PERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATION (LVQ) DAN RADIAL BASIS FUNCTION (RBF) UNTUK PERMASALAHAN KLASIFIKASI

PENYAKIT KARIES GIGI

ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT

Program Pascasarjana Jurusan Matematika FMIPA Institut Teknologi Sepuluh Nopember Surabaya
Senin, 27 Juli 2010

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR QUANTIZATION ( Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli 2010 1 / 47

Program Pascasarjana

Outline

1 2 3

Outline ABSTRAK PENDAHULUAN Latar Belakang Perumusan Masalah Batasan Masalah Tujuan Penelitian Manfaat Penelitian KAJIAN PUSTAKA DAN LANDASAN TEORI Kajian Pustaka Landasan Teori

LVQ RBF Karies Gigi

5 6
METODE PENELITIAN Tahapan Penelitian Diagram Proses Penelitian HASIL DAN PEMBAHASAN Pengambilan dan Pengolahan Data Implementasi Metode Klasikasi

LVQ RBF
Analisa dan Pembahasan LVQ RBF Perbandingan LVQ dan RBF

7 8

KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR QUANTIZATION ( Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli 2010 2 / 47

Program Pascasarjana

ABSTRAK

ABSTRAK
Karies gigi merupakan suatu penyakit kronis yang banyak diderita oleh masyarakat. Penyebab penyakit karies gigi berhubungan dengan konsumsi makanan dan lingkungan sekitar gigi di dalam rongga mulut. Karies gigi dapat dikelompokkan berdasarkan anatomi gigi, menurut Black yaitu lokasi spesik dari lesi karies, dan berdasarkan kedalamannya. Neural Networks (NN) atau jaringan syaraf tiruan telah banyak digunakan dalam banyak aplikasi, salah satunya adalah pada permasalahan klasikasi. Paper ini menampilkan kinerja dari metode Learning Vector Quantization (LVQ) dan Radial Basis Function (RBF) untuk klasikasi penyakit karies gigi. Meskipun arsitektur dari kedua metode memberikan performansi klasikasi dengan rata-rata yang hampir sama, namun terlihat bahwa jaringan RBF memberikan tingkat akurasi yang lebih tinggi daripada jaringan LVQ. Kata-kunci : Klasikasi, Karies Gigi, LVQ, RBF.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR QUANTIZATION ( Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli 2010 3 / 47

Program Pascasarjana

PENDAHULUAN

PENDAHULUAN
Latar Belakang
Penyakit mulut dan gigi merupakan salah satu penyakit yang banyak terjadi di masyarakat. Hasil survei rumah tangga pada tahun 2004 menyebutkan 39 persen penduduk Indonesia menderita penyakit gigi dan mulut. Karies gigi adalah salah satu kerusakan yang terjadi pada jaringan keras gigi. Karies gigi dikelompokkan menjadi tiga klasikasi berdasarkan anatomi gigi, menurut Black yaitu lokasi spesik dari lesi karies, dan berdasarkan kedalamannya. Klasikasi adalah salah satu penelitian dan daerah aplikasi yang paling aktif dari Neural Network. Banyak metode-metode klasikasi yang telah dikembangkan dan digunakan, seperti jaringan Bayes, feed forward neural network, generalized regression neural network, support vector machine and learning vector quantization. Selain metode-metode tersebut, telah diperkenalkan pula metode baru Multilayer Feedforward yaitu Radial Basis Function (RBF). Berdasarkan uraian singkat di atas, dalam penelitian ini penulis akan mengkaji performance dari Learning Vector Quantization (LVQ) dan Radial Basis Function Neural Network (RBFNN) untuk mengklasikasi penyakit karies gigi.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR QUANTIZATION ( Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli 2010 4 / 47

Program Pascasarjana

PENDAHULUAN

Perumusan Masalah

Berdasarkan latar belakang di atas maka perumusan masalah pada penelitian ini adalah sebagai berikut:
1 2 3

Bagaimana performa metode LVQ untuk klasikasi karies gigi. Bagaimana performa metode RBF untuk klasikasi karies gigi. Metode mana yang mempunyai performa terbaik dari metode Learning Vector Quantization (LVQ) dan Radial Basis Function (RBF) untuk klasikasi karies gigi.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR QUANTIZATION ( Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli 2010 5 / 47

Program Pascasarjana

PENDAHULUAN

Batasan Masalah

Agar penelitian ini lebih terarah, maka penelitian dibatasi pada pembahasan sebagai berikut:
1 2

Jenis klasikasi yang digunakan adalah menurut Black. Performa terbaik adalah yang mempunyai tingkat akurasi terbesar.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR QUANTIZATION ( Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli 2010 6 / 47

Program Pascasarjana

PENDAHULUAN

Tujuan Penelitian

Dari perumusan masalah maka dapat dirumuskan tujuan penelitian ini sebagai berikut:
1 2 3

Mengkaji performa dari metode LVQ untuk klasikasi karies gigi. Mengkaji performa dari metode RBF untuk klasikasi karies gigi. Mengkaji performa terbaik dari metode Learning Vector Quantization (LVQ) dan Radial Basis Function (RBF) untuk klasikasi karies gigi.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR QUANTIZATION ( Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli 2010 7 / 47

Program Pascasarjana

PENDAHULUAN

Manfaat Penelitian

Manfaat dari penelitian ini adalah dapat menemukan metode yang mempunyai kinerja terbaik untuk permasalahan klasikasi pada Neural Network sehingga dapat diaplikasikan langsung jika ada permasalahan yang sama tanpa harus menguji keakuratan dari metode tersebut.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR QUANTIZATION ( Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli 2010 8 / 47

Program Pascasarjana

KAJIAN PUSTAKA DAN LANDASAN TEORI

KAJIAN PUSTAKA

Learning Quantization Vector (LVQ) pertama kali diperkenalkan oleh Tuevo Kohonen, yang juga memperkenalkan Self-Organizing Feature Map. LVQ ini merupakan jaringan hybrid yang menggunakan supervised dan unsupervised learning. Metode LVQ ini telah banyak digunakan untuk banyak permasalahan klasikasi. (Al-Daoud, 2009), telah membandingkan tiga metode Neural Network yaitu Levenberg-Marquardt (LM), Generalized Regression Neural Network (GRNN) dan Learning Vector Quantization (LVQ) untuk permasalahan klasikasi. Penelitian ini memperlihatkan bahwa metode GRNN dan LVQ mempunyai hasil yang lebih baik jika dibandingkan dengan LM.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR QUANTIZATION ( Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli 2010 9 / 47

Program Pascasarjana

KAJIAN PUSTAKA DAN LANDASAN TEORI

Sementara itu, (Sanches, 1996) juga menggunakan Neural Network untuk aplikasi klasikasi dan pemodelan. Pada penelitian ini, dikaji klasikasi dari dua metode Neural Network yaitu Multi layer FeedForward (MLF) dan Radial basis Function Neural Network (RBFNN). Kemampuan pemodelan, stabilitas dan reproduktitas jenis jaringan ini dipelajari berdasarkan berbagai training pada set data yang sama dengan yang telah ditetapkan nilai untuk kepekaan dan kekhususan. Hasilnya studi simulasi menunjukkan bahwa kedua jenis jaringan berperforma cukup baik untuk mereproduksi ruang input. Untuk jaringan RBF, karena pendekatan lokal, studi menunjukkan beberapa properti terkait dengan kepekaan dan kekhususan yang relevan dalam masalah-masalah praktis.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 10 / 47

Program Pascasarjana

KAJIAN PUSTAKA DAN LANDASAN TEORI

Pada tahun 2005, Sarimveis, dkk, memperkenalkan teknik klasikasi dengan menggunakan metode Radial Basis Function Neural Network (RBFNN). Pada penelitian ini, Sarimveis juga menggunakan teknik klasikasi Feedforward Neural Network (FNN). Kedua metode ini diaplikasikan pada kasus tingkat kelembutan tisue. Kemudian hasil training dari kedua metode tersebut dibandingkan. Dari metode ini diperoleh bahwa metode Radial Basis Function Neural Network (RBFNN) lebih akurat jika dibandingkan dengan Feedforward Neural Network (FNN).

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 11 / 47

Program Pascasarjana

KAJIAN PUSTAKA DAN LANDASAN TEORI

Landasan Teori

Metode Learning Vector Quantization(LVQ) pertama kali diperkenalkan oleh Tuevo Kohonen, yang juga memperkenalkan Self-Organizing Feature Map. Learning Vector Quantization (LVQ) adalah sebuah metode pola klasikasi dimana setiap unit output mewakili sebuah kelas atau kategori tertentu. (Beberapa unit output harus digunakan untuk setiap kelas.) Vektor bobot dari sebuah unit output sering digunakan sebagai vektor referensi untuk kelas yang mewakili unit. Selama training, unit output diposisikan (dengan mengatur bobot melalui training yang diawasi) untuk memperkirakan keputusan dari pengklasikasi teori Bayes. Diasumsikan bahwa himpunan dari pola training dengan klasikasi yang diketahui telah disediakan, bersama dengan distribusi awal dari vektor referensi (yang mewakili dari setiap klasikasi yang diketahui).

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 12 / 47

Program Pascasarjana

KAJIAN PUSTAKA DAN LANDASAN TEORI

Landasan Teori

Arsitektur dari sebuah jaringan LVQ, ditunjukkan pada gambar berikut :

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 13 / 47

Program Pascasarjana

KAJIAN PUSTAKA DAN LANDASAN TEORI

Landasan Teori

Jaringan RBF yang merupakan alternatif dari jaringan Multilayered Feedforward Neural (MFN). Jaringan ini terdiri dari tiga layer yaitu input layer, output layer dan hidden layer, dimana hanya memiliki satu unit pada hidden layer. Fungsi aktivasinya adalah fungsi basis dan fungsi linear pada lapisan output. Jaringan ini telah banyak digunakan secara intensif. RBF merupakan pemetaan fungsi taklinier multidimensional yang tergantung kepada jarak antara vektor input dan vektor center. RBF dengan input berdimensi-m dan output berdimensi-n. RBF merupakan J1 - J2 - J3 FNN seperti yang ditunjukkan pada gambar 2.7. Setiap node pada layer tersembunyi menggunakan fungsi basis radial sebagai fungsi aktivasi taklinier, dilambangkan dengan (r ). Layer tersembunyi berfungsi sebagai transformasi nonlinier terhadap input, dan pada layer output merupakan kombinasi linier yang memetakan ketidaklinierannya ke dalam ruang baru. Bias dari neuron layer output dapat dimodelkan dengan neuron tambahan pada layer tersembunyi, yang memiliki nilai fungsi aktivasi konstan (r ) = 1.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 14 / 47

Program Pascasarjana

KAJIAN PUSTAKA DAN LANDASAN TEORI

Landasan Teori

Adapun struktur standar dari RBF sebagai berikut :

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 15 / 47

Program Pascasarjana

KAJIAN PUSTAKA DAN LANDASAN TEORI

Landasan Teori

Karies gigi dan gangguan gigi berlubang merupakan gangguan kesehatan gigi yang paling umum. Berdasarkan penelitian yang dilakukan di Eropa dan Asia,90-100 persen anak-anak di bawah usia 18 tahun terserang karies gigi. Namun pada saat ini banyak orang dewasa yang terserang penyakit karies gigi tersebut. Timbulnya karies gigi antara lain kurangnya perhatian masyarakat akan pentingnya menjaga kesehatan gigi dan mulut serta didorong pola konsumsi bahan makanan yang dapat memicu timbulnya serangan karies gigi. Karies gigi adalah proses penghancuran atau pelunakan dari email maupun dentin. Proses penghancuran tersebut berlangsung lebih cepat pada bagian dentin daripada email. Proses berlangsung terus sampai jaringan di bawahnya, dan ini adalah awal pembentukan lubang pada gigi. Orang awam membagi gigi menjadi gigi berlubang dan tidak berlubang. Sebuah lesi atau cacat pada gigi belum akan membuat lubang kecuali berkembang mencapai titik yang membutuhkan tindakan perawatan. Beberapa karies yang belum menembus email sering dibiarkan tidak dirawat, khususnya jika proses tersebut terhenti. Bila proses karies telah menembus email dan mengenai dentin, prosedur operatif merupakan indikasi perawatannya.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 16 / 47

Program Pascasarjana

KAJIAN PUSTAKA DAN LANDASAN TEORI

Landasan Teori

Berikut adalah klasikasi gigi menurut Black : Kelas 1. Karies terjadi pd pit dan sur dari semua gigi. Namun sering terjadi pada gigi posterior (gigi 4-8).

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 17 / 47

Program Pascasarjana

KAJIAN PUSTAKA DAN LANDASAN TEORI

Landasan Teori

Kelas 2. Karies terdapat pada permukaan aproksimal (mesial dan distal) gigi posterior (gigi 4-8). Karies berada di bawah titik kontak yg sulit dibersihkan

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 18 / 47

Program Pascasarjana

KAJIAN PUSTAKA DAN LANDASAN TEORI

Landasan Teori

Kelas 3. lubangnya di permukaan gigi yg menghadap ke langit-langit. Karies terdapat pada permukaan aproksimal (mesial dan distal) gigi anterior (gigi 1-3) dan meluas dari aproksimal ke insisal. Karies berada di bawah titik kontak. aproksimal (mesial dan distal) : bagian ujung gigi. mesial : paling dekat dengan sumbu rahang tengah. distal : menjauhi sumbu rahang tengah.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 19 / 47

Program Pascasarjana

KAJIAN PUSTAKA DAN LANDASAN TEORI

Landasan Teori

Kelas 4. Karies terdapat pada permukaan halus dan fasial maupun lingual gigi. Dapat juga mengenai sementum. Lebih dominan timbul di permukaan yang menghadap ke bibir dan pipi daripada lidah. lingual : posisi gigi depan yang menghadap bibir.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 20 / 47

Program Pascasarjana

METODE PENELITIAN

METODE PENELITIAN

Tahapan Penelitian
1

Identikasi Permasalahan
Pada tahap pertama ini akan dilakukan identikasi permasalahan yang akan dibahas yaitu mulai dari mencari topik, literatur dan membuat proposal. Pengambilan dan Pengolahan Data Data yang akan diambil adalah data pasien yang menderita penyakit karies gigi. Data akan diambil dari rumah sakit atau klinik di Surabaya. Data tersebut akan diolah dengan cara ditransformasi ke dalam bentuk biner agar bisa dijadikan sebagai input pada proses training.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 21 / 47

Program Pascasarjana

METODE PENELITIAN

Iimplementasi Metode Pengklasikasian

Data yang telah diolah dijadikan sebagai input kemudian ditraining dengan menggunakan metode klasikasi. Metode klasikasi yang digunakan adalah metode LVQ dan metode RBF. Analisa dan Pembahasan Setelah data ditraining dengan menggunakan metode LVQ dan metode RBF kemudian data tersebut dikategorikan ke dalam enam klasikasi dari karies gigi. Hasil yang diperoleh dari kedua metode tersebut akan dianalisa sehingga akan dikaji kelebihan dan kelemahan dari kedua metode klasikasi tersebut. Kesimpulan yang diperoleh nantinya adalah metode yang mempunyai kinerja terbaik untuk digunakan pada klasikasi penyakit karies gigi.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 22 / 47

Program Pascasarjana

METODE PENELITIAN

Diagram Proses Penelitian

Diagram proses pada penelitian ini dapat dilihat pada skema berikut :

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 23 / 47

Program Pascasarjana

HASIL DAN PEMBAHASAN

HASIL DAN PEMBAHASAN

Pengambilan data dilakukan di Medical Center ITS Jalan Arif Rahman Hakim Surabaya pada bulan maret 2010. Surat Pengambilan data dapat dilihat pada lampiran 1. Data yang diambil adalah data pasien gigi pada tahun 2009 dari bulan Januari sampai dengan Desember 2009. Selama satu tahun terakhir, tercatat ada 1201 pasien gigi, dengan pasien karies gigi sebanyak 375 orang. Data pasien karies gigi sebanyak 375 orang ini digunakan untuk proses klasikasi. Data tersebut didiskusikan dengan dokter gigi untuk diklasikasikan menurut Black dengan empat klasikasi. Dari empat kelas klasikasi tersebut, kemudian peneliti membagi menjadi variabel input sebanyak delapan variabel dan target sebanyak empat variabel berdasarkan ciri-ciri dari masing-masing kelas yang ada menurut deskripsi Black.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 24 / 47

Program Pascasarjana

HASIL DAN PEMBAHASAN

Sehingga berdasarkan kriteria-kriteria yang ada menurut klasikasi Black, maka data pasien karies gigi sebanyak 375 orang tersebut dibagi menjadi 12 variabel yaitu delapan variabel input dan empat kelas klasikasi yang terdiri dari lapisan input dan lapisan output. Unit input terdiri dari 8 variabel yaitu x1 , x2 , x3 , ..., x8 , dimana x1 = Karies terjadi pada pit x2 = Karies terdapat pada permukaan aproksimal (mesial dan distal) x3 = Karies terdapat pada permukaan halus x4 = Karies terdapat pada fasial x5 = Karies terdapat pada lingual gigi x6 = Posisi gigi anterior x7 = Posisi gigi pasterior x8 = Posisi gigi anesial

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 25 / 47

Program Pascasarjana

HASIL DAN PEMBAHASAN

Sementara itu, unit output atau target ada empat sesuai dengan kelas klasikasinya, yaitu : t1 = kelas 1 t2 = kelas 2 t3 = kelas 3 t4 = kelas 4

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 26 / 47

Program Pascasarjana

HASIL DAN PEMBAHASAN

Dari 12 variabel tersebut, data diubah ke dalam bentuk biner, agar bisa dijadikan input pada proses training. Sebelum data tersebut diimplementasikan dalam simulasi pelatihan dan pengujian LVQ dan RBF, sebelumnya data ditransformasi ke dalam bentuk biner [0,1]. Proses ini menentukan data diagnosa gigi yaitu x1 sampai dengan x8 tersebut diterima (1) atau ditolak (0). Caranya adalah sebagai berikut : xi (biner ) = 1 jika diagnosa diterima 0 jika diagnosa tidak diterima

Sedangkan data target/output juga ditransformasi ke dalam bentuk biner dengan cara sebagai berikut : t1 = kelas 1 diubah dalam bentuk biner menjadi ( 1 0 0 0 ) t2 = kelas 2 diubah dalam bentuk biner menjadi ( 0 1 0 0 ) t3 = kelas 3 diubah dalam bentuk biner menjadi ( 0 0 1 0 ) t4 = kelas 4 diubah dalam bentuk biner menjadi ( 0 0 0 1 )

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 27 / 47

Program Pascasarjana

HASIL DAN PEMBAHASAN

Implementasi Metode Klasikasi

Dalam proses implementasi pada metode klasikasi ini, langkah pertama yang dilakukan adalah proses membaca permasalahan yang ada kemudian menerjemahkannya ke dalam algoritma dengan menggunakan kedua metode klasikasi yaitu LVQ dan RBF. Hal ini dilakukan agar dapat diproses dalam bentuk kode program MATLAB.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 28 / 47

Program Pascasarjana

HASIL DAN PEMBAHASAN

Implementasi Metode Klasikasi

Karena LVQ merupakan jaringan layar tunggal yang terdiri dari dua lapisan, maka hanya mempunyai lapisan input dan lapisan output. Setelah proses pengambilan dan pengolahan data pada proses sebelumnya, maka diperoleh unit-unit input dan output untuk jaringan ini. Lapisan input terdiri dari 8 unit input yaitu diambil dari variabel hasil diagnosa, sedangkan lapisan output terdiri dari 4 unit output yaitu diambil dari banyaknya kelas klasikasi menurut Black. Data input yang ditraining adalah data yang diambil dari masing-masing kelas yang mewakili kelas menurut deskripsi Black, misalnya diambil data sebanyak 10 input untuk masing-masing kelas.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 29 / 47

Program Pascasarjana

HASIL DAN PEMBAHASAN

Implementasi Metode Klasikasi

Algoritmanya LVQ adalah sebagai berikut : Input : Data input vektor training yaitu x1 , x2 , x3 , ..., x8 , data input vektor bobot yaitu w1 , w2 , ..., w4 , learning rate (0)=0.5. Proses : Menghitung jarak euclidean x-wj untuk mendapatkan J minimum, yaitu yang memiliki jarak euclidean terkecil. Update wj sebagai berikut : Jika Cj = T , maka wj (baru) = wj (lama) + [x-wj ]; Jika Cj = T , maka wj (baru) = wj (lama) - [x-wj ]; Reduksi learning rate. Kondisi stop dipenuhi jika learning rate mencapai suatu nilai yang cukup kecil atau bobot-bobot tidak berubah lagi (mencapai kondisi konvergen). Output : Model JST yang siap untuk mengklasikasi data (vektor) baru.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 30 / 47

Program Pascasarjana

HASIL DAN PEMBAHASAN

Implementasi Metode Klasikasi

Contoh sederhana untuk satu vektor referensi. Input vektor mewakili satu kelas yaitu kelas 1. Input : Data input vektor training x = [0.25 0.25]. data input vektor bobot yaitu w1 = [0.2 0.2]. w2 = [0.4 0.2]. w3 = [0.6 0.2]. w4 = [0.8 0.2]. inisialisasi learning rate (0)=0.5. Proses : Untuk input vektor x = [0.25 0.25] dengan T = 1, hitung jarak euclidean x-wj untuk mendapatkan J minimum, yaitu yang memiliki jarak euclidean terkecil. x-w1 = 0.07, x-w2 = 0.16, x-w3 = 0.35, x-w4 = 0.55.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 30 / 47

Program Pascasarjana

HASIL DAN PEMBAHASAN

Implementasi Metode Klasikasi

Karena T = 1 dan C1 = 1, maka T = C1 ; update w1 sebagai berikut : w1 (baru) = wj (lama) + [x-wj ]; w1 (baru) = w1 (lama) + 0.5 [x-w1 ]; Diperoleh w1 (baru), selanjutnya w1 baru yang diperoleh ini digunakan untuk proses berikutnya. Reduksi learning rate. Kondisi stop dipenuhi jika learning rate mencapai suatu nilai yang cukup kecil atau bobot-bobot tidak berubah lagi (mencapai kondisi konvergen). Output : Model JST yang siap untuk mengklasikasi data (vektor) baru.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 31 / 47

Program Pascasarjana

HASIL DAN PEMBAHASAN

Implementasi Metode Klasikasi

Karena RBF merupakan jaringan dengan layer jamak yang terdiri dari tiga lapisan maka mempunyai tiga lapisan yaitu lapisan input, lapisan hidden dan lapisan output. Setelah pengolahan data diperoleh unit-unit input, unit-unit hidden dan unit-unit output. Dimana setiap unit pada lapis tersembunyi merupakan fungsi aktifasi yang berupa fungsi basis radial dan fungsi basis radial ini diasosiasikan oleh lebar dan posisi center dari fungsi basis tersebut. Lapisan input terdiri dari 8 unit input. Lapisan hidden dapat diatur jumlah unit-unitnya. Sedangkan lapisan output terdiri dari 4 unit output. Data pasien karies gigi dibagi menjadi data training dan data testing. Data yang akan ditesting sebanyak 70 persen dari pasien, sedangkan data yang akan ditraining sebanyak 30 persen dari pasien. Berdasarkan data pasien yang ada, sejumlah pasien dijadikan input, sementara diagnosanya dijadikan variabel-variabel untuk klasikasi. Variabel input ada delapan yaitu x1 , x2 , x3 , ..., x8 . Sementara itu, target ada empat yaitu t1 , t2 , t3 , ..., t4 .

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 32 / 47

Program Pascasarjana

HASIL DAN PEMBAHASAN

Implementasi Metode Klasikasi

Algoritmanya RBF adalah sebagai berikut : Input : Data input vektor training yaitu x1 , x2 , x3 , ..., x8 , jumlah lapis, jumlah neuron, learning rate (0)=0.5. Proses : Menentukan jumlah fungsi basis yang akan digunakan. Menentukan center tiap fungsi basis. Menentukan bobot Untuk sinyal latih kerjakan langkah 5 sampai dengan selesai. Hitung keluaran tiap fungsi basis. Hitung keluaran RBFNN.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 33 / 47

Program Pascasarjana

HASIL DAN PEMBAHASAN

Implementasi Metode Klasikasi

Hitung kesalahan (error) antara keluaran terharap (t) dengan keluaran RBFNN (yk ), error = d - y . Update bobot-bobot tiap fungsi basis dan bobot basis. Output : Hasil Klasikasi Data (yk , k = 1, 2, 3).

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 34 / 47

Program Pascasarjana

HASIL DAN PEMBAHASAN

Implementasi Metode Klasikasi

Langkah detail dari algoritma RBF untuk penelitian ini dijabarkan sebagai berikut : Langkah Awal Tahap 1 Sorting data berdasarkan kelas klasikasi yang ada Tahap 2 Transformasi data dari bentuk diagnosa menjadi bentuk biner Tahap 3 Menentukan banyaknya jumlah data training dan data testing Data training sebanyak 70 persen dari jumlah data. Data testing sebanyak 30 persen dari jumlah data. yaitu 70 Datatraining = x375 = 262, 5 100 30 x375 = 112, 5 100 Sehingga dari 375 data pasien, maka data training adalah 263 sedangkan data testing sebanyak 112. Datatesting =

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 35 / 47

Program Pascasarjana

HASIL DAN PEMBAHASAN

Implementasi Metode Klasikasi

Langkah pada Proses Training Tahap 4 Menentukan pusat (center) dan lebar Center pada RBF ini menggunakan K-means clustering, sedangkan lebar () fungsi basis ditentukan dengan menggunakan persamaan (4.2) Tahap 5 Menghitung keluaran tiap fungsi basis Fungsi basis yang digunakan adalah fungsi gauss (persamaan (4.1)) Untuk mendapatkan hasil perhitungan keluaran tiap fungsi basis ini yaitu dengan mensubsitusi jarak antara vektor data input dengan masing-masing vektor pusat ri = x - ci dan lebar ( ) tiap fungsi basis ke persamaan (4.1)

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 36 / 47

Program Pascasarjana

HASIL DAN PEMBAHASAN

Implementasi Metode Klasikasi

Tahap 6 Menghitung Bobot Menggunakan persamaan (4.9) dimana : W : Matriks bobot Y : Matriks output atual (target) + : Matriks Pseudoinvers dari output fungsi basis Tahap 7 Menghitung output RBFNN Y = output fungsi basis * bobot Tahap 8 Menghitung kesalahan (error) Kesalahan (error) antara keluaran yang diinginkan/target (t) dengan keluaran RBFNN (yk ), error = tk - yk .

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 37 / 47

Program Pascasarjana

HASIL DAN PEMBAHASAN

Implementasi Metode Klasikasi

Proses Testing Tahap 10 : Proses testing dimulai Proses testing merupakan proses selanjutnya setelah proses training, dimana data inputnya menggunakan sisa dari total data yang ada yaitu sebanyak 30 persen dari total data. Langkah-langkah yang digunakan pada proses testing hampir sama seperti proses training, hanya yang membedakan adalah pada proses testing menggunakan bobot hasil update dari proses training.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 38 / 47

Program Pascasarjana

HASIL DAN PEMBAHASAN

Analisa dan Pembahasan

Penelitian ini difokuskan pada tingkat akurasi teknik klasikasi data dengan kedua metode yang digunakan. Data tersebut ditraining dengan menggunakan kedua metode klasikasi yaitu jaringan LVQ dan RBF dengan algoritma yang berbeda. Setelah semua data sampel ditraining dengan kedua metode tersebut, selanjutnya hasil training keduanya dibandingkan untuk melihat performansi masing-masing metode dengan permasalahan penyakit karies gigi.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 39 / 47

Program Pascasarjana

HASIL DAN PEMBAHASAN

LVQ

Hasil klasikasi yang diperoleh setelah proses training pada pelatihan LVQ untuk data pasien karies gigi adalah sebagai berikut : Tabel 4.2 : Hasil Klasikasi dengan Menggunakan Algoritma LVQ Data Jmlh Data Error Klas. Persentase klas. Wkt (dtk) Training 375 0.3093 69.0667 7.304995 Testing 375 0.3093 69.0667 7.304995 Tabel 4.2 di atas menunjukkan hasil klasikasi pasien karies gigi dengan menggunakan metode klasikasi jaringan LVQ. Setelah dilakukan training dengan data sebanyak 375, terdapat error klasikasi sebesar 0.3093. Sedangkan presentase klasikasi untuk data training yaitu 69.0667. Sementara itu, pada tabel 4.2 juga memperlihatkan hasil klasikasi untuk proses testing. Setelah dilakukan testing dengan data sebanyak 375, terdapat error klasikasi sebesar 0.3093. Sedangkan presentase klasikasi untuk data training yaitu 69.0667. Hasil ini dicapai setelah melakukan training dan testing dengan 20 epoch

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 40 / 47

Program Pascasarjana

HASIL DAN PEMBAHASAN

RBF

Hasil klasikasi yang diperoleh setelah proses training pada pelatihan RBF untuk data pasien karies gigi adalah sebagai berikut : Tabel 4.3 : Hasil Klasikasi dengan Menggunakan Algoritma RBF Data Jum Dt Error Klas. Persentase klas. Waktu (dtk) Training 263 0.2000 80 2.136183 Testing 112 0.1387 86.1333 2.136183 Berdasarkan hasil training pada jaringan RBF dengan menggunakan 263 data, terlihat bahwa dengan menggunakan metode RBF terdapat error training sebesar 0.200. Sedangkan presentase klasikasi untuk data training yaitu 80. Waktu yang dibutuhkan untuk proses training adalah 2.284566 seconds. Sementara itu, berdasarkan hasil testing pada jaringan RBF dengan menggunakan 112 data, terlihat bahwa dengan menggunakan metode RBF terdapat error testing sebesar 0.1387. Sedangkan presentase klasikasi untuk data testing yaitu 86.1333. Waktu yang dibutuhkan untuk proses training adalah 2.136183 seconds.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 41 / 47

Program Pascasarjana

HASIL DAN PEMBAHASAN

Perbandingan LVQ dan RBF

Jaringan LVQ dan RBF merupakan jaringan syaraf yang digunakan untuk teknik klasikasi. Kedua metode ini mempunyai arsitektur dan algoritma berbeda. LVQ merupakan jaringan dengan layer tunggal yaitu mempunyai lapisan input dan output. Ini berarti untuk LVQ, setiap neuron/unit yang terdapat di dalam lapisan/layer input selalu terhubung dengan setiap neuron yang terdapat pada layer output. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi. Sedangkan RBF merupakan jaringan dengan layer jamak yaitu mempunyai lapisan input, output dan hidden. Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih kompleks dibandingkan dengan lapisan tunggal.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 42 / 47

Program Pascasarjana

HASIL DAN PEMBAHASAN

Perbandingan LVQ dan RBF

Perbandingan hasil persentasi keakuratan yang diperoleh dari proses klasikasi data yang diaplikasikan pada penyakit karies gigi dapat dilihat pada tabel 4.2 dan 4.3. Terlihat bahwa untuk proses training dengan menggunakan metode klasikasi jaringan LVQ. Setelah dilakukan training dengan data sebanyak 375, terdapat error klasikasi sebesar 0.3093. Sedangkan presentase klasikasi untuk data training yaitu 69.0667. Sementara itu, untuk proses training pada jaringan RBF dengan menggunakan 263 data, terlihat bahwa dengan menggunakan metode RBF terdapat error training sebesar 0.200. Sedangkan presentase klasikasi untuk data training yaitu 80. Waktu yang dibutuhkan untuk proses training adalah 2.136183 seconds. Sedangkan untuk proses testing dengan menggunakan metode LVQ dengan data sebanyak 375, terdapat error klasikasi sebesar 0.3093. Sedangkan presentase klasikasi untuk data training yaitu 69.0667. Sementara itu pada jaringan RBF dengan menggunakan 112 data, terlihat bahwa dengan menggunakan metode RBF terdapat error testing sebesar 0.1387. Sedangkan presentase klasikasi untuk data testing yaitu 86.133. Waktu yang dibutuhkan untuk proses training adalah 2.136183 seconds.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 43 / 47

Program Pascasarjana

HASIL DAN PEMBAHASAN

Perbandingan LVQ dan RBF

Pada proses training, metode RBF lebih akurat jika dibandingkan dengan metode LVQ. Ini bisa dilihat dari error klasikasi dan persentase klasikasi. Begitu juga dengan proses testing, terlihat bahwa metode RBF lebih akurat jika dibandingkan dengan metode LVQ. Ini bisa dilihat dari error klasikasi dan persentase klasikasi. Sementara itu, waktu yang dibutuhkan untuk proses training dan testing pada jaringan RBF lebih singkat jika dibandingkan dengan waktu yang dibutuhkan untuk proses training dan testing pada jaringan LVQ. Sehingga berdasarkan hasil training dan testing pada jaringan LVQ dan RBF, dapat disimpulkan bahwa meskipun arsitektur dari kedua metode memberikan performansi klasikasi dengan rata-rata yang hampir sama, klasikasi data dengan jaringan RBF memberikan tingkat akurasi yang lebih tinggi atau akurat dalam membaca pola jika dibandingkan dengan klasikasi data menggunakan jaringan LVQ.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 44 / 47

Program Pascasarjana

KESIMPULAN DAN SARAN

KESIMPULAN DAN SARAN

Berdasarkan hasil dan pembahasan dapat ditarik kesimpulan : 1 Jaringan LVQ Error training sebesar 0.3093 dengan persentase klasikasi mencapai 69.0667. Waktu yang dibutuhkan untuk proses training adalah 7.304995 seconds. 2 Jaringan RBF. Error training sebesar 0.2 dengan persentase klasikasi mencapai 80. Waktu yang dibutuhkan untuk proses training adalah 2.284566 seconds. Error testing sebesar 0.1387 dengan persentase klasikasi mencapai 86.133. Waktu untuk proses testing adalah 2.136183 seconds. 3 Sehingga berdasarkan hasil training dan testing disimpulkan bahwa meskipun arsitektur dari kedua metode memberikan performansi klasikasi dengan rata-rata yang hampir sama, klasikasi data dengan jaringan RBF memberikan tingkat akurasi yang lebih tinggi dalam membaca pola dibandingkan dengan jaringan LVQ.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 45 / 47

Program Pascasarjana

KESIMPULAN DAN SARAN

Saran

Untuk pengembangan penelitian ini lebih lanjut bisa dilakukan karena model LVQ dan RBF masih memungkinkan untuk dikaji dan dikembangkan atau bisa juga dikembangkan dengan mengaplikasikannya pada studi kasus yang lain.

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 46 / 47

Program Pascasarjana

DAFTAR PUSTAKA

DAFTAR PUSTAKA

ULFASARI RAFFLESIA NRP. 1208 201 012 PERBANDINGAN PERFORMANSI JARINGAN ( LEARNING VECTOR2010 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT Senin, 27 Juli QUANTIZATION ( 47 / 47

Program Pascasarjana