BAB II KAJIAN TEORI. Kanker payudara adalah tumor ganas yang terbentuk dari sel-sel payudara
|
|
- Lanny Sudjarwadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 A. Kanker Payudara BAB II KAJIAN TEORI 1. Pengertian Kanker Payudara Kanker payudara adalah tumor ganas yang terbentuk dari sel-sel payudara yang tumbuh dan berkembang tanpa terkendali sehingga dapat menyebar di antara jaringan atau organ di dekat payudara atau ke bagian tubuh lainnya (Kementrian Kesehatan RI, 2016). Sedangkan menurut National Breast Cancer Foundation, kanker payudara dimulai dalam sel-sel lobulus, yang merupakan kelenjar penghasil susu, atau dapat juga dimulai dari saluran yang mengalirkan susu dari lobulus ke puting. Selain itu kanker payudara juga dapat dimulai di jaringan stroma, yang meliputi lemak dan jaringan ikat fibrosa payudara. 2. Jenis-jenis Kanker Payudara Ada beberapa jenis kanker payudara yaitu sebagai berikut (Gejala dan Tanda dalam Kedokteran Klinis, 2012: ): a. Karsinoma duktus invasif Karsinoma ini merupakan jenis yang paling umum (75%). Dilihat melalui mikroskop, sel ganas tersusun dalam berbagai bentuk mikro arsitektur, termasuk struktur kelenjar. Banyak tumor mengandung komponen stroma jarngan ikat yang menonjol (skirus). Perilaku biologisnya bermacam-macam, dari prognosis baik sampai buruk. Sistem penentuan penentuan stadium kanker (1 sampai 3) dilakukan berdasarkan: 1) Tingkat pembedaan tumor, seperti yang dikaji melalui pembentukan tubulus 13
2 2) Perbedaan ukuran, bentuk dan penodaan nukleus 3) Frekuensi mitosis b. Kanker lobulus invasif Kanker ini merupakan jenis kedua yang paling umum (10%). Dilihat melalui mikroskop, sel tumor monomorfik tersusun secara berderet, dengan pola alveolus dan targetoid. Kanker ini sering kali memiliki banyak pusat dan bisa terjadi di kedua payudara. Kanker ini tidak berkaitan dengan mikroklasifikasi, dan bisa sulit dideteksi dengan mamografi atau ultrasonografi. Magnetic resonance mammography direkomendasikan untuk mengevaluasi kanker jenis ini. c. Karsinoma tubulus Kanker ini mencakup 5 % dari semua penyakit ganas payudar dan semakin mudah dideteksi melalui pengamatn. Kanker ini biasanya merupakan tumor kecil dan secara histologi mengandung kelenjar berbentuk jelas yang dipisahkan oleh stroma berserat. Sel ganas mengandung proyeksi sitoplasma. yang memanjang dari puncak sel ke lumen duktus. Kanker tbulus cenderung tetap berada di suatu tempat dan sebenarnya tidak pernah bermetastasis ke nodus limfa di wilayah yang sama. Sampai 95 % pasien mampu bertahan hidup selama 5 tahun. d. Kanker payudara inflamasi Kanker ini mencakup 3% dari semua penyakit ganas yang ada di payudara. Jika dilihat melalui mikroskop, kanker ini bisa menunjukkan ciri-ciri kanker duktus, lobulus atau medula yang menginfiltrasi, disertai oleh serangan 14
3 limfatik ke kult oleh sel ganas, edeam jaringan dan perembesan sel inflamasi dengan tingkat keparahan berbeda-beda. Kanker ini cenderung dialami wanita muda pra-menopause dan secara biologi dengan hasil klinis yang kurang memuaskan. e. Karsinoma in situ Karsinoma in situ berasal dari unit duktus-lobulus terminal, dengan karsinoma in situ (DCIS) hanya ada di duktus/duktulus, dan karsinoma lobulusin situ (LCIS) hanya ada di lobulus. Sebelum pemantauan payudara, insidensi DCIS adalah 1 sampai 3 persen dari specimen yang diambil dan 3 sampai 6 persen dari semua kanker payudar. Sejak pemantauan diperkenalkan, DCIS telah didokumentasikan dalam 15 sampai 20 persen semua kanker payudara yang telah diangkat dan dalam 20 sampai 40 persen semua kanker payudar sama (tidak bisa diraba) ang dikeluarkan. Frekuensi LCIS juga meningkat dalma biopsy/specimen yang telah dikeluarkan. LCIS digolongkan sebagai neoplasia lobulus. Dalam DCIS, terdapat poliferasi lapisan sel kuboid dalam menuju lumen dan hilangnya lapisan luar sel mioepitelium, namun membrane alasnya masih utuh. 3. Klasifikasi Kanker Payudara Perkembangan kondisi abnormal payudara hingga menjadi sel kanker terbagi menjadi tiga kelas yaitu normal, tumor (benign) dan kanker. Tumor itu sendiri adalah massa jaringan abnormal. Dimana pada kelas ini terdapat dua jenis tumor pada payudara, yaitu tumor jinak atau non-kanker dan tumor ganas atau 15
4 kanker. Berikut adalah penjelasan masing-masing klasifikasi kanker payudara (National Breast Cancer Foundation, 2017): a. Diagnosis normal Payudara normal merupakan payudara dengan pertumbuhan sel normal, dimana sel-sel payudara yang tumbuh sama dengan sel-sel payudara yang rusak atau mati. b. Diagnosis tumor (benign) Tumor merupakan pertumbuhan sel yang abnormal dimana pembelahan sel pada payudara lebih cepat dari pada sel yang rusak atau mati. Jenis-jenis dari tumor yaitu: 1) Tumor Jinak Meskipun tumor ini pada umumnya tidak agresif terhadap jaringan sekitarnya, tetapi terkadang tumor ini dapat terus tumbuh, menekan pada organ-organ dan menyebabkan sakit atau masalah lain. Dalam situasi ini, perlu dilakukan pengangkatan tumor agar komplikasinya mereda. 2) Tumor Ganas Tumor ganas/kanker sangat agresif karena menyerang dan merusak jaringan sekitar. Selanjutnya biopsi perlu dilakukan untuk menentukan tingkat keparahan atau agresivitas tumor. c. Diagnosis kanker (Metastasis kanker) Metastasis kanker adalah ketika sel-sel kanker tumor ganas menyebar ke bagian lain tubuh. Biasanya melalui sistem getah bening dan membentuk tumor sekunder. 16
5 B. Wisconsin Breast Cancer Database (WBCD) Data medis tentang kanker payudara (breast cancer) dari University of Wisconsin Hospital merupakan data yang diperoleh dari 683 pasien yang telah diklasifikasikan ke dalam 2 (dua) jenis kanker, yaitu kanker jinak/tumor/benign dan kanker ganas/kanker/malignant. Database tersebut berupa 11 atribut yang mewakili data untuk setiap pasien, yang terdiri dari 9 (sembilan) karakteristik dari sel payudara dan 2 (dua) atribut lainnya, yaitu nomer id dari setiap pasien dan kelas label yang sesuai dengan jenis kanker payudara (jinak atau ganas). Nilainilai karakteristik sel berada dalam rentang dari 1 sampai 10, dimana 1 menunjukkan nilai terdekat dengan benign sedangkan 10 merupakan nilai tertinggi dan termasuk dikategorikan paling malignant. 2.1: Atribut-atribut dari database tersebut selengkapnya ditunjukkan pada tabel Tabel 2. 1 Atribut Wisconsin Breast Cancer Database (WBCD) Atribut Domain 1 Nomer kode sampel Nomer id 2 Clump Thickness Uniformity of Cell Size Uniformity of Cell Shape Marginal Adhesion Single Ephitalial Cell Size Bare Nuclei Bland Chromatin
6 Atribut Domain 9 Normal Nucleoli Mitoses Kelas 2 untuk benign 4 untuk malignant Variabel yang terdapat pada data WBCD diperoleh dari hasil FNA (Fine- Needle Aspirate) Biopsy Cytology yang merupakan salah satu jenis biopsi yang dilakukan dengan cara mengambil sampel sel pada benjolan atau massa payudara yang dicurigai sebagai tumor atau kanker dengan menggunakan jarum halus untuk selanjutnya dilakukan pemeriksaan di laboratorium (Wolberg & Mangasarian, 1990). Berikut merupakan penjelasan terkait dengan parameter-parameter pada Wisconsin Breast Cancer Database (Salama et al, 2012: 37-38): 1. Clump Thickness Pada atribut Clump Thickness, sel benign (tumor) cenderung dikelompokkan dalam monolayers (lapisan tunggal), sementara sel-sel kanker sering dikelompokkan dalam multilayer (lapisan yang lebih dari satu). 2. Uniformity of Cell Size/Shape Pada atribut Uniformity of Cell Size/Shape, sel kanker cenderung bervariasi dalam ukuran dan bentuk. 3. Marginal Adhesion Pada atribut Marginal Adhesion, sel normal cenderung untuk tetap bersama-sama, sedangkan pada sel-sel kanker cenderung menyebar. 18
7 4. Single Ephitalial Cell Size Single Ephitalial Cell Size terkait dengan keseragaman yang telah dijelaskan sebelumnya. Sel-sel epitel yang membesar secara signifikan kemungkinan dapat menjadi sel kanker. 5. Bare Nuclei Bare Nuclei adalah istilah yang digunakan untuk inti sel yang tidak dikelilingi oleh sitoplasma. Bare Nuclei biasanya terlihat pada tumor jinak. 6. Bland Cromatin Bland Cromatin menggambarkan keseragaman 'tekstur' dari inti sel yang terlihat pada sel benign. Sedangkan pada sel-sel kanker, kromatin cenderung bertekstur kasar. 7. Normal Nucleoli Normal Nucleoli adalah struktur kecil yang terlihat di inti sel. Dalam sel-sel normal, nukleolus biasanya sangat kecil jika terlihat. Sedangkan pada sel kanker nukleolus menjadi lebih menonjol, dan terkadang jumlahnya lebih dari jumlah normal. 8. Mitoses Ini adalah proses dimana sel membagi dan membelah diri. Kelas kanker dapat ditentukan dengan menghitung jumlah mitosis. C. Wisconsin Diagnostic Breast Cancer (WDBC) Data WDBC terdiri dari 569 kasus dengan 357 benign and 212 malignant. Rincian atribut yang terdapat pada data WDBC, yaitu nomor id pasien, hasil diagnosis (M = ganas, B = jinak) dan nilai dari 10 (sepuluh) variabel yang 19
8 diperoleh dari tes biopsy Fine-needle Aspirate (FNA) pada karakteristik inti sel dari sebuah gambar digital massa payudara (Salama et al, 2012: 38). Atributatribut dari data WDBC tersebut selengkapnya ditunjukkan pada tabel 2.2 berikut: Tabel 2. 2 Atribut Wisconsin Diagnostic Breast Cancer (WDBC) Atribut Domain 1 Nomer kode sampel Nomer id pasien 2 Radius Data hasil FNA 3 Texture Data hasil FNA 4 Perimeter Data hasil FNA 5 Area Data hasil FNA 6 Smoothness Data hasil FNA 7 Compactness Data hasil FNA 8 Concavity Data hasil FNA 9 Concave Points Data hasil FNA 10 Symmetry Data hasil FNA 11 Fractal Dimension Data hasil FNA 12 Kelas Nandi, 2008): 1. Radius B untuk benign M untuk malignant Berikut merupakan penjelasan mengenai variabel pada data WDBC (Mu & Radius dihitung dengan rata-rata panjang segmen garis radial dari pusat massa. 2. Texture Texture diukur dengan menemukan varians dari intensitas grayscale dalam komponen pixel. 20
9 3. Perimeter Perimeter adalah garis keliling inti sel yang diukur sebagai jumlah dari jarak antara titik-titik pada keliling inti sel. 4. Area Area diukur dengan menghitung jumlah piksel batas bagian dalam batas dan menambahkan satu setengah dari piksel garis keliling. 5. Compactness Compactness menggabungkan perimeter dan area untuk memberikan ukuran kekompakan sel. Compactness dapat dihitung dengan perimeter 2 /area 6. Smoothness Smoothness diukur dengan menghitung perbedaan antara panjang masingmasing garis radial dan rata-rata panjang dua garis radial yang mengelilinginya. Smoothness dapat dihitung dengan rumus berikut: r i (r i +r i+1 )/2 points perimeter (2.1) Dimana r i adalah panjang garis dari pusat massa ke batas pada masingmasing titik batas. 7. Concavity Concavity diperoleh dengan mengukur ukuran semua lekukan dalam batas inti sel. 8. Concave Points Concave point hampir sama dengan concavity, tetapi concave point hanya dihitung dari banyaknya titik batas yang terletak di daerah cekung batas, bukan besarnya tingkat kecekungan seperti pada concavity. 21
10 9. Symmetry Symmetry diukur dengan menemukan perbedaan relatif pada panjang antara pasangan segmen garis tegak lurus terhadap sumbu utama kontur inti sel, dapat dihitung dengan: symmetry = i left i right i i left i +right i (2.2) Dimana left i dan right i menunjukkan panjang tegak lurus garis di kiri dan kanan sumbu utama. 10. Fractal Dimension Fractal Dimension didekati dengan menggunakan coast-line approximation (Mandelbrot, 1997). D. Himpunan Klasik (Crisp Set) Himpunan klasik adalah kumpulan objek yang tegas. Pada teori himpunan klasik, keberadaan suatu elemen dalam himpunan A hanya terdapat dua kemungkinan keanggotaan, yaitu menjadi anggota A atau bukan anggota A (Lin & Lee, 1996:12). Suatu nilai yang menunjukkan seberapa besar tingkat keanggotaan suatu elemen (x) dalam suatu himpunan (A), sering dikenal dengan nama nilai keanggotaan atau derajat keanggotaan, yang dinotasikan dengan μ A (x). Pada himpunan klasik, hanya ada dua nilai keanggotaan, yaitu μ A (x) = 1 untuk x menjadi anggota A; dan μ A (x) = 0 untuk x bukan anggota dari A. 1, x A, untuk semua nilai x μ A (x) = { 0, x A, untuk semua nilai x (2.3) Berikut merupakan contoh dari himpunan klasik dan nilai keanggotaannya: 22
11 Contoh 1 Jika diketahui: S={1, 3, 5, 7, 9} adalah semesta pembicaraan; A={1, 2, 3} dan B={3, 4, 5}, maka dapat dikatakan bahwa: a. Nilai keanggotaan 1 pada himpunan A, μ A [1] = 1, karena 1 A b. Nilai keanggotaan 3 pada himpunan A, μ A [3] = 1, karena 3 A c. Nilai keanggotaan 2 pada himpunan B, μ B [2] = 0, karena 2 B d. Nilai keanggotaan 4 pada himpunan A, μ A [4] = 0, karena 4 A E. Himpunan Fuzzy Menurut Jang et al (1997:13), konsep himpunan fuzzy yang menjadi dasar dari logika fuzzy muncul berdasarkan konsep pemikiran manusia yang cenderung abstrak dan tidak tepat. Teori himpunan fuzzy merupakan perluasan dari teori himpunan klasik. Fungsi keanggotaan dari himpunan klasik, yaitu {0,1} diperluas menjadi suatu bilangan real dalam interval [0,1] (Lin & Lee, 1996:10). Teori himpunan fuzzy dapat digunakan untuk menetapkan suatu pernyataan yang memiliki tingkat ketidakpastian berdasarkan konsep pemikiran manusia yang tidak pasti dan cenderung beragam antara pemikiran manusia yang satu dengan yang lainnya, misal terdapat suatu pernyataan seperti berikut: Orang A adalah orang dewasa Pada pernyataan tersebut terdapat ketidakpastian untuk menentukan usia yang dapat mewakili bahwa orang A mutlak untuk masuk ke dalam kategori orang dewasa. Sehingga dalam penentuan kebenaran dari pernyataan tersebut dapat ditafsirkan sebagai suatu proses berkelanjutan dimana keanggotaan orang A pada himpunan orang dewasa berjalan perlahan-lahan dari 0 ke 1 (Rojas, 1996:291). 23
12 Contoh lainnya yang dapat diterapkan pada konsep teori fuzzy, yaitu seperti pada pernyataan untuk menetapkan tua dan muda atau cepat dan lambat dimana pernyataan-pernyataan tersebut merupakan suatu ketidakpastian yang dapat ditafsirkan dalam konteks tertentu. Menurut Zimmermann (1991:11-12) jika X adalah kumpulan dari objekobjek yang dinotasikan oleh x, maka himpunan fuzzy A dalam X adalah suatu himpunan pasangan berurutan: A = {(x, μ A (x) ) x X} (2.4) Dimana μ A (x) adalah derajat keanggotaan x untuk himpunan fuzzy A yang memetakkan setiap anggota X ke nilai keanggotaan yang terletak di interval [0, 1]. Berikut ini merupakan contoh dari himpunan fuzzy, fungsi keanggotaan pada himpunan fuzzy dan derajat keanggotaannya: Contoh 2 Misalkan A adalah himpunan umur dalam satuan tahun dengan interval [0,100]. Anggota A adalah: A = {9, 18, 22,28, 55,70} Fungsi keanggotaan pada variabel umur diberikan sebagai berikut: 1; a a μ muda (A) = { ; 17 < a ; a > 30 0; a 17 a 17 μ tua (A) = { ; 17 < a ; a > 30 24
13 Berdasarkan fungsi keanggotaan tersebut diperoleh derajat keanggotaan variabel umur pada Tabel 2.3 berikut: Umur (Tahun) Tabel 2. 3 Derajat Keanggotaan pada Variabel Umur Muda (μ muda (A)) Tua (μ tua (A)) Berikut merupakan bagian-bagian dari himpunan fuzzy: 1. Fungsi Keanggotaan Fungsi keanggotaan adalah suatu fungsi yang memetakan setiap elemen x dari himpunan semesta X ke dalam suatu nilai yaitu A(x), dalam interval tertutup [0,1] yang menggolongkan derajat keanggotaan x dalam A. Dalam hal ini, fungsi keanggotaan adalah fungsi yang berbentuk. A: X [0,1] Dalam mendefinisikan fungsi keanggotaan, himpunan semesta X selalu diasumsikan sebagai himpunan klasik (Klir & Yuan, 1995:75). Ada beberapa fungsi keanggotaan yang bisa digunakan. Pada tugas akhir ini, fungsi yang digunakan adalah fungsi keanggotaan representasi kurva segitiga. Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis (linear) seperti pada gambar 2.1 berikut. 25
14 1 Derajat Keanggotaan (μ(x)) 0 a b domain c Gambar 2.1 Representasi Kurva Segitiga Berikut adalah fungsi keanggotaan kurva segitiga (Sri Kusumadewi, 2010:155): 0; (x a) μ(x) = ; (b a) (c x) { ; (c b) x a dan x > c a < x b b < x c (2.5) 2. Operator-operator Fuzzy Menurut Rojas (1996: 296), operator pada himpunan fuzzy secara umum memiliki kesamaan jenis operator dengan teori himpunan klasik, yaitu operator fuzzy AND, OR, NOT. Melalui pendekatan yang sederhana, operator OR ( ) diidentifikasi sebagai fungsi maksimum, operator AND ( ) sebagai fungsi minimum dan operator NOT atau komplemen ( ) diidentifikasi sebagai fungsi x 1 x. Operator gabungan pada teori himpunan klasik dapat dinyatakan dalam operator OR. Jika A dan B adalah dua himpunan fuzzy, sehingga μ A, μ B : X [0,1]. Fungsi keanggotaan pada μ A B dari himpunan gabungan A B adalah μ A B (x) = μ A (x) μ B (x) x X, (2.6) Pada operator irisan juga berlaku hal yang sama sehingga dapat dinyatakan dalam operator AND pada himpunan A dan B, sehingga berlaku persamaan seperti berikut 26
15 μ A B (x) = μ A (x) μ B (x) x X, (2.7) Untuk komplemen A c pada himpunan A, diperoleh persamaannya seperti berikut: μ A c(x) = μ A (x) x X, (2.8) F. Neural Network (NN) Neural network (NN) merupakan sistem pemrosesan informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologis (Fausett, 1994: 3). Neural network dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi. Struktur jaringan syaraf pada otak manusia sangat kompleks dan memiliki kemampuan luar biasa yang terdiri dari neuron-neuron dan penghubung yang disebut sinapsis. Neuron bekerja berdasarkan impuls/sinyal yang diberikan pada neuron. Kemudian neuron tersebut meneruskannya kepada neuron yang lain (Siang, 2009:1-2). Neuron memiliki 3 komponen penting, yaitu dendrit, soma dan axon. Dendrit menerima sinyal dari neuron lain. Sinyal tersebut berupa impuls elektrik yang dikirim melalui celah sinaptik melalui proses kimiawi. Sinyal tersebut dimodifikasi (diperkuat/diperlemah) di celah sinaptik. Berikutnya, soma menjumlahkan semua sinyal-sinyal yang masuk. Kalau jumlahan tersebut cukup kuat dan melebihi batas ambang (threshold), maka sinyal tersebut akan diteruskan ke sel lain melalui axon. Frekuensi penerusan sinyal berbeda-beda antara satu sel dengan yang lain (Siang, 2009:2). Gambar 2.2 menunjukkan salah satu contoh jaringan syaraf secara biologis. 27
16 Gambar 2.2 Jaringan Syaraf Secara Biologi Seperti halnya otak manusia, neural network juga terdiri dari beberapa neuron, dan ada hubungan antara neuron-neuron tersebut. Neural network pada awalnya diperkenalkan oleh McCulloch dan Pitts di tahun 1943 yang menyimpulkan bahwa kombinasi beberapa neuron sederhana menjadi sebuah sistem neural akan meningkatkan kemampuan komputasinya. Bobot dalam jaringan yang diusulkan oleh McCulloch dan Pitts diatur untuk melakukan fungsi logika sederhana (Siang, 2009:4). Neural network dibentuk dengan asumsi sebagai berikut (Fausett, 1994:3). a. Pemrosesan informasi terjadi pada banyak elemen sederhana yang disebut neuron. b. Sinyal dikirimkan di antara neuron-neuron melalui penghubung-penghubung. c. Setiap penghubung antar neuron memiliki bobot yang dapat mengalikan sinyal yang ditransmisikan. d. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi yang dikenakan pada jumlahan input yang diterima untuk menentukan output. Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang. 28
17 Menurut Siang (2009:3), neural network ditentukan oleh 3 hal, yaitu: a. Pola hubungan antar neuron (disebut arsitektur jaringan) b. Metode untuk menentukan bobot penghubung (disebut metode training/learning/algoritma) c. Fungsi aktivasi Berikut merupakan tiga hal penting pembentuk neural network: 1. Arsitektur Jaringan Syaraf Hubungan antar neuron dalam neural network mengikuti pola tertentu tergantung pada arsitektur jaringan syarafnya. Menurut Fausett (1994: 12-15) terdapat 3 arsitektur dalam neural network, antara lain: a. Jaringan Layar Tunggal (single layer network) Dalam jaringan ini, sekumpulan input neuron dihubungkan langsung dengan sekumpulan outputnya. Dalam beberapa model (misal perceptron), hanya ada sebuah neuron output. Pada gambar 2.3 berikut merupakan contoh arsitektur jaringan layar tunggal. w 11 X 1 w 1m w 12 w 21 Y 1 X 2 w 22 Y 2 w 2m w p1 w p2 X p w pm Y m Lapisan input bobot Lapisan output Gambar 2. 3 Jaringan Layar Tunggal 29
18 Gambar 2.3 menunjukkan arsitektur jaringan dengan p neuron input (X 1, X 2,, X p ) dan m neuron output (Y 1, Y 2,, Y m ). w pm adalah bobot yang menghubungkan neuron input ke-p dengan neuron output ke-m. Dalam jaringan ini, semua neuron input dihubungkan dengan semua neuron output, meskipun dengan bobot yang berbeda-beda. Tidak ada neuron input yang dihubungkan dengan neuron input lainnya. Demikian pula dengan neuron output. b. Jaringan Layar Jamak (multilayer network) Jaringan layar jamak merupakan jaringan dengan satu layar simpul atau lebih (disebut hidden neuron/ neuron tersembunyi) antara neuron input dan neuron output. Terdapat layar bobot antara dua tingkat neuron yang berdekatan (input, hidden, output). Pada gambar 2.4 berikut merupakan contoh arsitektur jaringan layar jamak. X 1. v 11 v 12 v 21 φ 1 w 12 w 11 w 21 Y 1 v 1k X 2 v 22 φ 2 w 1m w 22 Y 2 v 2k X p v pk v p1 v p2 φ r w k1 w k2 w rm w 2m Y m Lapisan input bobot Lapisan tersembunyi bobot Lapisan output Gambar 2. 4 Jaringan Layar Jamak 30
19 Gambar 2.4 adalah jaringan dengan neuron input (x 1, x 2,, x p ), layar tersembunyi yang terdiri dari r neuron (φ 1, φ 2,, φ r ) dan m neuron output (Y 1, Y 2,, Y m ). Jaringan ini dapat menyelesaikan masalah yang lebih kompleks dibandingkan dengan layar tunggal, meskipun kadangkala proses pelatihan lebih kompleks dan lama. c. Jaringan Layar Kompetitif (competitive layer network) Arsitektur ini memiliki bentuk yang berbeda, dimana antar neuron dapat saling dihubungkan. Jaringan layar kompetitif memiliki bobot ε. Gambar 2.5 merupakan salah satu contoh arsitektur ini. Gambar 2. 5 Jaringan Layar Kompetitif 2. Fungsi Aktivasi Fungsi aktivasi akan menentukan output suatu neuron yang akan dikirim ke neuron lain (Fausett, 1994: 17). Fungsi aktivasi digunakan untuk menentukan output suatu neuron. Gambar 2.10 menunjukkan neural network dengan fungsi aktivasi F. 31
20 x 1 w 1 x 2 w 2 Σ a F y w 1 x p b Gambar 2. 6 Fungsi Aktivasi pada Neural Network Sederhana (x 1, x 2,, x p ) adalah neuron yang masing-masing memiliki bobot (w 1, w 2,, w p ) dan bobot bias b pada lapisan input. Berikut merupakan beberapa fungsi aktivasi Neural Network menurut Fausett (1994: 17-19): a. Fungsi Linear Fungsi Linear dirumuskan sebagai: f(x) = ax + b, x R. Jika a = 1 dan b = 0, maka f(x) = x, x R (2.9) Persamaan 2.9 disebut fungsi identitas. Pada fungsi identitas, nilai output yang dihasilkan sama dengan nilai inputnya. Berikut merupakan gambar untuk fungsi aktivasi identitas. Gambar 2. 7 Fungsi Aktivasi Identitas 32
21 b. Fungsi Undak Biner (Binary Step) Jaringan dengan lapisan tunggal sering menggunakan fungsi undak biner (step function) untuk mengkonversikan input dari suatu variabel yang bernilai kontinu ke suatu output biner (0 atau 1). Fungsi undak biner dirumuskan sebagai berikut. 0, jika x < 0 y = { 1, jika x 0 (2.10) Fungsi aktivasi undak biner ditunjukkan pada Gambar 2.8 berikut. c. Fungsi Sigmoid Biner Gambar 2. 8 Fungsi Aktivasi Undak Biner Fungsi ini digunakan untuk neural network yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1, sehingga sering digunakan untuk neural network yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun, fungsi ini bisa juga digunakan oleh neural network yang nilai outputnya 0 atau 1. Fungsi sigmoid biner dirumuskan sebagai berikut: dengan f (x) = σf(x)[1 f(x)] y = f(x) = 1 1+e σx (2.11) 33
22 Fungsi aktivasi sigmoid biner ditunjukkan pada Gambar 2.9 berikut. d. Fungsi Sigmoid Bipolar Gambar 2. 9 Fungsi Aktivasi Sigmoid Biner Fungsi sigmoid bipolar berkaitan dengan fungsi tangen hiperbolik yang sering digunakan sebagai fungsi aktivasi ketika nilai output yang dibutuhkan terletak pada interval -1 sampai 1. Fungsi sigmoid bipolar dirumuskan sebagai berikut. dengan y = f(x) = 1 e σx 1+e σx (2.12) f (x) = σ [1 + f(x)][1 f(x)] 2 Fungsi aktivasi sigmoid bipolar dengan σ = 1 ditunjukkan pada Gambar 2.10 berikut. Gambar Fungsi Aktivasi Sigmoid Bipolar 34
23 3. Algoritma Pembelajaran Algoritma pembelajaran adalah prosedur untuk menentukan bobot pada lapisan yang berhubungan dalam neural network (Fausett, 1994: 429). Tujuan utama dari proses pembelajaran adalah melakukan pengaturan terhadap bobotbobot yang ada pada neural network sehingga diperoleh bobot akhir yang tepat sesuai dengan pola data yang dilatih (Kusumadewi & Hartati, 2010: 84). Secara garis besar ada dua jenis pembelajaran pada neural network, yaitu pembelajaran yang menyangkut pengaturan bobot koneksi pada neural network dan struktur belajar, yang berfokus pada perubahan struktur jaringan, termasuk jumlah neuron dan jenis hubungan antar neuron. Kedua jenis pembelajaran dapat dilakukan secara bersamaan atau terpisah. Setiap jenis pembelajaran dapat diklasifikasikan menjadi tiga kategori, yaitu Supervised Learning, Reinforcement Learning, dan Unsupervised Learning (Lin & Lee, 1995:5). Berikut merupakan ketiga kategori algoritma pembelajaran (Lin & Lee, 1995: ): a. Pembelajaran terawasi (supervised learning) Algoritma pembelajaran pada neural network disebut terawasi jika output yang diharapkan telah diketahui sebelumnya. Pada proses pembelajaran, satu pola input akan diberikan ke suatu neuron pada lapisan input. Selanjutnya pola akan dirambatkan pada sepanjang jaringan syaraf sampai ke neuron pada lapisan output. Lapisan output akan membangkitkan pola output yang akan dicocokan dengan pola output targetnya. Error muncul apabila terdapat perbedaan antara pola output hasil pembelajaran dengan pola target sehingga diperlukan 35
24 pembelajaran lagi. Gambar 2.11 berikut merupakan diagram alur dari supervised learning: X (input) Sinyal Error ANN Generator Sinyal Error Y (output sebenarnya) d (output yang diharapkan) Gambar Supervised Learning (Pembelajaran Terawasi) b. Pembelajaran Penguatan (Reinforcement Learning) Reinforcement learning adalah bentuk dari supervised learning karena jaringan masih menerima beberapa umpan balik dari lingkungannya. Tapi umpan balik (penguat sinyal) hanya sebagai evaluatif yaitu hanya menyatakan seberapa baik atau seberapa buruk output tertentu dan menyediakan petunjuk mengenai apa yang seharusnya menjadi jawaban yang tepat. Output dari penguat sinyal biasanya diproses oleh sinyal generator untuk menghasilkan sinyal evaluative yang lebih informatif untuk neural network dalam menyesuaikan bobot yang benar dengan harapan mendapatkan umpan balik yang lebih baik. Gambar 2.12 berikut merupakan diagram alur dari reinforcement learning. X (input) ANN Y (output sebenarnya) Sinyal Kritik Generator Sinyal Kritik Sinyal Penguat Gambar Reinforcement Learning (Pembelajaran Penguatan) c. Pembelajaran Tak Terawasi (Unsupervised Learning) Dalam Unsupervised Learning, tidak ada pasangan data (input-target output) yang dipakai untuk melatih jaringan hingga diperoleh bobot yang 36
25 diinginkan, sehingga tidak ada yang memberikan umpan balik informasi. Jaringan harus menemukan sendiri pola, fitur, keteraturan, korelasi, atau kategori pada data input dan kode dalam output. Sementara dalam menemukan fitur ini, jaringan mengalami perubahan bobot; proses ini disebut mengorganisasikan diri. Proses pembelajaran bertujuan untuk mengelompokkan unit-unit yang hampir sama ke dalam suatu area tertentu sehingga algoritma pembelajaran ini sangat cocok untuk klasifikasi. Gambar 2.13 berikut merupakan diagram alur dari unsupervised learning. (input) X ANN Pengelompokkan Gambar Unsupervised Learning (Pembelajaran Tak Terawasi) G. Ketepatan Hasil Klasifikasi Keputusan medis mengenai tindakan medis yang harus dilakukan bergantung pada hasil klasifikasi (diagnosa). Tingkat ketelitian diagnosa dapat diukur dengan akurasi. Nilai akurasi juga dapat digunakan untuk mengetahui seberapa bagus dan terpercaya hasil klasifikasi yang telah dilakukan. Akurasi merupakan kemampuan dalam mengidentifikasi hasil positif maupun hasil negatif secara tepat. Contohnya, jika nilai akurasi = 95%, artinya klasifikasi akurat sebesar 95%, baik untuk pasien yang dinyatakan tidak berpenyakit maupun dinyatakan memiliki penyakit. Rumus untuk menghitung akurasi adalah sebagai berikut: Akurasi = banyaknya klasifikasi yang tepat total keseluruhan data x100% (2.13) 37
BAB III PEMBAHASAN. 1. Arsitektur Fuzzy Radial Basis Function Neural Network (FRBFNN) Fuzzy Radial Basis Function Neural Network (FRBFNN) merupakan
BAB III PEMBAHASAN A. Fuzzy Radial Basis Function (FRBFNN) 1. Arsitektur Fuzzy Radial Basis Function Neural Network (FRBFNN) Fuzzy Radial Basis Function Neural Network (FRBFNN) merupakan gabungan dari
Lebih terperinciBAB I PENDAHULUAN. Kanker adalah pertumbuhan yang tidak normal dari sel-sel jaringan tubuh
BAB I PENDAHULUAN A. Latar Belakang Kanker adalah pertumbuhan yang tidak normal dari sel-sel jaringan tubuh dan bersifat ganas. Sel-sel tersebut dapat tumbuh lebih lanjut serta menyebar ke bagian tubuh
Lebih terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
Lebih terperinciJaringan syaraf dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
Lebih terperinciBAB VIII JARINGAN SYARAF TIRUAN
BAB VIII JARINGAN SYARAF TIRUAN A. OTAK MANUSIA Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiaptiap sel bekerja seperti suatu prosesor sederhana. Masing-masing
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 21 Anatomi Ayam Pengetahuan tentang anatomi ayam sangat diperlukan dan penting dalam pencegahan dan penanganan penyakit Hal ini karena pengetahuan tersebut dipakai sebagai dasar
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciJaringan Syaraf Tiruan
Jaringan Syaraf Tiruan Pendahuluan Otak Manusia Sejarah Komponen Jaringan Syaraf Arisitektur Jaringan Fungsi Aktivasi Proses Pembelajaran Pembelajaran Terawasi Jaringan Kohonen Referensi Sri Kusumadewi
Lebih terperinciBAB II KAJIAN TEORI. untuk mengembangkan konsep dalam melakukan optimasi rule dalam diagnosa
BAB II KAJIAN TEORI Bab II berisi tentang teori dan temuan-temuan yang dapat dijadikan acuan untuk mengembangkan konsep dalam melakukan optimasi rule dalam diagnosa kanker payudara. Teori-teori yang digunakan
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciBAB II LANDASAN TEORI
5 BAB II LANDASAN TEORI 2.1. Citra Digital Citra digital dapat didefenisikan sebagai fungsi f(x,y) yaitu dua dimensi, dimana x dan y merupakan koordinat spasial dan f(x,y) disebut dengan intensitas atau
Lebih terperinciARTIFICIAL NEURAL NETWORK TEKNIK PERAMALAN - A
ARTIFICIAL NEURAL NETWORK CAHYA YUNITA 5213100001 ALVISHA FARRASITA 5213100057 NOVIANTIANDINI 5213100075 TEKNIK PERAMALAN - A MATERI Neural Network Neural Network atau dalam bahasa Indonesia disebut Jaringan
Lebih terperinciBAB I PENDAHULUAN. Memelihara kesehatan diri sendiri dan orang-orang di sekitar merupakan hal yang
a. Latar Belakang BAB I PENDAHULUAN Kesehatan merupakan suatu kekayaan yang tidak ternilai harganya. Memelihara kesehatan diri sendiri dan orang-orang di sekitar merupakan hal yang sangat penting. Kini
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN 1.1 Latar belakang Hujan merupakan salah satu unsur iklim yang berpengaruh pada suatu daerah aliran sungai (DAS). Pengaruh langsung yang dapat diketahui yaitu potensi sumber daya air. Besar
Lebih terperinciBAB I PENDAHULUAN. jaringan ikat pada payudara. Terdapat beberapa jenis kanker payudara antara lain
BAB I PENDAHULUAN A. Latar Belakang Kanker payudara adalah pertumbuhan sel-sel pada jaringan payudara secara abnormal, terus menerus, tidak terkontrol dan tidak terbatas. Kanker bisa mulai tumbuh di dalam
Lebih terperinciDIAGNOSIS PENYAKIT KANKER PAYUDARA MENGGUNAKAN METODE NAIVE BAYES BERBASIS DESKTOP
1 DIAGNOSIS PENYAKIT KANKER PAYUDARA MENGGUNAKAN METODE NAIVE BAYES BERBASIS DESKTOP Achmad Ramadhan Safutra 1, Dwi Wahyu Prabowo 1 1 Jurusan Sistem Informasi, Fakultas Ilmu Komputer Universitas Darwan
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciFAKULTAS SAINS DAN TEKNOLOGI UIN SUSKA RIAU. IIS AFRIANTY, ST., M.Sc
IIS AFRIANTY, ST., M.Sc Sistem Penilaian Tugas dan Keaktifan : 15% Quiz : 15% UTS : 35% UAS : 35% Toleransi keterlambatan 15 menit Handphone: Silent Costume : aturan UIN Laki-laki Perempuan Menggunakan
Lebih terperinciBAB I PENDAHULUAN. saluran kelenjar dan jaringan penunjang payudara, tidak termasuk kulit payudara
BAB I PENDAHULUAN A. Latar Belakang Kanker payudara adalah tumor ganas yang berasal dari sel kelenjar, saluran kelenjar dan jaringan penunjang payudara, tidak termasuk kulit payudara (Departemen Kesehatan,
Lebih terperinciNeural Networks. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciPRISMA FISIKA, Vol. I, No. 1 (2013), Hal ISSN :
Prediksi Tinggi Signifikan Gelombang Laut Di Sebagian Wilayah Perairan Indonesia Menggunakan Jaringan Syaraf Tiruan Metode Propagasi Balik Abraham Isahk Bekalani, Yudha Arman, Muhammad Ishak Jumarang Program
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA
APLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA Pembimbing: Desi Fitria Utami M0103025 Drs. Y. S. Palgunadi, M. Sc
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciJARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Pertemuan 11 Diema Hernyka Satyareni, M.Kom
JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Pertemuan 11 Diema Hernyka Satyareni, M.Kom Outline Konsep JST Model Struktur JST Arsitektur JST Aplikasi JST Metode Pembelajaran Fungsi Aktivasi McCulloch
Lebih terperinciPenerapan Metode RBPNN untuk Klasifikasi Kanker Payudara
Penerapan Metode RBPNN untuk Klasifikasi Kanker Payudara Fairudz Shahura, Oni Soesanto 2, Fatma Indriani 3,2,3 Prodi Ilmu Komputer FMIPA ULM Jl. A. Yani Km 36 Banjarbaru, Kalimantan selatan Email: irashahura@gmail.com
Lebih terperinciBAB II NEURAL NETWORK (NN)
BAB II NEURAL NETWORK (NN) 2.1 Neural Network (NN) Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini merupakan
Lebih terperinciReduksi Fitur Untuk Optimalisasi Klasifikasi Tumor Payudara Berdasarkan Data Citra FNA
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Reduksi Fitur Untuk Optimalisasi Klasifikasi Tumor Payudara Berdasarkan Data Citra FNA Made Satria Wibawa 1), Kadek Dwi
Lebih terperinciBAB I PENDAHULUAN. yang tidak teratur dan kemampuan sel-sel ini untuk menyerang jaringan biologis
BAB I PENDAHULUAN A. Latar Belakang Kanker adalah sebuah penyakit yang ditandai dengan pertumbuhan sel yang tidak teratur dan kemampuan sel-sel ini untuk menyerang jaringan biologis lainnya, baik dengan
Lebih terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinciBAB II KAJIAN TEORI. kanker. Kanker yang tumbuh pada payudara disebut kanker payudara.
BAB II KAJIAN TEORI A. Kanker Payudara Kanker merupakan pertumbuhan sekelompok sel yang tidak normal, yang berkembang pada bagian tubuh yang normal. Sel kanker yang tumbuh membentuk benjolan disebut tumor.
Lebih terperinciBAB II LANDASAN TEORI. papernya yang monumental Fuzzy Set (Nasution, 2012). Dengan
BAB II LANDASAN TEORI 2.. Logika Fuzzy Fuzzy set pertama kali diperkenalkan oleh Prof. Lotfi Zadeh, 965 orang Iran yang menjadi guru besar di University of California at Berkeley dalam papernya yang monumental
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 JARINGAN SARAF SECARA BIOLOGIS Jaringan saraf adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak
Lebih terperinciBAB II KAJIAN TEORI. di antaranya mengenai kanker payudara (breast cancer), konsep dasar Neural
BAB II KAJIAN TEORI Bab II berisi tentang kajian teori yang akan digunakan dalam penelitian ini di antaranya mengenai kanker payudara (breast cancer), konsep dasar Neural Network, algotitma Backpropagation,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Biologi Jaringan Syaraf Tiruan merupakan suatu representasi buatan dari otak manusia yang dibuat agar dapat mensimulasikan apa yang dipejalari melalui proses pembelajaran
Lebih terperinciSebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran
Sebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran Kecerdasan Buatan Pertemuan 11 Jaringan Syaraf Tiruan (Artificial Neural Network)
Lebih terperinciBAB I PENDAHULUAN. yang menyerang saluran pencernaan. Lebih dari 60 persen tumor ganas kolorektal
BAB I PENDAHULUAN A. Latar Belakang Kanker kolorektal ( colo rectal carcinoma) atau yang biasa disebut sebagai kanker usus besar merupakan suatu tumor ganas terbayak diantara tumor lainnya yang menyerang
Lebih terperinciBAB II TEORI DASAR. Gambar 2.1 Anatomi Jantung
4 BAB II TEORI DASAR 2.1. Jantung Jantung merupakan otot tubuh yang bersifat unik karena mempunyai sifat membentuk impuls secara automatis dan berkontraksi ritmis [4], yang berupa dua pompa yang dihubungkan
Lebih terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinciGambar 2.1 Neuron biologi manusia (Medsker & Liebowitz, 1994)
BAB 2 LANDASAN TEORI 2.1. Jaringan Saraf Biologi Manusia Otak manusia memiliki struktur yang sangat kompleks, serta memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
79 BAB 2 TINJAUAN PUSTAKA 2.1. Pengenalan Pola Pengenalan pola mengelompokkan data numerik dan simbolik (termasuk citra) secara otomatis oleh komputer. Tujuan pengelompokan ini adalah untuk mengenali suatu
Lebih terperinciBABI PENDAHULUAN. 1.1 Latar Belakang
BABI PENDAHULUAN 1.1 Latar Belakang Kanker payudara adalah jenis kanker yang dimulai pada sel-sel payudara sebagai sekelompok sel kanker, yang kemudian dapat menyerang jaringan di sekitarnya atau menyebar
Lebih terperinciBAB II DASAR TEORI. 2.1 Meter Air. Gambar 2.1 Meter Air. Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus
BAB II DASAR TEORI 2.1 Meter Air Gambar 2.1 Meter Air Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus menerus melalui sistem kerja peralatan yang dilengkapi dengan unit sensor,
Lebih terperinciKLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF
KLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF Asti Rahma Julian 1, Nanik Suciati 2, Darlis Herumurti 3 Teknik Informatika, Fakultas Teknologi Informasi, ITS
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION Alvama Pattiserlihun, Andreas Setiawan, Suryasatriya Trihandaru Program Studi Fisika, Fakultas Sains dan Matematika,
Lebih terperinciBAB VIII PENGANTAR JARINGAN SYARAF TIRUAN (JST)
BAB VIII PENGANTAR JARINGAN SYARAF TIRUAN (JST) 8.1 Komponen Jaringan Syaraf JARINGAN SYARAF BIOLOGIS (JSB) Otak manusia berisi sekitar 10 11 sel syaraf (neuron) yang bertugas untuk memproses informasi
Lebih terperinciPenyebab, Gejala, dan Pengobatan Kanker Payudara Thursday, 14 August :15
Kanker payudara adalah penyakit dimana selsel kanker tumbuh di dalam jaringan payudara, biasanya pada ductus (saluran yang mengalirkan ASI ke puting) dan lobulus (kelenjar yang membuat susu). Kanker atau
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA
Aplikasi Jaringan Syaraf Tiruan Multilayer Perceptron (Joni Riadi dan Nurmahaludin) APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Joni Riadi (1) dan Nurmahaludin
Lebih terperinciVIII.PENGANTAR JARINGAN SYARAF TIRUAN (JST)
VIII.PENGANTAR JARINGAN SYARAF TIRUAN (JST) 3 JARINGAN SYARAF BIOLOGIS (JSB) Otak manusia berisi sekitar 0 sel syaraf (neuron) yang bertugas untuk memproses informasi yang masuk. Tiap sel syaraf dihubungkan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 2.1 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut
Lebih terperinciNeural Network (NN) Keuntungan penggunaan Neural Network : , terdapat tiga jenis neural network Proses Pembelajaran pada Neural Network
Neural Network (NN) adalah suatu prosesor yang melakukan pendistribusian secara besar-besaran, yang memiliki kecenderungan alami untuk menyimpan suatu pengenalan yang pernah dialaminya, dengan kata lain
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan diuraikan materi yang mendukung dalam pembahasan evaluasi implementasi sistem informasi akademik berdasarkan pengembangan model fit HOT menggunakan regresi linier
Lebih terperinciJaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (Artificial Neural Network) Intelligent Systems Pembahasan Jaringan McCulloch-Pitts Jaringan Hebb Perceptron Jaringan McCulloch-Pitts Model JST Pertama Diperkenalkan oleh McCulloch
Lebih terperinciBab 5 Penerapan Neural Network Dalam Klasifikasi Citra Penginderaan Jauh
Penerapan Neural Dalam Klasifikasi Citra Penginderaan Jauh Klasifikasi citra penginderaan jarak jauh (inderaja) merupakan proses penentuan piksel-piksel masuk ke dalam suatu kelas obyek tertentu. Pendekatan
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Karyawan atau tenaga kerja adalah bagian
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kebutuhan akan piranti pengenal/pendeteksi yang handal sangat dibutuhkan. Pengembangan teknologi pengenalan yang berupa kecerdasan buatan (Artificial Intelligence)
Lebih terperinciJaringan Syaraf Tiruan
07/06/06 Rumusan: Jaringan Syaraf Tiruan Shinta P. Sari Manusia = tangan + kaki + mulut + mata + hidung + Kepala + telinga Otak Manusia Bertugas untuk memproses informasi Seperti prosesor sederhana Masing-masing
Lebih terperinciBAB I PENDAHULUAN. terkontrol pada jaringan paru. Munculnya kanker ditandai dengan
BAB I PENDAHULUAN A. Latar Belakang Kanker paru adalah penyakit pertumbuhan jaringan yang tidak dapat terkontrol pada jaringan paru. Munculnya kanker ditandai dengan pertumbuhan sel yang tidak normal,
Lebih terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
Lebih terperinciBAB II DASAR TEORI. luar dan daging iga sangat umum digunakan di Eropa dan di Amerika Serikat
6 BAB II DASAR TEORI 2.1. Daging Sapi dan Daging Babi 2.1.1.Daging Sapi Daging sapi adalah daging yang diperoleh dari sapi yang biasa dan umum digunakan untuk keperluan konsumsi makanan. Di setiap daerah,
Lebih terperinciBAB III PEMBAHASAN. FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan
BAB III PEMBAHASAN Pada bab ini berisi mengenai FRBFNN, prosedur pembentukan model FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan listrik di D.I Yogyakarta. A. Radial Basis Function
Lebih terperinciKLASIFIKASI KELAINAN JANTUNG ANAK MENGGUNAKAN JARINGAN SARAF TIRUAN ALGORITMA BACKPROPAGATION A B S T R A K
KLASIFIKASI KELAINAN JANTUNG ANAK MENGGUNAKAN JARINGAN SARAF TIRUAN ALGORITMA BACKPROPAGATION Oleh : Gunawan Abdillah, Agus Komarudin, Rachim Suherlan A B S T R A K Kelainan jantung anak merupakan salah
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Digital Citra merupakan fungsi kontinyu dari intensitas cahaya pada bidang dua dimensi. Intensitas cahaya merupakan hasil kali antara jumlah pancaran (illuminasi) cahaya
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Barcode Salah satu obyek pengenalan pola yang bisa dipelajari dan akhirnya dapat dikenali yaitu PIN barcode. PIN barcode yang merupakan kode batang yang berfungsi sebagai personal
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Logika Fuzzy Fuzzy secara bahasa diartikan sebagai kabur atau samar yang artinya suatu nilai dapat bernilai benar atau salah secara bersamaan. Dalam fuzzy dikenal derajat keanggotan
Lebih terperinciBAB II KAJIAN TEORI. untuk mencari nafkah di tempat yang dikunjungi, tetapi semata-mata untuk
BAB II KAJIAN TEORI A. Pariwisata Pariwisata adalah suatu perjalanan yang dilakukan untuk sementara waktu, yang diselenggarakan dari suatu tempat ke tempat lain, dengan maksud bukan untuk mencari nafkah
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION [1] Novi Indah Pradasari, [2] F.Trias Pontia W, [3] Dedi Triyanto [1][3] Jurusan Sistem Komputer,
Lebih terperinciJARINGAN SYARAF TIRUAN
JARINGAN SYARAF TIRUAN 8 Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah
Lebih terperinci2.1 Definisi Operasional Indikator Pemerataan Pendidikan
BAB II TINJAUAN PUSTAKA 2.1 Definisi Operasional Indikator Pemerataan Pendidikan Pendidikan di Indonesia diselenggarakan sesuai dengan sistem pendidikan nasional yang ditetapkan dalam UU No. 20 tahun 2003
Lebih terperinciNEURAL NETWORK BAB II
BAB II II. Teori Dasar II.1 Konsep Jaringan Saraf Tiruan (Artificial Neural Network) Secara biologis jaringan saraf terdiri dari neuron-neuron yang saling berhubungan. Neuron merupakan unit struktural
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Beras merupakan salah satu kebutuhan pokok manusia yang sangat penting dalam kelangsungan hidupnya. Untuk memenuhi kebutuhan beras, setiap manusia mempunyai cara-cara
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI. Jasmir, S.Kom, M.Kom
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Pegawai atau karyawan merupakan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA. menggunakan teknik statistik, matematika, kecerdasan buatan, tiruan dan machinelearning
BAB 2 TINJAUAN PUSTAKA 2.1. Data Mining Data mining adalah kombinasi secara logis antara pengetahuan data, dan analisa statistik yang dikembangkan dalam pengetahuan bisnis atau suatu proses yang menggunakan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Kecerdasan Buatan (Artificial Intelligence) Kecerdasan buatan (Artificial Intelligence) adalah bagian dari ilmu komputer yang mempelaari bagaimana membuat mesin (komputer) dapat
Lebih terperinciPEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK
PEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK Bilqis Amaliah 1, Amethis Oktaorora 2 1,2 Teknik Informatika, FTIf - ITS,Surabaya
Lebih terperinciJARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORKS)
JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORKS) (Artificial Neural Networks) BAB I PENDAHULUAN 1.1 Sejarah JST JST : merupakan cabang dari Kecerdasan Buatan (Artificial Intelligence ) JST : meniru
Lebih terperinci1.1. Jaringan Syaraf Tiruan
BAB I PENDAHULUAN 1.1. Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi yang digambarkan sebagai berikut
Lebih terperinciBAB I PENDAHULUAN. A. Latar Belakang Masalah. dunia. Pada tahun 2012 sekitar 8,2 juta kematian diakibatkan oleh kanker. Kanker
BAB I PENDAHULUAN A. Latar Belakang Masalah Kanker merupakan salah satu penyebab kematian terbesar di seluruh dunia. Pada tahun 2012 sekitar 8,2 juta kematian diakibatkan oleh kanker. Kanker merupakan
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Sel Darah Merah Sel darah merah atau eritrositmemiliki fungsi yang sangat penting bagi kelangsungan hidup manusia. Sel darah merah mengandung hemoglobin yang berfungsi untuk
Lebih terperinciBAB III PEMBAHASAN. A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium
BAB III PEMBAHASAN A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium Kanker Payudara Fuzzy Neural Network (FNN) adalah gabungan sistem fuzzy dengan Artificial Neural Network (ANN).
Lebih terperinciDIAGNOSA GANGGUAN SALURAN PERNAFASAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
DIAGNOSA GANGGUAN SALURAN PERNAFASAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Bambang Yuwono 1), Heru Cahya Rustamaji 2), Usamah Dani 3) 1,2,3) Jurusan Teknik Informatika UPN "Veteran" Yogyakarta
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan saraf tiruan Jaringan Syaraf Tiruan (JST) atau neural network adalah suatu metode komputasi yang meniru sistem jaringan Syaraf biologis pada manusia. Metode ini menggunakan
Lebih terperinciFarah Zakiyah Rahmanti
Farah Zakiyah Rahmanti Latar Belakang Struktur Dasar Jaringan Syaraf Manusia Konsep Dasar Permodelan JST Fungsi Aktivasi JST Contoh dan Program Jaringan Sederhana Metode Pelatihan Supervised Learning Unsupervised
Lebih terperinciBAB II LANDASAN TEORI. 2.1 Penelusuran Minat dan Kemampuan (PMDK) diselenggarakan oleh suatu perguruan tinggi secara mandiri.
BAB II LANDASAN TEORI 2.1 Penelusuran Minat dan Kemampuan (PMDK) PMDK adalah salah satu program penerimaan mahasiswa baru yang diselenggarakan oleh suatu perguruan tinggi secara mandiri. Sesuai dengan
Lebih terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
Lebih terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Ginjal Ginjal adalah organ tubuh yang berfungsi untuk mengeluarkan urine, yang merupakan sisa hasil metabolisme tubuh dalam bentuk cairan. Ginjal terletak pada dinding bagian luar
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Jaringan Saraf Tiruan (JST) Jaringan saraf tiruan pertama kali secara sederhana diperkenalkan oleh McCulloch dan Pitts pada tahun 1943. McCulloch dan Pitts menyimpulkan bahwa
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciBAB II KAJIAN TEORI. Pengolahan Citra Digital, Ekstraksi Fitur Citra, Artificial Neural Network, SOM. Berikut adalah hal-hal mengenai Kanker Paru:
BAB II KAJIAN TEORI Bab II berisi tentang kajian teori yang diantaranya mengenai Kanker Paru, Pengolahan Citra Digital, Ekstraksi Fitur Citra, Artificial Neural Network, SOM Kohonen clustering dan Ketepatan
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinci