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.
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
-
" . ( / ( # / 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
( $ 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 = ∑∑ −
& ( ( #
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
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