R2011b
Pengembang
5.2 Skenario Uji Coba
75
BAB VI
KESIMPULAN DAN SARAN
Bab ini membahas mengenai kesimpulan yang dapat
diambil dari hasil uji coba yang telah dilakukan sebagai jawaban
dari rumusan masalah yang dikemukakan. Selain kesimpulan,
juga terdapat saran yang ditujukan untuk pengembangan
perangkat lunak lebih lanjut.
6.1 Kesimpulan
Dari hasil uji coba yang telah dilakukan terhadap
pembuatan program deteksi tepi citra berdasarkan subpixel pada
area parsial dapat diambil kesimpulan sebagai berikut:
1. Citra yang dicari tepian secara parsial dapat mendeteksi jenis
citra yang mempunyai noise atau tidak mempunyai noise.
Noise yang dipakai dikhususkan hanya menggunakan noise
yang bertipe Gaussian.
2. Untuk mendapatkan fitur posisi subpixel dapat menggunakan
nilai slope dan m, sedangkan untuk mendapatkan fitur
orientasi didapatkan dari konsistensi tepian yang mempunyai
nilai akurasi di dalam suatu piksel. Untuk mendapatkan fitur
kelengkungan dapat digunakan nilai a, b dan c dari
Persamaan garis y=a+bx+cx2. Sedangkan untuk mendapatkan
fitur tingkat kecerahan antara kedua sisi dari suatu parsial
citra didapatkan dari nilai A dan B.
3. Nilai akurasi ditinjau dari jenis filter yang digunakan adalah
jika menggunakan metode deteksi tepi citra yang tidak
mempunyai noise sebesar 89,92 %, metode deteksi tepi citra
yang mempunyai noise yang sedikit sebesar 88,11% dan
metode deteksi tepi dengan lokasi garis yang bersebelahan
sebesar 88.74%. Sehingga total akurasi dari deteksi tepi citra
berdasarkan subpixel pada area parsial sebesar 88,7%.
4. Nilai akurasi ditinjau dari jenis noise yang digunakan adalah

jika tidak menggunakan noise Gaussian sebesar 88,93 % dan
jika menggunakan noise Gaussian sebesar 88.92%. Sehingga
total akurasi dari deteksi tepi citra berdasarkan subpixel pada
area parsial sebesar 88,7%.
6.2 Saran
Saran yang diberikan untuk pengembangan aplikasi
deteksi tepi citra berdasarkan subpixel pada area parsial pada
Tugas Akhir ini antara lain:
1. Diperlukan proses awal deteksi tepi yang lain selain
menggunakan operator Laplacian sehingga terdapat
pembanding hasil deteksi tepi antara operator Laplacian
dengan deteksi tepi yang lain.
2. Pada aplikasi deteksi tepi citra berdasarkan subpixel pada area
parsial, metode perbesaran citra dan penempatan kurva dari
tepian masih kurang sempurna, sehingga perlu pendekatan
lain agar metode perbesaran citra dan penempatan kurva
menjadi lebih akurat.
DAFTAR PUSTAKA
[
Erni Noviani, Untung Gunarto, and Joko Setyono,
1] "Hubungan Antara Merokok Dengan Penyakit Parkinson di
RSUD Prof. DR. Margono Soekarjo Purwokerto," Mandala
Of Health, vol. IV, pp. 81-86, 2010.
[
Zahari Abu Bakar, Nooritawati Md Tahir, and Ihsan
2] M. Yassin, "Classification of Parkinson's Disease Based on
Multilayer Perceptrons Neural Networks," in International
Colloquium on Signal Processing & Its Applications (CSPA),
2010, pp. 232-235.
[
Nasa Zata Dina, Implementasi Algoritma Deteksi
3] Tepi Berdasarkan Elemen Berstruktur Jamak. Surabaya,
2013.
[
Iqbal Akhmad Ghufron, Aplikasi Pengaturan Durasi
77
4] Lampu Lalu Lintas Berdasarkan Rekaman CCTV Dengan
Algoritma Analisa Simpang Bersinyal. Surabaya, 2013.
[
Agustin Trujillo-Pino, Karl Krissian, Miguel Aleman5] Flores, and Daniel Santana-Cedres, "Accurate Subpixel Edge
Location Based On Partial Area Effect," Image Vision and
Computing, vol. 31, pp. 72-90, 2013.
79
LAMPIRAN A
3.
4.
Tabel A. 1 Hasil Uji Coba Citra Buatan Hasil
Foto dari hasil Printer pada Proses Deteksi Tepi Citra
yang Tidak Mempunyai Noise dengan Perbesaran 5x5
piksel tanpa noise (Bagian Pertama)
6. Citra
7. Citra Hasil
5. Citra Hasil
GroundTr
Deteksi
uth
Tepi
8.
11.
13.
9.
12.
14.
10.
15.
18.
16.
26.
24.
22.
20.
17.
23.
21.
19.
29.
27.
30.
25.
33.
28.
32.
31.
81
34.
piksel tanpa noise (Bagian Kedua)
36. Citra
37. Citra Hasil
35. Citra Hasil
GroundTr
Deteksi
uth
Tepi
38.
40.
42.
39.
41.
43.
44.
45.
48.
46.
47.
52.
50.
49.
55.
53.
51.
57.
56.
58.
54.
59.
60.
83
61.
piksel tanpa noise (Bagian Ketiga)
63. Citra
64. Citra Hasil
62. Citra
GroundTru
Deteksi
Hasil
th
Tepi
68.
65.
69.
71.
66.
67.
72.
73.
74.
79.
80.
70.
75.
76.
78.
82.
83.
84.
85.
86.
87.
77.
81.
88.
85
89.
yang Mempunyai Noise yang Sedikit dengan Perbesaran
5x5 piksel tanpa noise (Bagian Pertama)
91. Citra
92. Citra Hasil
90. Citra Hasil
GroundTr
Deteksi
uth
Tepi
93.
96.
99.
94.
97.
100.
95.
101.
102.
98.
104.
105.
106.
107.
112.
113.
108.
115.
116.
103.
109.
110.
111.
114.
118.
119.
117.
87
120.
5x5 piksel tanpa noise (Bagian Kedua)
122.
Ci
123.
Citr
121.
Citr
tra
a Hasil
a Hasil
GroundTr
Deteksi
uth
Tepi
124.
125.
127.
128.
126.
129.
130.
131.
132.
133.
134.
135.
137.
138.
136.
141.
142.
139.
140.
89
143.
5x5 piksel tanpa noise (Bagian Ketiga)
145.
Cit
146.
Citr
144.
Cit
ra
a Hasil
ra Hasil
GroundTr
Deteksi
uth
Tepi
147.
150.
148.
151.
153.
149.
154.
155.
156.
152.
157.
158.
159.
160.
161.
162.
163.
164.
166.
167.
169.
170.
165.
168.
172.
171.
173.
91
174.
175.
dengan Lokasi Garis yang Bersebelahan dengan
Perbesaran 5x5 piksel tanpa noise (Bagian Pertama)
177.
Cit
178.
Cit
176.
Cit
ra
ra Hasil
ra Hasil
GroundTr
Deteksi
uth
Tepi
179.
182.
185.
180.
183.
186.
181.
188.
189.
184.
190.
191.
187.
192.
193.
194.
195.
196.
197.
198.
199.
201.
202.
200.
203.
204.
205.
Perbesaran 5x5 piksel tanpa noise (Bagian Kedua)
207.
Cit
208.
Citr
206.
Ci
ra
a Hasil
tra Hasil
GroundTru
Deteksi Tepi
th
209.
214.
211.
210.
215.
212.
213.
216.
93
217.
218.
220.
221.
223.
224.
219.
222.
229.
230.
225.
232.
233.
226.
227.
228.
231.
234.
235.
236.
Perbesaran 5x5 piksel tanpa noise(Bagian Ketiga)
238.
Cit
239.
Citr
237.
Cit
ra
a Hasil
ra Hasil
GroundTr
Deteksi
uth
Tepi
240.
241.
242.
248.
249.
250.
243.
244.
245.
251.
252.
257.
258.
253.
260.
261.
259.
262.
264.
246.
247.
254.
255.
256.
263.
95
265.
piksel dengan noise Gaussian, m=0,5 v=0,5 dan
iterasi=100 (Bagian Pertama)
267.
Cit
268.
Citr
266.
Cit
ra
a Hasil
ra Hasil
GroundTr
Deteksi
uth
Tepi
269.
272.
275.
270.
273.
276.
271.
278.
279.
280.
274.
281.
282.
277.
283.
284.
285.
286.
287.
288.
294.
295.
289.
290.
291.
292.
293.
97
296.
iterasi=100 (Bagian Kedua)
298.
Cit
299.
Citr
297.
Cit
ra
a Hasil
ra Hasil
GroundTr
Deteksi
uth
Tepi
300.
302.
304.
301.
303.
305.
307.
308.
309.
310.
311.
306.
312.
313.
314.
315.
316.
318.
319.
321.
322.
320.
317.
323.
324.
iterasi=100 (Bagian Ketiga)
326.
Ci
327.
Citr
325.
Citr
tra
a Hasil
a Hasil
GroundTr
Deteksi
uth
Tepi
328.
332.
329.
333.
331.
330.
334.
99
335.
336.
338.
339.
337.
340.
341.
343.
344.
346.
347.
342.
345.
348.
349.
350.
351.
5x5 piksel dengan noise Gaussian, m=0,5 v=0,5 dan
iterasi=100 (Bagian Pertama)
353.
Ci
354.
Citr
352.
Citr
tra
a Hasil
a Hasil
GroundTr
Deteksi
uth
Tepi
355.
356.
358.
359.
361.
362.
357.
364.
365.
360.
367.
368.
363.
370.
371.
366.
373.
374.
369.
372.
377.
378.
375.
380.
381.
376.
379.
101
382.
iterasi=100 (Bagian Kedua)
384.
Ci
385.
Citr
383.
Cit
tra
a Hasil
ra Hasil
GroundTr
Deteksi
uth
Tepi
386.
389.
387.
392.
390.
388.
393.
394.
395.
391.
396.
397.
398.
399.
401.
402.
404.
403.
405.
406.
407.
iterasi=100 (Bagian Ketiga)
409.
Ci
410.
Citr
408.
Citr
tra
a Hasil
a Hasil
GroundTr
Deteksi
uth
Tepi
411.
414.
415.
412.
400.
413.
103
416.
417.
419.
420.
418.
421.
422.
424.
425.
427.
423.
426.
428.
429.
Perbesaran 5x5 piksel dengan noise Gaussian, m=0,5
v=0,5 dan iterasi=100 (Bagian Pertama)
431.
Cit
432.
Cit
430.
Cit
ra
ra Hasil
ra Hasil
GroundTru
Deteksi
th
Tepi
433.
434.
435.
436.
437.
438.
439.
440.
442.
443.
444.
445.
441.
447.
448.
450.
451.
446.
452.
453.
449.
455.
456.
454.
105
457.
v=0,5 dan iterasi=100 (Bagian Kedua)
459.
Citr
460.
Citr
458.
Ci
a
a Hasil
tra Hasil
GroundTru
Deteksi
th
Tepi
461.
464.
466.
462.
465.
467.
463.
468.
469.
470.
471.
472.
473.
474.
475.
476.
477.
482.
478.
479.
480.
481.
107
483.
v=0,5 dan iterasi=100 (Bagian Ketiga)
485.
Citr
486.
Citr
484.
C
a
a Hasil
itra Hasil
GroundTrut
Deteksi
h
Tepi
487.
490.
493.
488.
491.
494.
489.
495.
496.
497.
492.
498.
499.
500.
501.
502.
503.
504.
505.
508.
509.
506.
507.
510.
Tabel A. 19 Akurasi Deteksi Tepi Citra
Berdasarkan Area Parsial untuk Citra Buatan Hasil Foto
dari hasil Printer (Tanpa Noise)
511.
Citr
a
515.
Citr
a 1 (Tabel
A.1)
519.
Citr
a 2 (Tabel
A.1)
523.
Citr
a 3 (Tabel
A.1)
527.
Citr
a 4 (Tabel
A.2)
516.
23
513.
Hasil
D
et
ek
si
Te
pi
517.
20
520.
23
521.
20
524.
23
525.
20
528.
22
529.
20
512.
GroundTr
uth
514.
Aku
r
a
s
i
518.
86,9
%
522.
86,9
%
526.
86,9
%
530.
90,9
%
109
531.
Citr
a 5 (Tabel
A.2)
532.
20
533.
20
535.
Citr
a 6 (Tabel
A.2)
539.
Citr
a 7 (Tabel
A.3)
543.
Citr
a 8 (Tabel
A.3)
547.
Citr
a 9 (Tabel
A.3)
536.
24
537.
20
540.
24
541.
20
544.
23
545.
20
548.
20
549.
20
551.
Rata-rata Akurasi
534.
100,
0
%
538.
83,3
%
542.
83,3
%
546.
86,9
%
550.
100,
0
%
552.
89,4
8
%
553.
554.
dari hasil Printer (Noise Sedikit)
557.
Hasil
558.
D
Aku
556.
555.
Citr
et
r
GroundTr
a
ek
a
uth
si
s
Te
i
pi
559.
Citr
560.
561.
562.
a 1 (Tabel
A.4)
563.
Citr
a 2 (Tabel
A.4)
567.
Citr
a 3 (Tabel
A.4)
571.
Citr
a 4 (Tabel
A.5)
575.
Citr
a 5 (Tabel
A.5)
23
20
564.
25
565.
20
568.
23
569.
20
572.
23
573.
20
576.
20
577.
20
579.
Citr
a 6 (Tabel
A.5)
583.
Citr
a 7 (Tabel
A.6)
587.
Citr
a 8 (Tabel
A.6)
591.
Citr
a 9 (Tabel
A.6)
580.
23
581.
20
584.
25
585.
20
588.
23
589.
20
592.
20
593.
20
595.
Rata-rata akurasi
86,9
%
566.
80,0
%
570.
86,9
%
574.
86,9
%
578.
100,
0
%
582.
86,9
%
586.
80,0
%
590.
86,9
%
594.
100,
0
%
596.
88,3
0
%
111
597.
dari hasil Printer (Garis yang Bersebelahan)
600.
Hasil
601.
D
Aku
599.
598.
Citr
et
r
GroundT
a
ek
a
ruth
si
s
Te
i
pi
602.
Citra
603.
604.
605.
1 (Tabel A.7)
24
20
83,3
%
606.
Citra
607.
608.
609.
2 (Tabel A.7)
23
20
86,9
%
610.
Citra
611.
612.
613.
3 (Tabel A.7)
23
20
86,9
%
614.
Citra
615.
616.
617.
4 (Tabel A.8)
23
20
86,9
%
618.
Citra
619.
620.
621.
5 (Tabel A.8)
20
20
100,
0
%
622.
Citra
623.
624.
625.
6 (Tabel A.8)
24
20
83,3
%
626.
Citra
627.
628.
629.
7 (Tabel A.9)
18
15
83,3
%
630.
Citra
631.
632.
633.
8 (Tabel A.9)
22
20
90,9
634.
Citra
9 (Tabel A.9)
638.
635.
20
Rata-rata akurasi
636.
20
%
637.
100,
0
%
639.
89,0
1
%
640.
641.
dari hasil Printer (Tanpa Noise) m=0,5 v=0,5 dan
iterasi=100
644.
Hasil
645.
D
Aku
643.
642.
Citr
et
r
GroundT
a
ek
a
ruth
si
s
Te
i
pi
646.
Citra
647.
648.
649.
1 (Tabel
23
20
86,9
A.10)
%
650.
Citra
651.
652.
653.
2 (Tabel
21
20
95,2
A.10)
%
654.
Citra
655.
656.
657.
3 (Tabel
23
20
86,9
A.10)
%
658.
Citra
659.
660.
661.
4 (Tabel
24
20
83,3
A.11)
%
113
662.
Citra
5 (Tabel
A.11)
663.
20
664.
20
666.
Citra
6 (Tabel
A.11)
670.
Citra
7 (Tabel
A.12)
674.
Citra
8 (Tabel
A.12)
678.
Citra
9 (Tabel
A.12)
667.
23
668.
20
671.
23
672.
20
675.
23
676.
20
679.
20
680.
20
682.
Rata-rata akurasi
665.
100,
0
%
669.
86,9
%
673.
86,9
%
677.
86,9
%
681.
100,
0
%
683.
90,3
7
%
684.
685.
dari hasil Printer (Noise Sedikit) m=0,5 v=0,5 dan
iterasi=100
688.
689.
Hasil
Ak
687.
De
u
686.
Citr
GroundT
tek
r
a
ruth
si
a
Te
s
pi
i
690.
Citra
691.
692.
693.
1 (Tabel
A.13)
694.
Citra
2 (Tabel
A.13)
698.
Citra
3 (Tabel
A.13)
702.
Citra
4 (Tabel
A.14)
706.
Citra
5 (Tabel
A.14)
23
20
695.
23
696.
20
699.
23
700.
20
703.
26
704.
20
707.
20
708.
20
710.
Citra
6 (Tabel
A.14)
714.
Citra
7 (Tabel
A.15)
718.
Citra
8 (Tabel
A.15)
722.
Citra
9 (Tabel
A.15)
711.
24
712.
20
715.
23
716.
20
719.
24
720.
20
723.
20
724.
20
726.
728.
Rata-rata akurasi
86,9
%
697.
86,9
%
701.
86,9
%
705.
76,9
%
709.
100,
0
%
713.
83,3
%
717.
86,9
%
721.
83,3
%
725.
100.
0
%
727.
87,9
3
%
115
729.
dari hasil Printer (Garis yang Bersebelahan) m=0,5 v=0,5
dan iterasi=100
732.
733.
Hasil
Ak
731.
De
u
730.
Citr
GroundT
tek
r
a
ruth
si
a
Te
s
pi
i
734.
Citra
735.
736.
737.
1 (Tabel
23
20
86,9
A.16)
%
738.
Citra
739.
740.
741.
2 (Tabel
24
20
83,3
A.16)
%
742.
Citra
743.
744.
745.
3 (Tabel
23
20
86,9
A.16)
%
746.
Citra
747.
748.
749.
4 (Tabel
23
18
78,2
A.17)
%
750.
Citra
751.
752.
753.
5 (Tabel
20
20
100,
A.17)
0
%
754.
Citra
755.
756.
757.
6 (Tabel
23
20
86,9
A.17)
%
758.
Citra
759.
760.
761.
7 (Tabel
23
20
86,9
A.18)
%
762.
Citra
763.
764.
765.
8 (Tabel
23
20
86,9
A.18)
766.
Citra
9 (Tabel
A.18)
770.
767.
20
Rata-rata akurasi
768.
20
%
769.
100,
0
%
771.
88,4
8
%
772.
773.
774.
Jenis
Fil
ter
777.
Tanpa
no
ise
783.
Noise
sed
iki
t
789.
Garis
ya
ng
ber
seb
Tabel A. 25 Akurasi dari setiap jenis filter dan

noise yang digunakan
776.
Rata-rata
775.
Noise
akura
si
778.
Tidak
779.
Menggunakan Noise
89,48%
Gaussian
781.
Dengan
782.
Menggunakan Noise
90,37%
Gaussian
784.
Tidak
785.
Menggunakan Noise
88,30%
Gaussian
787.
Dengan
788.
Menggunakan Noise
87,93%
Gaussian
790.
Tidak
791.
Menggunakan Noise
89,01%
Gaussian
793.
Dengan
794.
Menggunakan Noise
88,48%
Gaussian
117
ela
ha
n
795.
Total rata-rata akurasi
796.
88.92%
797.
798.
799.
800.
801.
802.
803.
804.
805.
806.
807.
808.
809.
810.
811.
812.
813.
814.
Jenis
Fil
ter
818.
Tanpa
Tabel A. 26 Akurasi Berdasarkan Jenis Filter

yang Digunakan
817.
Ratarata
akur
816.
asi
815.
Noise
Ak
berd
asar
kan
jenis
filter
819.
Tidak
820.
821.
Menggunakan
89,
89,92%
no
ise
826.
Noise
sed
iki
t
834.
Garis
ya
ng
ber
seb
ela
ha
n
842.
Noise
Gaussian
823.
Denga
n
Menggunakan
Noise
Gaussian
827.
Tidak
Menggunakan
Noise
Gaussian
831.
Denga
n
Menggunakan
Noise
Gaussian
835.
Tidak
Menggunakan
Noise
Gaussian
839.
Denga
n
Menggunakan
Noise
Gaussian
844.
845.
846.
847.
848.
849.
850.
851.
824.
90,
828.
88,
832.
87,
829.
88,11%
836.
89,
840.
88,
837.
88,74%
843.
88.92%
119
852.
853.
854.
855.
856.
857.
858.
Tabel A. 27 Akurasi Berdasarkan Jenis Noise

yang Digunakan dan Total Akurasi
862.
Ratara
ta
ak
ur
as
860.
861.
i
859.
N
Jenis
Akuras
be
oise
Filter
i
rd
as
ar
ka
n
n
oi
se
863.
T
864.
865.
idak
Tanpa
89,48%
Menggu
noise
nakan
868.
869.
866.
Noise
Noise
88,30%
88,93
Gaussia
sedikit
%
n
872.
Garis yang
873.
bersebe
89,01%
lahan
875.
D
engan
Menggu
nakan
Noise
Gaussia
n
887.
889.
876.
Tanpa
noise
880.
Noise
sedikit
884.
Garis yang
bersebe
lahan
877.
90,37%
881.
87,93%
878.
88,92
%
885.
88,48%
888.
88,92
%
121
BIODATA PENULIS
890.
891.
M. Hilmil Muchtar Aditya Pradana, lahir di

Jombang pada tanggal 16 Mei 1992. Penulis
menempuh pendidikan mulai dari SDN
Tambakrejo
I
(1998-1999),
SDN
Candimulyo I (1999-2003), SDN Mancar I
(2003-2004), SMPN 2 Jombang (20042007), SMAN 2 Jombang (2007-2010) dan
S1 Teknik Informatika ITS (2010-2014).
892.
Selama masa kuliah, penulis
aktif dalam organisasi yang ada di
lingkungan kampus ITS yaitu Himpunan
Mahasiswa Teknik Computer-Informatika
(HMTC).
893.
Selain aktif dalam berorganisasi, penulis juga
mengikuti beberapa perlombaan dan menjadi finalis
diantaranya finalis GEMASTIK 2013 kategori data
mining. Penulis dapat dihubungi melalui email:
hilmil10@mhs.if.its.ac.id.
894.
895.
896.
897.
898.
899.

Buku Ta 5110100097

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Buku Ta 5110100097

Diunggah oleh

Hak Cipta:

Format Tersedia

TUGAS AKHIR KI091391

IMPLEMENTASI SISTEM CERDAS UNTUK

TUGAS AKHIR KI091391

IMPLEMENTASI SISTEM CERDAS UNTUK

(Halaman ini sengaja dikosongkan)

FINAL PROJECT KI091391

IMPLEMENTATION INTELEGENT SYSTEM FOR

(Halaman ini sengaja dikosongkan)

IMPLEMENTASI SISTEM CERDAS UNTUK

Dr. Eng. Chastine Fatichah, S.Kom., M.Kom. .......................

Isye Arieshanti, S.Kom., M.Phil.

(Halaman ini sengaja dikosongkan)

IMPLEMENTASI DETEKSI TEPI CITRA

%. Masing-masing metode deteksi tepi citra yang tidak

IMPLEMENTATION OF IMAGE EDGE

edge detection method with the location of the adjacent lines

pengalaman-pengalaman hidup yang pasti akan berguna bagi

2.3 Neural Network With Weighted Fuzzy Membership..........15

Struktur dari NEWFM...................................................16

Pseudocode Algoritma Pembelajaran.............................20

Ekstraksi Aturan Fuzzy..................................................21

2.4 Subpixel...............................Error! Bookmark not defined.

Program Utama...............Error! Bookmark not defined.

Proses Restorasi Citra.....Error! Bookmark not defined.

Pencarian Nilai A dan B. .Error! Bookmark not defined.

Pencarian Nilai SL, SM dan SR....Error! Bookmark not

Deteksi Tepi Citra yang Tidak Mempunyai Noise...Error!

Deteksi Tepi Citra yang Mempunyai Noise yang Sedikit

Deteksi Tepi Citra dengan Lokasi Garis yang

Perbesaran Citra..............Error! Bookmark not defined.

Pengubahan Nilai a,b dan c ke dalam Bentuk x dan y

Implementasi Deteksi Tepi Citra Berdasarkan Subpixel

Uji Kinerja Deteksi Tepi................................................57

BAB VI KESIMPULAN DAN SARAN.....................................61

(Halaman ini sengaja dikosongkan)

DAFTAR KODE SUMBER

Rumusan masalah yang dapat diangkat dalam Tugas

Permasalahan yang dibahas dalam Tugas Akhir ini

Tujuan dari Tugas Akhir ini adalah sebagai berikut:

Tugas Akhir ini dikerjakan dengan harapan agar

Tahapan-tahapan yang dilakukan dalam pengerjaan Tugas

sistem, mencari masalah yang mungkin timbul dan

BAB VI. KESIMPULAN DAN SARAN

(Halaman ini sengaja dikosongkan)

Diagnosis pada Penyakit Parkinson

Diagnosis pada penyakit parkinson adalah murni klinis

Gejala Motorik Penyakit Parkinson

Gejala penyakit parkinson dapat dibagi menjadi motorik

Gejala Non-Motorik Penyakit Parkinson

Gejalan non-motorik seperti sembelit, gangguan tidur dan

Penyakit parkinson adalah penyakit yang dapat diobati. Untuk

Proses informasi terjadi pada elemen yang sederhana

Sinyal melewati antara neuron melalui link koneksi.

Setiap koneksi link memiliki bobot, yang mana dalam

Setiap neuron menerapkan sebuah fungsi aktivasi kepada

Jaringan syaraf ditandai dengan (1) Pola hubungan antara

Gambar 2.1 Neuron Sederhana

Y , seperti pada Gambar

Activation (sinyal output) dari neuron tersebut adalah

x 3 . Bobot koneksi dari

sinyal dari neuron

adalah pertambahan dari bobot

fungsi jaringan input