Novita Handayani
w0k = k (11)
Tabel 1. Pengelompokan Algoritma Berdasarkan
kirimkan k ini ke unit-unit yang ada di Notasi O-Besar [6]
lapisan bawahnya.
Kelompok Nama
e. Tiap-tiap unit tersembunyi (Zj, Algoritma
j=1,2,3,...,p) menjumlahkan delta O(1) konstan
inputnya (dari unit-unit yang berada pada O(log n) logaritmik
lapisan di atasnya): O(n) lanjar
m
(.12) O(n log n) n log n
_ inj kw jk O( ) kuadratik
k 1
O( ) kubik
kalikan nilai ini dengan turunan dari O(2 ) eksponensial
fungsi aktivasinya untuk menghitung O(n!) faktorial
informasi error:
j = _inj f(z_inj) (13) Urutan spektrum kompleksitas waktu algoritma
adalah :
kemudian hitung koreksi bobot (yang O(1)<O(log n) < O(n)< O(n log n) < O( ) O( )<...<O(2 )<O(n!)
nantinya akan digunakan untuk
memperbaiki nilai vij): algoritma polinomial algortima eksponensial
vjk = j xi (.14)
Penjelasan masing-masing kelompok algoritma
hitung juga koreksi bias (yang nantinya dapat dilihat pada Tabel 2.
akan digunakan untuk memperbaiki nilai
v0j): Tabel 2 Kelompok Algoritma dan
Penjelasannya[6]
v0j = j (15)
Kelompok Penjelasan
f. Tiap-tiap unit output (Yk, k=1,2,3,...,m) Algortima
memperbaiki bias dan bobotnya O(1) Kompleksitas O(1) berarti waktu
(j=0,1,2,...,p): pelaksanaan algoritma adalah tetap,
wjk(baru) = wjk(lama) + wjk (16) tidak bergantung pada ukuran
masukan.
Tiap-tiap unit tersembunyi (Zj,
O(n) Algoritma yang waktu pelaksanaannya
j=1,2,3,...,p) memperbaiki bias dan
lanjar umumnya terdapat pada kasus
bobotnya (i=0,1,2,...,n):
yang setiap elemen masukannya
vij(baru) = vij(lama) + vij (17) dikenai proses yang sama, misalnya
algoritma pencarian_beruntun. Bila n
2. Tes kondisi berhenti dijadikan dua kali semula, maka waktu
pelaksanaan algoritma juga dua kali
2.1.3 Analisis Algoritma Asimptotik semula.
Kompleksitas algoritma terdiri dari waktu dan ruang. O( ) Algoritma yang waktu pelaksanaannya
Kompleksitas waktu asimptotik merupakan waktu kuadratik hanya praktis digunakan
yang dibutuhkan suatu Algoritma menyelesaikan untuk persoalana yang berukuran
tiap langkahnya. Setiap Algoritma memiliki
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) 4
Edisi.,Volume,. Bulan.. ISSN : 2089-9033
kecil. Umumnya algoritma yang Sebagai contoh perhitungan diambil matriks 3 x 3
termasuk kelompok ini memproses pixel dari citra MRI kanker otak diambil pada
setiap masukan dalam dua buah kalang koordinat ((25,25), (25,26), (25,27), (26,25), (26,26),
bersarang, misalnya pada algoritma (26,27), (27,25), (27,26), (27,27)), terlihat seperti
urut_maks. Bila n = 1000, maka waktu gambar 3, matriks dari citra tersebut akan diubah
pelaksanaan algoritma adalah menjadi citra keabuan.
1.000.000. Bila n dinaikkan menjadi x/y 25 26 27
dua kali semula, maka waktu
25 (175,169,197) (174,168,196) (166,157,188)
pelaksanaan algoritma meningkat
menjadi empat kali semula. 26 (200,194,222) (200,194,222) (195,186,217)
1
0
0
0
0
0
0
0
0
Gambar 9 Vektor Citra Otak Normal Gambar 12. Arsitektur
Backpropagation Yang Digunakan
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) 6
Edisi.,Volume,. Bulan.. ISSN : 2089-9033
2. Setelah didapatkan bobot hasil
Langkah-langkah proses pembelajaran adalah pembelajaran, lakukan proses pengenalan
sebagai berikut : dengan menggunakan perambatan maju
1. Tentukan nilai maksimum perulangan, rasio (Feedforward)
pembelajaran, dan error minimum. Pada 3. Nilai z hasil perhitungan pada proses
contoh perhitungan ini digunakan batasan feedforward menjadi hasil pengenalan.
sebagai berikut: Diketahui batas ambang (threshold)
Maksimum perulangan = 2 Threshold=0.5, artinya jika nilai y >= 0.5
Rasio pembelajaran = 0.5, dengan range 0- maka dijadikan 1. Target 1 merupakan
1, maka dalam contoh kasus ini dipilih nilai target untuk klasifikasi kanker , dan
0.5 sebagai rasio pembelajaran sebaliknya jika nilai y < 0.5 maka dijadikan
Error minimum = 0.01 0. Target 0 merupakan target untuk
2. Inisialisasikan bobot awal dengan nilai klasifikasi normal. Nilai y={0.9379}, maka
random dengan interval 0-1 hasil z ={1}, artinya data uji merupakan
3. Perulangan dilakukan selama nilai citra dengan klasifikasi kanker.
perulangan lebih kecil dari maksimal 2.2.5 Analisis Kompleksitas Waktu Asimptotik
perulangan dan kuadrat error lebih besar Metode Backpropagation
dari nilai error minimum. Setiap data Perhitungan kompleksitas waktu asimptotik
dilakukan perulangan perhitungan langkah metode backpropagation dapat dihitung dengan
4 dan langkah 5. menelusuri setiap langkah metode backpropagation
4. Perambatan maju (feedforward) pada pseudocode-nya, sebelum dilakukan proses
perulangan ke-1 pembelajaran menggunakan metode
Data ke-1 backpropagation dilakukan proses preprocessing.
5. Perambatan Mundur ( backpropagation) Berikut adalah algoritma preprocessing sebelum
Pada data kedua dilakukan operasi-operasi dilakukan proses pembelajaran menggunakan
yang sama dengan menggunakan bobot-bobot metode backpropagation.
akhir hasil pengolahan data pertama ini sebagai Berdasarkan hasil perhitungan Big-O dari grayscale
bobot-bobot awalnya. Proses ini dilakukan adalah
secara berulang sampai pada maksimum O (n) . O (n) + O(1) + O(1) + O(1) + O(1) + O(1) =
perulangan atau kuadrat error < target error. O(n2)
2.2.4 Pengenalan Hasil dari perhitungan notasi Big-O dari graysale
Pengenalan merupakan proses yang dilakukan adalah O(n2) dan termasuk kedalam kelompok
untuk mengenali citra uji. Sebagai contoh kasus kuadratik, waktu pelaksanaan algoritmanya menjadi
terdapat citra kanker otak untuk citra uji berukuran 4 kali semula.
3 x 3 pixel yang telah di-preprocessing terlebih Berdasarkan hasil perhitungan Big-O dari threshold
dahulu, dan diubah dari matriks menjadi array satu adalah
dimensi terlihat seperti gambar 13 O (n) . O (n) + O(1) + O(1) + O(1) + O(1) + O(1)
+ O(1) + O(1) + O(1) = O (n2)
0 Hasil dari perhitungan notasi Big-O dari
0 threshold adalah O(n2) dan termasuk kedalam
0 kelompok kuadratik, waktu pelaksanaan
algoritmanya menjadi 4 kali semula.
0
Setelah dilakukan preprocessing maka
1 dilakukan perhitungan menggunakan metode
1 backpropagation yang terdiri dari proses
1 pembelajaran dan pengenalan. Pseudocode
1 pembelajaran backpropagation dan perhitungan nilai
Big-O terlihat pada tabel 3.5
1
Best Case = 100n { 1 + n ( n ( 1 + 1 + n . 1) + 1 + 1
Gambar 13 Array Citra Uji +n.1+n.1+1+1+1+1+1+n.1+n.n.1+
Langkah langkah proses pengenalan adalah sebagai n . 1 + n . 1 + n. 1 + n.n.1 + n.n.1 + n.n.1+1} = 100n
berikut : + n 20
1. Lakukan proses pembelajaran terlebih Worst Case = 1000n { 1 + n ( n ( 1 + 1 + n . 1) + 1 +
dahulu menggunakan perambatan maju dan 1+n.1+n.1+1+1+1+1+1+n.1+n.n.1
perambatan mundur, proses pembelajaran + n . 1 + n . 1 + n. 1 + n.n.1 + n.n.1 +
sama dengan penjelasan pada sub-bab n.n.1+1}=1000n+n 20
3.2.3. Proses pembelajaran telah dilakukan Didapatkan kompleksitas waktu asimptotik dari
dan didapatkan bobot-bobot hasil proses pembelajaran yaitu:
pembelajaran. O (1000) + O (n20) = O (n20)
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) 7
Edisi.,Volume,. Bulan.. ISSN : 2089-9033
O (n20) hampir mirip dengan O (n2) termasuk Tabel 5 Hasil Pengujian Kombinasi Parameter II
kedalam kelompok kuadratik, waktu pelaksanaan No Nama Dikenali Akurasi Waktu
algoritmanya menjadi 4 kali semula. Gambar oleh (ms)
Berdasarkan hasil perhitungan Big-O dari proses sistem
pengenalan adalah 1 Kanker1 Kanker 62% 30
n . 1 + 1 + n . 1 + 1 + n. 1 + n . 1 + 1 = 4n 2 Kanker2 Kanker 62% 30
Karena n 1 maka termasuk O (n). Nilai dari 3 Kanker3 Kanker 62% 30
kompleksitas pengenalan metode backpropagation 4 Kanker4 Kanker 62% 26
yang dihasilkan dari perhitungan Big-O adalah O(n) 5 Kanker5 Kanker 62% 30
atau disebut lanjar. Algoritma yang waktu 6 Normal1 Normal 62% 30
pelaksanaannya lanjar maka waktu pelaksanaan 7 Normal2 Normal 60% 30
algoritmanya dua kali semula. Lanjar termasuk 8 Normal3 Normal 40% 30
dalam urutan spektrum kompleksitas waktu 9 Normal4 Normal 50% 26
algoritma polinomial yaitu algoritma yang
10 Normal5 Normal 62% 30
performansinya baik.
Rata-rata 58.4% 29.2
2.3 Hasil Penelitian Pengujian untuk kombinasi parameter III terlihat
Rencana pengujian performansi yang akan pada tabel 6
dijalankan pada simulator ini merupakan pengujian Tabel 6 Hasil Pengujian Kombinasi Parameter
dengan menggunakan berbagai kombinasi parameter III
pembelajaran, terlihat pada tabel 3 No Nama Dikenali Akura Waktu
Gambar oleh si (ms)
Tabel 3 Rencana Pengujian Performansi sistem
Kombinasi Parameter Nilai 1 Kanker1 Kanker 60% 28
I Maksimal Perulangan 50 2 Kanker2 Kanker 40% 30
Rasio Pembelajaran 0.5 3 Kanker3 Kanker 50% 26
Minimal Error 0.1 4 Kanker4 Kanker 62% 30
II Maksimal Perulangan 100 5 Kanker5 Kanker 62% 29
Rasio Pembelajaran 1 6 Normal1 Normal 62% 30
Minimal Error 0.01 7 Normal2 Normal 38% 30
III Maksimal Perulangan 500 8 Normal3 Normal 45% 30
9 Normal4 Normal 64% 30
Rasio Pembelajaran 1
Minimal Error 0.001 10 Normal5 Normal 70% 30
Rata-rata 55.3% 29.3
Pengujian untuk kombinasi parameter I terlihat pada
tabel 4. Kesimpulan hasil pengujian performansi didapatkan
Tabel 4. Hasil Pengujian Kombinasi Parameter I tingkat akurasi rata-rata dari ketiga kombinasi
No Nama Dikenali Akurasi Waktu parameter sebesar 57% dan waktu pengenalan rata-
Gambar oleh (ms) rata sebesar 29.5 milisecond.
sistem Pengujian waktu pembelajaran bertujuan untuk
1 Kanker1 Kanker 60% 29 menyamakan hasil analisis kompleksitas waktu
2 Kanker2 Kanker 58% 30 asimptotik dengan implementasinya, pada pengujian
3 Kanker3 Kanker 62% 30 ini menggunakan parameter pembelajaran yaitu
4 Kanker4 Kanker 62% 30 maksimal perulangan=100, rasio pembelajaran=0.5,
5 Kanker5 Kanker 62% 30 dan minimal error=0.01 . Pengujian waktu
pembelajaran terlihat seperti tabel 7
6 Normal1 Normal 62% 30
7 Normal2 Normal 62% 29
8 Normal3 Normal 38% 30
9 Normal4 Normal 45% 31
10 Normal5 Normal 64% 31
Rata -rata 57.5% 30
2500
[3] Arif Riantini S, ITT Telkom, Deteksi Tumor
2000 Otak Berdasarkan Citra Magnetic Resonance
1500 Imaging (MRI) Berbasis Jaringan Syaraf Tiuan
1000 Radial Basis Function (RBF).
500 [4] Kusumadewi, 2003 , Artificial Intelligence (
0 Teknik dan Aplikasinya ), Graha Ilmu :
1 5 10 15 20 25 30 35 40 Yogyakarta.
[5] Putra Darma, 2010, Pengolahan Citra Digital,
Jumlah Citra Latih ANDI : Yogyakarta.
[6] Adam Mukharil Bachtiar, Diktat Perkuliahan
Gambar 14. Grafik Waktu Pembelajaran Analisis Algoritma, Universitas Komputer
Terhadap Jumlah Data Latih Indonesia, Bandung.
[7] Tom M.Mitchell, 1997, Machine Learning,
Berdasarkan pengujian proses pembelajaran dapat McGraw-Hill Science.
ditarik sebuah kesimpulan semakin sedikit citra latih
maka waktu yang digunakan juga sedikit, dan
semakin banyak citra latih maka waktu yang
digunakan juga semakin lama.
3. PENUTUP
Berdasarkan hasil yang didapat dalam
penelitian dan penyusunan skripsi ini serta
disesuaikan dengan tujuannya, maka diperoleh
kesimpulan, tingkat akurasi rata-rata 57% artinya
tingkat akurasi yang dihasilkan pada penelitian ini
masih kurang baik, dan rata-rata waktu pengenalan
30 milisecond dengan menggunakan 10 data uji
dengan 5 data normal dan 5 data kanker, hal tersebut
terjadi karena arsitektur jaringan syaraf tiruan yang
digunakan dan inisialisasi bobot-bobot awal yang
digunakan belum cukup baik . Performansi yang
dihasilkan pada penelitian ini cukup, tetapi ada
ketidaksinkronan antara hasil akurasi dan
performansi, hal tersebut terjadi akibat perbedaan
arsitektur compiler pada saat implementasi, dan
perbedaan implementasi antara struktur data dan
arsitektur jaringan syaraf tiruan yang digunakan.