PERBANDINGAN PERFORMANSI METODE
BACKPROPAGATION
DAN
RADIAL BASIS FUNCTION
(
RBF
)
UNTUK PERMASALAHAN KLASIFIKASI PENYAKIT
DIABETES MELLITUS
SKRIPSI
Diajukan untuk Menempuh Ujian Akhir Sarjana
ADISTY SUKMAWATI
10111569
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK DAN ILMU KOMPUTER
iii
KATA PENGANTAR
Assalamualaikum wr. wb
Alhamdulillahi Rabbil’ Alamin, penulis memanjatkan puji dan syukur ke hadirat Allah SWT atas segala nikmat kesehatan, tenaga, waktu dan pikiran sehingga penulis dapat menyelesaikan skripsi yang berjudul “PERBANDINGAN PERFORMANSI METODE BACKPROPAGATION DAN RADIAL BASIS FUNCTION (RBF) UNTUK PERMASALAHAN KLASIFIKASI PENYAKIT DIABETES MELLITUS” untuk memenuhi salah satu syarat studi jenjang strata satu (S1) di program Studi Teknik Informatika, Fakultas Teknik dan Ilmu Komputer , Universitas Komputer Indonesia.
Dikarenakan keterbatasan yang dimiliki penulis, penyusunan skripsi ini tidak akan terwujud tanpa adanya dukungan dari berbagai pihak. Untuk itu penulis memulai kata pengantar ini sangat menghargai dan berterimakasih yang sebesar – besarnya kepada:
1. Allah SWT atas segala nikmat kesehatan, tenaga, waktu dan pikiran yang telah diberikan sehingga penulis dapat menyelesaikan skripsi ini.
2. Kedua orangtua, ibu Tungki Setiawati dan bapak R. Uke S. Mulyadi dan kakak – kakak yang telah memberikan doa dan dukungannya.
3. Ibu Ednawati Rainarli , S.Si., M. Si., selaku dosen wali IF – 13 /2011 dan dosen pembimbing Penulis yang telah memberikan bimbingan , masukan , saran dan nasehatnya selama penyusunan skripsi ini.
4. Ibu Ken Kinanti Purnamasari , S. Kom., M.T., selaku dosen reviewer yang telah memberikan bimbingan , masukan dan saran kepada Penulis.
5. Bapak dan Ibu dosen serta seluruh staf pegawai Universitas Komputer Indonesia yang telah membantu Penulis selama proses perkuliahan.
iv
7. Seluruh sahabat dan teman – teman Penulis yang selalu memberikan dukungan, motivasi dan saran kepada Penulis.
8. Serta seluruh pihak yang tidak Penulis sebutkan satu – persatu, terima kasih atas segala dukungan selama proses penyusunan skripsi ini.
Penulis menyadari bahwa penulis skripsi ini masih jauh dari sempurna. Oleh karena itu Penulis mengharapkan saran san masukan untuk pengembangan skripsi ini. Akhirnya, semoga skripsi ini dapat membantu semua pihak yang
berkepentingan dan dapat berkontribusi dalam pengembangan ilmu pengetahuan bagi seluruh umat manusia.
Bandung, Februari 2016
v DAFTAR ISI
ABSTRAK ... i
ABSTRACT ... ii
KATA PENGANTAR ... iii
DAFTAR ISI ...v
DAFTAR TABEL... x
DAFTAR GAMBAR ... xiii
DAFTAR SIMBOL ... xv
DAFTAR LAMPIRAN ... xvii
BAB 1 PENDAHULUAN ... 1
1.1 Latar Belakang Masalah ... 1
1.2 Rumusan Masalah ... 2
1.3 Maksud dan Tujuan ... 2
1.4 Batasan Masalah ... 3
1.5 Metodologi Penelitian ... 3
1.6 Sistematika Penelitian ... 5
BAB 2 LANDASAN TEORI ... 7
2.1 Jaringan Syaraf Tiruan ... 7
2.1.1 Arsitektur Jaringan Syaraf Tiruan ... 7
2.1.2 Metode Penentuan Bobot ... 8
2.1.3 Fungsi Aktivasi ... 9
2.2 Backpropagation Neural Network ... 12
2.3 Radial Basis Function Neural Network (RBFNN) ... 20
2.4 Ukuran Ketepatan Pengujian ... 24
2.5 K-fold Cross Validation ... 25
2.6 Confussion Matrix ... 25
vi
2.7.1 Klasifikasi Diabetes Mellitus ... 26
2.8 Model Analisis Perancangan ... 27
2.8.1 pemrograman Berorientasi Objek ... 25
2.8.2 C# ... 29
2.8.3 Unified Modeling Language ... 30
2.8.3.1 Use Case Diagram... 30
2.8.3.2 Class Diagram ... 30
2.8.3.3 Sequence Diagram ... 31
2.8.3.4 Activity Diagram ...32
2.9 Perangkat Lunak Pendukung ... 32
2.9.1 Microsoft Visual Studio ... 32
2.9.2 MYSQL ... 33
2.9.3 XAMPP ... 33
BAB 3 ANALISIS DAN PERANCANGAN SISTEM ... 35
3.1 Analisis ... 35
3.1.1 Analisis Masalah ... 35
3.1.2 Analisis Proses ... 35
3.1.3 Analisis Data Masukan ... 36
3.1.4 Analisis Metode ... 38
3.1.4.1 Normalisasi Data ... 40
3.1.4.2 Metode Backpropagation ... 41
3.1.4.3 Metode Radial Basis Function Neural Network ...48
3.1.5 Analisis Kebutuhan Non Fungsional ... 54
3.1.5.1 Kebutuhan Perangkat Keras / Hardware ... 54
3.1.5.2 Kebutuhan Perangkat Lunak / Software ... 55
3.2 Pemodelan Sistem ... 55
vii
3.2.2 Use Case Diagram ... 56
3.2.2.1 Definisi Aktor ... 57
3.2.2.2 Definisi Usecase ... 57
3.2.3 Skenario Diagram ... 58
3.2.4 Activity Diagram ... 66
3.2.5 Class Diagram ... 70
3.2.6 Sequence Diagram ... 71
3.3 Perancangan ... 74
3.3.1 Perancangan Basis Data ... 74
3.3.2 Skema Relasi ... 74
3.3.3 Struktur Tabel ... 75
3.3.4 Struktur Menu ... 78
3.3.3 Perancangan Antarmuka ... 79
3.3.3.1 Perancangan Tampilan Simulator ... 79
3.3.3.2 Perancangan Tampilan Pesan ... 82
3.3.3.3 Jaringan Semantik ... 84
3.3.4 Perancangan Method ... 85
BAB 4 IMPLEMENTASI DAN PENGUJIAN ... 90
4.1 Implementasi Sistem ... 90
4.1.1 Implementasi Perangkat Keras ... 90
4.1.2 Implementasi Perangkat Lunak ... 90
4.1.3 Implementasi Basis Data ... 91
4.1.4 Implementasi Proses ... 94
4.2 Pengujian Sistem ... 96
4.2.1 Rencana Pengujian ... 96
4.2.2 Hasil Pengujian ... 97
viii
4.3 Pengujian Algoritma ... 100
4.3.1 Rencana Pengujian ... 101
4.3.1.1 Skenario Pengujian Pertama... 101
4.3.1.2 Skenario Pengujian Kedua... 105
4.4 Kesimpulan Hasil Pengujian ... 107
BAB 5 KESIMPULAN DAN SARAN ... 108
5.1 Kesimpulan ... 108
5.2 Saran ... 108
111
DAFTAR PUSTAKA
[1] Fajar AuliaRachman. “Diteksi Penyakiut Kulit Mengguakan Filter 2D Gabor Wavelevet dan Jaringan Saraf Tiruan Radial Basis Function (RBF)”. [Diakses 3 september 2015]
[2] Novi Indah Pradasari. “Aplikasi Jaringan Syaraf Tituan Memprediksi Penyakit Saluran Pernafasan dengan Metode Backpropagation”. [Diakses 3 september 2015]
[3] “Jaringan Syaraf Tiruan” diyah puspita nigrum , C.V andi offset 2006 [4] “Artificial Intelegent “ sri kusumadei , graha ilmu, 2003
[5] R. Kohavi, “A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection,” International Joint Conference on Artificial Intelligence (IJCAI), 1995.
[6] H.Hamilton, “Confussion Matrix,” [Online]. Available:http:// www2.cs.uregina.ca/~dbd/cs831/notes/confusion_matrix/confusion_matrix .html. [Diakses 29 December 2015].
[7] A.S. Rosa dan M. Shalahuddin, Modul Pembelajaran Rekayasa Perangkat Lunak (Terstruktur dan Berorientasi Objek), Bandung: Modula, 2013. [8] Hartanto, B., “Memahami Visual C#.Net Secara Mudah”. Yogyakarta :
Andi, 2008.
[9] Arif jumarwanto.”Aplikasi Jaringan Syaraf Tiruan Backpropagation untuk Memprediksi penyakit THT di rumah sakit rahayu kudus”[Diakses 8 oktober 2015]
[10] Sri redjeki.”Perbandingan Algoritma Backpropagation dan K- Nearst
untuk identifikasi penyakit”.[Diakses 8 oktober 2015]
1 BAB 1 PENDAHULUAN
1.1. Latar Belakang Masalah
Mengidentifikasi ciri suatu objek merupakan salah satu cara untuk mendeskripsikan atau mengklasifikasikan suatu data kelompok tertentu berdasarkan kesamaan karakteristik yang ada dalam suatu objek. Cara melakukan klasifikasi salah satunya dapat menggunakan metode dalam jaringan syaraf tiruan. Metode
jaringan syaraf tiruan yang sering digunakan untuk mengklasifikasikan penyakit diantaranya Backpropagation dan Radial Basis Function. Kedua metode ini memiliki ciri khas masing – masing dalam melakukan klasifikasi. Backpropagation menggunakan nilai error untuk mengubah bobot – bobotnya dalam dua arah yaitu arah mundur dan maju sehingga mendapat output yang baik. Radial Basis Function melakuan pembelajaran dengan dua tahap yaitu terawasi dan tidak terawasi, maksud tidak terawasi terdapat algoritma lain untuk membantu dalam proses pembelajaran dalam menentukan kebutuhan dalam proses pembelajaran dan melakukan algoritma radial basis function untuk proses selanjutnya dalam proses pembelajaran.
2
klasifikasi penyakit saluran pernafasan adalah 87,5% untuk keseluruhan klasifikasi penyakit saluran pernafasan.
Pada penelitian tugas akhir ini, klasifikasi yang dilakukan akan di terapkan pada kasus klasifikasi penyakit diabetes mellitus. Berdasarkan wawancara yang dilakukan dengan Dr. Dine Rinjani dokter bagian prolanis di UPT Puskesmas Talaga Bodas. Ciri – ciri dari penyakit diabetes diantaranya seperti tensi pasien, gula darah pasien sebelum puasa, gula darah sesudah puasa, tinggi badan pasien dan berat badan pasien. Penyakit diabetes merupakan penyakit yang umum yang di derita oleh
masyarakat. Penyakit diabetes dibagi menjadi dua jenis yaitu diabetes mellitus insulin dan diabetes mellitus non insulin. Penanganan masing – masing jenis diabetes mellitus ini berbeda – beda, perlu adanya pemeriksaan sejak dini agar setiap pasien diabetes mellitus mendapat penanganan yang sesuai dengan jenis diabetes yang di derita.
Karena metode Backpropagation dan Radial Basis Function sering digunakan untuk klasifkasi penyakit. Penyakit diabetes mellitus membutuhkan klasifikasi agar dalam melakukan tindak lanjut didapat penanganan yang tepat berdasarkan klasifikasi jenis diabetes mellitus, maka dalam penelitian tugas akhir ini akan dibandingkan metode Backpropagation dengan Radial Basis Function (RBF) yang akan diterapkan pada klasifikasi penyakit diabetes mellitus dan performansi pada tiap – tiap metode, maka pada tugas akhir ini mengambil judul “ Perbandingan Performansi Metode Backpropagation dan Radial Basis Function (RBF) untuk Permasalahan Klasifikasi Penyakit Diabates Mellitus”.
1.2 Rumusan Masalah
Berdasarkan penjelasan yang dipaparkan dalam latar belakang sebelumnya, maka identifikasi masalah yang didapat adalah metode mana yang lebih baik metode Backpropagation atau metode Radial Basis Function (RBF) dalam mengklasifikasikan penyakit diabetes mellitus.
1.3. Maksud dan Tujuan
3
Backpropagation dan Radial Basis Function (RBF) untuk mengklasifikasikan penyakit diabetes mellitus.
Adapun tujuan yang ingin di capai dari tugas akhir ini adalah mengetahui metode mana yang tingkat akurasi dalam klasifikasi penyakit diabetes mellitus paling baik antara metode Backpropagation dengan metode Radial Basis Function (RBF) dalam kasus klasifikasi penyakit diabetes mellitus.
1.4. Batasan Masalah
Aplikasi yang dibangun adalah aplikasi dengan batasan masalah dari
pengembangan sistem sebagai berikut :
1. Komponen yang akan diukur dalam membandingkan metode Backpropagation dan metode Radial Basis Function (RBF) adalah performansi data berupa akurasi , dan klasifikasi data.
2. Data yang di inputkan dalam kasus ini antara lain data usia , berat badan, tinggi badan, riwayat keluarga, gangguan distruksi sel beta, dan gangguan pola makan.
3. Komponen yang akan diukur dalam membandingkan metode Backpropagation dan metode Radial Basis Function (RBF) adalah besar nilai presentase ketepatan dan nilai Root Mean Square Error (RMSE) dari hasil pengujian klasifikasi.
4. Keluaran pada aplikasi ini berupa hasil perbandingan performasi dari metode klasifikasi Backpropagation dan Radial Basis Function (RBF).
1.5. Metodologi Penelitian
Metode yang digunakan dalam penelitian ini menggunakan beberapa tahap, yaitu tahap pengumpulan data, menganalisis metode, implementasi metode, pengujian dan penarikan kesimpulan yang dapat dilihat pada Gambar 1.1 berikut ini :
4
Tahapan – tahapan metodologi penelitian pada Gambar 1.1 yang digunakan dalam penelitian tugas akhir ini adalah sebagai berikut :
1. Pengumpulan Data
Metode pengumpulan data yang digunakan dalam penelitian ini adalah sebagai berikut :
a. Studi Literatur
Pengumpulan data dengan cara mengumpulkan literatur, jurnal, paper dan bacaan – bacaan yang ada kaitannya dengan metode Backpropagation dan metode Radial Basis Function (RBF).
b. Observasi
Teknik pengumpulan data dengan cara penelitian dan peninjuan langsung ke Puskesmas , terhadap masalah yang di ambil.
Data yang diperoleh digunakan untuk menentukan kebutuhan – kebutuhan elemen sistem yang diperlukan pada perbandingan metode Backpropagation dan metode Radial Basis Function (RBF) yang akan dilakukan pada simulator yang akan dibangun.
2. Menganalisis Metode
Pada tahap ini akan dilakukan analisis kebutuhan serta proses metode Backpropagation dan metode Radial Basis Function (RBF) untuk membandingkan performansi pada klasifikasi penyakit diabetes mellitus. Setelah kebutuhan metode serta elemen simulator sudah terkumpul, maka dibuat kedalam perancangan simulator yang akan dibangun.
3. Implementasi Metode
Pada tahap ini analisis metode yang telah dilakukan akan diimplementasikan kedalam sebuah simulator yang akan berguna untuk membantu mensimulasikan perbandingan metode Backpropagation dan metode Radial Basis Function (RBF) pada klasifikasi penyakit diabetes mellitus. Simulator yang dibangun menggunakan bahasa C# dengan database
5
4. Pengujian
Setelah simulator dibangun maka tahap selanjutnya adalah pengujian hasil implementasi metode Backpropagation dan metode Radial Basis Function (RBF) pada kasus klasifikasi penyakit diabetes mellitus.pengujian ini dilakukan dengan memfokuskan pengujian pada pengujian akurasi data yang dihasilkan berdasarkan presentase dan RMSE.
5. Penarikan kesimpulan
Berdasarkan hasil pengujian langkah selanjutnya adalah penarikan
kesimpulan dari hasil penerapan metode Backpropagation dan metode Radial Basis Function (RBF) pada penyakit diabetes mellitus serta hasil klasifikasi penyakit diabetes mellitus yang dihasilkan oleh metode Backpropagation dan metode Radial Basis Function (RBF).
1.6. Sistematika Penulisan
Sistematika penulisan laporan akhir penelitian ini disusun untuk memberikan gambaran umum tentang penelitian yang dijalankan. Sistematika penulisan tugas akhir ini adalah sebagai berikut :
BAB 1 PENDAHULUAN
Bab ini berisi penjelasan mengenai latar belakang masalah, identifikasi masalah, maksud dan tujuan, batasan masalah, metodologi penelitian serta sistematika penulisan yang dimaksudkan agar dapat memberikan gambaran tentang urutan pemahaman dalam menyajikan laporan ini.
BAB 2 LANDASAN TEORI
Bab ini membahas mengenai landasan teori yang digunakan untuk menganalisis masalah dan teori yang dipakai dalam data penelitian yaitu teori mengenai penyakit diabetes mellitus, metode Backpropagation, metode Radial Basis Function dan teori mengenai software pembangun simulator.
BAB 3 ANALISIS DAN PERANCANGAN
Bab ini menguraikan penjelasan analisis perbandingan perhitungan dan performasi pada metode Backpropagation dan Radial Basis Function (RBF) dalam mengklasifikasikan penyakit diabates mellitus.
6
Bab ini berisi tentang implementasi perbandingan metode Backpropagation dan Radial Basis Function (RBF) dalam menentukan klasifikasi penyakit diabetes mellitus serta pengujian akurasi data dari kedua metode tersebut sehingga dapat terlihat hasilnya.
BAB 5 KESIMPULAN DAN SARAN
RIWAYAT HIDUP
Data Pribadi
Nama : ADISTY SUKMAWATI
Tempat / Tanggal Lahir : Cirebon , 6 Juli 1993
Umur : 21 Tahun
Jenis Kelamin : Perempuan
Alamat : Jl. Koconegoro Komp. Cipageran Asri B.V No. 4
No. Telepon : 082127969898
Riwayat Pendidikan
1999 – 2005 Lulus SD Sadagori 2 Kota Cirebon
2005 – 2008 Lulus SMP Negeri 5 Kota Cirebon
2008 – 2011 Lulus SMA Negeri 6 Kota Cirebon
2011 – 2015 Universitas Komputer Indonesia
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
45 Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033PERBANDINGAN PERFORMANSI METODE
BP
DAN
RBF
UNTUK PERMASALAHAN KLASIFIKASI PENYAKIT
DIABETES MELLITUS
Adisty Sukmawati1
1
Teknik Informatika – Universitas Komputer Indonesia Jl. Dipatiukur 112 – 114 Bandung
E-mail : adistysu@gmail.com1
ABSTRAK
Jaringan syaraf tiruan merupakan salah satu metode yang dapat digunakan untuk melakukan klasifikasi suatu data.Metode jaringan syaraf tiruan yang sering digunakan untuk mengklasifikasikan penyakit diantaranya Backpropagation dan Radial Basis Function. Backpropagation menggunakan nilai
error untuk mengubah bobot – bobotnya dalam dua arah yaitu arah mundur dan maju sehingga mendapat output yang baik. Radial Basis Function melakuan pembelajaran dengan dua tahap yaitu terawasi dan tidak terawasi.
Penyakit diabetes merupakan penyakit yang umum yang di derita oleh masyarakat. Penyakit diabetes dibagi menjadi dua jenis yaitu diabetes mellitus insulin dan diabetes mellitus non insulin. Penanganan masing
– masing jenis diabetes mellitus ini berbeda – beda, perlu adanya pemeriksaan sejak dini agar setiap pasien diabetes mellitus mendapat penanganan yang sesuai dengan jenis diabetes yang di derita.
Berdasarkan hasil pengujian yang terlah dilakukan metode radialbasis function memiliki nilai error yang lebih sedikit dibandingkan metode backpropagation.
Kata kunci : Backpropagation , Radial Basis Function, k-fold cross validation
1. PENDAHULUAN
Mengidentifikasi ciri suatu objek merupakan salah satu cara untuk mendeskripsikan atau mengklasifikasikan suatu data kelompok tertentu berdasarkan kesamaan karakteristik yang ada dalam suatu objek. Cara melakukan klasifikasi salah satunya dapat menggunakan metode dalam jaringan syaraf tiruan. Metode jaringan syaraf tiruan yang sering digunakan untuk mengklasifikasikan penyakit diantaranya Backpropagation dan Radial Basis Function. Kedua metode ini memiliki ciri khas masing – masing dalam melakukan klasifikasi.
Backpropagation menggunakan nilai error untuk mengubah bobot – bobotnya dalam dua arah yaitu arah mundur dan maju sehingga mendapat output yang baik. Radial Basis Function melakuan pembelajaran dengan dua tahap yaitu terawasi dan tidak terawasi, maksud tidak terawasi terdapat
algoritma lain untuk membantu dalam proses pembelajaran dalam menentukan kebutuhan dalam proses pembelajaran dan melakukan algoritma radial basis function untuk proses selanjutnya dalam proses pembelajaran.
Karena metode Backpropagation dan Radial Basis Function sering digunakan untuk klasifkasi penyakit. Penyakit diabetes mellitus membutuhkan klasifikasi agar dalam melakukan tindak lanjut didapat penanganan yang tepat berdasarkan klasifikasi jenis diabetes mellitus.
1.1 Backpropagation Neural Network
Backpropagation Neural Network merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot – bobot yang terhubung dengan neuron – neuron yang ada pada lapisan tersembunyinya. Algoritma backpropagation neural netwrok menggunakan error output untuk mengubah nilai bobot – bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu.
1.2 Radial Basis Function
Jaringan Radial Basis Function adalah salah satu contoh JST dengan lapis banyak dengan arah perambatan pembelajaran maju (Multilayer FeedForward Neural). Jaringan ini memiliki 3 buah lapisan yaitu lapisan input,tersembunyi dan output. Pada Radial Basis Function , lapisan tersembunyi hanya ada 1 buah saja.
Radial Basis Function ini memiliji nilai maksismum 1, yang terjadi apabila input yang diterima bernilai 0 (jarak antara bobot dengan input 0 . sehingga bila jarak antar bobot dengan input berkuran, fungsi ini akan menghasilkan output yang lebih besar. Umunya fungsi aktivasi Radial Basis Function menggunakan fungsi Gaussian dan linier pada lapisan output. Berikut adlaah fungsi aktivasi Gaussian:
� − = exp −
2
2�2
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
46 Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033ci = pusat data ke – i , i = 1, 2, ..., n �2 = standar deviasi ke – j , j = 1, 2,..., n
n = banyak pusat data
2.4 Ukuran Ketepatan Pengujian
Untuk mengukur suatu pengujian dapat dilakukan dengan menghitung selisih antara data hasil perhitungan dengan data tujuan aktual. Selisih besaran (ukuran kesalahan pengujian) data pengujian terhadap data aktual yang terjadi merupakan suatu data penring untuk menilai ketepatan suatu metode pengujian. Dengan membandingkan ukuran kesalahan beberapa metode pengujian, akan diperoleh metode mana yang mempunyai ukuran kesalahan terkecil, sehingga nilai pengujian dapat dipakai sebagai acuan dalam menentukan kebutuhan
– kebutuhan dimana yang akan datang. Terdapat beberapa ukuran kesalahan dalam pengujian antara lain.
Root Mean Squared Error (RMSE)
RMSE merupakan nilai tengah kesalahan akar kuadrat dengan persamaan sebagai berikut :
� = (� − )
2 =1
RMSE merupakan metode alternatif untuk mengevaluasi teknik peramalan. RMSE adalah rata – rata kuadrat dari perbedaan nilai estimasi dengan nilai obeservasi suatu variabel. Jika nilai RMSE
semakin kecil maka estimasi model atau variabel tersebut semakain valid. Notasi dasar dari persamaan diatas secara ringkas adalah sebagai berikut :
Xt= nilai aktual pada periode t
Backpropagation dan Radial Basis Function
measing – masing melakukan pembelajaran dan pengujian yang dilakukan untuk tuajuan mengetahui perbandingan performansi mana yang lebih baik.
2.1 Algoritma Metode Backpropagation
Algoritma metode BackpropagationNeural Network
:
Menetapkan bobot (w), learning rate (), maksimum epoch (MaxEpoch).
Menentukan inisialisasi bobot (ambil nilai random yang cukup kecil) sinyal input menuju kehidden layer dengan menggunakan persamaan :
_ = 0 +
=1
Dimana :
_ = nilai dari input menuju hidden layer
0 = bobot awal bias input menuju hidden layer
= nilai input layer ; x1 = tinggi badan x2 = berat badan x3 = tensi
x4 =gula darah sebelum puasa (GDP) x5 = gula darah sesudah puasa (GDPP)
= nilai bobot awal hidden layer ke hidden layer
Langkah 2 : menghitung fungsi aktivasi pada sinyal
hidden layer dengan menggunakan persamaan : =
Dimana :
= nilai aktivasi pada hidden layer
( ) = fungsi sigmoid binner dengan f(x) dari nilai input pada hidden layer
Langkah 3 : menghitung nilai dari hidden layer menuju output layer dengan menggunakan persamaan :
_ = 0 + =1
Dimana :
_ = nilai dari hidden layer menuju output layer 0 = bias pada hidden layer menuju output layer
= nilai aktivasi pada hidden layer = bobot pada lapisan output
Langkah 4 : menghitung fungsi aktivasi pada output layer dengan menggunakan persamaan
= ( _ )
Dimana :
= nilai aktivasi pada output layer
( _ ) = fungsi sigmoid binner dengan f (x) menggunakan nilai dari hidden layer ke output layer
Langkah 5 : pengecekan nilai error pada output layer dengan menggunakan persamaan
�� � = −
Dimana :
�� � = nilai error pada output layer = nilai target keluaran
= nilai aktivasi pada output layer
Langkah 6 : menghitung nilai kuadrat error dengan
�� � 2 = nilai error pada output dipangkatkan dua
Backpropagation
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
47 memperbaiki nilai wjk dengan persamaan∆ =� ∗ � ∗
Dimana :
∆ = nilai koreksi pada hidden layer ke output layer
� = learning rate
� = nilai informasi error pada output layer
Langkah 9 : menghitung koreksi bias untk memperbaiki nilai w0k dengan persamaan
∆ 0 =� ∗ �
Dimana :
∆ 0 = nilai koreksi bias pada output layer � = learning rate
� = nilai informasi error pada output layer
Langkah 10 : menghitung koreksi dari output layer
menuju hidden layer dengan menggunakan persamaan
dengan menggunakan aktivasi pada hidden layer
dengan menggunakan persamaan
� =�_ ∗ ′( _ )
Dimana :
� = koreksi informasi error pada hidden layer
�_ = nilaikoreksi output layer menuju hidden layer
′( _ ) = nilai turunan sigmoid binner dengan
menggunakan f (x) nilai dari input menuju ke hidden layer
Langkah 12 : menghitung koreksi bobot untuk memperbaiki nilai vijdengan persamaan
∆ = ∝ �
Dimana :
∆ = koreksi bobot dari hidden layer ke output layer
∝ = learning rate
� = koreksi informasi pada hidden layer
= bobot awal pada input layer
Langkah 13 : menghitung koreksi bias dari input
� = koreksi informasi pada hidden layer
Langkah 14 : menghitung perbaikan nilai bias dan
Langkah 15 : menghitung perbaikan bias dari output
ke hidden layer dengan menggunakan persamaan
� = + ∆
2. Untuk pengujian pada jaringan
Backpropagation akan melalui tahap
feedforward saja yaitu dengan melalui
Langkah 1 : menghitung nilai yang didapat dari sinyal input menuju kehidden layer dengan menggunakan persamaan : layerdari data latih
= nilai input layer dari data uji
= nilai bobot awal hidden layer ke hidden layerdari data latih
Langkah 2 : menghitung fungsi aktivasi pada sinyal
hidden layer dengan menggunakan persamaan : =
Dimana :
= nilai aktivasi pada hidden layer
( ) = fungsi sigmoid binner dengan f(x) dari nilai input pada hidden layer
Langkah 3 : menghitung nilai dari hidden layer
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
48 Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-90330 = bias pada hidden layer menuju output layerdari data latih
= nilai aktivasi pada hidden layer
= bobot pada lapisan outputdari data latih Langkah 4 : menghitung fungsi aktivasi pada output layer dengan menggunakan persamaan
= ( _ )
Dimana :
= nilai aktivasi pada output layer
( _ )= fungsi sigmoid binner dengan f (x) menggunakan nilai dari hidden layer ke output layer
Langkah 5 : pengecekan nilai error pada output layer dengan menggunakan persamaan
�� � = −
Dimana :
�� � = nilai error pada output layer
= nilai target keluaran
= nilai aktivasi pada output layer
Langkah 6 : penentuan klasifikasi dengan membandingkan hasil error dengan nilai thershold
2.2 Algoritma Radial Basis Function Tahap pembelajaran tak terawasi
Untuk klasifikasi data pada tahap pembelajaran tak terawasi ini digunakan algoritma K – means. Pada tahap ini akan diapatkan pusat center cluster yang disebut juga center, dari center – center tersebut akan didapatkan lebar (widht) cluster. Berikut tahapan algoritma K – means.
1. Tentukan jumlah pusat cluster 2. Tentukan pusat cluster secara acak
3. Hitung jarak setiap data yang ada terhadap setiap pusat cluster.
Distence space atau jarak antar dua titik dihitung menggunakan rumus Eucledian yang didefinisikan :
12 2− 1 = 2− 1
= ( 2 1 )2
=1
Dimana : p = dimensi data
4. Kelompokan data berdasarkan jarak minimum terhadap pusat cluster
5. Hitung pusat cluster yang baru dengan cara mengelompokan data bersdasarkan jarak minimum. Dari setiap pusat cluster. Perhitungan pusat cluster yang baru didapatkan menggunakan persamaan :
ada perubahan kelompok data berdasarkan jarak minimum terhadap pusat cluster
Setelah menentukan pusat cluster di atas, dapat dilanjutkan dnegan menentukan lebar cluster. Berikut adalah rumus untuk menentukan lebar cluster :
�=
ℎ �
Dimana adalah jarak maksimum dari jarak setiap pusat cluster. Berikut adalah rumus mencari
:
= ( − )2
Tahap Pembelajaran Terawasi
Bobot pada proses pembelajaran jaringan Radial Basis Function ini diperoleh melalui tahap pembelajaran terawasi. Pada tahp ini akan dilakukan perbaikan bobot, dimana data keluaran sudah ditentukan (data aktual). Perbaikan bobot akan menentukan keluaran dari Fungsi Radial Basis. Berikut adalah proses tahap pembelajaran dalam menentukan bobot:
a. Untuk setiap vektor himpunana pembelajaran, ualangi langkah 1 -3
1. Ambil vektor masukan xi dari himpunana pembelajaran
2. Hitung keluaran dari neuron lapisan tersembunyi secara bersamaan ditunjukkan sebagai vektor h
ℎ = ( − ) persamaan mencari y :
Bentuk umum dari RBF adalah :
y = f x = wihj n
i=1
b. Hitung error antara hasil keluaran dengan target. Ulangi langkah 1 – 4 samapai batas yang ditentukan sudah dilampaui.
4. Untuk perbaikan bobot, bandingkan dengan vektor target t dengan y. Sesauikan setiap bobot w pada satu arah sehingga mengurangi perbedaan.
Berikut adalah gradient descent algorithm : + 1 = +∝( − )ℎ Dimana :
wij = bobot antar neuron lapisan tersembunyi i dan neuron lapisan output
∝ = learning rate
tj = target atau output yang diinginkan dari neuron j pada lapisan output
yj = output neuron j pada lapisan output hj = output lapisan tersembunyi
(2.13)
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
49 Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-90333. PENUTUP
Berdasarkan rencana pengujian 1 dan 2 dapat ditarik kesimpulan bahwa nilai parameter terbaik untuk metode backpropagation dan radial basis function dalam menentukan klasifikasi penyakit diabetes mellitus adalah parameter learning rate
sebesar 0,1 dan parameter epoch sebesar 100. Pada pengujian cross validation dapat disimpulkan bahwa metode radial basis function memiliki keakurasian yang baik dibandingkan dengan metode
backpropagation dalam mengklasifikasikan penyakit diabetes mellitus. Dengan nilai akurasi yang diperoleh oleh metode radial basis function sebesar 67,5% sedangkan nilai akurasiuntuk metode
backpropagation sebesar 60%. Oleh karena itu dalam kasus klasifikasi penyakit diabetes mellitus dengan menggunakan metode backpropagation dan
radial basis function dapat disimpulkan bahwa metode radial basis function lebih baik dibandingkan metode backpropagation dalam kasus klasifikasi penyakit diabetes mellitus.
DAFTAR PUSTAKA
[1] Fajar AuliaRachman. “Diteksi Penyakiut Kulit Mengguakan Filter 2D Gabor Wavelevet dan
Jaringan Saraf Tiruan Radial Basis Function (RBF)”.
[Diakses 3 september 2015]
[2] Novi Indah Pradasari. “Aplikasi Jaringan Syaraf Tituan Memprediksi Penyakit Saluran
Pernafasan dengan Metode Backpropagation”.
[Diakses 3 september 2015]
[3] “Jaringan Syaraf Tiruan” diyah puspita nigrum , C.V andi offset 2006
[4] “Artificial Intelegent “ sri kusumadei , graha ilmu, 2003
[5] R. Kohavi, “A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model
Selection,” International Joint Conference on Artificial Intelligence (IJCAI), 1995.
[6] H.Hamilton, “Confussion Matrix,” [Online]. Available:http://
www2.cs.uregina.ca/~dbd/cs831/notes/confusion_m atrix/confusion_matrix.html. [Diakses 29 December 2015].
[7] A.S. Rosa dan M. Shalahuddin, Modul Pembelajaran Rekayasa Perangkat Lunak (Terstruktur dan Berorientasi Objek), Bandung: Modula, 2013.
[8] Hartanto, B., “Memahami Visual C#.Net
Secara Mudah”. Yogyakarta : Andi, 2008.
[9] Arif jumarwanto.”Aplikasi Jaringan Syaraf Tiruan Backpropagation untuk Memprediksi
penyakit THT di rumah sakit rahayu kudus”[Diakses
8 oktober 2015]
[10] Sri redjeki.”Perbandingan Algoritma Backpropagation dan K- Nearst untuk identifikasi
penyakit”.[Diakses 8 oktober 2015]
[11] “Pharamaceutical care untuk penyakit
diabetes mellitus” direktorat bina farmasi konumitas
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
45 Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033PERFORMANCE COMPARISON
BACKPROPAGATION METHOD AND RADIAL BASIS FUNCTION (RBF)
FOR CLASSIFICATION PROBLEMS DIABETES MELLITUS DISEASE
Adisty Sukmawati1
1
Teknik Informatika – Universitas Komputer Indonesia Jl. Dipatiukur 112 – 114 Bandung
E-mail : adistysu@gmail.com1
ABSTRACT
Artificial neural network is one method that can be used to classify a data.Metode artificial neural networks are often used to classify diseases including Backpropagation and Radial Basis Function. Backpropagation use error values to change the weight - the weight in two directions, namely toward backward and forward so that it gets a good output. Radial Basis Function undergo two stages of learning with supervised and unsupervised. Diabetes is a common disease suffered by the community. Diabetes is divided into two types of diabetes mellitus insulin and non-insulin diabetes mellitus. Handling each - each type of diabetes is different - different, the need for examination early age so that every patient with diabetes mellitus had been treated in accordance with the type of diabetes in the suffering.
Based on the results of tests performed superbly radialbasis method function has a value which is less than the error propagation method.
Keywords: Backpropagation, Radial Basis Function, k-fold cross validation
1. PRELIMINARY
Identifying characteristics of an object is one way to describe or classify a particular group of data based on similar characteristics that exist in an object. How to perform a classification one can use the method of artificial neural networks. Artificial neural network method that is often used to classify diseases including Backpropagation and Radial Basis Function. Both methods have respective characteristics - each within the classification. Backpropagation use error values to change the weight - the weight in two directions, namely toward backward and forward so that it gets a good output. Radial Basis Function undergo two stages of learning with supervised and unsupervised, unchecked mean there are other algorithms to aid in the learning process to determine the needs in the
learning process and perform radial basis function algorithm for further processing in the learning process.
Since the method of Backpropagation and Radial Basis Function is often used for in classification of disease. Diabetes mellitus require classification in order to conduct follow-up obtained the appropriate treatment based on the classification of types of diabetes mellitus.
1.1 Backpropagation Neural Network
Backpropagation Neural Network is a supervised learning algorithm and is typically used by perceptron with many layers to change the weight - weight that is connected to neurons - neurons that exist in the hidden layer. Algorithm backpropagation neural netwrok using the error output to change the value of weight - weight in a backward direction (backward). To get this error, advanced propagation phase (forward propagation) must be done first.
1.2 Radial Basis Function
Radial Basis Function Network is one example of a neural network with many layers to the direction of propagation of advanced learning (Multilayer feedforward neural). The network has three pieces of coating the layer of input, hidden and output. In the Radial Basis Function, there is only one hidden layer pieces only.
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
46 Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-90332.3 Accuracy Testing
To measure a test can be done by calculating the difference between the data calculation results with actual destination data. Difference in magnitude (size error testing) the test data to the actual data that happened a penring of data to assess the accuracy of a test method. By comparing the size of the error several methods of testing, will be obtained which method has the size of the smallest error, so that the value of the test can be used as a reference in determining the need - a need which is to come. There are some errors in the size of the testing, among others.
Root Mean Squared Error (RMSE)
RMSE is the square root of the mean value error with the following equation:
� = =1(� − )2 or the variable semakain valid. Notation basis of the above equation are summarized as follows:
Xt = actual value in period t Backpropagation and Radial Basis Function measing - each doing the learning and testing were done for performance comparison tuajuan know which one is better.
2.1 Backpropagation Algorithm Method
The algorithm method BackpropagationNeural Network:
Assigning weights (w), learning rate (), the maximum epoch (MaxEpoch).
Determining the weight initialization (take a random value that is small enough)
The initial weight input to the hidden layer [vij] The initial weight bias to the hidden layer [v0j] The initial weight hidden layer to the output layer [wj]
The initial weight bias to the output layer [w0] Work steps - these steps during a stop condition appreciating FALSE:
For each -tiap input layer that will do the learning, working on:
feedforward:
Step 1: calculate the value derived from the input signal to the kehidden layer using the equation:
= 0 + =1
Where :
_ = the value of the input to the hidden layer
0= initial weight bias input to the hidden layer = the value of the input layer;
x1= height x2 = weight x3 = tension
x4 = blood sugar before the fasting (GDP) x5 = blood sugar after fasting (GDPP)
= initial weight value hidden layer to the hidden layer
Step 2: calculate the activation function in the hidden layer signals using the equation:
=
Where :
z_j = activation value in the hidden layer
( ) = Binner with the sigmoid function f (x) of the input values in the hidden layer
Step 3: calculate the value of the hidden layer to the output layer using the equation:
_ = 0 + =1
Where :
_ = the value of the hidden layer to the output layer
0 = bias in the hidden layer to the output layer = activation value in the hidden layer
= weights in the output layer
Step 4: calculate the activation function in the output layer using the equation
= ( _ )
Where :
= value at the output layer activation
( _ )= Binner with the sigmoid function f (x) using the value of the hidden layer to the output layer
Step 5: checking the value of the error in the output layer using the equation
�� � = −
Where :
�� � = value error at the output layer = target value output
= value at the output layer activation
Step 6: calculate the value of the square error with equations
Squared error = error Where :
Squared error = �� � 2
Squared error = value error at the output raised to a power of two
backpropagation
Step 7: calculate the error information in the output layer to the equation
� = − ′( _ )
Where :
� = nilai informasi error pada output layer
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
47 Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033′( _ ) = the value of the derivative of the sigmoid equation Binner with f (x) of the hidden layer to the output layer
Step 8: calculate the correction weight to correct the value wjk with equation
∆ =� ∗ � ∗ Where :
∆ = corrected value of the hidden layer to the output layer
α = learning rate
� = the value of the error information in the output layer
Step 9: calculate the bias correction remedy fix w0k value to the equation
∆ 0 =� ∗ �
Where :
∆ 0 = the value of the refractive correction on the
output layer α = learning rate
� = the value of the error information in the output layer
Step 10: calculate the correction of the output layer to the hidden layer using the equation
�_ = =1�
Where :
�_ = corrected value of the output layer to the hidden layer
� = the value of the error information in the output layer
= value hidden layer to the output layer
Step 11: calculate error correction information by using the activation of the hidden layer using the
input leading to the hidden layer
Step 12: calculate the correction weights to improve the value equation vijdengan
∆ = ∝ �
Where :
∆ = correction weights from the hidden layer to the output layer
α = learning rate
�= correction information in the hidden layer = initial weight in the input layer
Step 13: calculate the refractive correction of the input layer to the hidden layer using the equation
∆ 0 =∝ �
Where :
∆ 0 = correction bias value from the input to the
hidden layer
α = learning rate
�= correction information in the hidden layer Step 14: calculate the bias value improvement and weight of each - each output using the equation
� = ( ) + ∆
Where :
� = new weight value on a hidden layer to output
( )= the value of the old weights of the hidden layer to output
∆ = correction weight to the hidden layer to output
Step 15: calculate the bias improvement of output to hidden layer using the equation
� = + ∆
For testing the Backpropagation network feedforward just going through a phase that is through
Step 1: calculate the value derived from the input signal to the kehidden layer using the equation:
_ = 0 + =1
Where :
_ = the value of the input to the hidden layer
0= initial weight bias towards the hidden layerdari input training data
= the value of the input layer of the test data = initial weight value hidden layer to the hidden layerdari training data
Step 2: calculate the activation function in the hidden layer signals using the equation:
=
Where :
= activation value in the hidden layer
( )= Binner with the sigmoid function f (x) of the input values in the hidden layer
Step 3: calculate the value of the hidden layer to the output layer using the equation:
_ = 0 + =1
= weight of the lining of training data outputdari Step 4: calculate the activation function in the output layer using the equation
= ( _ )
Where :
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
48 Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033( _ )= Binner with the sigmoid function f (x) using the value of the hidden layer to the output layer
Step 5: checking the value of the error in the output layer using the equation
�� � = −
Where :
�� � = value error at the output layer = target value output
= value at the output layer activation
Step 6: determination of the classification error by comparing the results with values thershold
2.2 Algorithm Radial Basis Function
Unsupervised learning phase
For the classification of data at this stage unsupervised learning algorithm, K - means. At this stage it will diapatkan center center cluster also called the center, of the center - the center will be obtained width (widht) cluster. The following stages of the algorithm K - means.
Determine the number of cluster centers Specify the cluster centers randomly
Calculate the distance of each data available to each cluster center.
Distence space or distance between two points is calculated using the formula defined Eucledian:
12 2− 1 = 2− 1 = =1( 2 1 )2
Where: p = dimension of data
Group data based on the minimum distance to the cluster center
Calculate new cluster centers with a way to classify the data bersdasarkan minimum distance. From each cluster center. Calculation of a new center cluster obtained using the equation:
= =1
Where: vi = pisat from cluster to cluster - i Xj = Data input which is a group to - i Ni = the number of data groups to - i
Repeat steps - up to 2 - 5 until no change in the data group based on the minimum distance to the cluster center Function network is obtained through supervised learning phase. In this tahp will repair the weights,
where the output data are set (actual data). Repair weight will determine the output of Radial Basis Function. Here is the learning stage process in determining the weights:
For each vector himpunana learning, ualangi step 1 -3
Take the input vector xi of learning himpunana Calculate the output of the hidden layer neurons simultaneously shown as vectors h
ℎ = ( − )
Calculate the network output vector y. The following equations are looking for y:
The general form of the RBF is:
= = =1 ℎ
Calculate the error between the output target. Repeat steps 1-4 samapai prescribed limit has been exceeded.
For the improvement of weight, compared with a target vector t y. Sesauikan each weight w in one direction, thereby reducing the difference.
Here is a gradient descent algorithm:
+ 1 = +∝( − )ℎ Where :
wij = weights between the hidden layer neuron i and neuron output layer
α = learning rate
tj = target or desired output of neuron j in the output layer
yj = output neuron j in the output layer hj = output layer is hidden
3. CLOSING
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
49 Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033BIBLIOGRAPHY
[1] Fajar AuliaRachman. “Diteksi Penyakiut Kulit Mengguakan Filter 2D Gabor Wavelevet dan
Jaringan Saraf Tiruan Radial Basis Function (RBF)”.
[Diakses 3 september 2015]
[2] Novi Indah Pradasari. “Aplikasi Jaringan Syaraf Tituan Memprediksi Penyakit Saluran
Pernafasan dengan Metode Backpropagation”.
[Diakses 3 september 2015]
[3] “Jaringan Syaraf Tiruan” diyah puspita nigrum , C.V andi offset 2006
[4] “Artificial Intelegent “ sri kusumadei , graha ilmu, 2003
[5] R. Kohavi, “A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model
Selection,” International Joint Conference on
Artificial Intelligence (IJCAI), 1995.
[6] H.Hamilton, “Confussion Matrix,” [Online]. Available:http://
www2.cs.uregina.ca/~dbd/cs831/notes/confusion_m atrix/confusion_matrix.html. [Diakses 29 December 2015].
[7] A.S. Rosa dan M. Shalahuddin, Modul Pembelajaran Rekayasa Perangkat Lunak (Terstruktur dan Berorientasi Objek), Bandung: Modula, 2013.
[8] Hartanto, B., “Memahami Visual C#.Net
Secara Mudah”. Yogyakarta : Andi, 2008.
[9] Arif jumarwanto.”Aplikasi Jaringan Syaraf Tiruan Backpropagation untuk Memprediksi
penyakit THT di rumah sakit rahayu kudus”[Diakses
8 oktober 2015]
[10] Sri redjeki.”Perbandingan Algoritma Backpropagation dan K- Nearst untuk identifikasi
penyakit”.[Diakses 8 oktober 2015]
[11] “Pharamaceutical care untuk penyakit
diabetes mellitus” direktorat bina farmasi konumitas