Jurnal Teknik Elektro Vol. 1 No.

1 11
Januari Juni 2009

Arif Jumarwanto
Rudy Hartanto, Dhidik Prastiyanto

Artificial neural network (ANN) is a modern computing paradigm. That can be used for the pattern
recognition and other. Backpropagation is artificial neural network which using hidden layer addition.
Computation of artificial neural network through some certain step like training phase and examination.
After both the step reached, so a neural network capable to recognize pattern to be entered will be found.
The purpose of this research is simulation of artificial neural network that capable to pattern
recognition from output of electrocardiogram by helped of MATLAB program. Input of result
electrocardiogram record, then input of data can be normalization after that data can be proccesed by
backpropagation computing with two step (training phase and examination phase). Output of ANN is like
explaning condition of patient is normal, rhinitis kronis or epistaksis.

berdasarkan gejala klinis. Jaringan syaraf tiruan

! merupakan topologi yang cukup
Salah satu permasalahan yang ada di popular dan paling banyak dipakai untuk
masyarakat adalah semakin banyaknya jenis berbagai aplikasi terutama pengenalan pola.
penyakit yang bermunculan. Salah satu jenis Jaringan syaraf tiruan adalah
penyakit yang sering dijumpai di masyarakat jenis dimana output dari
adalah penyakit THT. Hal ini dikarenakan banyak jaringan dibandingkan dengan target yang
penyakit sistematis yang bermanifestasi di daerah diharapkan sehingga diperoleh output,
telinga, hidung dan tenggorokan. Penelitian ini kemudian ini dipropagasikan balik untuk
dikhususkan untuk memprediksi jenis penyakit memperbaiki bobot jaringan dalam rangka
THT pada bagian hidung, yaitu dan meminimasi . Pada sistem prediksi penyakit
. THT dan berbasis
Nafas manusia dimulai dari lubang jaringan saraf tiruan keberhasilan tergantung
hidung. Usaha bernafas menghantarkan udara pada data data yang telah diberikan pada fase
lewat saluran pernafasan atas dan bawah kepada pelatihan.
elveoli paru dalam volume, tekanan kelembaban,
suhu dan kebersihan yang cukup untuk " #$# !
menjamin suatu kondisi ambil oksigen yang Bertitik tolak dari latar belakang masalah
optimal, dan pada proses sebaliknya juga tersebut di atas, skripsi yang akan dibuat
menjamin proses eliminasi karbondioksida yang dapat dirumuskan sebagai berikut :
optimal, yang diangkut ke alveoli lewat aliran 1. Bagaimana merancang arsitektur jaringan
darah. syaraf tiruan sehingga
Pada skripsi ini jaringan syaraf tiruan dapat memprediksi penyakit THT rinitis
yang akan dicoba diterapkan kronis dan epistaksis ?
untuk diagnosis awal suatu penyakit yang 2. Bagaimana tingkat akurasi yang dihasilkan
berkembang di masyarakat yaitu THT bagian dari jaringan syaraf tiruan tersebut
hidung yaitu dan terkait dengan pengenalan pola dari
12 Jurnal Teknik Elektro Vol. 1 No.1
Januari Juni 2009

penyakit THT rinitis kronis dan epistaksis 1.7.1 Bagian awal, berisi : halaman sampul
? depan, halaman judul, halaman pengesahan,
% ! prakata, daftar isi, daftar tabel, daftar
Batasan masalah dalam penulisan skripsi ini gambar, daftar lampiran, arti lambang (jika
adalah: ada), singkatan, dan instisari.
1. Penyakit yang dibahas dalam penelitian 1.7.2 Bagian utama skripsi :
ini dikhususkan untuk penyakit hidung BAB I : PENDAHULUAN
yaitu Meliputi latar belakang permasalahan yaitu
2. Jaringan syaraf yang digunakan adalah latar belakang jaringan saraf tiruan, penyakit
backpropagation THT terutama dan .
3. Program dibuat dengan matlab 7.04 Berdasarkan latar belakang masalah
& #'# ( ( tersebut, penulis menyusun rumusan
Adapun tujuan dari penelitian ini adalah masalah yang diperjelas dengan pembatasan
1 Merancang arsitektur jaringan syaraf masalah yang akan diangkat dalam tugas
tiruan yang dapat memprediksi penyakit akhir ini. Manfaat penelitian akan dapat
THT rinitis kronis dan epistaksis. dirasakan apabila tujuan penelitian telah
2. Menghitung tingkat akurasi / kehandalan tercapai. Metodologi penelitian merupakan
jaringan syaraf tiruan yang dibuat tahapan dalam menuntun penulis dalam
mencapai tujuan skripsi
) * ( ( BAB II : LANDASAN TEORI
Manfaat yang akan diperoleh dari Berisi teori teori pendekatan yang digunakan
penelitian ini adalah membantu kerja para untuk menganalisis masalah dan teori yang
ahli dibidangnya terutama dipakai dalam mengolah data yang digunakan
dalam penelitian. Uraian pada landasan teori
ini akan menunjukan bahwa permasalahan
+ ( ( yang diteliti memiliki dasar teori dan dapat
Metode yang dilakukan dalam penelitian ini dipecahkan melalui penelitian yang akan
adalah metode pengumpulan data dengan dilakukan penulis.
melaksanakan kegiatan sebagai berikut: BAB III : PERANCANGAN SISTEM
1. Wawancara dengan pihak–pihak yang Bab ini merupakan tahap dasar dari
terkait dengan permasalahan yang diteliti, pencapaian tujuan yaitu aplikasi jaringan
dalam hal ini adalah dari bagian diklit, saraf tiruan untuk
Unit penyakit THT dirumah sakit Mardi memprediksi penyakit THT terutama
Rahayu Kudus. dan . Bab ini berisi
2. Observasi atau pengumpulan data pasien penjabaran perancangan system yang terdiri
yang terjangkit penyakit THT terutama dari perangkat perancangan sistem,
dan identifikasi sistem, data pelatihan, data
3. Studi literatur dengan mencari literatur pengujian, dan perancangan JST
dan artikel yang menunjang penyusunan untuk memprediksi penyakit
skripsi baik itu tentang penyakit THT dan THT terutama dan .
tentang jaringan syaraf tiruan. BAB IV : HASIL DAN PEMBAHASAN
Bab Meliputi pembahasan prosedur
, ( $ ( #( pembuatan program sebagai wujud dari
Penulisan skripsi ini terbagi menjadi tiga penggunaan aplikasi jaringan saraf tiruan.
bagian yang mencakup bagian awal, bagian Program disusun mulai dari pembentukan
utama yang terdiri atas lima bab, dan bagian neuron input sampai dengan proses prediksi
akhir.
Jurnal Teknik Elektro Vol. 1 No.1 13
Januari Juni 2009

suatu penyakit yaitu dihasilkannya produk

yang sama dengan target. Keluhan subyektif
BAB V : PENUTUP yang sering ditemukan pada pasien biasanya
Bab ini berisi kesimpulan serta saran, napas bau, pasien menderita anosmia, ingus
kesimpulan merupakan hasil dari analisis kental hijau, kusta hijau, gangguan
data serta perancangan dan implementasi penciuman, sakit kepala, dan hidung
program. Berdasarkan tujuan awal tugas tersumbat. Gambar penyakit rinitis kronis
akhir kesimpulan harus dapat mencapai poin ditunjukan oleh gambar dibawah ini
tujuan tersebut. Salah satu dari poin tujuan
adalah menghasilkan metode untuk prediksi
awal suatu penyakit dengan mengaplikasikan
jaringan saraf tiruan. Saran dari tugas akhir
ini merupakan dasar dari pengembangan
penelitian selanjutnya yang belum sampai
dibahas dalam tugas akhir ini.

-
" . ( / ( # / 0 ! "##$%
Banyak penyakit sistematis yang 1 $2 3 ( ( ( ( (
bermanifestasi di daerah telinga, hidung dan
tenggorokan. Demikian juga sebaliknya. Jenis "" (4 ( * ( #
penyakit yang menyerang telinga antara lain : ( 4 ( * ( #
Menurut Hermawan, Arief . 2006 .
Sedangkan yang menyerang
Jaringan Syaraf Tiruan, Teori dan Aplikasi.
bagian hidung antara lain :
“Jaringan syaraf tiruan didefinisikan sebagai
Pada bagian
suatu sistem pemrosesan informasi yang
tenggorokan antara lain:
mempunyai karakteristik menyerupai

Hidung bekerja sebagai indera pencium jaringan saraf manusia”. Jaringan saraf

dengan adanya pada atap tiruan tercipta sebagai suatu generalisasi

rongga hidung, konka superior dan sepertiga model matematis dari pemahaman manusia
bagian atas septum. Partikel bau dapat ( ) yang didasarkan atas
mencapai daerah ini dengan cara difusi asumsi sebagai berikut :
dengan palut lendir atau bila menarik nafas 1. Pemrosesan informasi terjadi pada
dengan kuat. elemen sederhana yang disebut .
adalah perdarahan dari 2. Isyarat mengalir di antara sel saraf /
hidung yang terjadi akibat lokal ataupun neuron melalui suatu sambungan
sebab sistemik. Diagnosis awalnya biasanya penghubung.
karena penyakit , kelainan 3. Setiap sambungan penghubung memiliki
darah, infeksi sistemik, gangguan endokrin, bobot yang bersesuaian.
ataupun kelainan 4. Setiap sel saraf akan merupakan fungsi
Sedangkan penyakit aktivasi terhadap isyarat hasil
merupakan suatu penyakit infeksi hidung penjumlahan berbobot yang masuk
kronik dengan tanda adanya kepadanya untuk menentukan isyarat
tulang dan . Mukosa hidung keluarannya.
menghasilkan secret kental dan cepat
mengering, sehingga terbentuk berbau 2 $ 4 ( * ( #
busuk. Penyebabnya bisa berupa
14 Jurnal Teknik Elektro Vol. 1 No.1
Januari Juni 2009

Jaringan syaraf terdiri atas beberapa mendapatkan keseimbangan antara

dan ada hubungan antara neuron– kemampuan jaringan untuk mengenali pola
neuron tersebut. & adalah sebuah unit yang digunakan selama pelatihan serta
pemroses informasi yang menjadi dasar kemampuan untuk memberikan respon yang
pengoperasian jaringan syaraf tiruan. Syaraf
benar terhadap pola masukan yang serupa
adalah sebuah unit pemroses informasi
dengan pola yang dipakai selama pelatihan.
dengan tiga elemen dasar yaitu :
( # 4 5 3 3 (
1. Satu set link yang terhubung
2. Sebuah penjumlah untuk menghitung
besarnya penambahan pada sinyal
masukan
3. Sebuah fungsi aktivasi untuk membatasi
banyaknya keluaran pada syaraf
Sebagian besar jaringan syaraf
melakukan penyesuaian bobot–bobotnya
selama menjalani pelatihan. Pelatihan dapat
berupa pelatihan terbimbing (
) di mana diperlukan pasangan
masukan–sasaran untuk tiap pola yang
dilatihkan. Jenis kedua adalah pelatihan tak
terbimbing ( ). Gambar
1 $2 % ' ( 2 5 3 3 (
2.2 dibawah ini menggambarkan model
jaringan syaraf tiruan.
Backpropagation memiliki beberapa
unit yang ada dalam satu atau lebih lapis
tersembunyi. Gambar 2.3 diatas adalah
arsitektur dengan n buah
masukan (X1, X2, X3, ......., Xn) ditambah
sebuah bias, sebuah lapis tersembunyi yang
terdiri dari j unit ditambah sebuah bias, serta
k buah unit keluaran.

( $ 5 3 3 (
Pelatihan backpropagation meliputi tiga fase.
6 7 ' ( )
Selama propagasi maju, sinyal
masukan (= xi) dipropagasikan ke lapis
tersembunyi menggunakan fungsi
1 $2 " 4 ( * ( #
aktivasi yang ditentukan. Keluaran dari
setiap unit lapis tersembunyi (= zj)
5 4 ( * ( # 5 3 3 (
tersebut selanjutnya dipropagasikan maju
JST dengan layar tunggal memiliki lagi ke lapis tersembunyi di atasnya
keterbatasan dalam pengenalan pola. menggunakan fungsi aktivasi yang
Kelemahan ini bisa ditanggulangi dengan ditentukan. Demikian seterusnya hingga
menambahkan satu atau beberapa layar menghasilkan keluaran jaringan (= yk).
tersembunyi diantara layar masukan dan Berikutnya, keluaran jaringan (= yk)
layar keluaran. Jaringan syaraf tiruan dibandingkan dengan target yang harus
backpropagation (JST BP) melatih jaringan dicapai (= tk). Selisih tk yk adalah
Jurnal Teknik Elektro Vol. 1 No.1 15
Januari Juni 2009

kesalahan yang terjadi. Jika kesalahan ini Bobot awal akan mempengaruhi apakah
lebih kecil dari batas toleransi yang jaringan mencapai titik minimum lokal atau
ditentukan, maka iterasi dihentikan. global, dan seberapa cepat konvergensinya.
Akan tetapi apabila kesalahan masih Bobot yang menghasilkan nilai turunan
lebih besar dari batas toleransinya, maka aktivasi yang kecil sedapat mungkin dihindari
bobot setiap garis dalam jaringan akan karena akan menyebabkan perubahan
dimodifikasikan untuk mengurangi bobotnya menjadi sangat kecil. Demikian pula
kesalahan yang terjadi. nilai bobot awal tidak boleh terlalu besar
6 7 ' ( karena nilai turunan fungsi aktivasinya
Berdasarkan kesalahan tk yk, menjadi sangat kecil juga.
dihitung faktor δk (k=1, 2, …, m) yang "0 4#$ ! # ( $2# (
dipakai untuk mendistribusikan Hasil teoritis yang didapat menunjukkan
kesalahan di unit yk ke semua unit bahwa jaringan dengan sebuah lapis
tersembunyi yang terhubung langsung tersembunyi sudah cukup bagi
dengan yk. δk juga dipakai untuk untuk mengenali sembarang
mengubah bobot garis yang perkawanan antara masukan dan target
menghubungkan langsung dengan unit dengan tingkat ketelitian yang ditentukan.
keluaran. Akan tetapi panambahan jumlah lapis
Dengan cara yang sama, dihitung δj tersembunyi kadangkala membuat pelatihan
di setiap unit di lapis tersembunyi sebagai lebih mudah dan bisa jadi pelatihan dapat
dasar perubahan bobot semua garis yang lebih mencapai target.
berasal dari unit tersembunyi di lapis di %0 4#$ ! 3 3 (!
bawahnya. Demikian seterusnya hingga Tidak ada kepastian tentang berapa banyak
faktor δ di unit tersembunyi yang pola yang diperlukan agar jaringan dapat
berhubungan langsung dengan unit dilatih dengan sempurna. Jumlah pola yang
masukan dihitung. dibutuhkan dipengaruhi oleh banyaknya
6 7 ' bobot dalam jaringan serta tingkat akurasi
Setelah semua faktor δ dihitung, yang diharapkan.
bobot semua garis dimodifikasi &0 $ ( (
bersamaan. Perubahan bobot suatu garis Tujuan utama penggunaan backpropagation
didasarkan atas faktor δ neuron di lapis adalah mendapatkan keseimbangan antara
atasnya. Sebagai contoh, perubahan penganalan pola pelatihan secara benar dan
bobot garis yang menuju ke lapis respon yang baik untuk pola lain yang
keluaran didasarkan atas dasar δk yang sejenis. Jaringan dapat dilatih terus menerus
ada di unit keluaran. hingga semua pola pelatihan dikenali dengan
Ketiga fase tersebut diulang ulang terus benar. Akan tetapi hal itu tidak menjamin
hingga kondisi penghentian dipenuhi. Umumnya jaringan akan mampu mengenali pola
kondisi penghentian yang sering dipakai adalah pengujian dengan tepat. Jadi tidaklah
jumlah iterasi atau kesalahan. Iterasi akan bermanfaat untuk meneruskan iterasi hingga
dihentikan jika jumlah iterasi yang dilakukan semua kesalahan pola pelatihan sama dengan
sudah melebihi jumlah maksimum iterasi yang 0 (nol).
ditetapkan, atau jika kesalahan yang terjadi )0 $ '# 3 (!
sudah lebih kecil dari batas toleransi yang Parameter laju pelatihan ( ) sangat
diijinkan. berpengaruh pada proses pelatihan. Begitu
pula terhadap efektivitas dan kecepatan
* -3 ($ ( ' ( 2 5 3 3 ( mencapai konvergensi dari pelatihan. Nilai
0 $( (! 2 2 2( optimum dari tergantung
16 Jurnal Teknik Elektro Vol. 1 No.1
Januari Juni 2009

permasalahan yang diselesaikan, prinsipnya Variasi lain yang dapat dilakukan pada
dipilih sedemikian rupa sehingga tercapai standar backpropagation adalah merubah
konvergensi yang optimal dalam proses bobotnya sekaligus setelah semua pola
pelatihan. dimasukkan. Prosedur ini memberikan efek
Nilai yang cukup kecil menjamin yang lebih halus dalam perubahan bobot.
penurunan terlaksana dengan baik, Dalam beberapa kasus, variasi perubahan ini
namun ini berakibat bertambahnya jumlah akan meningkatkan kemungkinan
iterasi. konvergensi ke titik minimum lokal.

! #$ :# :#
8 ( ( 5 3 3 (
Variasi ini biasa digunakan untuk keperluan Kesalahan pada keluaran jaringan
khusus, atau teknik modifikasi bobot untuk merupakan selisih antara keluaran
mempercepat pelatihan dalam kasus tertentu. sebenarnya dengan keluaran yang diinginkan.
Beberapa variasi backpropagation Selisih yang dihasilkan antara keduanya
diantaranya adalah : biasanya ditentukan dengan cara dihitung
0 $ #$ menggunakan suatu persamaan.
Penambahan momentum dimaksudkan + +, ++ %
untuk menghindari perubahan bobot yang
mencolok akibat adanya data yang sangat 1. Hitung keluaran jaringan syaraf untuk
berbeda dengan yang lain. Modifikasi yang masukan pertama.
dapat dilakukan adalah melakukan 2. Hitung selisih antara nilai keluaran
perubahan bobot yang didasarkan atas arah jaringan syaraf dan nilai target / yang
gradien pola terakhir dan pola sebelumnya diinginkan untuk setiap keluaran.
yang dimasukkan. 3. Kuadratkan setiap keluaran kemudian
Dengan penambahan momentum, bobot hitung seluruhnya.
baru pada waktu ke + didasarkan atas Adapun rumusnya adalah:
bobot pada waktu t dan t 1. Jika * adalah =∑ ∑ −
konstanta yang menyatakan momentum, Dengan :
maka bobot baru dihitung berdasarkan = nilai keluaran jaringan syaraf
persamaan (JJ Siang, 2005: 113) : = nilai target/yang diinginkan untuk
( − )= + αδ + ( ( )− ( − )) setiap keluaran
dan ( +, (+ %
( + )= ( ) + αδ + ( ( )− ( − )) 1. Hitung SSE
2. Hasilnya dibagi dengan perkalian antara
"0 9 9 banyaknya data pada pelatihan dan
Laju pemahaman (α) merupakan suatu banyaknya keluaran, kemudian
konstanta yang dipakai dalam seluruh diakarkan.
iterasinya. Perubahan dapat dilakukan Rumus :
dengan memberikan laju pemahaman yang RMS Error = ∑∑ −

berbeda beda untuk setiap bobotnya, atau Dengan :

tiap iterasinya. Perubahan bobot dalam = nilai keluaran jaringan syaraf
aturan delta bar delta adalah sebagai berikut = nilai target/yang diinginkan untuk
: setiap keluaran
( + )= ( )+α ( + )δ = jumlah seluruh pola
= jumlah keluaran
%0 #2 ! 2 $3
Jurnal Teknik Elektro Vol. 1 No.1 17
Januari Juni 2009

1 • Diberi nilai 0 jika ‘tidak’

% (3 ( • Diberi nilai 1jika ‘ya’
. 0 e. Hidung gatal ( )
PC (Personal Computer) dengan spesifikasi : • Diberi nilai 0 jika ‘tidak’
CPU : Intel Pentium 4 Celeron 1.7 Ghz • Diberi nilai 1 jika ‘ya’
RAM : 256 MB f. Batuk ( )
HRD : 80 GB • Diberi nilai 0 jika ‘tidak’
VGA : On Board share 128 MB • Diberi nilai 0,50 jika ‘ya’ tetapi batuk
Monitor : 15” SVGA ringan
Printer : Canon ip1000 • Diberi nilai 1 jika ‘ya’ dengan batuk berat
# . * 0 atau berdahak
OS Windows XP Service Pack 1 g. Alergi ( )
MATLAB 7.04 • Diberi nilai 0 jika ‘tidak’
• Diberi nilai 1 jika ‘ya’
%" (*( ( ( $ h. Nyeri kepala ( )
%" # • Diberi nilai 0 jika ‘tidak’
Data ini dapat berupa suatu masukan • Diberi nilai 1jika ‘ya’
suatu device ataupun data statistik dari suatu i. Demam ( )
percobaan. Nilai data adalah bebas artinya nilai • Diberi nilai 0 jika ‘tidak’
dapat diisi dengan sembarangan bilangan. • Diberi nilai 1 jika ‘ya’
Untuk perancangan sistem ini menggunakan j. Keluar darah ( )
data masukan berupa numeric dari gejala • Diberi nilai 0 jika ‘tidak’
penyakit THT itu • Diberi nilai 0,50 jika ‘ya’ tetapi kurang
sendiri meliputi Hidung Tersumbat, pilek, dari 5 ml
bersin, keluar sekret, hidung gatal, batuk, • Diberi nilai 1 jika ‘ya’ dan
alergi, nyeri kepala, demam, keluar darah, melebihi 5 ml
lemas k. Lemas ( )
a. Hidung tersumbat ( ) • Diberi nilai 0 jika ‘tidak’
• Diberi nilai 0 jika ‘tidak’ • Diberi nilai 1jika ‘ya’
• Diberi nilai 1 jika ‘ya’
b. Pilek ( ) %% $ ( (
• Diberi nilai 0 jika ‘tidak’ Sebelum digunakan untuk proses
• Diberi nilai 0,25 jika ‘ya’ tetapi lama pilek pelatihan, perlu dilakukan penskalaan terhadap
kurang dari 3 minggu nilai nilai masukan dan target sedemikian
• Diberi nilai 0,50 jika ‘ya’ tetapi lama pilek hingga data data masukan dan target tersebut
antara 3 sampai 8 minggu masuk dalam suatu tertentu yang disebut
• Diberi nilai 1jika ‘ya’ dengan lama pilek atau normalisasi data. Tujuan
lebih dari 8 minggu utama normalisasi adalah agar terjadi
c. Bersin ( ) sinkronisasi data, disamping itu juga untuk
• Diberi nilai 0 jika ‘tidak’ memudahkan dalam proses komputasi. Pada
• Diberi niali 0,25 jika ‘ya’ tetapi kadang – MATLAB ada beberapa untuk
kadang dan periode bersinnya tidak tetap. diantaranya premnmx dan prestd
• Diberi nilai 0,50 jika ‘ya’ tetapi dengan
serangan kurang dari 5 kali per periode. %& 5 ( $
• Diberi nilai 1 jika ‘ya’ dengan serangan %& 5 4 ( * ( #
lebih besar deri 5 kali per periode. 0 # ( # ' (
d. Keluar sekret ( )
18 Jurnal Teknik Elektro Vol. 1 No.1
Januari Juni 2009

Penentuan arsitektur jaringan Setiap variasi parameter diamati dengan

pada JST tidak memiliki rumusan menghitung MSE dan lama iterasinya.
khusus, untuk itu diperlukan adanya Setelah nilai yang optimal didapatkan maka
percobaan percobaan. Percobaan pertama nilai tersebut nantinya digunakan untuk
dengan $ . Dengan unit melakukan pengujian jaringan.
hidden layer juga dirandom mulai dari 11
unit sampai 40 unit. Percobaan yang %&% 5 #'( 4 (
kedua dengan menambahkan 1 hidden Pengujian mutlak dilakukan setelah
layer lagi sehingga terdapat 2 hidden langkah pelatihan selesai dan didapatkan
layer. Untuk menentukan unit hidden nilai nilai bobot dan bias yang optimal.
layer yang kedua juga dilakukan dengan Jaringan yang telah jadi tersebut kemudian
mengurutkan nilai mulai dari 6 unit diuji dengan dua pengujian yaitu pengujian
sampai 25 unit. Untuk lapisan keluaran dengan set data pelatihan dan pengujian
ada 3 unit yang menjelaskan mengenai dengan set data pengujian. Set data
kondisi seseorang, yaitu normal, rinitis pengujian adalah set data yang belum
kronis atau epistaksis. pada Matlab pernah dilatihkan sebelumnya (yang tidak
menggunakan instruksi newff. digunakan untuk proses pelatihan).
Net = newff(PR,[S1 S2 S3],{TF1 TF2
TF3},BTF) %&& 5 ( ( ( #'(
20 # *# ( (; ( Kinerja dari suatu jaringan syaraf tiruan
Ada beberapa model fungsi aktivasi setelah dilakukan pelatihan dapat diukur
yang disediakan diantaranya yaitu, dengan melihat hasil pelatihan, dan
logsig, tansig, purelin. Pada penelitian pengujian terhadap sekumpulan data
ini fungsi aktivasi yang digunakan masukan baru. Hasil pelatihan dan
adalah logsig. Nilai logsig digunakan pengujian dapat dianalisis dengan
karena nilai ini mudah untuk mengamati ketepatan atau akurasi antara
komputasi dan mudah diturunkan target dengan keluaran jaringan, yang
( ). dirumuskan :
50 # ; ( (' (
−
variasi jaringan yang digunakan pada ( )= ×
penelitian ini berguna untuk
membatasi eksekusi dari program Keluaran jaringan akan dibandingkan
diantaranya adalah menentukan dengan hasil diagnosa dokter. Dari hasil
jumlah epoch maksimum, menentukan perbandingan ini akan diketahui
nilai momentum dan pesat belajar, dan keunggulan ataupun kelemahan jaringan
menentukan target yang ingin dicapai. syaraf tiruan dibandingkan dengan
diagnosa dokter ataupun ahli tersebut.
%&" 5 (! 4 (
Pelatihan jaringan digunakan untuk
melatih set data yang telah dibuat, yaitu 8
data input berupa nilai dari data data hasil & ( ( 3 $
perekaman alat EKG. Sedangkan data & ( ( $2# (
targetnya adalah kondisi seseorang Hasil pelatihan memiliki kesamaan dan
tersebut apakah denyut jantungnya normal perbedaan. Kesamaannya terletak pada
atau abnormal. Pelatihan dapat dilakukan performanya. Keduanya menunjukkan
secara standar dengan ditambahkan bahwa (kinerja tujuan) yang ingin
berbagai variasi untuk optimasi target. dicapai hasilnya tidak tercapai semuanya
Jurnal Teknik Elektro Vol. 1 No.1 19
Januari Juni 2009

(pelatihan pertama dan kedua), meskipun pertimbangan diatas adalah jaringan

epoch yang diinginkan tercapai. Ini dengan satu hidden layer sudah cukup
menunjukkan bahwa jaringan masih belum yaitu 11 29 3, karena dengan 2 hidden
mampu mengenali pola masukan yang layer perbedaan MSE sangat tipis dari satu
diberikan dengan benar. Sebenarnya ini hidden layer, jadi untuk mempercepat
bukan suatu masalah karena grafik yang proses iterasi digunakan satu hidden layer
dihasilkan selama pelatihan menunjukkan & " ( ( '# 2 ' $ #$
adanya penurunan MSE. Analisis kedua bertujuan untuk
Ada beberapa masalah yang menganalisis pelatihan ketiga. Dari hasil
mengakibatkan goal tidak tercapai pada pengamatan bahwa untuk nilai laju belajar
kedua pelatihan diatas. Pertama epoch yang yang cukup kecil menjamin penurunan
gradient terlaksana dengan baik, namun ini
disediakan 10000 epoch, kalau
berakibat bertambahnya jumlah iterasi
menginginkan kinerja tujuan tercapai maka
sehingga untuk mencapai konvergensi
perlu ditambah epoch lagi sampai
berlangsung lebih lama. Jika konstanta
takberhingga hingga kinerja tujuan
laju belajar bertambah besar maka
tercapai. Ini menjadi kendala sebab akan konvergensi akan berlangsung lebih cepat.
membutuhkan banyak waktu. Padahal yang Kemudian penggunaan konstanta
dibutuhkan waktu yang relatif singkat. momentum berfungsi untuk mempercepat
Kedua kecilnya laju belajar. Laju belajar konvergensi dan juga untuk mencegah
yang digunakan pada pelatihan pertama terjebaknya pelatihan ke dalam minimum
dan kedua adalah 0.1, ini membuat lokal, jika momentum semakin besar maka
jaringan sulit untuk mengenali pola. Akan konvergensi akan cepat tercapai. Akan
lebih baik jika laju belajar ditambahkan, ini tetapi penggunaan konstanta momentum
akan dibahas pada sub bab berikutnya. jangan terlalu tinggi, sebab kemungkinan
gelombang yang dihasilkan akan terjadi
Ketiga momentum yang kecil. Momentum
noise. Gambar grafik perlatihan ketiga pada
yang kecil akan berakibat pada penurunan
sub bab 3.4 menjelaskan bahwa
gradien. Idealnya momentum yang
penggunaan pesat belajar dan momentum
digunakan berkisar antara 0.4 sampai
yang terus bertambah mengakibatkan
dengan 0.8. jaringan akan mencapai target yang
Perbedaan yang terjadi antara diinginkan
penggunaan satu hidden layer dengan dua Nilai 0,8 untuk pesat belajar (LR) dan
hidden layer tersebut ada pada MSE nya. 0,2 untuk momentum dipilih dengan
Memang MSE yang diinginkan tidak mempertimbangkan beberapa aspek.
tercapai, tetapi dari hasil pelatihan MSE Pertama aspek prosentase data uji. Ada
yang dihasilkan relatif kecil. Hasil hasil beberapa pasangan LR dan momentum
pelatihan diatas tetap digunakan dengan yang mencapai target yang diinginkan,
melihat MSE yang paling kecil dari tabel namun ketika diberi data uji pasangan
tersebut belum mampu menghasilkan
diatas. MSE terkecil pada pelatihan
prosentase yang sempurna (100 %).
pertama adalah , sedangkan
Aspek kedua adalah aspek grafik.
pada pelatihan kedua MSE yang terkecilnya
Grafik yang dihasilkan dari berbagai
adalah . Dari perbedaan MSE
pasangan berbeda beda meski pencapaian
ini menjelaskan bahwa penggunaan layer targetnya sama. Jika fungsi alih yang
tersembunyi dapat meningkatkan performa digunakan adalah logsig artinya logaritmik,
dari jaringan yang dibuat. maka grafik yang dihasilkan harusnya
Dari hasil pelatihan pertama dan kedua berbentuk logaritmik pula. Akan lebih baik
maka dapat disimpulkan bahwa arsitektur jika grafik yang dihasilkan tidak terdapat
jaringan yang optimal berdasar noise
20 Jurnal Teknik Elektro Vol. 1 No.1
Januari Juni 2009

Hasil terbaik terjadi pada laju Dari berbagai pertimbangan diatas

belajar </= dan konstanta momentum </" maka variasi yang paling baik adalah
yang menghasilkan MSE sebesar menggunakan -. Selain
< <<<>>>>= Hasil terbaik tersebut menghasilkan waktu komputasi yang
disajikan pada Gambar 4
singkat, grafiknya juga baik.

& ( ( #
analisis kedua adalah Proses pengujian,
pengujian dilakukan dengan dua data yaitu
set data pelatihan dan set data pengujian.
Hasil yang didapatkan yaitu keduanya
masing masing memiliki kemampuan 100 %,
ini artinya jaringan mampu untuk mengenali
pola yang diberikan.

8
) ($3#
Berdasarkan hasil penelitian dan
pembahasan pada bab sebelumnya dapat diambil
kesimpulan, sebagai berikut :
1. Berdasar dari hasil MSE, jumlah epoch yang
1 $2 & 3 (! 2 (
diinginkan dan gambar grafik yang dihasilkan
& % ( ( ; ( (' (
maka dapat dijabarkan bahwa Arsitektur
Analisis ini bertujuan
jaringan syaraf tiruan yang dibuat memiliki
menganalisis pelatihan keempat yakni
satu lapisan tersembunyi dengan arsitektur
pelatihan untuk menentukan variasi
jaringan 11 29 3, dengan pesat belajar 0,8
jaringan. Tujuan dari pelatihan ini adalah
dan nilai momentum 0,2. Fungsi aktivasi yang
mencari variasi jaringan yang mampu
digunakan logsig dan algoritma pelatihan
menghasilkan kesalahan terkecil dengan
yang digunakan adalah traingdx.
waktu komputasi yang cepat. Pelatihan
2. Jaringan saraf tiruan yang dihasilkan pada
dilakukan dengan hasil pelatihan terbaik
penelitian ini memiliki tingkat akurasi 100 %,
sebelumnya yaitu arsitektur jaringan 11
baik pada tahap pelatihan maupun tahap
29 3, laju belajar 0,8; momentum 0,2;
pengujian. Artinya jaringan syaraf turuan
target (MSE) 0,001 dan maksimum
yang dibuat dapat mengenali pola data THT
nya 10000 .
dengan sempurna (benar).
Ada beberapa variasi jaringan yang
dapat digunakan dalam JST
)"
backpropagation. Setiap variasi yang
1. Sistem jaringan yang telah dibuat
dilatihkan memiliki karakteristik masing
menunjukkan jaringan dapat mengenali pola
masing. Untuk menentukan variasi yang
dengan sempurna, ini karena data yang
digunakan perlu melihat MSE, jumlah
diujikan adalah data yang sempurna (data
epoch dan prosentase hasil pengujian.
lengkap). Untuk mengetahui keandalan
Ada beberapa variasi yang MSE nya
jaringan dapat diuji dengan data yang tidak
tercapai namun prosentsenya tidak
sempurna.
tercapai, ada yang MSE tidak tercapai
2. Jaringan syaraf ada banyak jenisnya, salah
namun prosentasenya tercapai. Selain
satunya backpropagation seperti yang
itu, perlu juga melihat grafik yang
digunakan pada penelitian ini. Untuk
dihasilkan
Jurnal Teknik Elektro Vol. 1 No.1 21
Januari Juni 2009

mengetahui kinerja jaringan syaraf tiruan

yang lebih optimal, perlu digunakan algoritma
pelatihan selain .
3. Untuk lebih memudahkan pengguna, maka
perlu dibuat suatu interface seperti GUI
(graphical user interface)

Aston, Richard. 1991. ( 5(3 -* ( $ (5

#$ ( # $
Maxwell Macmillan International Editions
Hermawan, Arief. 2006. 4 ( * ( #
( 3( (. Yogyakarta: ANDI
OFFSET.
Kusumadewi. Sri 2003. (*(5( ( 5
( 3( (. Yogyakarta: Graha
Ilmu.
Puspitaningrum, Diyah. 2006.
4 ( * ( # . Yogyakarta: ANDI
OFFSET.
Setiawan, Sandi. 1993. (*(5( ( 5 .
Yogyakarta: ANDI OFFSET.
Siang.JJ 2005. 4 ( * ( #
$ $ # 2.
Yogyakarta: ANDI.

www.elekroindonesia.com/jst diupload tanggal 28

Agustus 2007 pukul 14.40 WIB

http://telkomnika.elektrouad.net/?Volume_2%2C
_No_2:Desain_Dan_Penggunaan_%22E2glite
_Expert_System_Shell%22_Untuk_Diagnosis
_Penyakit_THT diupload tanggal 28 Agustus
2007 pukul 14.23 WIB

-1 6

Arif Jumarwanto, Pendidikan terakhir S1 Teknik

Elektro Unnes
Rudy Hartanto, dosen Teknik Elektro UGM,
menekuni bidang konsentrasi Sistem Informasi
dan Teknologi Komputer.
Dhidik Prastiyanto, dosen Teknik Elektro Unnes,
menekuni bidang konsentrasi Sistem Informasi
dan Teknologi Komputer