PengenalanJenisPenyakitTHTdgLVQ PDF
PengenalanJenisPenyakitTHTdgLVQ PDF
[,hkek
5rc ,&-buat sistem pendiagnosa penyakit THT menggunakan Jaringan Learning Yector Quantizaton (LVQ). Input sistem
n-,*h gejala penyakit yang selanjutnya dikelompokkan menggunakan LVQ dengan 3 buah klaster. Hasil proses pelatihan
mn"i pusat klaster (vektor bobot) yang disimpan dalam file. Vektor bobot hasil pelatihan tersebut digunakan untuk
reryran. Berdasarkan hasil uji coba, nilai kebenaran terbaik adalah 94%.
b" frilci : LYQ, Pengenalan penyakit, klaster
(LVQ) i?i:]i1.i:;a'Etri salaiil metode jika T:Q maka w.; (baru): w I (lama) + c
Quantization
klasifikasi pola yang masing-n:asing unit output llx-w: ll
mewakili kategori atau k-elas terteiltu. Vektor jika TlC, maka w.;(baru)= w.i(lama) - u llx-
bobot untuk unit output sering disebut vektor wl ll
referensi unhrk kelas yang ciin-vatakan oleh unit 5. Kurangi laju pelatihan (u = o - Deco I s =
tersebut. LVQ mengklasifikasikan vektor input u*Dec o)
dalam kelas yang sama dengan rinit otttput yang 6. Uji syarat berhenti (cacah iterasi atau laju
memiliki vektor bobot yarrg paling dekat dengan pelatihan)
vektor input (Widodo 2005). Ii*strasi dari
jaringan LVQ dapat dilihat pada q-laml]ar 1
3. Rancangan Penyelesaian
,t${t r{t!*r url Secara umum langkah yang dilakukan dalam
ffi {fiG}- d'+x{ii;1,! ii
pembuatan sistem dapat dijabarkan menjadi bebe-
rapa langkah seperti dalam gambar berikut.
li {r;tl - trslt'i il
e tsIi*o
->
n. lPengenalanJenisPenyakitTHfL4engg';nakanjaringan LcarningVectorQuantization
tz
lEnny Itje Sela. Sri Hanati
Pada lapisan input tidak terjadi proses perhitungan
apapun. Proses porhitungan terladi di lapisan
tersembunyi/kompetitif.
Arsitektur.lafiureaa o Pelatihan
Arsitektur JST ini menggunakan jumlah neuron Pelatihan dilakukan menggunakan jaringan saraf
pada lapisan input : i3; jumlah node pada lapisan
LVQ . Jumlah klaster yang dipakai pada sistem ini
output : 3, dan jumlah lapisan tersembunyi = 3.
didiagnosa. Langkah yang dikerjakan adalah: -1.8086 0.3827 -2.5883 -1.5054 -0.6516 -1.6073
1. Fanggil data pelatihan (latih3.txt) 1.1052 -0.1349 0.8358 1.2751 -1.3840 0.6706
2. Tetapkan nilai parameter rninirnum alfa dan -1.5070 -0.8884 -2.1594 -0.7259 -1.1335 -1.4205 -
penurunan alfa 0.1895 2.1383 -0.6281 2.6408 1.8459 -0.6248
-0.1171 -0.4800 -2.068s 1.0700 1.0608 -1.0513
3. Tetapkan nilai parameter penurunan alfa 4.4309 1.08i4 -0.0668 1.9211 -1.2793 1.3412
4. Inisialisasi klaster awal
5. Mencari jarak vektr:r Column i3
6. Tentukan klaster data dengan memilih jarak
0.9331
vektor yang minimum -r.6795
7. Selama (alfa>=MinAlfa), hitung nilai 0.6198
bobot dan perubahan nilai alfa
8. Simpan bobot akhir dalam file bobotl l txt simpan hasil ? (y/t) :$
Simpan bobot akhir di file bobotl l.dat
" Pengujian
Setelah dihasilkan bobot akhir, tahap selanjutnya Modul yang kedua bernama UjiLVQl.m, digunakan
adalah pengujian. Langkahnya adalah sebagai untuk melakukan proses pengujian. Sedangkan
berikut: program utama berisi scrip untuk menampilkan
menu serta pemanggilan modul LatihLVQ dan
l. Panggil file bobot aktrir (bobotl l.txt)
ujiLVQl.
2. Panggil data yang akan diuji (latih3.txt;
ujitht2.txt, ujisingle l.txt)
3. Mencari jarak vektor Testing pada Multi Data
4. Tentukan klaster data dengan noemilih jarak Data ke- Klasterl Klaster2 Klaster3 Target
vektor yang minimum Hasil
5. Tampilkan hasil diagnosa
modul dan sebuah program utama. Modul pertama 4 5.5590 s.8486 6.1963 I I
digunakan untuk proses pelatiharr, disirnpan dengan 5 5.3079 6.1612 6.1347 I 1
at
/u lpengcnalan Jenis Penyakit THT Meriggunakan Jaringan Leaming
Vector Quantization
lEnny Itje Sela, Sri Hartati