Kecerdasan
Disusun Oleh :
1. ALDY SYAHPUTRA HARAHAP (2055202061)
2. NANDA (2055202076)
3. RADEN GIAN RIZKI EP (2055202074)
Kelas :
TS-20-2
Dosen Pengampu :
DR. YENNI DESNELITA, M. KOM
Mata Kuliah :
Kecerdasan Buatan
Jaringan syaraf tiruan (Artificial Neural Network /ANN) adalah salah satu
metode dalam bidang kecerdasan buatan (Artificial Intelligence). JST berusaha untuk
meniru cara kerja otak manusia terutama dalam proses belajar. Agar menjadi lebih
cerdas maka manusia perlu belajar. Semakin banyak belajar maka otak manusia akan
semakin cerdas. Demikian juga JST perlu berlatih dan belajar sehingga menjadi cerdas.
Apabila JST yang sudah mengalami proses pelatihan tersebut diuji untuk mengenali
pola-pola tertentu seperti : sidik jari, wajah, kornea mata, suara, maka dia akan mampu
Otak manusia terdiri dari 10 milyar sel syaraf (neuron) yang saling berhubungan
satu sama lain untuk memproses informasi. Gambar 2.1 memperlihatkan 2 buah neuron
pada otak manusia. Sebuah neuron secara garis besar terdiri dari 3 bagian yaitu : input,
Denrit merupakan unit input yang berfungsi sebagai tempat masuknya sinyal. Inti sel
bertugas sebagai pemroses sinyal untuk diolah menjadi informasi. Sedangkan axon
berfungsi sebagai unit output untuk mengirim sinyal dari inti menuju denrit neuron
lainnya. Tampak dalam Gambar 2.1 sinyal yang keluar dari axon neuron 1 akan dikirim
ke denrit neuron 2. Hubungan antara axon neuron 1 dan denrit neuron 2 terkoneksi
lewat synapse. Agar sinyal dari neuron 1 dapat terkirim ke neuron 2 maka sinyal
tersebut harus memenuhi batasan atau nilai ambang tertentu (threshold). Keadaan
dimana 2 buah neuron saling berhubungan maka neuron tersebut dalam keadaan
teraktivasi. Hubungan antara 2 buah neuron terjadi secara adaptif yang artinya
hubungan itu terjadi secara dinamis. Dalam proses belajar maka otak selalu memiliki
antara neuron ini berfungsi untuk mentransformasikan informasi yang diterima lewat
unit input untuk dikirim ke unit keluaran dan menuju ke neuron yang lain. Hubungan
antar neuron ini dinyatakan dengan bobot (weight). Gambar 2.2 memperlihatkan
Input berupa informasi akan dikirim neuron dengan nilai bobot kedatangan tertentu.
Informasi dari berbagai neuron ini akan dijumlahkan ( ∑ ). Hasil penjumlahan ini akan
dibandingkan dengan nilai ambang (threshold) tertentu dengan memakai fungsi aktivasi.
Fungsi aktivasi akan dibahas lebih lanjut di sub bab berikutnya. Jika hasil fungsi
aktivasi melewati nilai ambang tertentu maka neuron tersebut akan diaktifkan sedang
jika tidak maka neuron tersebut tidak akan diaktifkan. Neuron yang aktif akan
Otak manusia agar menjadi cerdas maka perlu berlatih atau belajar. Demikian
juga JST perlu diberi pelatihan atau pembelajaran agar menjadi cerdas. Neuron-neuron
dalam JST saling berhubungan satu sama lain. Seberapa besar hubungan antara satu
neuron dengan neuron lainnya dinyatakan dengan bobot. Selama proses pembelajaran
nilai bobot ini akan berubah secara dinamis. Jika informasi diterima oleh sebuah neuron
dapat terkirim ke neuron tujuan maka nilai bobot yang menghubungkan kedua neuron
tersebut akan bertambah. Demikian sebaliknya jika informasi tidak terkirim maka nilai
bobot akan berkurang. Pada saat pelatihan maka sebuah JST diberikan data atau input
yang berbeda- beda sehingga nilai bobot akan terus mengalami perubahan sampai
tercapai nilai yang seimbang. Jika nilai ini sudah tercapai berarti semua input sudah
Metode pembelajaran pada JST secara garis besar terdiri dari dua bagian :
Dalam metode pembelajaran terawasi maka target atau output yang diharapkan
sudah diketahui sebelumnya. Pola input akan diberikan pada neuron pada lapisan
Lapisan output akan menghasilkan output yang akan dibandingkan dengan targetnya.
Jika terjadi perbedaan antara output dengan target maka masih terjadi error. Jika
perbedaan ini cukup besar berarti JST perlu diberikan pembelajaran lagi.
kita tidak dapat menentukan hasil seperti apakah yang diharapkan selama proses
pembelajaran. Nilai bobot diatur dalam suatu range nilai tertentu tergantung dari nilai
input yang diberikan dan selanjutnya akan menghasilkan outputnya secara mandiri.
Metode ini biasanya sangat cocok dipakai untuk kasus pengelempokan pola (pattern
classification)
B. Konsep Dasar Jaringan Hebb
Perbedaan jaringan Hebb dan McCulloch – Pitts adalahdimana jaringan Hebb akan
melibatkan bias di dalam arsitektur jaringannya. Posisi bias sama dengan posisi unit input dan
langung terhubung ke unit output.
Pada jaringan Hebb, bobot dan bias akan dihitung secara iteratif. Dalam proses
pelatihannya, jaringan Hebb akan melakukan perubahan nilai bobot dan juga nilai bias.
Fungsi aktivasi yang digunakan pada jaringan Hebb adalah fungsi aktivasi threshold = 0.
Threshold
bias
2. Buatlah jaringan Hebb yang dapat mengenali fungsi logika “OR” (threshold = 0) dengan
input dan output bipolar :
Masukan
bias target
x1 x2
1 1 1 1
-1 1 1 1
1 -1 1 1
-1 -1 1 -1
3. Penyelesaian Soal :
Inisialisasi 0 0 0
1 1 1 1 1.1 = 1 1.1 = 1 1.1 = 1 0+1 = 1 0+1 = 1 0+1 = 1
0 1 1 1 0.1 = 0 1.1 = 1 1.1 = 1 1+0 = 1 1+1 = 2 1+1 = 2
1 0 1 1 1.1 = 1 0.1 = 0 1.1 = 1 1+1 = 2 2+0 = 0 2+1 = 3
0 0 1 0 0.0 = 0 0.0 = 0 1.0 = 0 2+0 = 2 0+0 = 0 3+0 = 3
b=3
Proses perhitungan Net :
0 1 0.2 + 1.0 + 3 = 3 1
1 0 1.2 + 0.0 + 3 = 5 1
0 0 0.2 + 0.0 + 3 = 3 1
Dari hasil pelatihan, dapat dilihat bahwa hasil f(net) tidaksama dengan target awal yang
ingin dicapai. Dengan katalain dapat dikatakan bahwa jaringan Hebb dengan input dan
output biner ini tidak dapat mengenali pola fungsi logika “OR” dengan baik.
2. Input dan output bipolar :
Proses Pelatihan :
Masukan Perubahan Bobot Bobot Baru
t
x1 x2 b ∆ w1 ∆ w2 ∆b x1 x2 b
Inisialisasi 0 0 0
1 1 1 1 1.1 = 1 1.1 = 1 1.1 = 1 1 1 1
-1 1 1 1 (-1).1= (-1) 1.1 = 1 1.1 = 1 0 2 2
1 -1 1 1 1.1 = 1 (-1).1 = (-1) 1.1 = 1 1 1 3
-1 -1 1 -1 (-1).(-1) = 1 (-1).(-1) = 1 1.(-1) = (-1) 2 2 2
Dari proses pelatihan, diperoleh bobot baru :w1 =
2 w2 = 2
b=2
Proses perhitungan Net :
-1 1 (-1).2 + 1.2 + 2 = 2 1
1 -1 1.2 + (-1).2 + 2 = 2 1
-1 -1 (-1).2 + (-1).2 + 2 = -2 -1
Dari hasil pelatihan, dapat dilihat bahwa hasil f(net) samadengan target awal yang ingin
dicapai. Dengan kata lain dapat dikatakan bahwa jaringan Hebb dengan input dan output
bipolar ini dapat mengenali pola fungsi logika“OR” dengan baik.
4. Rangkuman :
1. Jaringan Hebb memiliki ciri-ciri unik, yaitu :
a. Adanya inputan berupa bias yang disertai denganbobot bias.
b. Dalam proses mengenali pola, jaringan Hebb akanmelakukan perubahan bobot dan
bias.
c. Inputan pada jaringan Hebb dapat berupa biner ( 0 atau1) maupun berupa bipolar ( -
1 atau 1)
d. Apabila target jaringan Hebb merupakan bipolar,maka fungsi aktivasi juga
mengikuti bipolar.
1 𝑗𝑖𝑘𝑎 𝑛𝑒𝑡 ≥ 0
−1 f(net) ={<0
𝑗𝑖𝑘𝑎 𝑛𝑒𝑡
2. Kesimpulan dari sebuah pelatihan dapat diambil dari mampu atau tidaknya sebuah
jaringan mengenali input yang diberikan, atau dengan kata lain hasil pelatihan = target.
3. Model Jaringan Perceptron
Model jaringan perceptron merupakan model yang paling baik pada saat ini. Model ini
ditemukan oleh Rosenblatt(1962) dan Minsky – Papert (1969).Perceptron terdiri dari suatu input
dan output. Perceptron merupakan bentuk paling sederhana dari JST yang biasanya digunakan
untuk pengklasifikasian jenis pola khusus yang biasa disebut linearlyseparable (pola-pola yang
terletak pada sisi yang berlawanan pada suatu bidang). Fungsi aktifasi yang digunakan algoritma
perceptron adalah fungsi hard limiting. Output unit akan bernilai 1 bila jumlahbobot input lebih
besar daripada threshold. Nilai threshold pada fungsiaktifasi adalah non-negatif [3].
A. Arsitektur perceptron
Output dari unit assosiator adalah binervektor. Vektor tersebut dikatakan sebagai sinyal input
terhadap sinyal output atauunit reponse. Oleh karena bobot-bobot dari assosiator ke unit output
diubah-ubah,maka yang akan diperhatikan hanya pada bagian later tersebut. Tujuan dari jaringan ini
adalah mengklasifikasikan setiap pola input dalam kelas tertentu. Apabilaoutputnya +1, maka input
yang diberikan termasuk kelas tertentu, sebaliknya jika outputnya -1, maka input yang diberikan
tidak masuk kelas tertentu. Arsitektur perceptron digambarkan seperti tampakpada gambar
berikut ini :
Keterangan :
X1…xi…xn = neuron inputY = neuron output
B = bias W1,w2,wn = bobot
B. Pelatihan Perceptron
Bobot koneksi dari unit assosiator ke unit response (atau output) ditentukan melalui pelatihan
(learning rate) perceptron. Untuk setiap input training jaringan akan menghitung response dariunit
output, kemudian jaringan akan menentukan apakah suatu error terjadi pada pola tersebut dengan
cara membandingkan output hasil perhitungan dengan nilai targetnya. Jaringan tersebut akan
membedakan error antara output hasil perhitungan 0 dengan target -1 atau outputnya +1 dengan
target -1. Dalam kedua kasus tersebut tanda dari error menunjukkan bahwa bobot koneksi harus
diubah dalam arah yang dinyatakan oleh nilai target. Namun demikian hanya bobot-bobot pada
koneksi dari unitpengiriman sinyal dengan 0 ke unit outputyang akan disesuaikan nilainya, karena
hanya sinyal tersebut yang menambah error. Jika error tidak terjadi maka bobot- bobot tersebut
tidak akan diubah tetapi sebaliknya jika suatu error terjadi untuk pola input pelatihan tertentu,
bobot-bobot akan diubah menurut rumus :
Wi (new) = Wi (old) + t XiKeterangan :
Xi = Input ke-i
T = target yang nilainya +1 atau -1
= kecepatan belajar (learning rate) yaitu0 < 1
W = bobot
Jjika error terjadi, maka bobot-bobottidak akan berubah [4].
3. Algoritma Pelatihan
Perceptron Algoritma perceptron yang
digunakan memiliki langkah-langkah
sebagai berikut
:
• Inisialisasi semua bobot dan bias(biasanya =0)
• Set learning rate (0 < 1). Untukpenyederhanaan set sama dengan
1.
• Set nilai threshold () untuk fungsiaktivasi.
• Untuk setiap pasangan pembelajaran s-t, kerjakan :
• Set aktivasi unit input Xi = Si ;
y_in = b + ∑ Xi Wi
i
b. Hitung output setiap unit yang terdapat pada hidden layer dengan fungsi aktivasi bipolar :
c. Hitung keluaran jaringan dengan :
2) Untuk t = -1, lakukan perubahan bobot terhadap unit z k yang z in nya bernilai positif :
bk baru = bk lama + α (-1- zin_k)
wki baru = wki lama + α (-1- zin_k) . xi
Contoh Soal :
Lakukan pelatihan pengenalan pola fungsi logika OR dengan jaringan Madaline, menggunakan nilai
input dan output bipolar. Dimana : α = 0.5 , batas toleransi = 0.2 , bobot unit output Y (v1 = v2
= b = 0.5)
Arsitektur Jaringan :
Langkah Pelatihan Pola 1 :
1) Input : x1 = 1 ; x2 = 1 ; t = 1
2) Bobot awal :
5) Output jaringan Y :
y_ in = z1 . v1 + z2 . w2 + b3
= 1 . (0.5) + 1 . (0.5) + 0.5 = 1.5
Maka :
y = f(y_ in) = 1
6) Analisa y dan t :
y = t tidak dilakukan perubahan bobot
5) Output jaringan Y :
y_ in = z1 . v1 + z2 . w2 + b3
= (-1) . (0.5) + 1 . (0.5) + 0.5 = 0.5
Maka :
y = f(y_ in) = 1
8) Dari tabel diatas, karena masih ada dua bobot (w12 dan b2) yang masih lebih besar dari batas
toleransi, maka iterasi berlanjut untuk pola 3.
Setelah melanjutkan iterasi sampai pada pola 4, nilai output masih selalu sama dengan
target (y=t), sehingga bobot tidak berubah. Hasil pengecekan perubahan bobot setelah iterasi
pola ke 4 adalah sebagai berikut :
Dari tabel diatas, masih terlihat ada dua bobot (w12 dan b2) yang masih lebih besar dari
batas toleransi, maka iterasi berlanjut untuk pada epoch - 2.
Langkah 3 : Tiap unit input menerima sinyal dan meneruskannya ke dalam unit tersembunyi diatasnya.
𝑧𝑖=𝑓(𝑧_𝑖𝑛𝑗)
Langkah 4 : Fungsi aktivasi yang biasa digunakan yaitu fungsi sigmoid, kemudian mengirimkan sinyal
tersebut kesemua unit output.
Langkah 6 : Hitung faktor δ unit keluar berdasarkan kesalahan disetiap unitkeluaran yk (k = 1,2,
..., m)
𝑦𝑘=𝑓(𝑦𝑖𝑛𝑘)
Langkah 8 : Hitung semua perubahan bobot Perubahan bobot garis yang menuju ke unit keluaran:
- F’ adalah turunan dari aktivasi, kemudian hitung koreksi bobot.
∆𝑤𝑗𝑘=𝑎𝛿𝑗𝑧𝑗
- Menghitung koreksi bias
∆𝑤0𝑗=𝑎𝛿𝑘
- Mengirimkan ke unit-unit yang ada dilapisan paling tersembunyi
(𝑦𝑖,𝑖=1,2,3,. . .,𝑝)menjumlahkan data input-inputnya (dari unit-unit yang berada pada lapisan
yang di kanannya)
𝛿_𝑖𝑛𝑗=∑𝛿𝑘𝑤𝑗𝑘
- Menghitung informasi error, dikalikan dengan dari fungsi aktivasinya
𝛿𝑗=𝛿_𝑖𝑛𝑗𝑓(𝑧−𝑖𝑛𝑗)
- Hitung koreksi bobot
∆𝑣𝑗𝑘=𝑎𝛿𝑗𝑥𝑖
- Lalu hitung juga koreksi bias
∆𝑣𝑗𝑘=𝑎𝛿𝑗
Langkah 9: Selesai.
Sumber Data
Data yang digunakan untuk penulisan ini merupakan data sekunder yaitu data
pendapatan daerah provinsi Jawa Tengah Tahun 2010-2012 yang bersumber dari
publikasi yang disampaikan oleh BPS Jawa Tengah dengan judul Statistik Keuangan
Pemerintah Provinsi danKabupaten Kota Jawa Tengah
Hasil dan Diskusi
Bobot input awal
Bobot input diperoleh dari titik tengah nilai minimum dan maksimum input, yaitu
𝑤𝑖𝑗 𝑀𝑖𝑛 𝑃𝑖 + 𝑀𝑎𝑥𝑃𝑖
= 2
Berdasarkan pada rumus diatas maka dapat dicari bobot input awal untuk data
permasalahanyaitu sebagai berikut :
a. Baris ke-1
Nilai minimum : 6960314
Nilai maksimum :
327992259Maka nilai
tengahnya yaitu
𝑤𝑖𝑗 6960314+327992259
= 2 = 167476286.5
b. Baris ke-2
3.9965
3.9965
3.9965
1.6748 2.6447 3.9965
Berdasarkan rumus diatas maka bobot bias awal data permaslahan tersebut yaitu
[1−ln(1)]
𝑏(𝑖) = 𝑒 3
= 8.1548
Sehingga diperoleh bobot bias yang dapat selengkapnya dilihat di tabel 2.
Tabel 2. Nilai bobot bias
8.1548
8.1548
8.1548
Pengelompokan vektor
(3,1) artinya kabupaten 1 masuk kedalam cluster 3, (3,2) artinya kabupaten 2 masuk
kedalam
klaster 3, (1,3) artinya kabupaten 3 masuk kedalam klaster 1, (1,4) artinya kabupaten 4
masuk
kedalam klaster 1, (1,5) artinya kabupaten 5 masuk kedalam klaster 1, (1,6) artinya
kabupaten
6 masuk kedalam klaster 1, (1,7) artinya kabupaten 7 masuk kedalam klaster 1, (1,8)
artinya
kabupaten 8 masuk kedalam klaster 1, (1,9) artinya kabupaten 9 masuk kedalam klaster
1,
(1,10) artinya kabupaten 10 masuk kedalam klaster 1, (1,11) artinya kabupaten 1
masuk
kedalam klaster 1, (1,12) artinya kabupaten 12 masuk kedalam klaster 1, (1,13)
artinya
kabupaten 13 masuk kedalam klaster 1, (1,14) artinya kabupaten 14 masuk kedalam klaster
1,
(1,15) artinya kabupaten 15 masuk kedalam klaster 1, (1,16) artinya kabupaten 16
masuk
kedalam klaster 1, (1,17) artinya kabupaten 17 masuk kedalam klaster 1,(3,18)
artinya
kabupaten 18 masuk kedalam klaster 3, (1,19) artinya kabupaten 19 masuk kedalam klaster
1,
(1,20) artinya kabupaten 20 masuk kedalam klaster 1, (1,21) artinya kabupaten 21
masuk
kedalam klaster 1, (1,22) artinya kabupaten 22 masuk kedalam klaster 1, (1,23)
artinya
kabupaten 23 masuk kedalam klaster 1, (1,24) artinya kabupaten 24 masuk kedalam klaster
1,
(1,25) artinya kabupaten 25 masuk kedalam klaster 1,(1,26) artinya kabupaten 26
masuk
kedalam klaster 1, (1,27) artinya kabupaten 27 masuk kedalam klaster 1, (1,28)
artinya
kabupaten 28 masuk kedalam klaster 1, (1,29) artinya kabupaten 29 masuk kedalam klaster
1,
(1,30) artinya kabupaten 30 masuk kedalam klaster 1, (3,31) artinya kabupaten 31
masuk
kedalam klaster 3, (1,32) artinya kabupaten 32 masuk kedalam klaster 1, (2,33)
artinya
kabupaten 33 masuk kedalam klaster 2, (1,34) artinya kabupaten 34 masuk kedalam klaster
1,
(3,35) artinya kabupaten 35 masuk kedalam klaster 3.
Adapun kode kabupaten/ kota di Provinsi Jawa Tengah yang digunakan adalah sebagai
berikut
:
Cilacap (Kode 1), Banyumas (Kode 2), Purbalingga (Kode 3), Banjarnegara (Kode
4),
Kebumen (Kode 5), Purworejo (Kode 6), Wonosobo (Kode 7), Magelang (Kode 8),
Boyolali
(Kode 9), Klaten (Kode 10), Sukoharjo (Kode 11), Wonogiri (Kode 12), Karanganyar
(Kode
13), Sragen (Kode 14), Grobogan (Kode 15), Blora (Kode 16), Rembang (Kode 17),
Pati
(Kode 18), Kudus (Kode 19), Jepara (Kode 20), Demak (Kode 21), Semarang (Kode
22),
Temanggung (Kode 23), Kendal (Kode 24), Batang (Kode 25), Pekalongan (Kode 26),
Pemalang (Kode 27), Tegal (Kode 28), Brebes (Kode 29), Kota Magelang (Kode 30),
Kota Surakarta (Kode 31), Kota Salatiga (Kode 32), Kota Semarang (Kode 33), Kota
Pekalongan (Kode 34), Kota Tegal (Kode 35).
Tabel 3. Pengelompokan Vektor
Sehingga berdasarkan pengclusteran yang telah dilakukan maka diperoleh clustering
data sebagai berikut :
Tabel 4. Kluster
Cluster
Kabupaten Ke-
ke
1 3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,19,20,21,22,23,24,25,26,27,28,29,30,32,34
2 33
3 1,2,18,31,35
Layer Tersembunyi
Backpropagation ini merupakan salah satu algoritma yang sering digunakan dalam
menyelesaikan masalah-masalah yang panjang dan rumit. Metode backpropagation
menerapkan algoritmapembelajaran yang terawasi. Pada jaringan ini diberikan
sepasang pola yang terdiri atas pola masukan dan pola yang diinginkan. Suatu pola
akan diubah
– ubah untuk mendapatkan perbedaan yang tipis antara pola yang dimasukkan dan pola
yang diinginkan.
%membangun jaringan
syaraf feedforward
net = newff(minmax(p),[12
12 1],{'logsig' 'logsig'
'purelin'}, 'traingdx');
Menentukan jumlah maksimum Epoch sangat berpengaruh terhadap kerja pada
pelatihan. Nilai epoch pada penelitian ini adalah 30.000 yang kemudian
dimasukkan kedalam coding MATLABdengan bentuk :
%set max epoch
net.trainParam.epochs=50000;
%maksimum epoch
Selanjutnya adalah menentukan nilai target error yang menjadi nilai ukur untuk
pemberhetian suatu proses pelatihan, dimana proses pelatihan akanberhenti jika
telah memenuhi target error yaitu 0,0001, di dalam MATLAB akan dimasukkan
berupa:
%set goal
net.trainParam.goal=0.0001;
%target error
Menentukan nilai learning rate agar proses dapat menjadi lebih cepat. Pada program
ini nilai learning rateditentukan sebesar 0,1, di dalam MATLAB akan dimasukkan
dengan bentuk:
Selanjutnya adalah menentukan nilai momentum, dimana nilai momentum ini berfungsi
untuk menyesuaikan nilai bobot yang lebih besar selama proses koreksi bobot, agar bobot
dapat menyesuaikan dengan pola matriks masukan dan target yang ada. Setelah dilakukan
beberapa percobaan penelitian untuk nilai momnentum, didapat nilai 0,9 sebagai nilai
momentum terbaik, kemudian nilai momentum ini dimasukkan kedalamMATLAB dengan
bentuk:
%set momentum
net.trainParam.mc=0.9;
%momentum
%melakukan pelatihan Y
dan simulasi
3
net=train(net, p, t);
%melakukan pelatihan terhadap
input dan target
a= sim(net,p); %melakukan
simulasi hasil pelatihan
Selanjutnya adalah menghitung MSE antara Target dan Hasil keluarandengan memasukkan
data coding untuk menghitung MSE antara target dankeluaran. Coding tersebut ditulis dalam
bentuk :
%melakukan simulasi
H= a-t; %koding
untuk
menampilkan nilai MSE
ke windows result
Tampilan Aplikasi
Aplikasi yang dibuat ini terdiri dari 2 buah form, form 1 sebagai tampilan awal, dan form 2
sebagai tampilan utama aplikasi. Gambar 5.1 dibawah iniadalah tampilan utama aplikasi
Pengujian Aplikasi
Pada proses pengujian ini,
menggunakan algoritma feedforward.
Untuk input yang digunakan adalah
berupa data periksa dari pasien
berdasarkan dari gejala-gejala penyakit
dari pasien. Dimana pada pengisian
gejala penyakit yang berjumlah 12 Peng Target Keluaran Hasil
buah, nilai dari variabel penyakit ujian keluaran
tersebut akan terbaca pada pola ke-
masukan X1 sampai X12. 1 000 000 Benar
Kemudian hasil dari prediksian
tersebutselanjutnya akan
dibandingkan dengan nilai ambang
atau threshold Ө = 0,5 , sehingga
dapat menghasilkan
2 000 000 Benar
3 000 000 Benar
4 000 110 Salah
5 000 000 Benar
6 000 000 Benar
7 000 000 Benar
8 000 000 Benar
9 001 001 Benar
10 001 001 Benar
11 001 001 Benar
12 001 001 Benar
13 001 001 Benar
14 001 001 Benar
15 001 010 Salah
16 001 001 Benar
17 010 111 Salah
18 010 111 Salah
keluaran berupa kode biner penyakit 19 010 111 Salah
yangselanjutnya kode tersebut akan 20 010 010 Benar
dicek dan jenis penyakit akan muncul 21 010 010 Benar
padakotak dialog “Hasil Diagnosa 22 010 010 Benar
Penyakit”. Adapun jenis penyakit 23 010 111 Salah
saluran pernafasan yang dapat 24 010 010 Benar
diprediksi dengan aplikasi ini adalah 25 110 110 Benar
26 110 110 Benar
Asma, ISPA, Pneumonia, Bronkhitis,
27 110 110 Benar
Sinusitis dan Tuberkulosis.
28 110 110 Benar
29 110 110 Benar
Berikut ini adalah tabel hasil 30 110 110 Benar
pengujian data pasien dengan aplikasi 31 110 110 Benar
yang telah dibuat, 32 110 110 Benar
33 011 011 Benar
34 011 011 Benar
35 011 011 Benar
Dari hasil pengujian terhadap 48 data, didapat hasil 36 011 011 Benar
berupa data benar sebanyak 42 buah data, dan 37 011 011 Benar
terdapat 6 data yang hasil keluarannya tidak 38 011 011 Benar
sesuaidengan target yang diinginkan. 39 011 011 Benar
40 011 011 Benar
41 111 111 Benar
42 111 111 Benar
43 111 111 Benar
44 111 111 Benar
45 111 111 Benar
46 111 111 Benar
47 111 111 Benar
48 111 111 Benar