PENGENALAN POLA HIV DAN AIDS MENGGUNAKAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION OLEH : HERU SATRIA TAMBUNAN

Transkripsi

1 PENGENALAN POLA HIV DAN AIDS MENGGUNAKAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION OLEH : HERU SATRIA TAMBUNAN PROGRAM STUDI MAGISTER TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA 2016

2 PENGENALAN POLA HIV DAN AIDS MENGGUNAKAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION TESIS Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister Teknik Informatika OLEH : HERU SATRIA TAMBUNAN PROGRAM STUDI MAGISTER TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA 2016

3 PERSETUJUAN Judul : PENGENALAN POLA HIV DAN AIDS MENGGUNAKAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION Nama : Heru Satria Tambunan Nomor Induk Mahasiswa : Program Studi :MAGISTER (S-2) TEKNIK INFORMATIKA Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA Komisi Pembimbing : Pembimbing 2 Pembimbing 1 Dr. Rahmat W. Sembiring, M.Sc. IT Prof. Dr. Tulus Diketahui/disetujui Oleh Teknik Informatika Ketua. Prof. Dr. Muhammad Zarlis NIP

4 PERNYATAAN PENGENALAN POLA HIV DAN AIDSMENGGUNAKAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION TESIS Saya mengakui bahwa tesis ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya. Medan, Juli 2016 Heru Satria Tambunan

5 PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan dibawah ini: Nama : Heru Satria Tambunan NIM : Program Studi : Teknik Informatika Jenis Karya Ilmiah : Tesis Demi Pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalty Free Right) atas tesis saya yang berjudul : PENGENALAN POLA HIV DAN AIDSMENGGUNAKAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non- Eksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat, mengolah dalam bentuk database, merawat dan mempublikasikan tesis saya tanpa meminta izin dari saya selama tetap mencantumkan nama saya sebagai penulis dan sebagai pemegang dan/atau sebagai pemilik hak cipta Demikian pernyataan ini dibuat dengan sebenarnya. Medan, Agustus 2016 Heru Satria Tambunan

6 Telah diuji pada Tanggal : Agustus 2016 PANITIA PENGUJI TESIS Ketua : Prof. Dr. Tulus Vor, Dipl, Math, M.Si Anggota : 1. Dr. Rahmat W Sembiring, M.Sc.IT 2. Prof. Dr. Muhammad Zarlis 3. Prof. Dr. Herman Mawengkang

7 RIWAYAT HIDUP DATA PRIBADI Nama Lengkap : Heru Satria Tambunan, S.Kom Tempat dan Tanggal Lahir : Pematangsiantar, 27 Oktober 1987 Alamat Rumah : Jl. Maluku No 7 Pematangsiantar Telp/Fax/HP : heru@amiktunasbangsa.ac.id Instansi Tempat Bekerja : AMIK & STIKOM Tunas Bangsa Alamat Kantor : Jl. Jend. Sudirman Blok A, No. 1, 2 & 3 Pematangsiantar DATA PENDIDIKAN SD : SD YP Keluarga Pematangsiantar TAMAT : 1999 SLTP : MTs. Al-Washliyah Pematangsiantar TAMAT : 2002 SLTA : SMK Teladan Pematangsiantar TAMAT : 2005 D3 : AMIK Tunas Bangsa Pematangsiantar TAMAT : 2008 S1 : STTP Politeknik Poliprofesi Medan TAMAT : 2010 S2 : Universitas Sumatera Utara TAMAT : 2016

8 KATA PENGANTAR Ucapan syukur dan terimakasih penuli kepada Allah SWT, atas segala rahmatnya sehingga penelitian ini dapat diselesaikan dengan baik. Maka dengan kerendahan hati penulis mengucapkan terimakasih kepada : 1. Bapak Prof. Dr. Runtung Sitepu, S.H., M.Hum Selaku Universitas Sumatera Utara atas kesempatan yang telah diberikan kesempatan kepada penulis sehingga bisa mengikuti dan menyelesaikan pendidikan Magister Teknik Informatika. 2. Bapak Prof. Dr. Opim Salim Sitompul Selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Suatera Utara 3. Bapak Prof. Dr. Muhammad Zarlis selaku Ketua Program Studi S2 Teknik Informatika. 4. Bapak Mohammad Andri Budiman, ST., M.Comp.Sc., M.E.M Selaku Sekretaris Program Studi S2 Teknik Informatika. 5. Bapak Prof. Dr. Tulus selaku pembimbing utama penulis terimkasih atas arahan dan kesempatan yang diberikan kepada penulis untuk mengikuti dan menyelesaikan Program Magister pada Program Studi Magister Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara. 6. Bapak Dr. Rahmat W. Sembiring, M.Sc.IT selaku pembimbing kedua penulis atas arahan dan kesempatan yang diberikan kepada penulis untuk mengikuti dan menyelesaikan Program Magister pada Program Studi Magister Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara. 7. Seluruh Dosen dan Staf Pegawai Program Studi S2 Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, yang telah memberikan bantuan dan pelayanan terbaik selama mengikuti perkuliahan hingga pada penyelesaian tesis ini. 8. Bapak H. M. Ahmad Ridwansyah Putra, selaku Ketua Yayasan AMIK dan STIKOM Tunas Bangsa Pematangsiantar, yang telah memberikan

9 bantuan, moril dan motifasi kepada penulis selama mengikuti perkuliahan hingga pada penyelesaian tesis ini. 9. Bapak Dedy Hartama, ST., M.Kom, yang telah memberikan bantuan dan motifasi kepada penulis 10. Orangtua tercinta, ayahanda Zulkifli Tambunan dan Ibunda Mariani yang selalu memberikan doa, dukungan, moril dan motifasi sehingga tesis ini terselesaikan. 11. Orangtua tercinta Ela Roza Batubara, A.Md yang selalu memberikan doa, dukungan, moril dan motifasi sehingga tesis ini terselesaikan. 12. Temen-temen selama seperjuanagan sdr. Sumarno, M.Kom, sdr. Indra Gunawan, M.Kom, sdr. Irfan Sudahri Damanik, M.Kom, sdr. Edy Budi Harjono, M.Kom, sdr. Herri Siagian, M.Kom, sdri Eva Desiana, M.Kom yang telah mebantu baik moril maupun motifasi sehingga terselesainya tesis ini 13. Seluruh Dosen dan Staf Pegawai AMIK Tunas Bangsa, yang telah memberikan bantuan motivasi sehingga tesis ini selesai. Penulis menyadari bahwa isi tesis ini masih jauh dari kesempurnaan, untuk itu mohon kiranya para pembaca memberikan masukan, kritik dan saran yang sifatnya membangun untuk perbaikan sehingga dapat bermanfaat. Semoga karya ilmiah ini bermanfaat bagi kemajuan Ilmu pengetahuan dan pendidikan. Medan, Agustus 2016 Heru Satria Tambunan

10 Abstrak Perkembangan tekhnologi saat ini sangat berkembang pesat, sehingga sangat memudahkan untuk mengatasi berbagai masalah. Di dalam penelitian ini penulis menggunakan algoritma Kohonen pada Jaringan Syaraf Tiruan Backpropagation dalam pengenalan pola penyakit HIV dan AIDS dalam mengenali pola penyakit HIV dan AIDS. Algoritma Backpropagation merupakan salah satu algoritma pembelajaran yang membutuhkan pengawasan dalam proses pembelajarannya. Pada algoritma backpropagationterdapat pasangan data input dan output serta hidden layer untuk melakukan pemrosesan data Jaringan Syaraf Tiruan hingga diperoleh bobot penimbang (weight) yang diinginkan. Dalam penelitian ini, dalam pengenalan pola penyakit HIV dan AIDS. Penulis menggunakan 15 variabel datauntuk dilatih menggunakan algoritma backpropagation dimana pembobotannya secara random dan data yang kedua dilatih menggunakan algoritma backpropagation. Didalam penelitian ini mengunakan aplikasi matlab untuk melakukan pemrosesan. Kata Kunci :, Jaringan Syaraf Tiruan, Backpropagation, Kohonen (SOM), Matlab

11 PATTERN RECOGNITION OF HIV AND AIDS IN USING ALGORITHM KOHONEN NEURAL NETWORKBACKPROPAGATION Abstract Technological development today is growing rapidly, so it is easier to cope with various problems. In this study the writer use the Kohonen algorithm Backpropagation Neural Network in pattern recognition HIV and AIDS in recognizing patterns of HIV disease and AIDS. Backpropagation algorithm is a learning algorithm that requires supervision in the learning process. In backpropagation algorithm there is a pair of data inputs and outputs and hidden layer for data processing Neural Network to obtain the Weighing weights (weight) is desired. In this study, the pattern recognition of HIV disease and AIDS. The writer uses 15 data variables to be trained using the backpropagation algorithm wherein weighted random and the data are both trained using back propagation algorithm. In this study using matlab for processing such applications Keywords : Artificial Neural Networks, Backpropagation, Kohonen(SOM), Matlab

12 DAFTAR ISI ABSTRAK... x ABSTRACT... xi DAFTAR ISI... xii DAFTAR TABEL... xiv DAFTAR GAMBAR... xv BAB 1 PENDAHULUAN Latar Belakang Rumusan Masalah Batasan Masalah Tujuan Penelitian Manfaat Penelitian... 4 BAB 2 TINJAUAN PUSTAKA Penertian Jaringan Syaraf Tiruan Arsitektur JST Backpropagation Pengaruh bobot dan bias untuk pngenalan pola Pengaruh bobot Pengaruh Bias 2.5. Arsitektur Algoritma Backpropagation Fungsi Aktifasi Algoritma Backpropagation Algoritma Kohonen Normalisasi Riset Terkait Perbedaan Dengan Riset lain BAB 3 METODOLOGI PENELITIAN Pendahuluan Data yang digunakan Data Masukan... 16

13 Data Target/Output Pendefenisian Input dan Output Flowchart sistem Perancangan Proses BAB 4 PEMBAHASAN DAN HASIL Hasil analisis Pembobotan Awal Training Data Pengujian Data Pengujian Data Tahap Pengujian Data Tahap Pengujian Data Tahap Perbandingan Pengeujian Tahap 1 sampai Pengujian menggunakan Algoritma Kohonen Pengaruh bobot dan bias untuk pengenalan pola Pengaruh Bobot Pengaruh Bias BAB 5 KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN

14 DAFTAR TABEL Tabel 2.1. Riset Terkait Tabel 3.1. Input Data Mentah Tabel 3.2. Normalisai Tabel 3.3. Data Target/Output Tabel 4.1. Nilai Bobot weight Tabel 4.2.Output, error dan MSE Tabel 4.3. Hasil MSE Keakuratan Tabel 4.4. Bobot menuju Hidden Layer Tabel 4.5 Nilai Bias Tabel 4.6 Nilai untuk Output Tabel 4.7. Total Keakuratan MSE Tabel 4.8Tabel Presentase Pengenala Pola Tabel 4.9. pengujian Dengan Hidden Layer Tabel pengujian Dengan Hidden Layer Tabel pengujian Dengan Hidden Layer

15 DAFTAR GAMBAR Gambar 2.1. jaringan Dengan laipsan Tunggal... 6 Gambar 2.2. janringan Dengan Banyak lapisan... 7 Gambar 2.3. Jaringan dengan lapisan kompetitif... 7 Gambar 2.4. arsitektur Algoritma Backpropagation Gambar 3.1. langkah-langkah Pelatihan JST Gambar 3.2. Flowchart Metode penelitian Gambar 3.3 Flowchart metode Penelitian (lanjutan) Gambar 3.4. Flowchart Perancangan Proses Gambar 3.5. Flowchart Perancangan Proses (lanjutan) Gambar 4.1. Pelatihan Menggunakan Arsitektur Gambar 4.2. Grafik Pelatihan Menggunakan Arsitektur Gambar 4.3. Pelatihan Menggunakan Arsitektur Gambar 4.4. Bentuk Grafik Menuju Goal Gambar 4.5. Hasil Perhitungan Dengan 2 Hidden Layer Gambar 4.6 Grafik Performance dari 2 Hidden Layer Gambar 4.7. Grafik Training State Gambar 4.8. Pengujian Arsitektur Gambar 4.9. Bentuk Grafik dari Arsitektur Gambar Gambar Hasil Clustering... 41

16 1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Seiring perkembangan zaman banyak perubahan teknologi dan informasi. Peranan komputer saat ini sangat membantu pekerjaan manusia sehingga lebih cepat untuk mengenali berbagai aspek, sehingga terciptanya komputer yang menimbang atau mengambil keputusan.pemakai mulanya menggunakan komputer sebagai mesin ketik yang dapat bekerjalebih cepat, tepat maupun otomatis. Sejalan dengan perkembangan saat ini,para ahli mencoba menggantikan komputer menjadi suatu alat bantu yang dapatmeniru cara kerja otak manusia, sehingga diharapkan suatu saat akan terciptakomputer yang dapat menimbang dan mengambil keputusan sendiri. Hal inilahyang mendorong lahirnya teknologi AI (Artificial Intelegence) Dalam hal ini yang termasuk dalam golongan AI (artificial Intelegence) adalah salah satunya pembelajaran jaringan syaraf tiruan dimana dalam jaringan syaraf tiruan ada beberapa macam algoritma, dalam tesis ini penulis mengambil salah satu algoritma kohonen untuk mendapatkan nilai yang terbaik. Algoritma Kohonen merupakan algoritma jaringan cerdas yang menggunakan sistem pembelajaran secara kompetitif yang bersifat unsurpervised. Dimana sistem pembelajarannya secara pengelompokan atau klasifikasi (cluster) Jaringan Syaraf Tiruan Self Organizing Maps (SOM) atau disebut juga denganjaringan Kohonen telah banyak dimanfaatkan untuk pengenalan pola baik berupapola penyakit, citra, suara, dan lain-lain. Jaringan SOM sering pula digunakan untukekstraksi ciri (feature) pada proses awal pengenalan pola. Ia mampu mereduksidimensi input pola ke jumlah yang lebih sedikit sehingga pemrosesan komputermenjadi lebih hemat.

17 2 Arsitektur jaringan syaraf LVQ pada dasarnya sama dengan Kohonen Self Organizing Map (tanpa suatu struktur topologis yang diasumsikan untuk output) [9]. Arsitekturnya terdiri dari lapisaninput, lapisan kompetitif (lapisan tersembunyi/hidden layer). (Indrawan f, 2010) Kohonen Neural Network atau Kohonen Self Organizing Network merupakan analogi sederhana dari cara kerja otak manusia dalam mengelompokan informasi. Penelitian menunjukan bahwa kulit otak manusia terbagi ke dalam bagian-bagian yang berbeda, masingmasing merespon fungsifungsi khusus. Sel-sel saraf mengelompokan dirinya sendiri sesuai dengan informasi yang diterima. (Prabowo A, et al, 2006) Pada prinsipnya algoritma Kohonen akan memasukan beberapa node yang dimana node tersebut akan dihitung melalui bobot yang dimasukan setelah node dihitung akan melakukan pengurangan node-node sehingga yang pada akhirnya hanya satu node yang dipilih untuk menentukan hasil yang maksimal. Algoritma Backpropagation merupakan algoritma pelatihan terbimbing yang mempunyai banyak lapisan. BPNNmenggunakan error outputuntuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu (Nurmila A, et al) Jaringan Syaraf Tiruan (JST) merupakan suatusistem pemrosesan informasi yang mempunyaikarakteristik menyerupai jaringan syaraf biologi(jsb). JST tercipta sebagai suatu generalisasi modelmatematis dari pemahaman manusia (humancognition) yang didasarkan atas asumsi sebagaiberikut :Pemrosesan informasi terjadi pada elemensederhana yang disebut neuron, sinyal mengalir diantara sel syaraf/neuronmelalui suatu sambungan penghubung, setiap sambungan penghubung memiliki bobotyang bersesuaian. Bobot ini akan digunakanuntuk menggandakan / mengalikan sinyal yang dikirim melaluinya, setiap sel syaraf akan menerapkan fungsiaktivasi terhadap sinyal hasil penjumlahanberbobot yang masuk kepadanya untukmenentukan sinyal keluarannya.(wuryandari, et al, 2012) Backpropagation merupakan salahsatu algoritma yang sering digunakan dalammenyelesaikan masalah-masalah yang rumit. Halini dimungkinkan karena

18 3 jaringan dengan algoritmaini dilatih dengan menggunakan metode belajar terbimbing. (Matonda, 2013) Fungsi aktifasi yang dipakai untuk menentukan keluaran suatu neuron. Pada backpropagation fungsi aktivasi yang dipakai harus memenuhi syarat yaitu : kontinu dan terdiferensial dengan muhah (nurhafifah 2011) Saat ini berkembangan penyakit-penyakit yang dapat ditularkan seperti HIV dan AIDS yang dimana penyakit ini adalah penyakit yang sangat mudah tertular dan penyakit ini biasanya ditulari dengan cara penggunaan narkoba, penggunaan suntik yang tidak steril dan banyak lagi yang menyebabkan penyakit ini tertular. Berdasarkan penelitian ini penulis melakukan penelitian menggunakan Algoritma Kohonen pada Jaringan Syaraf Tiruan Backpropagation untuk mengenali pola penyakit HIV dan AIDS. 1.2 Perumusan Masalah Berdasarkan pada latar belakang diatas, maka dapat dirumuskan masalah melakukan pengclusteran penyakit dari data yang diinput menggunakan algoritma kohonen, serta mendapatkan target menggunakan jaringan syaraf tiruan backpropagation dari nilai bobot yang dimasukan untuk mengenal penyakit HIV dan AIDS. 1.3 Batasan Masalah Rumusan masalah diatas, dibatasi dengan beberapa hal sebagai berikut : 1. Proses perhitungan nilai-nilai untuk mendapatkan nilai terdekat menggunakan algoritma Kohonen jaringan syaraf tiruan Backpropagation. 2. Dalam melakukan pengenalan penyakit HIV dan AIDS penulis menggunakan Algoritma Kohonen Pada Jaringan Syaraf Tiruan Backpropagation. 1.4 Tujuan Penelitian Tujuan dari penelitian ini adalah untuk mendapatkan mengenali pola penyakit HIV dan AIDS, melalui data-data yang dimasukan.

19 4 1.5 Manfaat Penelitian Beberapa manfaat dari penelitian tesis adalah sebagai berikut 1. Dapat mengetahui penyakit dengan nilai yang diproses dengan algoritma kohonenpada jaringan syaraf tiruan. 2. Mengetahui sejauh mana Algoritma Kohonen pada Jaringan Syaraf Tiruan Backpropagation dalam mengenali pola penyakit HIV dan AIDS.

20 5 BAB 2 TINJAUAN PUSTAKA 2.1 Pengertian Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (JST) merupakan suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan syaraf biologi (JSB). JST tercipta sebagai suatu generalisasi model matematis dari pemahaman manusia (human cognition) yang didasarkan atas asumsi sebagai berikut : Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron, sinyal mengalir diantara sel saraf/neuron melalui suatu sambungan penghubung, setiap sambungan penghubung memiliki bobot yang bersesuaian. Bobot ini akan digunakan untuk menggandakan / mengalikan sinyal yang dikirim, setiap sel syaraf akan menerapkan fungsi aktivasi terhadap sinyal hasil penjumlahan berbobot yang masuk kepadanya untuk menentukan sinyal keluarannya.(wuryandari, et al, 2012) Pada dasarnyakarakteristik JST ditentukan oleh : 1. Pola hubungan antar neuron (disebut arsitekturjaringan) 2. Metode penentuan bobot-bobot sambungan(disebut dengan pelatihan atau proses belajarjaringan) 3. Fungsi aktivasi 2.2 Aristektur JST Pada arsitektur Jaringan Syaraf Tiruan (JST), sebuah neuron-neuron akan dikumpulkan dalam lapisan-lapisan atau yang biasa disebut layer. Pada lapisan JST dari lapisan masukan hingga keluaran akan melalui sebuah lapisan tersembunyi yang biasanya di sebut hidden layer. Menurut (Wuryandari, et al, 2012) Faktor terpenting dalam menentukan kelakuansuatu neuron adalah fungsi aktivasi dan polabobotnya. Umumnya

21 6 neuron-neuron yang terletakpada lapisan yang sama akan memiliki keadaan yangsama sehingga pada setiap lapisan yang samaneuron-neuron memiliki fungsi aktivasi yang sama.bila neuron-neuron pada suatu lapisan (misal lapisantersembunyi) akan dihubungkan dengan neuronneuron pada lapisan lain (misal lapisan keluaran)maka setiap neuron pada lapisan tersebut (lapisantersembunyi) juga harus dihubungkan dengan setiapneuron pada lapisan lainnya (lapisan keluaran).terdapat 3 macam arsitektur JST, yaitu: 1. Jaringan dengan lapisan tunggal (single layernet)j Jaringan ini hanya memiliki 1 lapisan denganbobot-bobot terhubung. Jaringan ini hanyamenerima masukan kemudian secara langsung akanmengolahnya menjadi keluaran tanpa harus melaluilapisan tersembunyi. Pada gambar berikut neuronneuron pada kedua lapisan saling berhubungan.seberapa besar hubungan antara 2 neuron ditentukanoleh bobot yang bersesuaian. Semua unit masukanakan dihubungkan dengan setiap unit keluaranseperti terlihat pada Gambar 2.1 dibawah ini. Gambar 2.1 Jaringan dengan lapisan tunggal 2. Jaringan dengan banyak lapisan (multilayer net) Jaringan ini memiliki 1 atau lebih lapisan yangterletak diantara lapisan masukan dan lapisankeluaran. Umumnya adalapisan bobot-bobot yangterletak antara 2 lapisan yang bersebelahan sepertiterlihat pada Gambar 2.2. Jaringan dengan banyaklapisan ini dapat menyelesaikan

22 7 permasalahan yanglebih sulit daripada lapisan tunggal, tentu sajadengan pembelajaran yang lebih rumit. Pada banyakkasus, pembelajaran pada jaringan dengan banyaklapisan ini lebih sukses dalam menyelesaikanmasalah. Gambar 2.2 Jaringan dengan banyak lapisan Gambar 2.2 Jaringan Dengan Banyak Lapisan3. Jaringan dengan lapisan kompetitif(competitive layer net)pada jaringan ini sekumpulan neuron bersainguntuk mendapatkan hak menjadi aktif. Umumnyahubungan antar neuron pada lapisan kompetitif initidak diperlihatkan pada diagram arsitektur. Gambar ini menunjukkan salah satu contoh arsitektur jaringandengan lapisan kompetitif yang memiliki bobot. Gambar 2.3 Jaringan dengan lapisan kompetitif

23 8 2.3 Backpropagation Backpropagation merupakan salah satu algoritma yang sering digunakan dalam menyelesaikan masalah-masalah yang rumit. Hal ini dimungkinkan karena jaringan dengan algoritma ini dilatih dengan menggunakan metode belajar terbimbing. ( Matondang, 2013) Backpropagation merupakan salah satu algoritma yang sering digunakan dalam menyelesaikan masalah-masalah yang rumit. Hal ini dimungkinkan karena jaringan dengan algoritma ini dilatih dengan menggunakan metode belajar terbimbing. ( Nurhafifah, 2011) Algoritma backpropagation salah satu jaringan syaraf tiruan yang memiliki proses pembelajaran maju dan kesalahan secara mundur. ( Dewi, et, al 2013 ) Algoritma backpropagation merupakan algoritma pelatihan terbimbing yang mempunyai banyak lapisan. ( Nurmila et al ) pada algoritma backpropation setiap unit menggunakan formula untuk memperbaiki bobot dan bias. δ2 k = E f (y_in k ) Untuk menghitung nilai masukan dari input ke hidden layer dengan formula : Z-inj = b1j + Perbaiki nilai bobot dan bias dengan menggunakan formula : = ( 2 = pada perhitungan nilai balik dari output layer dari perhitungan hidden layer.

24 9 _ = setelah mendapatkan perhitungan setiap unit yang ada di hidden layer akan menghitung delta untuk memperbaiki bobot dan bias dengan rumus : sedangkan untuk semua layer akan memperbaiki bobot nilai dan bias menggunakan rumus : Pada output layer : W ij =w jk + w jk b2 k = b2 k + b2 k Untuk menghitung hidden layer dari nilai ouput: v ij -v ij + v ij b1 k = b1 k + b1 k Hitung MSE (Mean Square Error) dengan menggunakan formula : = n adalah jumlah input masukan. Jika epoch <maximum atau target error maka mengulangi langkah perhitungan. Setiap melakukan propagasi akan melibatkan beberapa tahap yaitu : 1. Propagasi mundur merupakan aktivasi output melalui jaringan syaraf akan menggunkan target pola dalam rangka untuk menghasilkan nilai delta dari semua output dan neuron yang tersembunyi 2. Maju propagasi masukan data pelatihan melalui jaringan syaraf dalam rangka untuk menghasilkan nilai output dari aktifasi.

25 Pengaruh Bobot, dan Bias Untuk Pengenalan Pola Dalam metode Backpropagation nilai bobot dan bias sangat berperan penting untuk mengenal pola yang digunakan Pengaruh Bobot Analisis terhadap bobot dapat dilihat dari 2 jenis bobot yang digunakan yaitu: 1. Bobot dari input layer menuju hidden layer nilai bobot yang besar dari lapisan input menuju hidden layer, maka sinyal output yang dihasilkan hidden layer akan meningkat. Hal ini akan membuat informasi error semakin kecil. 2. Bobot dari hidden layer menuju output layer nilai bobot dari hidden layer menuju output layer memberikan pengaruh yang lebih besar dibandingkan dengan perubahan bobot dari lapisan input menuju hidden layer. Bobot dari hidden layer menuju lapisan output dikalikan dengan sinyal keluaran dari hidden layer. Sinyal keluaran hidden layer telah mendapatkan nilai tambahan dari nilai input yang merupakan dari data pengenalan pola Pengaruh Bias Untuk meningkatkan sinyal keluaran dari suatu lapisan maka salah satu cara adalah dengan menambah bias. Penambahan bias dari lapisan input menuju hidden layer akan menambah nilai bobot pada hidden layerdan dari hidden layerakan mendapatkan nilai untuk menuju hasil atau output yang dicapai.suatu bias sangat berpengaruh menentuhkan hasil output yang dicapai sesuai dengan target yang diinginkan. 2.5 Arsitektur algoritma backpropagation Algoritma backpropagation merupakan algoritma yang menghitung hasil keluaran yang didapat melalui perhitungan maju mundur untuk mendapatkan hasil yang maksimal seperti gambar 2.4 dibawah ini.

26 11 Input Layer Hidden Layer Output Layer X 1 Y 1 X 2 Z X 3 Y n X 15 Gambar 2.4 Arsitektur Algoritma Backpropagation Keterangan : x = Lapisan Masukan y = Lapisan Tersembunyi z = Lapisan Keluaran Arsitektur jaringan dipilih dengan pendekatan konstruktif, yaitu dengan suatu jaringan yang kecil dengan satu hidden layer kemudian mengembangkan jumlah unit tersembunyi serta bobot tambahan sampai didapatkan penyelesaian yang dikehendaki. Tiap neuron pada lapisan masukan menerima sinyal masukan berupa nilai faktor faktor lingkungan yang berpengaruh terhadap penyebaran penyakit DBD dan meneruskannya ke neuron pada hidden layer diatasnya. Jumlah neuron pada lapisan masukan sesuai dengan jumlah variabel yang dipilih sebagai masukan jaringan dan ditambah satu buah neuron bias. Pada Gambar 2.4 terlihat bahwa jumlah neuron lapisan masukan antara 1 sampai dengan n sesuai dengan jumlah faktor lingkungan yang akan dijadikan data inputan pada sistem ditambah satu buah neuron bias.

27 Fungsi Aktifasi Algoritma Backpropagation Dalam sebuah Jaringan Syaraf Tiruan mempunyai fungsi aktifasi yang bisa dipakai untuk menentukan keluaran neuron. ( Nurhafifah, 2011). setiap fungsi aktifasi mempunyai syarat yaitu berisifat kontinu, terdiferensial dengan mudah fan merupakan fungsi yang tidak turun. Dari beberapa aktifasi harus memenuhi syarat yaitu fungsi sigmoid yang memiliki range. 2.7 Algoritma Kohonen Menurut Nurfiiyah (2015) bahwa Prof. Teuvo Kohonen adalah orang pertama yang memperkenalkan jaringan kohonen pada Pada jaringan ini, neuronneuron pada suatu lapisan akan menyusun dirinya sendiri berdasarkan input nilai tertentu dalam suatu cluster.dalam proses penyusunan ini, cluster yang dipilih sebagai pemenang adalah clusteryang mempunyai vektor bobot paling cocok dengan pola input (memiliki jarak yang paling dekat. Algoritma Kohonen adalah Merupakan sistem yang dapat menampilkam hasil clustering dan menampilkan visualisasi dengan baik ( Ambarwati, 2014). Sedangkan menurut (Prabowo, et al 2006) bahwa algoritma kohonen Neural Network merupkan analogi sederhana dari cara kerja otak manusia dalam mengelompokan informasi. Didalam jurnal gadis, et al 2010 dalam jurnalnya yang berjudul penerapan kohonen self organized map dalam kuantisasi vektor bahwa kohonen self organized map merupakan salah satu algoritma yang dapat diterapkan untuk mendapatkana hasil yang maksimal. Algoritma Kohonen: 1. Inisialisasi bobot: wij Set parameter-parameter tetangga Set parameter learning rate 2. Kerjakan selama kondisi berhenti bernilai False a. Untuk setiap vektor input x, kerjakan: 1) Untuk setiap j, hitung:

28 13 2) Tentukan J, sampai D(J) minimum 3) Untuk setiap unit j dengan spesifikasi tetangga tertentu dan untuk setiap i: wij(baru) = wij(lama) + α(xi-wij(lama)) b. Perbaiki learning rate. c. Kurangi radius ke-tetangga-an pada waktu-waktu tertentu. d. Tes kondisi berhenti. Untuk setiap unit j pada tetangga J dan semua i hitungmenggunakan rumus : W ij (new) = W ij (old) + α [X i W ij (old)] 2.8 Normalisasi Dalam proses pembelajaran (training), jaringan membutuhkan data training yaitudata yang di-input-kan. Pada proses yang menggunakan derajat keanggotaan yangberada pada interval yang lebih kecil untuk itu perlu dilakukannormalisasi data agar terbentuk data yang berada diantara 0 dan 1. Salah satu rumusyang dapat digunakan dalam proses normalisasi data tersebut adalah persamaan berikut: = 0.8 ( ) Keterangan Rumus : X = Inisialisasi data 0.8 = Nilai ketetapan x = Data inputan yang sudah dinormalisasi a = Nilai minumum b = Nilai maximum (sumber = Romi Tiore Sihotang dan paska marto hasugian, 2014) 2.9 Riset Yang Terkait Tentang Penelitian Ada beberapa riset yang telah dilakukan yang berkaitan denga penelitian ini diantaranya adalah :

29 14 No 1 Judul Riset Perbandingan akurasi backpropagation neural network dan ANFIS untuk memprediksi cuaca Tabel 2.1 Riset Terkait Nama Peneliti dan Tahun Dewi. C, et al 2013 Kelebihan : Dimana dalam jurnal ini algoritma yang digunakan mampu mendekati nilai yang telah ditentukan dengan bobot yang dimasukan 2 Jaringan syaraf tiruan dengan algoritma backpropagation untuk penentuan kelulusan sidang skripsi Matondang, 2013 Kelebihan: Dengan menggunakan Algoritma Backpropagation dapat menentukan kelulusan dari bobot yang masukan. 3 implementasi model backpropagatio n dalam mengenal pola gambar untuk mendiagnosa Indriwaty Y, et al, 2012 penyakit kulit Kelebihan: Dari hasil pelatihan yang didapat bahwa keakuratan nilainya mencapai 82,76 % untuk mengenali penyakit. Metode pembobotannya dilakukan sistem pakar untuk kombinasi setiap Algoritma/ Metode Yang digunakan algoritma backpropag ation Hasil Penelitian salah sastu jaringan syaraf tiruan yang memiliki proses pembelajaran maju dan kesalahan secara mundur Kelemahan: Dalam Pengujian ini Backpropagation neural network membutuhkan Kombinasi data yang mencapai 60% dari keseluruhan data algoritma backpropag ation merupakan salah satu algoritma yang sering digunakan dalam menyelesaikan masalah-masalah yang rumit. Kelemahan Tidak Bisa mendapatkan nilai yang akurat. Untuk mendapatkan nilai yang akurat harus melakukan perbandingan dengan algoritma yang lainnya. model paradigma backpropag pemrosesan suatu ation informasi yang terinspirasi oleh sistem sel syaraf biologi,sama seperti otak yang memproses suatu informasi Kelemahan: Data berupa gambar yang berbentuk RGB, sehingga data tersebut harus di Grayscale terlebih dahulu untuk mendapatkan nilai binner dari gambar tersebut.

30 15 rule. algoritma Nurmila N et al backpropagatio n neurak 4 network untuk pengenalan pola karakter huruf jawa Kelebihan: Mendapatkan hasil yang maximal dengan melakukan pelatihan dengan nilai 99,563%, sedangkan untuk sampel data diluar pelatihan mendapatkan nilai 61,359%. Jadi penggabungan dari 2 data sample tersebut mendapatkan nilai 75% Perbandingan Prabowo A, et metode al, 2006 kohonen neural network dengan metode 5 learning Vector quantitazion pada pengenalan pola tanda tangan Kelebihan: metode Kohonen dapat melakukan proses pembelajaran lebih cepat untuk mengklasifikasikan tandatangan dibanding metode LVQ meskipun dari faktor keberhasilan dalam mengklasifikasikan pola 6 Penerapan Kohonen Self Organized map dalam Kuantisasi Gadis, F.A, et al, 2010 Vektor pada Kopresi Citra Bitmap 24 Bit Kelebihan: Mengelompokan setiap warna pada citra dalam kuantisasi vektor, untuk mengurangi intansitas warna. algoritma backpropag ation PNN algoritma backpropagation PNN merupakan algoritma pelatihanterbimbing yang mempunyai banyak lapisan Kelemahan: Didalam pelatihan ini dilakukan berulang-ulang dengan menggunakan pelatihan, dan jumlah neurol dan parameter jaringan berupa learning rate dan momentum yang berbeda. Algoritma Kohonen Neural Network atau Kohonen Self Organizing Network nalogi sederhana dari cara kerja otak manusia dalam mengelompokan informasi Kelemahan: Didalam jurnal ini metode kohonen mendapatkan nilai yang rendah dibandingkan LVQ dalam keakuratan mengklarifikasi tanda tangan. Kohonen Self Organized map Merupakan salah satu algoritma yang dapat diterapkan untuk mendapatkan hasil yang maksimal Kelemahan: Semakin banyak variasi warna yang dimiliki citra, maka rasio kompresi yang capai semakin kecil dan waktu kompresi serta dekompresi akan

31 16 Clustering data Budi W, et al pencemaran 2008 udara sektor industri 7 Di jawa tengah dengan kohonen neural network Kelebihan: Dapat mengclustering data secara acak (randomisasi) walaupun banyak data yang digunakan. Sistem Wiji L, 2010 clustering kecerdasan majemuk mahasiswa menggunakan Algoritma self 8 organizing maps (som) Kelebihan: Data-data yang digunakan mempunyai kedekatan yang akan dikelompokkan dalam suatau cluster. Penerapan Badrul anwar, algoritma (2011) jaringan syaraf tiruan 9 Backpropagati on dalam memprediksi tingkat suku bunga bank Kelebihan : Hidden layer yang digunakan untuk memprediksi bunga bank sebanyak 3 buah sehingga hasilnya mendekati target yang diinginkan semakin lama. Jaringan Jaringan yang akan Kohonen menyusun dirinya sendiri berdasarkan input nilai yang masukan kedalam suatu kelompok yang dikenal istilah cluster Kelemahan: Membutuhkan data yang besar dalam menganalisa pencemaran udara Algoritma Self Organizing Map (SOM) merupakan suatu metode jaringan syaraf tiruan yang diperkenalkan oleh Professor Teuvo Kohonen pada tahun Jaringan Kohonen merupakan salah satu bentuk topologi dari Unsupervised Artificial Neural Network (Unsupervised ANN) Kelemahan: Data epoch yang digunakan cukup besar 5500 dan parameter 0,01 Algoritma backpropag ation Salah satu algoritma yang sering digunakan untuk menyelesaikan masalah yang rumit. Algorimta ini memiliki dasar matematis yang kuat dan dilatih dengan menggunakan metode belajar terbimbing. Kelemahan : Pengujian hanya dilakukan sekali saja sehingga tidak bisa membandingkan tiap-tiap penguji mana yang terbaik.

32 17 10 Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah, (2015) Kelebihan : Dimana bobot yang mendekati target maka bobot tersebut menjadi pemenang Algoritma kohonen Pemetaan Organisasi Kohonen (Kohonen Self Organizing Maps, SOM), merupakan model pemetaan dari jaringan syaraf tiruan di mana suatu lapisan yang berisi neuron-neuron akan menyusun dirinya sendiriberdasarkan input nilai tertentu dalam suatu kelompok yang dikenal dengan istilah cluster Kelemahan : Dalam melakukan cluster membutuhkan 3 lapisan output, dan nilai output itu akan memperbaikin bobotnya sendiri 2.10 Perbedaan Dengan Riset Lain Dalam Penelitian ini, proses pembelajaran (training) yangsignifikan dan klasifikasi yang akurat dalam mengenali pola penyakit HIV dan AIDS menggunakan Algoritma Kohonen pada Jaringan syaraf Tiruan dimana bobot yangdigunakan dihitung menggunakan algoritma Kohonen dan hasilnya dimasukkan ke jaringan Syarat Tiruan backpropagation.

33 18 BAB 3 METODOLOGI PENELITIAN 3.1. Pendahuluan Tujuan dari tesis ini adalah untuk membuat suatu model tentang mengenal suatu penyakit HIV AIDS yang saat ini adalah penyakit yang sangat mematikan. Pada bagian ini penulis memulai dengan menganalisa gejala-gejala yang dialami yang apabila terkena penyakit HIV AIDS dan Data yang dikumpulkan dari dokter rumah sakit cabang Pematangsiantar 3.2. Data yang Gunakan Untuk mendapatkan hasil yang maksimal maka peneliti melakukan pengumpulan beberapa data masukan Data Masukan Secara ringkas data input perancangan data dengan jaringan syaraf tiruan untuk data pelatihan dan pengujian, digunakan 15 variabel input yaitu: X 1 X 2 X 3 X 4 X 5 X 6 X 7 X 8 X 9 X 10 X 11 X 12 : Tenggorokan Sakit : Suhu Demam : Muncul Ruam dalam Tubuh : Penuruan Berat Badan : Diare : Kelelahan : Nyeri Persendian : Nyeri Otot : Kelenjar Getah Bening membengkak : Demam yang berlangsung selama 10 hari : Berkeringat dimalam hari : Bintik-bintik ungu yang tidak hilang pada kulit

34 19 X 13 X 14 X 15 : Sesak napas : Infeksi jamur pada mulut, tenggorokan dan Alat kelamin pada Wanita : Mudah Memar atau berdarah tanpa sebab Berikut merupakan data mentah yang digunakan untuk gejala-gejala yang dialami penyakit atau pengidap HIV dan AIDS : Tabel. 3.1 Tabel input data mentah Variabel A B C D E F G X X X X X X X X X X X X X X X Dari tabel data diatas merupakan data mentah yang didapat, selanjut akan ditransformasikan. Berikut data hasil transformasi dilihat pada tabel 3.2 berikut ini:

35 20 Tabel 3.2 Normalisasi Data Variabel A B C D E F G X1 0,1203 0,1203 0,1203 0,1 0,1203 0,1203 0,1 X2 0,9 0, , , , , ,9 X3 0,1203 0, ,1203 0,1203 0,1203 0,1203 0,14061 X4 0,1203 0,1203 0,1203 0,1203 0,1203 0,1203 0,1203 X5 0,1203 0,1 0,1203 0,1 0,1203 0,1 0,1203 X6 0,1203 0,1203 0,1 0,1203 0,1203 0,1203 0,1 X7 0,1203 0,1203 0,1203 0,1203 0,1203 0,1203 0,1203 X8 0,1203 0,1203 0,1203 0,1203 0,1203 0,1203 0,1203 X9 0,1203 0,1203 0,1203 0,1203 0,1203 0,1203 0,1203 X10 0, , , , , , ,20152 X11 0,1203 0,1203 0,1203 0,1203 0,1203 0,1203 0,1203 X12 0,1203 0,1203 0,1203 0,1203 0,1203 0,1203 0,1203 X13 0,1203 0,1203 0,1203 0,1203 0,1203 0,1203 0,1203 X14 0,1203 0,1 0,1203 0,1 0,1 0,1203 0,1203 X15 0,1203 0,1203 0,1203 0,1 0,1 0,1 0,1203 Data dikonversi menjadi angka nominal untuk memudahkan perhitungan algoritma. Pada setiap gejala penyakit mempunyai selang nilai berbeda-beda, dan ada sebagian gejala lainnya hanya diberi nilai 1 untuk nilai ya (ada gejala), dan 0 untuk nilai tidak (tidak ada gejala). Percobaan dilakukan 2 kali, yaitu dengan algoritma Backpropagation dan algoritma Kohonen untuk mengelompokan. Backpropagation Data Masukan JST Kohonen Gambar 3.1. Langkah-langkah pelatihan JST

36 Data Target/Output Berikut adalah data keluaran proses penularan penyakit HIV AIDS (Y) sebagai berikut : Tabel 3.3 Data Target/Output No Keterangan Bobot 1 Penyakit Dikenali 1 2 Penyakit Tidak dikenali Pendefenisian Input dan Output Data Gejala-gejala yang dialami oleh pengidap penyakit ini akan diolah oleh jaringan, agar data tersebut dapat dikenal oleh jaringan maka data tersebut direpresentasikan ke dalam numerik antara 0 dan 1. Hal ini dikarenakan jaringan menggunakan fungsi aktifasi logis yang range-nya dari 0 sampai 1. Dan nilai-nilai ini digunakan berdasarkan kategori dari masing-masing variabel Flowchart Sistem Berikut merupakan langkah-langkah penyelesaian masalah penulis dalam bentuk Flowchart (Diagram Alir) a. Flowchart Backpropagation Adapun Flowchart pelatihan algoritma Backpropagation sebagai berikut : START Data Gejala Dan Data Proses Penularan Gambar 3.2 Flowchart Metode Penelitian A

37 22 A Inisialisasi Bobot Proses Pelatihan JST menggunakan Backpropagation Hitung Tingkat gejala dan proses penularan Hasil Perhitungan Gejala yang dialami Selesai Gambar 3.3 Flowchart Metodologi Penelitian (lanjutan) 3.5. Perancangan Proses Dalam perancangan ini merupakan langkah-langkah yang dilakukan untuk memecahkan masalah. Algoritma Backpropagation dapat disajikan dalam bentuk Flowchart.

38 23 Start Input data yang didapat Setiap masukan akan meneruskan ke hidden layer Jalankan fungsi aktifasi untuk mendapatkan nilai ouput Hitung Input dari setiap bobot Z netj = v j0 + xi vji Hitung komponen error Hitung komponen perubahan suatu error yang didapat Hitung komponen bias jk = (δk Zj) 2 = δk Hitung Perubahan Error 1 = _ ( _ ) A Gambar 3.4Flowchart Perancangan Proses

39 24 A Hitung Semua bobot untuk menuju keluaran Kondisi Pemberentihan perhitungaan dari nilai Selesai Gambar 3.5Flowchart Perancangan Proses Keterangan Flowchart: 1. Mulai Masukan Nilai Bobot 2. Memasukan nilai bobot yg sudah ditentukan berdasarkan jenis gejala-gejala yang di alami 3. Setiap Inputan meneruskan Hidden Layer Memasukan hidden layer yang sudah ditentukan, biasanya Hidden layer ini memiliki nilai antar Mengerjakan Fungsi keluaran Menghitung nilai keluaran dari bobot yang sudah dimasukan.antar nilai bobo dengan nilai hidden layer yang sudah diinput. 5. Menghitung input dari setiap bobot Pada penjelsan ini dimana nilai bobot yang dimasukan akan dihitung bersamaan dengan hidden layer 6. Menghitung komponen error Mencari nilai error dari setiap bobot yang dihitung

40 25 7. Menghitung Perubahan Suatu error 8. Menghitung Komponen Bias Bias atau Hidden Layerakan dihitung menggunakan rumus backpropagation 9. Menghitung Perubahan error 10. Menghitung semua bobot Semua nilai input akan di hitung untuk mendapatkan hasil yg maximal dari bobot 11. Kondisi pemberhentian Apabila nilai tersebut mendekati dari nilai penyakit maka perhitungan diberhentikan 12. Selesai

41 26 BAB 4 HASIL DAN PEMBAHASAN 4.1 Hasil Analisis Program yang dirancang akan mengimplementasikan. Berikut hasil implementasi dari program untuk pengenalan pola HIV dan AIDS adalah sebagai berikut: Pembobotan Awal Untuk melakukan pembobotan harus memasukan data terlebih dahulu. Dalam inisialisasi pembobotan awal dapat dilakukan dengan metode Backpropagation. Dalam pemberhentian program makan dibutuhkan 2 cara yaitu menggunakan epoch dan error untuk mendapatkan nilai yang dicapai. Dalam melakukan pengisian data maka dilakukan pembobotan yang konstanta. Pada saat tahap pembobotan akan dihitung bobot dan bias untuk melakukan pelatihan. Tahap pembobotan ini akan dipilih secara random, yang mana bobot yang diperoleh akan digunakan untuk feedforward (arus maju). Dimana pada tahap ini akan menerima sinyal X (data yang mempengaruhi penyakit HIV dan AIDS) Sinyal yang dimasukan akan diterima dan dikalikan dengan bobot pada satu node dari input layer menuju hidden layerserta ditambah dengan bias. Setelah tahap ini dilakukan pada masing-masing node padahidden akan dihasilkan sinyal bobot pada satu node hidden layer. Untuk menghitung sinyal output pada hidden layer digunakan fungsi aktivasi sigmoid dan threshold untuk hidden layer. Setelah itu akan menjumlahkan bobot dari sinyal input sehingga didapat sinyal output dari output layer yang sudah diaktifkan. Sinyal yang diperoleh dari output layer akan dihitung error-nya dengan mengurangkan dengan data target. Selisih pengurangannya disebut dengan nilai error. Nilai error harus dicari nilainya lebih kecil dari batas error yang digunakan. Jika nilainya masih diatas batas error maka dilakukan koreksi bobot dan bias, koreksi bobot dan bias

42 27 dilakukan untuk mengurangi nilai error sehingga sistem menemukan pola untuk mendapatkan target. Selanjutnya bobot yang dapat menemukan pola untuk prediksi akan disimpan. Pada tahap pengujian bobot yang diperoleh pada saat pembobotan akan digunakan untuk menguji sistem, apakah sistem sudah dapat menemukan target atau belum. Dalam pengujian ini dilakukan sampai diperoleh error paling rendah atau yang mendekati target yang dicapai. Hasil nilai bobot menggunakan arsitektur yang terlihat pada tabel 4.1 sebagai berikut : variabel Tabel 4.1 Nilai Bobotweight Bobot menuju Hidden Layer(Y1) Bobot menuju Hidden Layer (Y2) X X X X4 0 0 X X X7 0 0 X8 0 0 X9 0 0 X X X X X X Training Data Setelah melakukan pembobotan serta penginputan data maka akan dilakukan pelatihan data. Dalam proses pelatihan akan dilihat dari jumlah Epoch dan batas error yang didapat. Untuk tahap ini menggunakan training menggunakan arsitektur untuk medapatkan pola tersebut. Dapat lihat dari gambar 4.1 berikut ini :

43 28 Gambar 4.1 Pelatihan menggunakan arsitektur Pada pelatihan ini untuk mendapatkan target menggunakan waktu 50 detik dengan epoch 9314iterations dimana performance (goal) yang digunakan 0,0001. Sedangkan dalam bentuk grafik yang terlihat pada gambar 4.2 sebagai berikut :

44 29 Gambar 4.2 Grafik pelatihan menggunakan arsitektur Dari hasil training ini dari 15 variabel yang didapat maka akan mendapatkan nilai output dari terget yang ditentukan serta MSE ( Mean Square Erro) seperti terlihat pada tabel 4.2 dibawah ini : Tabel 4.2 Output, error dan Mse NO Nama Target output Error Mse 1 A 1 0,9875 0,0125 0, B 1 0,9921 0,0079 0, C 1 0,987 0,013 0, D 1 0,9938 0,0062 0, E 1 0,9921 0,0079 0, F 1 0,9904 0,0096 0, G 1 0,9891 0,0109 0, Nilai output langsung diperhitungan dengan menggunakan matlab, dengan sourcecode : [a,pf,af,e,perf]=sim(net,p,[],[],t) apabila dengan perhitungan menggunakan rumus :

45 30 = 2 + Sedangkan untuk mendapatkan nilai error dari target menggunkan rumus : E = t - y k Untuk mendapatka hasil dari MSE ( Mean Square Error ) menggunakan rumus : MSE = Σ Pengujian Data Dalam tahap ini penulis hanya melakukan tahap pengujian untuk mendapatkan keakuratan nilai output yang mendekati target. Penulis melakukan 3 tahap pengujian untuk mendapatkan hasil yang maksimal dari target output dan mendapatkan nilai error yang kecil untuk mengenal pola penyakit HIV dan AIDS serta MSE (Mean Square Error). Dan juga mendapatkan grapik menuju goal ataupn target yang ditentukan Pengujian Data Tahap 1 Pada tahap ini maka akan melakukan akan menghasilkan nilai Output yang terbaik untuk mendekati pola yang diingikan. Pada setiap data yang input akan menghasilkan nilai output yang berbeda sesuai dengan aristektur yang digunakan. Pada tahap ini penulis akan menggunakan arsitektur untuk mendapatkan nilai output dari target yang ditentukan. Pada pengujian tahap 1 ini akan melakukan Dapat dilihat pada gambar 4.3 berikut ini :

46 31 Gambar 4.3 Pengujian data arsitektur Pada saat pengujian data menggunakan arsitektur untuk mendapatkan nilai output dari target yang ditentukan maka proses perhitungannya membutukan waktu 35 detik. Untuk melihat bentuk grafik dari arsitektur ini dilihat pada gambar 4.4berikut ini :

47 32 Gambar 4.4 Bentuk Grafik menuju goal Dari hasil pengujian tahap 1 maka akan mendapatkan error dan output dari target yang ditentukan serta MSE (Mean Square Error ) dan jumlah keakuratan dalam, berapa persen (%) untuk menuju target yang diinginkan. Berikut dilihat pada tabel 4.3 berikut ini : Tabel 4.3 Hasil MSE keakuratan NO Nama Target output Error MSE 1 A 1 0,9958 0,0042 0, B 1 0,9985 0,0015 0, C 1 0,991 0,009 0, E 1 0,9987 0,0013 0, D 1 0,9961 0,0039 0, F 1 0,9794 0,0206 0, G 1 0,9875 0,0125 0,

48 33 Dengan menggunakan arsitektur ini maka yang mendekati keakuratan nilai output yang terbaik hanya 4. Serta keakuratan dalam persen (%) hanya mendapat 56%, dengan total error 0,0530 dan total MSE ( Mean Square Error ) 0, yang mana dalam perhitungan tahap ini belum mencapai target yang ditentukan. Script yang digunakan untuk mendapatkan nilai output dan error menggunakan matlab : [a,pf,af,e,perf]=sim(net,p,[],[],t) Nilai bobot yang didapatkan untuk menuju hidden layer, dapat dilihat pada tabel 4.4 dibawah ini : Tabel 4.4 bobot menuju Hidden Layer Variabel BOBOT MENUJU HIDDEN LAYER X X X X X X X X X X X X X X X Untuk mendapatkan nilai bobot dari menggunakan matlab sebagai berikut : net.iw{1,1}

49 34 sedangkan untuk mendapatkan nilai bias dapat dilihat pada tabel 4.5 sebagai berikut : Tabel 4.5 Nilai Bias Hidden Nilai layer Tabel diatas merupakan nilai bias dari untuk menuju hidden layer, sedangkan untuk nilai weight dari hidden layer menuju output dpat dilihat pada tabel 4.6 dibawah ini : Tabel 4.6 Nilai untuk output Nilai Weight Untuk mendapatkan nilai weight menggunakan matlab : net.lw{2,1} Pengujian data Tahap 2 Pada tahap ini penulis akan melakukan pelatihan dengan 2 hidden layer dengan arsitektur yang mana proses pelatihan ini akan mencoba mendapatkan nilai yang terbaik dari tahap pengujian 1 sebelumnya. Dapat dilihat pada gambar 4.5 dibawah ini :

50 35 Gambar 4.5 hasil perhitungan dengan 2 hidden Layer Pada tahap ini perhitungan dengan 2 hidden layer untuk mendapatkan nilai goal membutuhkan waktu 1 menit dengan total epoch dengan total epoch Performance dalam bentuk grafiknya dapat dilihat pada gambar 4.6 berikut ini : Gambar 4.6 grafik performance dari 2 hidden layer

51 36 Sedangkan grafik untuk melihat training state dapat dilihat gambar dibawah ini : Gambar 4.6 grafik Training State Dari haril pengujian tahap 2 ini penulis mendapatkan nilai output, error serta MSE (Mean Square Error) dan total keakuratan dari 15 variabel yang digunakan. Dapat dilihat pada tabel 4.6 dibawah ini : Tabel 4.6 Total Keakuratan MSE Inisial Target output Error Mse A 1 0,9933 0,0067 0, B 1 0,9932 0,0068 0, C 1 0,9927 0,0073 0, D 1 0,9926 0,0074 0, E 1 0,9928 0,0072 0, F 1 0,9938 0,0062 0, H 1 0,9797 0,0203 0, Pada tahap ini total keakurasian MSE yang didapat sudah mencapai 86% dengan total error yang didapat 0,0619 serta total MSE dari seluruh data mencapai

52 37 0, yang mana total MSE (Mean Square Error) di dapat dari perhitungan MSE yaitu : MSE = Σ Dari beberapa pengujian yang dilakukan penulis nilai yang sama, dimana nilai itu berupa : Goal : 0,0001 Learning Rate : 0,1 Bias : 2 Epoch : Pengujian Tahap 3 Pada Tahap ini merupakan pengujian yang terakhir yang dilakukan penulis untuk mendapatkan nilai output yang maksimal. Disini penulis akan melakukan pengujian dengan arsitektur untuk mendapatkan nilai output yang mendekati pola. Hasilnya dapat dilihat pada gambar 4.7 dibawah ini : Gambar 4.7 pengujian arsitektur

53 38 Dalam tahap pelatihan ini nilaiepoch berhenti diperhitungan ke 9443 dengan waktu 1 menit untuk mendapatkan nilai goal yang ditentukan yaitu Sedangkan bentuk grafik dari pengujian ini dapat dilihat pada gambar 4.8 berikut ini : Gambar 4.8 Bentuk grafik dari arsitektur Dari haril pengujian tahap ini penulis mendapatkan nilai output, error serta MSE (Mean Square Error) dan total variabel sebanyak 15 yang digunakan. Dapat dilihat pada tabel 4.7 dibawah ini : Tabel 4.7 Tabel Prasentasi pengenalan pola No Nama Target output Error Mse 1 A 1 0,9958 0,0042 0, B 1 0,989 0,011 0, C 1 0,9929 0,0071 0, D 1 0,9811 0,0189 0, E 1 0,9924 0,0076 0, F 1 0,992 0,008 0, G 1 0,9942 0,0058 0,

54 39 Pada tahap ini total keakurasian MSE yang didapat sudah mencapai 71% dengan total error yang didapat 0,0626 serta total MSE dari seluruh data mencapai 0, Semua nilai yang dimasukan untuk melakukan pengujian dari tahap 1 sampai dengan tahap 3 untuk mengenal pola yang mana terbaik diantara 3 pengujian yang dilakukan oleh penulis Perbandingan pengujian tahap 1 sampai tahap 3 Pada tahap ini akan melihat perbandingan dari tiga tahap pengujian yang mana diantar 3 tahap tersebut mendekati presentase keakuratan pengenalan pola penyakit. ini : Dalam perhitungan menggunakan matlab dapat dilihat pada tabeldibawah Tabel 4.8 Pengujian dengan Hidden Layer No Inisial Target Output Error Mse 1 A 1 0,9958 0,0042 0, benar 2 B 1 0,9890 0,0110 0, C 1 0,9929 0,0071 0, benar 4 D 1 0,9811 0,0189 0, E 1 0,9924 0,0076 0, benar 6 F 1 0,9920 0,0080 0, benar 7 H 1 0,9942 0,0058 0, benar Total Presentase dari data diatas 71% 0,0626 0, MSE 0,

55 40 Tabel 4.9 Pengujian dengan hidden Layer No Inisial Target output Error Mse 1 A 1 0,9933 0,0067 0, benar 2 B 1 0,9932 0,0068 0, benar 3 C 1 0,9927 0,0073 0, benar 4 D 1 0,9926 0,0074 0, benar 5 E 1 0,9928 0,0072 0, benar 6 F 1 0,9938 0,0062 0, benar 7 H 1 0,9797 0,0203 0, ,0619 0, MSE 0, Total Presentase dari perhitungan diatas 86% 4.10 Pengujian dengan hidden layer NO Inisial Target Output Error Mse 1 A 1 0,9991 0,0009 0, benar 2 B 1 0,9863 0,0137 0, C 1 0,9915 0,0085 0, benar 4 D 1 0,983 0,017 0, E 1 0,994 0,006 0, benar 6 F 1 0,9989 0,0011 0, benar 7 H 1 0,9894 0,0106 0, ,0578 0, MSE 0, Total Presentase dari data diatas mencapai 57% Dalam pembahasan dalam tahap ini bahwa dari 3 tabel tersebut memiliki hasil presentase yang berdeda, hasil yang berbeda ditentukan dari jumlah hidden layer dan bias yang didapat. Dari 3 tabel akan menghitung output dan MSE (mean square error) dari target yang sudah ditentukan yaitu : 1 dan 0. Untuk nilai output didapat dari perhitungan nilai input ke hidden layer dan hidden layer ke output.

56 41 Sedangkat untuk mendapatkan nilai error dihitung dari nilai target dikurangi nilai output, sedangkan nilai MSE (mean square error) didapat dari perpangkatan nilai error yang didapat Pengujian Menggunakan Algoritma Kohonen Pada tahap ini penulis melakukan pengujian cluster menggunakan algoritma kohonen, yang dimana algoritma ini akan mengcluster penyakit dari data yang diinput. Dalam pengujian ini akan menggunakan 100 tresholddan target 1 dari perhitungan epochsebanyak 10525yang ada di algoritma backpropagation. Dimana epoch yang didapat diambil dari pengujian tahap 2 dengan 2 hidden layer yang digunakan. Untuk melihat hasil dari algoritma kohonen Dapat dilihat pada gambar 4.9 berikut ini : Gambar 4.9 Gambar Hasil Clustering