Perbandingan Jaringan Syaraf Tiruan Backpropagation dan Kohonen pada Identifikasi Penyakit Infeksi pada Kulit Dengan Gejala Bercak Putih

(1)

LAMPIRAN LISTING PROGRAM

Pelatihan.m (Pelatihan Kohonen)

function varargout = Pelatihan(varargin) gui_Singleton = 1;

gui_State = struct('gui_Name', mfilename, ... if nargin && ischar(varargin{1})

gui_State.gui_Callback = str2func(varargin{1}); end

if nargout

[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else

gui_mainfcn(gui_State, varargin{:}); end

% End initialization code - DO NOT EDIT

% --- Executes just before Pelatihan is made visible.

function Pelatihan_OpeningFcn(hObject, eventdata, handles, varargin) handles.output = hObject;

guidata(hObject, handles);

% --- Outputs from this function are returned to the command line. function varargout = Pelatihan_OutputFcn(hObject, eventdata, handles) varargout{1} = handles.output;

tStart=tic;

input = xlsread('Datakohonen.xlsx', 'Sheet1', 'B2:M29'); input= input'; %transpose input utk jd masukan kohonen net=newsom(minmax(input),4); %buat jaringan kohonen net = init (net);

net.trainparam.epochs=2000; net=train(net,input); %latih

bobot=net.IW{1,1};%inisialisasi bobot sebagai net.iw{1,1} atau bobot xlswrite('Datakohonen.xlsx', bobot, 'Bobot', 'A1:L4');

b=sim(net,input);

ac=vec2ind(b) %melihat vektor hasil pelatihan waktu = toc(tStart);

set(handles.waktu,'string',waktu);

(2)

function waktu_CreateFcn(hObject, eventdata, handles) if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))

set(hObject,'BackgroundColor','white'); end

% --- function keluar_Callback(hObject, eventdata, handles) delete(handles.figure1)

latihbackpro.m (pelatihan Backpropagation)

function varargout = latihbackpro(varargin) gui_Singleton = 1;

if nargout

% --- Executes just before latihbackpro is made visible.

function latihbackpro_OpeningFcn(hObject, eventdata, handles, varargin) handles.output = hObject;

% --- Outputs from this function are returned to the command line.

function varargout = latihbackpro_OutputFcn(hObject, eventdata, handles) varargout{1} = handles.output;

tStart=tic;

input = xlsread('Penyakitb.xlsx','sheet1','B2:M29'); target = [1 0 0 0;

(3)

1 0 0 0;

target = target'; input=input';

net = newff(minmax(input),[12 12 4], {'tansig','tansig','tansig'},'traingda'); net.trainParam.show=100;

net.trainParam.epochs=2000; net.trainParam.goal=0.0001; net.trainParam.lr = 0.1; net.trainParam.mc = 0.1; [net,tr] = train(net,input,target);

xlswrite('bobot1.xlsx',net.IW{1,1},'bobot','A'); output = sim(net,input)

waktu = toc(tStart);

(4)

function keluar_Callback(hObject, eventdata, handles) delete(handles.figure1)

halamank2.m (Pengujian Kohonen)

function varargout = halamank2(varargin) gui_Singleton = 1;

if nargout

function halamank2_OpeningFcn(hObject, eventdata, handles, varargin)

handles.output = hObject; guidata(hObject, handles);

function varargout = halamank2_OutputFcn(hObject, eventdata, handles) varargout{1} = handles.output;

function B_Callback(hObject, eventdata, handles) guidata(hObject,handles);

a=get(handles.B,'value'); if a == 1

xlswrite('Datakohonen.xlsx', '1','nilai','A'); else

xlswrite('Datakohonen.xlsx', '0','nilai','A'); end

(5)

guidata(hObject,handles); a=get(handles.C,'value'); if a == 1

xlswrite('Datakohonen.xlsx', '1','nilai','B'); else

xlswrite('Datakohonen.xlsx', '0','nilai','B'); end

function D_Callback(hObject, eventdata, handles) guidata(hObject,handles);

a=get(handles.D,'value'); if a == 1

xlswrite('Datakohonen.xlsx', '1','nilai','C'); else

xlswrite('Datakohonen.xlsx', '0','nilai','C'); end

function E_Callback(hObject, eventdata, handles) guidata(hObject,handles);

a=get(handles.E,'value'); if a == 1

xlswrite('Datakohonen.xlsx', '1','nilai','D'); else

xlswrite('Datakohonen.xlsx', '0','nilai','D'); end

function F_Callback(hObject, eventdata, handles) guidata(hObject,handles);

a=get(handles.F,'value'); if a == 1

xlswrite('Datakohonen.xlsx', '1','nilai','E'); else

xlswrite('Datakohonen.xlsx', '0','nilai','E'); end

function G_Callback(hObject, eventdata, handles) guidata(hObject,handles);

a=get(handles.G,'value'); if a == 1

xlswrite('Datakohonen.xlsx', '1','nilai','F'); else

xlswrite('Datakohonen.xlsx', '0','nilai','F'); end

function H_Callback(hObject, eventdata, handles) guidata(hObject,handles);

a=get(handles.H,'value');

(6)

else %jk tdk

xlswrite('Datakohonen.xlsx', '0','nilai','G'); end

function I_Callback(hObject, eventdata, handles) guidata(hObject,handles);

a=get(handles.I,'value');

if a == 1 %jk a = 1 (checkbutton dicentang) maka xlswrite('Datakohonen.xlsx', '1','nilai','H'); else %jk tdk

xlswrite('Datakohonen.xlsx', '0','nilai','H'); end

function J_Callback(hObject, eventdata, handles) guidata(hObject,handles);

a=get(handles.J,'value');

if a == 1 %jk a = 1 (checkbutton dicentang) maka xlswrite('Datakohonen.xlsx', '1','nilai','I'); else %jk tdk

xlswrite('Datakohonen.xlsx', '0','nilai','I'); end

function K_Callback(hObject, eventdata, handles) guidata(hObject,handles);

a=get(handles.K,'value'); if a == 1

xlswrite('Datakohonen.xlsx', '1','nilai','J'); else

xlswrite('Datakohonen.xlsx', '0','nilai','J'); end

function L_Callback(hObject, eventdata, handles) guidata(hObject,handles);

a=get(handles.L,'value'); if a == 1

xlswrite('Datakohonen.xlsx', '1','nilai','K'); else

xlswrite('Datakohonen.xlsx', '0','nilai','K'); end

function M_Callback(hObject, eventdata, handles) guidata(hObject,handles);

a=get(handles.M,'value'); if a == 1

xlswrite('Datakohonen.xlsx', '1','nilai','L'); else

xlswrite('Datakohonen.xlsx', '0','nilai','L'); end

(7)

function hasil_Callback(hObject, eventdata, handles) tStart=tic;

input=xlsread('Datakohonen.xlsx', 'nilai', 'A1:L1'); input= input';

set(handles.edit3,'String','Lepra','Enable','on');

set(handles.edit4,'String','Pemeriksaan BTA','Enable','on'); elseif ac == 2

set(handles.edit3,'String','pityriasis Alba','Enable','on');

set(handles.edit4,'String','Pemberian Kortikosteroid topical','Enable','on'); elseif ac == 4

set(handles.edit3,'String','pityriasis versicolor','Enable','on');

set(handles.edit4,'String','Pemberian obat Ketoconazelo dan lotion selenium sulfide','Enable','on');

elseif ac == 1

set(handles.edit3,'String','Vitiligo','Enable','on');

set(handles.edit4,'String','Pemberian Hidrocortison','Enable','on'); else

set(handles.edit3,'String','Tidak Ditemukan Jenis Penyakt','Enable','on'); set(handles.edit4,'String','Tidak Ditemukan Jenis Penyakt','Enable','on'); end

function keluar_Callback(hObject, eventdata, handles)

delete(handles.figure1) %tutup GUI Halaman Utama (file diagnosa)

% --- Executes on button press in reset.

function reset_Callback(hObject, eventdata, handles) xlswrite('Datakohonen.xlsx', '0','nilai','A1:L1'); function menuutama_Callback(hObject, eventdata, handles) hlmndepan

xlswrite('Datakohonen.xlsx', '0','nilai','A1:L1'); delete(handles.figure1)

(8)

% --- function Untitled_2_Callback(hObject, eventdata, handles)

% ---

function latihbackpropagation_Callback(hObject, eventdata, handles) latihbackpro

% --- function latihkohonen_Callback(hObject, eventdata, handles) pelatihan

function Pengujian_Callback(hObject, eventdata, handles)

% ---

function ujibackpropagation_Callback(hObject, eventdata, handles) backpro

xlswrite('Datakohonen.xlsx', '0','nilai','A1:L1'); delete(handles.figure1)

% --- function ujikohonen_Callback(hObject, eventdata, handles) xlswrite('Datakohonen.xlsx', '0','nilai','A1:L1');

function edit4_Callback(hObject, eventdata, handles)

function edit4_CreateFcn(hObject, eventdata, handles)

if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))

function edit3_CreateFcn(hObject, eventdata, handles)

function waktu_Callback(hObject, eventdata, handles)

% --- Executes during object creation, after setting all properties. function waktu_CreateFcn(hObject, eventdata, handles)

(9)

% --- function bantuan_Callback(hObject, eventdata, handles) bantuan

delete(handles.figure1)

% --- function keluar2_Callback(hObject, eventdata, handles) delete(handles.figure1)

backpro.m (pengujian Backpropagation)

function varargout = backpro(varargin)

gui_Singleton = 1;

if nargout

% --- Executes just before backpro is made visible.

function backpro_OpeningFcn(hObject, eventdata, handles, varargin)

handles.output = hObject;

function varargout = backpro_OutputFcn(hObject, eventdata, handles) varargout{1} = handles.output;

(10)

% --- Executes on button press in B.

function B_Callback(hObject, eventdata, handles) guidata(hObject,handles);

a=get(handles.B,'value'); if a == 1

xlswrite('penyakitb.xlsx', '1','Sheet2','A'); else

xlswrite('penyakitb.xlsx', '0','Sheet2','A'); end

% --- Executes on button press in C.

function C_Callback(hObject, eventdata, handles) guidata(hObject,handles);

a=get(handles.C,'value'); if a == 1

xlswrite('penyakitb.xlsx', '1','Sheet2','B'); else

xlswrite('penyakitb.xlsx', '0','Sheet2','B'); end

% --- Executes on button press in D.

function D_Callback(hObject, eventdata, handles) guidata(hObject,handles);

a=get(handles.D,'value'); if a == 1

xlswrite('penyakitb.xlsx', '1','Sheet2','C'); else

xlswrite('penyakitb.xlsx', '0','Sheet2','C'); end

% --- Executes on button press in E.

function E_Callback(hObject, eventdata, handles) guidata(hObject,handles);

a=get(handles.E,'value'); if a == 1

xlswrite('penyakitb.xlsx', '1','Sheet2','D'); else

xlswrite('penyakitb.xlsx', '0','Sheet2','D'); end

% --- Executes on button press in F.

function F_Callback(hObject, eventdata, handles) guidata(hObject,handles);

a=get(handles.F,'value'); if a == 1

(11)

xlswrite('penyakitb.xlsx', '0','Sheet2','E'); end

% --- Executes on button press in G.

function G_Callback(hObject, eventdata, handles) guidata(hObject,handles);

a=get(handles.G,'value'); if a == 1

xlswrite('penyakitb.xlsx', '1','Sheet2','F'); else

xlswrite('penyakitb.xlsx', '0','Sheet2','F'); end

% --- Executes on button press in H.

function H_Callback(hObject, eventdata, handles) guidata(hObject,handles);

a=get(handles.H,'value'); if a == 1

xlswrite('penyakitb.xlsx', '1','Sheet2','G'); else

xlswrite('penyakitb.xlsx', '0','Sheet2','G'); end

% --- Executes on button press in I.

function I_Callback(hObject, eventdata, handles) guidata(hObject,handles);

a=get(handles.I,'value'); if a == 1

xlswrite('penyakitb.xlsx', '1','Sheet2','H'); else

xlswrite('penyakitb.xlsx', '0','Sheet2','H'); end

% --- Executes on button press in J.

function J_Callback(hObject, eventdata, handles) guidata(hObject,handles);

a=get(handles.J,'value'); if a == 1

xlswrite('penyakitb.xlsx', '1','Sheet2','I'); else

xlswrite('penyakitb.xlsx', '0','Sheet2','I'); end

% --- Executes on button press in K.

function K_Callback(hObject, eventdata, handles) guidata(hObject,handles);

a=get(handles.K,'value'); if a == 1

(12)

xlswrite('penyakitb.xlsx', '0','Sheet2','J'); end

% --- Executes on button press in L.

function L_Callback(hObject, eventdata, handles) guidata(hObject,handles);

a=get(handles.L,'value'); if a == 1

xlswrite('penyakitb.xlsx', '1','Sheet2','K'); else

xlswrite('penyakitb.xlsx', '0','Sheet2','K'); end

% --- Executes on button press in M.

function M_Callback(hObject, eventdata, handles) guidata(hObject,handles);

a=get(handles.M,'value'); if a == 1

xlswrite('penyakitb.xlsx', '1','Sheet2','L'); else

xlswrite('penyakitb.xlsx', '0','Sheet2','L'); end

% --- Executes on button press in hasil.

function hasil_Callback(hObject, eventdata, handles) tStart=tic;

input=xlsread('penyakitb.xlsx', 'Sheet2', 'A1:L7'); target = [1 0 0 0;

net = newff(minmax(input),[12 12 4], {'tansig','tansig','tansig'},'traingdx'); net = init(net);

net.IW{1,1}= xlsread('bobot1.xlsx','bobot'); net.LW{2,1}= xlsread('bobot2.xlsx','bobot'); net.LW{3,2}= xlsread('bobot3.xlsx','bobot'); net.b{1}= xlsread('bias.xlsx','bias','A1:A12'); net.b{2}= xlsread('bias.xlsx','bias','B1:B12'); net.b{3}= xlsread('bias.xlsx','bias','C1:C4'); output = sim(net,input)

if (output(1,1)<0.8) a(1,1)=0;

else

(13)

end

if isequal (a,sakit1) edit2='Lepra';

edit3='Pemeriksaan BTA'; elseif isequal (a,sakit2) edit2='Pityriasis Alba';

edit3='Pemberian Kortikosteroid topical'; elseif isequal (a,sakit3)

edit2='Pityriasis Versicolor';

edit3='Pemberian obat Ketoconazelo dan lotion selenium sulfide'; elseif isequal (a,sakit4)

edit2= 'Vitiligo';

edit3='Pemberian Hidrocortison'; else

(14)

% --- Executes on button press in keluar.

function keluar_Callback(hObject, eventdata, handles) delete(handles.figure1)

% --- Executes on button press in reset.

function reset_Callback(hObject, eventdata, handles) xlswrite('penyakitb.xlsx', '0','Sheet2','A1:L4'); function menuutama_Callback(hObject, eventdata, handles) hlmndepan

xlswrite('penyakitb.xlsx', '0','Sheet2','A1:L4'); delete(handles.figure1)

function ujibackpro_Callback(hObject, eventdata, handles) xlswrite('penyakitb.xlsx', '0','Sheet2','A1:L4');

% --- function ujikohonen_Callback(hObject, eventdata, handles) halamank2 function latihbackpro_Callback(hObject, eventdata, handles) latihbackpro

function waktu_Callback(hObject, eventdata, handles)

(15)

% --- function bantuan_Callback(hObject, eventdata, handles) bantuan

% --- function keluar2_Callback(hObject, eventdata, handles) delete(handles.figure1)

function untitled_2_Callback(hObject, eventdata, handles) function uji_Callback(hObject, eventdata, handles)

% --- function untitled_2_Callback(hObject, eventdata, handles)

% --- function Untitled_6_Callback(hObject, eventdata, handles)

hlmndepan.m (Halaman Depan)

function varargout = hlmndepan(varargin)

gui_Singleton = 1;

if nargout

(16)

handles.output = hObject; guidata(hObject, handles);

% UIWAIT makes hlmndepan wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line.

function varargout = hlmndepan_OutputFcn(hObject, eventdata, handles) varargout{1} = handles.output;

function Backpropagation_Callback(hObject, eventdata, handles)

% --- function menuutama_Callback(hObject, eventdata, handles) xlswrite('penyakitb.xlsx', '0','Sheet2','A1:L4');

% --- function aa_Callback(hObject, eventdata, handles)

% --- function Untitled_5_Callback(hObject, eventdata, handles) % --- function ujibackpro_Callback(hObject, eventdata, handles) backpro

% --- function ujikohonen_Callback(hObject, eventdata, handles) halamank2

% --- function latihbackpro_Callback(hObject, eventdata, handles) latihbackpro

bantuan.m (Bantuan)

function varargout = bantuan(varargin)

gui_Singleton = 1;

gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ...

(17)

'gui_OutputFcn', @bantuan_OutputFcn, ... 'gui_LayoutFcn', [] , ...

'gui_Callback', []); if nargin && ischar(varargin{1})

if nargout

% --- Executes just before bantuan is made visible.

function bantuan_OpeningFcn(hObject, eventdata, handles, varargin) handles.output = hObject;

function varargout = bantuan_OutputFcn(hObject, eventdata, handles) varargout{1} = handles.output;

function edit1_CreateFcn(hObject, eventdata, handles) if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))

function depan_Callback(hObject, eventdata, handles) hlmndepan

(18)

CURRICULUM VITAE

Nama : Rizky Ramadhansyah Harahap

Alamat Sekarang : Jl. Pertahanan, Villa Permata Indah No F25 Medan Alamat Orang tua : Jl. Khihajar Dewantara Kecamatan Padang Bolak

Kabupaten Padang Lawas Utara, SUMUT

Telp/Hp : 081361670064

Email

Riwayat Pendidikan

2009-2013 : S1 Ilmu Komputer Universitas Sumatera Utara, Medan 2006-2009 : SMA Negeri 1 Padang Bolak

2003-2006 : Mts Swasta YPIPL

(19)

DAFTAR PUSTAKA

[1] Adhi, Djuanda. 2003. Ilmu Penyakit Kulit Dan Kelamin.Fakultas Kedokteran. Universitas Indonesia. Jakarta.

[2] Asrofa, Sadifa. 2012. Perancangan Sistem Pengenal Tanda Tangan Menggunakan

Metode Analisis Komponen Utama dan Jaringan Syaraf Tiruan Backpropagation. Tugas Akhir. Universitas Sumatera Utara.

[3] Hermawan, Arief, 2006. Jaringan Saraf Tiruan : Teori dan Aplikasi.. Andi. Yogyakarta.

[4] Jiwo Syeto, Galang. 2010. Peramalan Beban Listrik Menggunakan Jaringan Saraf

Tiruan Metode Kohonen. Tugas Akhir. Institut Teknologi sepuluh

Nopember.

[5] Josef Havel. 2013. Artificial neural networks in medical diagnosis. Jurnal.

University of Salamanca.

[6] Kiki. 2004. Analisis Jaringan Saraf Tiruan dengan Metode Backpropagation

Untuk Mendeteksi Gangguan Psikologi. Tugas akhir. Universitas Islam

Indonesia.

[7] Kusumadewi, Sri. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan

Matlab & Excel Link. Graha Ilmu. Yogyakarta.

[8] Luthfie, Safie Nur. 2012. Implementasi Jaringan Saraf Tiruan Backpropagation

Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB 7.0. Tugas Akhir. Universitas Gunadarma.

[9] Partogi, Donna. 2008. Pityriasis Versicolor Dan Diagnosa Bandingnya (

Ruam-ruam bercak putih pada kulit). Jurnal. Universitas Sumatera Utara.

[10] Puspitaningrum, Diyah. 2006. Pengantar Jaringan Saraf Tiruan. Andi. Yogyakarta.

[11] Siang, Jong Jek. 2005. Jaringan Syaraf Tiruan & Pemrogramannya

Menggunakan Matlab. ANDI. Yogyakarta.

[12] Yuwono, Bambang, 2011. Diagnosa gangguan saluran Pernafasan

menggunakan jaringan Syaraf Tiruan Backpropagation. Seminar

(20)

BAB III

ANALISIS DAN PERANCANGAN SISTEM

3.1 Analisis Masalah

Masalah yang ada pada perancangan sistem ini adalah menentukan kecepatan dan ketepan antara metode Backpropagation dan Kohonen dalam mengidentifikasi penyakit infeksi pada kulit dengan gejala bercak putih untuk mengetahui metode mana yang cocok digunakan dalam mendiagnosa penyakit tersebut agar terhindar dari salah diagnosa dan keefesianan waktu dengan alasan sebagai berikut :

1. Untuk ketepatan dalam mendiagnosa suatu penyakit User dapat dipermudah untuk mengambil keputusan jenis penyakit apa yang diderita penderita namun banyak metode dalam jaringan syaraf tiruan sehingga saya disini mengambil dua metode untuk memperbandingkanya agar dapat diketahui metode yang paling tepat dalam mengidentifikasi penyakit tersebut.

2. Untuk mengidentifikasi suatu penyakit diperlukan waktu seefisian mungkin sehingga dibutuhkan adanya penghitungan waktu pada aplikasi tersebut agar diketahui metode mana yang dipaling cepat dalam mengidentifikasi penyakit.

Berikut adalah diagram iskhikawa untuk menggambarkan permasalahan.

Material Metode

Manusia Mesin

Menentukan metode tercepat dan dan paling tepat antara Backrpopagation dan Kohonen dalam mengidentifikasi penyakit infeksi pada

kulit dengan gejala bercak putih

Kurang tepatnya dokter Mengidetifikasi suatu

penyakit

Diperlukan waktu seefesien mungkin untuk mendiagnosa suatu

penyakit Metode Backpropagatio dan kohonen yang dapat mengidentifikasi penyakit kulit dengan gejala bercak

putih

Belum adanya metode yang membandingkan kedua metode tersebut dalam identifikasi penyakit

ini

Memamfaatkan teknologi informasi untuk membandingkan kedua

metode tersebut

(21)

3.2 Analisis Kebutuhan Sistem

Analisis kebutuhan sistem dibagi menjadi dua meliputi analisis kebutuhan fungsional dan analisis kebutuhan non-fungsional .

3.2.1 Kebutuhan Fungsional Sistem

Kebutuhan fungsional dalam membandingkan kedua metode Backpropagation dan

Kohonen adalah :

1. Sistem dapat mendiagnosa penyakit berdasarkan masukan User. 2. Sistem dapat menghitung waktu identifikasi.

3. Sistem dapat menampilkan jenis penyakit. 4. Sistem dapat menampilkan waktu identifikasi.

5. Sistem dapat menampilkan tindakan medis selanjutnya

3.2.2 Kebutuhan Non-Fungsional

Merupakan fitur yang mendukung fungsional adalah :

1. User mudah memahami dan mengerti tampilan antarmuka sistem.

2. Data yang terdapat pada sistem berupa data yang relevan, sehingga menghasilkan pengenalan yang tepat.

3. Sistem dapat menentukan jenis penyakit infeksi kulit dengan gejala bercak putih. 4. Sistem dapat dikembangkan sehingga dapat mengikuti perkembangan dunia

medis.

5. Kinerja sistem berjalan dengan menguji coba sistem tersebut dngan data yang telah diketahui hasilnya terlebih dahulu.

3.3 Analisis Proses

(22)

3.3.1 Analisis Proses Backpropagatin

Gunakan backpropagation dengan sebuah layer tersembunyi (dengan 3 unit), untuk mengenali fungsi logika XOR dengan 2 masukan X1 dan X2. Buatlah iterasi untuk menghitung bobot jaringan untuk pola pertama (X1=1, X2=1 dan t=0). Gunakan laju

pemahaman α=0.2.

Penyelesaian

Gamber 3.2 Arsitektur Backpropagation

Bobot-bobot diberikan nilai acak dengan range -1 sampai dengan 1. Missal bobot dari layer input ke layer tersembunyi seperti pada table 3.1 dan bobot-bobot dari layer tersembunyi ke layer output seperti pada table 3.2.

Langkah 0

Inisialisasi semua bobot dengan bilangan acak kecil. 1

1

W10 V10

V30 V20

W11 V11

V21

Z1 X1

V31

W12 Y1

Z2 V12

V22 X2

W13

V32

(23)

Tabel 3.1 Nilai Bobot Lapisan Masukan ke Lapisan Tersembunyi (vji)

z z1 Z2 Z3 X1 0.2 0.3 -0.1 X2 0.3 0.1 -0.1 1 -0.3 0.3 0.3

Tabel 3.2 Bobot Lapisan Masukan ke Lapisan Tersembunyi (wkj)

Y Z1 0.5 Z2 -0.3 Z3 -0.4 1 -0.1

Langkah 1

Jika kondisi penghentian belum terpenuhi, lakukan langkah 2 sampai dengan 8 Langkah 2

Untuk setiap pasang data pelatihan, lakukan langkah 3 sampai dengan 8

Fase I: Propagasi Maju Langkah 3

Tiap unit masukkan menerima sinyal dan meneruskan ke unit tersembunyi Langkah 4

(24)

𝑧𝑧_{𝑛𝑛𝑛𝑛𝑛𝑛 𝑗𝑗} =𝑣𝑣_𝑗𝑗₀+� 𝑥𝑥_𝑖𝑖𝑣𝑣_{𝑗𝑗𝑖𝑖}

Hitung semua jaringan di unit keluaran (yk)

(25)

𝑦𝑦𝑘𝑘 =𝑓𝑓(𝑦𝑦_𝑛𝑛𝑛𝑛𝑛𝑛𝑘𝑘) =

1

1 +𝑛𝑛−𝑦𝑦_𝑛𝑛𝑛𝑛𝑛𝑛_𝑘𝑘 = 1

1 +𝑛𝑛−0,24 = 0,44

Fase II : Propagasi Maju Langkah 6

δk=(tk-yk) f’(y_netk)= (tk-yk) yk (1-yk)

δ1=(t1-y1) f’(y_net1)= (t1-y1) y1 (1-y1)=(0-0,44) 0,44 (1-0,44)=-0,11

Δwkj= α δk zj

Δw10= α δ1 (1)=0,2 . (-0,11) . (1)=-0,022

Δw11= α δ1 (z1)=0,2 . (-0,11) . (0,55)=-0,01

Δw12= α δ1 (z2)=0,2 . (-0,11) . (0,67)=-0,01

Δw13= α δ1 (z3)=0,2 . (-0,11) . (0,52)=-0,01

Langkah 7

Hitung factor δ unit tersembunyi berdasarkan kesalahan di setiap unit tersembunyi zj (j=1,2,3,…,p)

δ__{𝑛𝑛𝑛𝑛𝑛𝑛}_𝑗𝑗 = �δ_𝑘𝑘𝑤𝑤_{𝑘𝑘𝑗𝑗}

𝑚𝑚

𝑘𝑘=1

δ__{𝑛𝑛𝑛𝑛𝑛𝑛}1 = δ1.𝑤𝑤11 = (−0,11). 0,5 =−0,055

δ__{𝑛𝑛𝑛𝑛𝑛𝑛}2 =δ1.𝑤𝑤12 = (−0,11). (−0,3) = 0,033

δ__{𝑛𝑛𝑛𝑛𝑛𝑛}₃ =δ₁.𝑤𝑤₁₃ = (−0,11). (−0,4) = 0,044

Faktor kesalahan δ unit tersembunyi

δj = δ_netj f’(z_netj)= δ_net zj (1-zj)

(26)

δ2 = δ_net2 z2 (1-z2)=(0.033).0,67.(1-(0,67))=0,01

δ3 = δ_net3 z3 (1-z3)=(0.044).0,52.(1-(0,52))=0,01

Δvji=α δjxi

Δv10=α δ1=0,2*(-0,01)*1= -0,002

Δv20=α δ2=0,2*(0,01)*1=0,002

Δv30=α δ3=0,2*(0,01)*1=0,002

Δv11=α δ1x1=0,2*(-0,01)*1=-0,002

Δv21=α δ2x1=0,2*(0,01)*1=0,002

Δv31=α δ3x1=0,2*(0,01)*1=0,002

Δv12=α δ1x2=0,2*(-0,01)*1=-0,002

Δv22=α δ2x2=0,2*(0,01)*1=0,002

Δv32=α δ3x2=0,2*(0,01)*1=0,002

Fase III : Perubahan Bobot Langkah 8

Perubahan bobot garis yang menuju unit keluaran wkj (baru)= wkj (lama) + Δwkj

w10 (baru)= w10 (lama) + Δw10= -0,1-0,022=-0,122 w11 (baru)= w11 (lama) + Δw11=0,5-0,01=0,49 w12 (baru)= w12 (lama) + Δw12=-0,3-0,01=0,31 w13 (baru)= w13(lama) + Δw13=-0,4-0,01=0,41 Vji (baru)= vji(lama) + Δvji

(27)

V21 (baru)= v21 (lama) + Δv21 =0,3+0,002=0,302 V31 (baru)= v31(lama) + Δv31 =-0,1+0,002=-0,098 V12 (baru)= v12(lama) + Δv12 =0,3-0,002=0,298 V22 (baru)= v22 (lama) + Δv22 =0,1+0,002=0,102 V32 (baru)= v32 (lama) + Δv32 =-0,1+0,002=-0,098

3.3.1 Analisis Proses Kohonen

1. Diketahui 4 buah vektor x(1)=(1,1,0,0), x(2)=(0,0,0,1), x(3)=(1,0,0,0), dan x(4)=(0,0,1,1).

2. Gunakan jaringan kohonen untuk mengelompokkan 4 buah vektor tersebut kedalam maksimum 2 kelompok.

3. Gunakan laju pemehaman awal α(0)=0.6, dan α(t+1)=0.5 α(t).

4. Jari-jari vektor sekitar yang dimodifikasi = 0 (hanya vektor pemenang yang dimodifikasi bobotnya pada setiap langkah)

Jawab:

1. Inisialisasi bobot awal

a) Kolom matrik bobot —› jumlah komponen vektor=4 b) Jumlah baris —› jumlah maksimum kelompok=2 c) 𝒘𝒘= 𝟎𝟎.𝟐𝟐𝟎𝟎.𝟔𝟔𝟎𝟎.𝟓𝟓𝟎𝟎.𝟗𝟗𝟎𝟎.𝟖𝟖𝟎𝟎.𝟒𝟒𝟎𝟎.𝟕𝟕𝟎𝟎.𝟑𝟑

d) Jari =0

e) Laju pemahaman awal=0.6

2. Pelatihan tiap vektor Vektor x(1)=(1,1,0,0) D(j)= (𝒘𝒘𝒋𝒋𝒊𝒊−𝒙𝒙𝒊𝒊)𝟐𝟐𝒊𝒊

D(1)=(0.2-1)2+(0.6-1)2+(0.5-0)2+(0.9-0)2=1.86 D(2)=(0.8-1)2+(0.4-1)2+(0.7-0)2+(0.3-0)2=0.98

Minimum pada j=2, maka vektor bobot di baris kedua di modifikasi pada baris 2

(28)

W21=0.8 + 0.6(1-0.8)=0.92 W22=0.4 + 0.6(1-0.4)=0.76 W23=0.7+0.6(0-0.7)=0.28 W24=0.3+0.6(0-0.3)=0.12

Sehingga vektor bobotnya menjadi w= 0.20.60.50.90.920.760.280.12

Vektor x(2)=(0,0,0,1)

D(1)=(0.2-0)2+(0.6-0)2+(0.5-0)2+(0.9-1)2=0.66 D(2)=(0.92-0)2+(0.76-0)2+(0.28-0)2+(0.12-1)2=2.20

Minimum pada j=1, maka vektor bobot di baris kesatu di modifikasi pada baris 1 W11=0.2 + 0.6(0-0.2)=0.08

W12=0.6 + 0.6(0-0.6)=0.24 W13=0.5 + 0.6(0-0.5)=0.2 W14=0.9 + 0.6(1-0.9)=0.96

Sehingga vektor bobotnya menjadi 𝒘𝒘= 𝟎𝟎.𝟎𝟎𝟖𝟖𝟎𝟎.𝟐𝟐𝟒𝟒𝟎𝟎.𝟐𝟐𝟎𝟎.𝟗𝟗𝟔𝟔𝟎𝟎.𝟗𝟗𝟐𝟐𝟎𝟎.𝟕𝟕𝟔𝟔𝟎𝟎.𝟐𝟐𝟖𝟖𝟎𝟎.𝟏𝟏𝟐𝟐

Vektor x(3)=(1,0,0,0)

D(1)=(0.08-1)2+(0.24-0)2+(0.2-0)2+(0.96-0)2=1.78 D(2)=(0.92-1)2+(0.76-0)2+(0.28-0)2+(0.12-0)2=0.68

Minimum pada j=2, maka vektor bobot di baris kedua di modifikasi pada baris 2 W21=0.92 + 0.6(1-0.92)=0.968

W22=0.76 + 0.6(0-0.76)=0.304 W23=0.28 + 0.6(0-0.28)=0.112 W34=0.12 + 0.6(0-0.12)=0.048

Sehingga vektor bobotnya menjadi w= 0.080.240.20.960.9680.3040.1120.048

Vektor x(4)=(0,0,1,1)

D(1)=(0.08-0)2+(0.24-0)2+(0.2-1)2+(0.96-1)2=0.7056 D(2)=(0.969-0)2+(0.304-0)2+(0.112-1)2+(0.048-1)2=2.724

Minimum pada j=1, maka vektor bobot di baris kedua di modifikasi pada baris 1 W11=0.08 + 0.6(0-0.08)=0.032

(29)

W14=0.96 + 0.6(1-0.96)=0.984 Sehingga vektor bobotnya menjadi

𝒘𝒘= 𝟎𝟎.𝟎𝟎𝟑𝟑𝟐𝟐𝟎𝟎.𝟎𝟎𝟗𝟗𝟔𝟔𝟎𝟎.𝟔𝟔𝟖𝟖𝟎𝟎.𝟗𝟗𝟖𝟖𝟒𝟒𝟎𝟎.𝟗𝟗𝟔𝟔𝟖𝟖𝟎𝟎.𝟑𝟑𝟎𝟎𝟒𝟒𝟎𝟎.𝟏𝟏𝟏𝟏𝟐𝟐𝟎𝟎.𝟎𝟎𝟒𝟒𝟖𝟖

Sebelum melakukan iterasi kedua, dilakukan modifikasi laju pemahaman:

α(baru)=0.5 (0.6)=0.3

dengan cara yang sama maka diperoleh bobot: iterasi ke-2 : w= 0.005-0.170.710.990.30.020.086

iterasitersebut akan konvergen ke vektor bobot : w= 000.5110.00

Pengelompokkan vektor Vektor x(1)=(1,1,0,0)

D(1)=(0-1)2+(0-1)2+(0.5-0)2+(1-0)2=3.25 D(2)=(1-1)2+(0.5-1)2+(0-0)2+(0-0)2=0.25 Berarti x(1) masuk dalam kelompok 2 Vektor x(2)…?

Vektor x(3)…? Vektor x(4)…? x(2)=(0,0,0,1) x(3)=(1,0,0,0) x(4)=(0,0,1,1) 3.4 Pemodelan

Pemodelan pada sistem ini menggunakan UML untuk mendisain dan merancang sistem idntifikasi penyakit infeksi kulit. Adapun model- model UML yang digunakan adalah use case diagram, sequence diagram dan activity diagram.

3.4.1 Use Case Diagram

(30)

untuk mengetahui fungsi apa saja yang ada di dalam sebuah sistem informasi dan siapa saja yang berhak menggunakan fungsi – fungsi itu. Pengidentifikasian aktor dan

use case pada sistem ini dilakukan dengan menjawab pertanyaan-pertanyaan berikut:

1. Siapa yang menggunakan sistem? Jawaban: Pengguna

2. Siapa yang diperlukan untuk melaksanakan fungsi pada sistem? Jawaban: Pengguna dan programmer

3. Apa saja yang dapat dilakukan pengguna pada sistem?

Jawaban: Melakukan pelatihan dan pengujian JST dan melakukan identifikasi penyakit infeksi kulit dengan gejala bercak putih

Use case diagram berdasarkan aktor dan use case ditampilkan pada Gambar

Sistem Identifikasi Penyakit Kulit

Pelatihan JST

Uji Pengenalan

Metode Backpropagation

Metode Kohonen

Metode Kohonen Metode Backpropagation

<<include>>

Programer Actor

Pengguna

(31)

3.4.2. Sequence Diagram

Adalah suatu diagram yang memperlihatkan atau menampilkan interaksi-interaksi antar objek di dalam sistem yang disusun pada sebuah urutan atau rangkaian waktu. Interaksi antar objek tersebut termasuk pengguna, display, dan sebagainya berupa pesan/message. Sequence Diagram digunakan untuk menggambarkan skenario atau rangkaian langkah-langkah yang dilakukan sebagai sebuah respon dari suatu kejadian/even untuk menghasilkan output tertentu. Berikut ini merupakan gambaran dari sequence diagram dari sistem yang telah dirancang dan dibangun oleh penulis

Latih jst Input data

Proses Latih

Simpan Bobot

Gambar 3.4 Sequence Diagram Proses Pelatihan JST Backpropagation

Input gejala Uji Jst

Proses UJI

set string ( penyakit)

(32)

Proses UJI

Gambar 3.6 Sequence Diagram Proses Pengujian JST Backpropagation

Proses UJI

(33)

3.4.3 Activity Diagram

Activity diagram menggambarkan berbagai alir aktivitas dalam sistem yang sedang

dirancang, bagaimana masing-masing alir berawal, decision yang mungkin terjadi, dan bagaimana mereka berakhir. Activity diagram juga dapat menggambarkan proses paralel yang mungkin terjadi pada beberapa eksekusi. Activity diagram merupakan

state diagram khusus, di mana sebagian besar state adalah action dan sebagian besar

transisi di-trigger oleh selesainya state sebelumnya (internal processing) Berikut ini merupakan activity digram dari sistem yang telah dirancang dan dibangun oleh penulis.

Gambar 3.8 Activity Diagram Proses Pelatihan JST Backpropagation dan Kohonen

Aktor _Sistem

Aktor menekan tombol Pelatihan backpropagation/ pelatihan kohonen untuk pelatihan JST Backpropagation dan kohonen

Sistem melakukan pelatihan terhadap Data penyakit

(34)

Aktor mengisi gejala dengan menandai radio button

Sistem menyimpan nilai dari radio button sebagai input untuk pengujian dengan ditandai bernilai 1 (iya)

dan tidak ditandai 0 (tidak)

Aktor menekan tombol Hasil

Sistem melakukan pengujian Identifikasi penyakit kulit

Sistem menampilkan hasil Identifikasi penyakit kulit

Aktor

Sistem

Sistem menampilkan waktu pengujian Aktor menekan tombol reset

Sistem menyimpan nilai 0 pada nilai input

Gambar 3.9 Activity Diagram Proses Pengujian JST Backpropagation dan Kohonen

3.5 Arsitektur Jaringan Syaraf Tiruan

(35)

3.5.1 Arsitektur JST Backpropagation

Gambar 3.10 Arsitektur JST Backpropagation

(36)

3.5.2 Arsitektur JST Kohonen

Gambar 3.11 Arsitektur JST Kohonen

Gambar 3.10 menunjukkan arsitektur JST kohonen dengan 4 buah unit inputan dan 4 buah unit keluaran.

3.6 Pseudocode Program

Pseudocode adalah bahasa yang digunakan untuk menyederhanakan penulisan

algoritma. Pseudocode bukan bahasa pemrograman. Pseudocode adalah notasi yang menyerupai bahasa pemrograman tingkat tinggi. Keuntungan menggunakan notasi

pseudocode adalah kemudahan mengkonversinya lebih tepat yang disebut

mentranslasi ke notasi bahasa pemrograman, karena terdapat korespondensi antara setiap pseudocode dengan notasi bahasa pemrograman.

3.6.1. Pseudocode Proses Pelatihan JST LATIH JST Backpropagation

(37)

target ← target’

S ← jumlah hidden layer

TF ← fungsi transfer

BTF ←fungsi pelatihan

net ←newff(input, target,[S1 S2...S(N-l)],{TF1 TF2...TF(N-l)}, BTF)

[net,tr] ← train (net,input,target);

LATIH JST Kohonen

input← gejala_penyakit

target ← target’

PR : Matrix nilai minimum dan maksimum vektor masukan

S ← jumlah neuron target

KLR ← Laju pemahaman Kohonen

CLR ←Laju pemahaman Consciece

net ←newc (PR, S, KLR, CLR)

[net,tr] ← train(net,input);

3.6.2. Pseudocode Proses Pengujian JST PENGUJIAN JST Backpropagation

input← gejala penyakit

target ← target'

input←input'

net ← newff(minmax(input),[12 12 4]

net ← init(net);

output=sim(net, input)

PENGUJIAN JST Kohonen

input← gejala penyakit

input← input'

net←newsom(minmax(input),4);

net ← init(net)

(38)

3.7 Perancangan Sistem

3.7.1 Perancangan Flowchart Sistem

Flowchart merupakan gambar atau bagan yang memperlihatkan urutan dan hubungan antar proses beserta instruksinya. Gambaran ini dinyatakan dengan simbol. Dengan demikian setiap simbol menggambarkan proses tertentu. Sedangkan hubungan antar proses digambarkan dengan garis penghubung. Flowchart ini merupakan langkah awal pembuatan program. Dengan adanya flowchart urutan poses kegiatan menjadi lebih jelas. Jika ada penambahan proses maka dapat dilakukan lebih mudah. Setelah flowchart selesai disusun, selanjutnya pemrogram (programmer) menerjemahkannya ke bentuk program dengan bahasa pemrograman. Berikut merupakan flowchart awal dari sistem yang nantinya akan dibangun .

Mulai

Input Variabel

Latihan JST

Pengujian JST

Perbandingan Metode

Selesai Hasil penguian

(39)

3.7.2 Flowchart Pelatihan Backpropagation

(40)

3.7.3 Flowchart Pelatihan Kohonen

Mulai

Masukkan max epoh

Inisialisasi bobot

Load data pelatihan dari xcel

Epoh <= max epoh

MENCARI WINNER OUTPUT

D(j) = (𝑤𝑤𝑖𝑖𝑗𝑗−𝑥𝑥𝑖𝑖)2

CARI INDEKS D(j)

MINIMUM SEBAGAI WINNER

DISPLAY BOBOT WINNER

UPDATE BOBOT

wij(new)=wij(old) + α[xi -

wij(old)]

Epoh=max epoh

Simpan bobot

Selesai

(41)

3.7.4 Flowchart Pengujian Backpropagation

Mulai

Load data pengujian

Ambil bobot terbaik

Feedforward

Denormalisasi data

Tampilkan hasil pengujian

selesai

(42)

3.7.5 Flowchart Pengujian Kohonen

Mulai

Load data pengujian

pengujian

Tampilkan hasil pengujian

Selesai

Gambar 3.16 Flowchart Pengujian Kohonen

3.7.2 Perancangan Data

Dalam perancangan data akan menjelaskan bagaimana data yang terdapat dalam sistem sesuai dengan fungsinya sebagai data input ataupun data output sistem

.3.7.2.1 Masukan

Adapun penetapan masukan didapat dari pengambilan data rekamedis di RSU H. Adam Malik Medan dan buku Adhi, Djuanda. 2003. Ilmu Penyakit Kulit Dan Kelamin.Fakultas Kedokteran. Universitas Indonesia. Jakarta. Berikut inputan jaringan syaraf tiruan untuk identifikasi penyakit infeksi pada kulit dengan gejala becak putih pada

backpropagation dan kohonen adalah sebagai berikut :

1. Lepra dengan masukan sebagai berikut :

a. Kulit tidak terasa / mati rasa

b. Kulit Menebal

c. Demam

(43)

2. Pitiriasis alba dengan masukan sebagi berikut :

a. Tidak terasa nyeri

b. Tidak terasa gatal

3. Pitiriasis versicolor dengan masukan sebagi berikut :

a. Gatal Ketika Berkeringat

b. Berawal dari bintik merah

4. Vitiligo dengan masukan sebagi berikut :

a. Tidak terasa nyeri

b. Tidak terasa gatal

c. Riwayat keluarga

d. Bercak berada di tangan / kaki e. Terasa gatal walau tidak berkeringat f. Bercak bertambah dan menyebar.

.3.7.2.2 Keluaran

Adapun penetapan keluaran jaringan syaraf tiruan untuk identifikasi penyakit infeksi pada kulit dengan gejala bercak putih adalah sebagai berikut :

Backpropagation :

5. Lepra (target 1000)

6. Pitiriasis alba (target 0100) 7. Pitiriasis versicolor (target 0010) 8. Vitiligo (target 0001)

Kohonen :

1. Lepra (kelas 1)

2. Pitiriasis alba (kelas 3) 3. Pitiriasis versicolor (kelas 2) 4. Vitiligo (kelas 4)

3.7.7 Perancangan Antarmuka (Interface)

(44)

pembuatan sistem ini dapat terlaksana. Pembuatan sistem ini menggunakan bahasa pemograman MATLAB 2007.

3.7.3.1 Form Depan

Berikut adalah rancangan tampilan Form depan.

Gambar 3.17 Rancangan Form Depan Keterangan :

1. Menu Utama

Menampilkan nama sistem yang merupakan tampilan awal dari sistem identifikasi penyakit infeksi kulit dengan gejala bercak putih.

2. Menu Pelatihan .

Berfungsi untuk melatih kedua metode JST nantinya terdapat 2 pilihan untuk pelatihan yaitu Backpropagation dan Kohonen .

3. Menu Pengujian.

(45)

4. Menu bantuan

Berfungsi untuk menghubungkan antarmuka form depan dengan antar muka bantuan

5. Menu keluar

Berfungsi untuk keluar dari sistem.

3.7.3.2 Form Metode Backpropagation

Berikut rancangan form metode Backpropagation.

1

2 3 4

5 6

7

Gambar 3.18 Rancangan Form Metode Backpropagation Keterangan :

1. Radiobutton

Merupakan tempat untuk memasukkan gejala penyakit yang akan di uji. 2. Tombol Reset

Untuk mengosongkan kembali textfield yang sebelumnya telah diisi oleh pengguna

3. Tombol Hasil

(46)

4. Tombol Keluar

Untuk kelura dari sistem

5. Textfield

Merupakan tempat keluaran hasil dari uji identifikasi penyakit infeksi kulit hasil keluarnya berupa nama penyakit

6. Textfield

Merupakan tempat keluaran hasil dari uji identifikasi penyakit infeksi kulit hasil keluarnya berupa penanggulangan penyakit

7. Textfield

Menampilkan waktu uji identifikasi penyakit infeksi pada kulit.

3.7.4.2 Form Metode Kohonen

Berikut rancangan form metode Kohonen

1

2 3 4

5 6

7

(47)

Keterangan : 1. Radiobutton

Merupakan tempat untuk memasukkan gejala penyakit yang akan di uji. 2. Tombol Reset

Untuk mengosongkan kembali textfield yang sebelumnya telah diisi oleh pengguna

3. Tombol Hasil

Untuk melakukan pengujian identifikasi yang sebelumnya telah dilatih 4. Tombol Keluar

Untuk kelura dari sistem

5. Textfield

Merupakan tempat keluaran hasil dari uji identifikasi penyakit infeksi kulit hasil keluarnya berupa nama penyakit

6. Textfield

Merupakan tempat keluaran hasil dari uji identifikasi penyakit infeksi kulit hasil keluarnya berupa penanggulangan penyakit

7. Textfield

(48)

BAB IV

IMPLEMENTASI DAN PENGUJIAN

4.1 Implementasi

Pada tahap implementasi dan pengujian terhadap sistem identifikasi penyakit infeksi pada kulit penulis membangun sistem dengan bahasa pemograman MATLAB 2007 dan menggunakan Microsoft Excel 2007 sebagai tempat penyimpanan data pelatihan. pada sistem ini terdapat 4 form yang digunakan yang mana terdiri dari form depan, form uji backpropagation, form uji kohonen dan form bantuan sedangkan untuk pelatihannya penulis tidak menggunakan form hanya berupa menu yang ada di sub menu dari menu pelatihan dan hasil pelatihan dapat dilihat di m-file Matlab 2007.

4.1.1 Form Depan

Form depan adalah form tampilan awal pada sistem identifikasi penyakit infeksi pada

kulit ini. Didalam form ini berisi keterangan judul skripsi, nama , nim penulis skripsi,

menu dan sub menu sistem yang membantu user dalam menjalankan sistem. Didalam

menu terdapat beberapa sub menu diaantaranya adalah menu pelatihan dengan sub menunya pelatihan backpropagation dan kohonen, menu pengujian dengan sub menu pengujian backpropagation dan pengujian kohonen. Berikut tampilan form depan

(49)

Pada form ini akan dilakukan pengujian metode backpropagation terhadap identifikasi penyakit infeksi pada kulit pada pengujian tersebut akan dimasukkan data yang belum dikenali oleh sistem kemudian akan dilakukan pengujian dan hasilnya adalah pengenalan sistem terhadap data yang di uji tersebut. Untuk melakukan pengujian hal pertama yang dilakukan adalah memasukkan gejala penyakit dengan cara menekan

radiobutton dan kemudian menekan tombol hasil, hasil pengujian akan menampilkan

jenis penyakit, pengobatan dan waktu pengujian. Jika ingin melakukan pengujian lainnya maka tombol reset berfungsi untuk mengosongkan nilai pada data pengujian sebelumnya. Berikut tampilan form pengujian backpropagation

(50)

Gambar 4.3 Form Pengujian Backpropagation yang telah melakukan pengujian Identifikasi penyakit infeksi pada kulit

4.1.3 Form Pengujian Kohonen

(51)

Gambar 4.4 Form Pengujian Kohonen

Gambar 4.5 Form Pengujian Kohonen yang telah melakukan pengujian Identifikasi penyakit infeksi pada kulit

(52)

From bantuan berfungsi membantu user untuk menjelaskan cara penggunaan sistem

identifikasi penyakit infeksi pada kulit. Berikut tampilan form bantuan.

Gambar 4.6 Form Bantuan

4. 2 Pengujian

Cara pengujian sistem ini adalah dengan menguji apakah sistem dapat mengidentifikasi penyakit infeksi pada kulit dengan gejala bercak putih dengan baik yang tentunya menggunakan metode backpropagati maupun metode kohonen . dengan pengujian tersebut hasil yang ingin diketahui dari judul skripsi ini dapat terselesaikan yaitu mengetahui metode mana yang lebih cepat dan tepat dalam mengidentifikasi penyakit kulit dengan gejala bercak .

(53)

Pengujian sistem dilakukan dengan 2 cara yaitu pengujian ketepan metode dalam mengidentifikasi penyakit infeksi pada kulit dengan gejala bercak putih dan yang kedua pengujian kecepatan metode dalam proses idntifikasi penyakit infeksi pada kulit dengan gejala bercak putih.

4.2.1.1 Ketepatan Identifikasi Penyakit Infeksi Pada Kulit Dengan Gejala Bercak Putih

Hasil yang dilihat dari Pengujian sistem untuk ketepatan identifikasi ini adalah sistem dapat mengetahui jenis penyakit sesuai target yang sebelumnya sudah diketahui hasilnya. Sebelum melakukan pengujian, sistem terlebih dahulu melakukan pelatihan dengan dengan melatih data pelatihan yang telah disimpan di dalam file Microsoft

office excel 2007 dengan perintah pemanggilan input =

xlsread('Datakohonen.xlsx', 'Sheet1', 'B2:M29'); dengan cara memilih submenu pada menu pelatihan berikut gambar submenu pelatihan dan hasil pelatihan metode backpropagation dan Kohonen

Gambar 4.7 Submenu Pelatihan Backpropagation

(54)

(55)

13 0 0 0 0 1 1 0 0 0 0 0 0 Pitiriasis alba

14 0 0 0 0 1 1 0 0 0 0 0 0 Pitiriasis

alba

15 0 0 0 0 0 1 0 1 0 0 0 0 Pitiriasis

versicolor

16 0 0 0 0 0 0 1 0 0 0 0 0 Pitiriasis

versicolor

17 0 0 0 0 0 0 1 1 0 0 0 0 Pitiriasis

versicolor

18 0 0 0 0 0 0 1 1 0 0 0 0 Pitiriasis

versicolor

19 0 0 0 0 0 0 1 0 0 0 0 0 Pitiriasis

versicolor

20 0 0 0 0 0 0 1 1 0 0 0 0 Pitiriasis

versicolor

21 0 0 0 0 0 0 1 1 0 0 0 0 Pitiriasis

versicolor

22 0 0 0 0 1 1 0 0 1 1 0 1 Vitiligo

23 0 0 0 0 1 1 0 0 1 1 0 1 Vitiligo

24 0 0 0 0 1 1 0 0 1 1 0 1 Vitiligo

25 0 0 0 0 1 1 0 0 0 1 0 1 Vitiligo

26 0 0 0 1 0 0 0 0 0 1 1 1 Vitiligo

27 0 0 0 1 0 0 0 0 1 1 1 1 Vitiligo

(56)

Dalam pelatihan sistem Identifikasi penyakit infeksi pada kulit dengan gejala bercak putih metode backpropagation dilakukan dengan 28 masukan dengan 4 target yakni 1000 untuk lepra, 0100 untuk pitiriasis Alba, 0010 untuk pitiriasis versicolor dan 0001 untuk vitiligo. Adapun parameter yang digunakan dalam pelatihan sistem ini yaitu menggunakan fungsi aktivasi sigmoid (biner), jumlah epoch maksimal yaitu 2000 epoch, dan goal performance yaitu 0,0001.

Sedangkan pada metode kohonen dilakukan dengan 28 masukan dengan 4 kelas yakni kelas 2 untuk lepra, kelas 3 untuk pitiriasis Alba, kelas 1 untuk pitiriasis versicolor dan kelas 4 untuk vitiligo. Data yang akan dilatih sama dengan data pada motode

backpropagation hal ini bertujuan untuk agar dapat membanding kedua metode ini.

Berikut hasil pelatihan metode kohonen.

(57)

(58)

13 0 0 0 0 1 1 0 0 0 0 0 0 Pitiriasis alba

14 0 0 0 0 1 1 0 0 0 0 0 0 Pitiriasis

alba

15 0 0 0 0 0 1 0 1 0 0 0 0 Pitiriasis

versicolor

16 0 0 0 0 0 0 1 0 0 0 0 0 Pitiriasis

versicolor

17 0 0 0 0 0 0 1 1 0 0 0 0 Pitiriasis

versicolor

18 0 0 0 0 0 0 1 1 0 0 0 0 Pitiriasis

versicolor

19 0 0 0 0 0 0 1 0 0 0 0 0 Pitiriasis

versicolor

20 0 0 0 0 0 0 1 1 0 0 0 0 Pitiriasis

versicolor

21 0 0 0 0 0 0 1 1 0 0 0 0 Pitiriasis

versicolor

22 0 0 0 0 1 1 0 0 1 1 0 1 Vitiligo

23 0 0 0 0 1 1 0 0 1 1 0 1 Vitiligo

24 0 0 0 0 1 1 0 0 1 1 0 1 Vitiligo

25 0 0 0 0 1 1 0 0 0 1 0 1 Vitiligo

26 0 0 0 1 0 0 0 0 0 1 1 1 Vitiligo

27 0 0 0 1 0 0 0 0 1 1 1 1 Vitiligo

(59)

Setelah melakukan pelatihan kemudian sistem akan di uji ketepatanya dengan inputan yang berbeda dengan inputan pelatihan berikut hasil pengujian ketepatan identifikasi penyakit infeksi pada kulit dengan gejala bercak putih.

Gambar 4.9 Sebelum Melakukan Pengujian Metode Backpropagation

(60)

(61)

(62)

Gambar 4.11 Sebelum Melakukan Pengujian Metode Kohonen

(63)

(64)

color

9 0 0 0 0 0 0 1 0 0 0 0 0 Pitirias

is versi-color

Pitirias is versi-color

Dikenali

10 0 0 0 0 1 1 0 0 1 0 0 1 Vitiligo Vitiligo Dikenali

13 1 0 0 0 0 0 0 0 0 0 0 1 lepra lepra Dikenali

14 0 0 0 0 0 1 0 0 0 0 0 0

Pitiri-asis alba

Dikenali

15 0 0 0 1 0 0 0 0 0 0 0 0 Vitiligo Pitirias

is versi-color

Tidak dikenali

16 1 0 0 1 0 0 0 0 0 0 0 0 Lepra Lepra Dikenali

(65)

Berdasarkan hasil pengujian pada tabel 4.3 dan 4.4 dapat dilihat bahwa identifikasi penyakit infeksi pada kulit dengan gejala bercak putih menggunakan metode kohonen memiliki ketepatan dengan persentase 92%. Sedangkan dengan metode backpropagationn persentase ketepatannya adalah 88,2%. Perbandingan kedua metode tersebut dapat dilihat pada gambar 4.13.

Gambar 4.13 Grafik Perbandingan Ketepatan Backpropagation Dan Kohonen

Berdasarkan hasil pengujian terhadap identifikasi penyakit infeksi pada kulit dengan gejala bercak putih dengan kedua metode tersebut yaitu backpropagation dan

kohonen dapat diketahui bahwa dengan menggunakan metode backpropagation

sedikit lebih tepat dibandingkan dengan kohonen pada pengujian ini.

Pada metode backpropagation jika 1 gejala penyakit yang dimiliki oleh dua penyakit maka hasil dari sistem tersebut tidak diketahui namun untuk metode kohonen penyakit yang akan muncul adalah penyakit yang memiliki gejala yang sering muncul pada pelatihan .

Backpropagation Kohonen

0,00% 10,00%20,00%30,00%40,00%50,00%60,00%70,00%80,00%90,00%100,00%

Grafik Perbandingan Ketepatan Pengujian

Backpropagation Dan Kohonen

(66)

4.2.1.1.1 Kombinasi Inputan Pengujian Identifikasi Penyakit Infeksi Pada Kulit Dengan Gejala Bercak Putih

Kombinasi inputan pengujian identifikasi penyakit infeksi pada kulit dengan gejala bercak putih ini mengkombinasikan masing masing inputan sehingga didapat irisan dari semua inputan, untuk mendapat kombinasi tersebut maka dibuat sebuah diagram pohon dengan 4 buah penyakit (Lepra, pitiriasis alba, Pitiriasis versicolor dan

vitiligo)yang akan di uji

0

0000 0001 0010 0011 0100 0101 0110 0111 1000 1001 1010 1011 1100 1101 1110 1111 0

Gambar 4.14 Diagram Pohon Kombinasi Inputan

Dari diagram pohon pada gambar 4.14 maka didapat sebanyak 16 kombinasi pengujian dengan ke 4 penyakit infeksi pada kuliat dengan gejala bercak putih, berikut kombinasinya :

P =

(67)

(68)

Dari kombinasi masukan tersebut diambil sebuah kesimpulan metode kohonen lebih banyak mengenali gejala penyakit dibandingkan dengan metode backpropagation.

9 1 1 1 1 0 0 0 0 0 0 0 0 Lepra Lepra

10 1 1 1 1 0 0 0 0 1 1 1 1 lepra Tidak

dikenali

11 1 1 1 1 0 0 1 1 0 0 0 0 Lepra

Pitiri-asis versi-color

12 1 1 1 1 0 0 1 1 1 1 1 1 Lepra Tidak

dikenali

13 1 1 1 1 1 1 0 0 0 0 0 0 lepra Tidak

dikenali

14 1 1 1 1 1 1 0 0 1 1 1 1 Vitiligo Vitiligo

15 1 1 1 1 1 1 1 1 0 0 0 0 Lepra Pitirias

is versi-color

16 1 1 1 1 1 1 1 1 1 1 1 1 Vitiligo Tidak

(69)

4.2.1.2 Kecepatan Identifikasi Penyakit Infeksi Pada Kulit Dengan Gejala Bercak Putih

Perbandinngan yang ke dua yang ingin dibandingkan adalah membandingkan kecepatan kedua metode dalam mengidentifikasi penyakit infeksi pada kulit dengan gejala bercak putih. Proses pengujian metode tersebut deilakukan dengan memasukkan inputan yang sama kemudian akan dihitung waktu dalam identifikasi sampai hasilnya keluar. Berikut tabel perbandingan kecepatan antara metode

backpropagation dan kohonen

Tabel 4.6 Perbandingan Waktu Pengujian Kecepatan metode Backpropagation dan Kohonen pada Identifikasi Penyakit Infeksi Pada Kulit Dengan Gejala

(70)

detik

12 0 0 0 1 0 0 0 0 1 1 0 0 12.4014 detik 3.10727

detik

13 1 0 0 0 0 0 0 0 0 0 0 1 11.0112 detik 2.45524

detik

14 0 0 0 0 0 1 0 0 0 0 0 0 12.4095 detik 3.90879

detik

15 0 0 0 1 0 0 0 0 0 0 0 0 9.43775 detik 4.36336

detik

16 1 0 0 1 0 0 0 0 0 0 0 0 10.2108 detik 1.97646

detik

17 0 0 0 1 0 0 0 0 0 0 0 1 7.83462 detik 3.93442

detik

Waktu hasil pengujian identifikasi penyakit infeksi pada kulit dengan gejala bercak putih dengan kedua metode tersebut dapat dilihat di tabel 4.1 . berdasarkan dengan hasil tersebut metode backpropagation menguji antara 7.43775 detik samapai 12.9876 detik. Sedangkan untuk pengujian kohonen berkisar antara 1.94846 detik sampai 3.96654 detik. %.

Berdasarkan dengan hasil pengujian waktu terhadap kedua metode yaitu

backpropagation dan kohonen maka diperolah metode yang paling cepat dalam

identifikasi penyakit infeksi pada kulit dengan gejala bercak putih yaitu metode

kohonen dengan rata- rata waktu pengujian 2.812640833 detik sedangkan metode

backpropagation memiliki waktu rata- rata dalam pengujian selama 10.357415833

(71)

Gambar 4.14 Grafik Perbandingan Kecepatan Backpropagation Dan

Grafik Perbandingan Keceptan Backpropagation Dan

Kohonen

Lama pengujian Backpropagation

(72)

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Setelah melakukan perancangan, implementasi dan membandingkan kedua metode

backpropagation dan kohonen terhadap identifikasi penyakit infeksi pada kulit dengan

gejala bercak putih maka dapat ditarik beberapa kesimpulan antara lain :

1. Semakin sering melakukan pelatihan terhadap kedua metode tersebut maka tingkat ke akuratan dalam identifikasi penyakit infeksi pada kulit dengan gejala bercak putih semakin akurat.

2. Identifikasi penyakit infeksi pada kulit dengan gejala bercak putih dapat dilakukan kedua metode tersebut dengan persentase ketepatan 92% untuk metode kohonen. Sedangkan dengan metode backpropagation persentase ketepatannya adalah 88,2%.

(73)

5.2 Saran

Untuk melakukan pengembangan terhadap sistem yang telah dibangun ini, penulis menyarankan beberapa pengembangan sebagai berikut :

1. Data yang diujikan pada jaringan lebih dikembangkan dan ditambah dalam jumlah, sehingga jaringan dapat pengenal data lebih baik lagi.

2. Melakukan penelitian identifikasi penyakit infeksi pada kulit dengan gejala bercak putih dengan menggunakan metode lain yaitu seperti metode assosiative memory, metode LVQ dan lain sebagainya.

(74)

BAB II

LANDASAN TEORI

2.1 Kulit

Kulit adalah organ tubuh yang terletak paling luar dan membatasi dari lingkungan hidup manusia. Luas kulit orang dewasa 1.5 m2 dengan berat kira-kira 15% berat badan. Kulit merupakan organ yang esensial dan vital serta merupakan cermin kesehatan dan kehidupan. Kulit juga sangat kompleks. elastis dan sensitif, bervariasi pada keadaan iklim. Umur, ras dan juga bergantung pada lokasi tubuh.Banyak jenis penyakit kulit yang sering datang pada kulit manusia kebanyakan gejala dan ciri-cirinya hampir sama namun efek yang akan ditimbulkan berbeda, jenis penyakit kulit yang memiliki gejala yang sama salah satunya adalah penyakit kulit dengan gejala bercak putih yang sulit dibedakan jika dilihat dengan kasat mata, penyakit kulit yang memiliki gejala bercak putih ada 4 penyakit yaitu Lepra, Pitiriasis alba, Pitiriasis

versicolor dan Vitiligo. [1]

2.1.1 Lepra

Lepra atau kusta adalah penyakit infeksi yang kronik, penyebabnya ialah

Mycobacterium leprae yang intraselular obligat. Syaraf parifer sebagai afinitas

pertama, lalu kulit dan mukosa traktus respiratus bagian atas, kemudian dapat ke organ lain kecuali susunan syaraf pusat. [1]

2.1.2 Pitiriasis Alba

Pitiriasis Alba adalah suatu bentuk Dermatitis yang ringan. Dematitis itu sendiri

(75)

bercak-bercak warna putih di wajah, tubuh, atau di lengan tangan dan lengan kaki yang tidak gatal. [1]

Biasanya penderita datang untuk berobat ke dokter dikarenakan bercak putih ini cukup mengganggu penampilan dan mengurangi percaya diri.Kasus Pitiriasis Alba sering dijumpai tidak hanya di praktek Dokter Spesialis Kulit, namun juga praktek Dokter Umum. Sering kali salah di diagnosa dengan infeksi jamur dikarenakan secara klinis memang mirip. Pitiriasis Alba merupakan kelainan kulit dengan bercak putih bersisik halus seukuran koin sampai plakat dengan bentuk bulat, oval dan tidak teratur. Paling banyak mengenai anak-anak umur 3-16 tahun, walaupun orang dewasa juga dapat terkena.

2.1.3. Pitiriasis Versicolor

Pitiriasis versicolor adalah penyakit universal tapi lebih banyak dijupai di daerah

tropis oleh karena tingginya temperature dan kelembaban. Menyerang hampir semua usia terutama remaja, terbanyak pada usia 16-40 tahun. Tidak ada perbedaan antara pria dan wanita, walaupun di Amerika Serikat dilaporkan bahwa penderita berusia 20-30 tahun dengan perbandingan 1,09% pria dan 0,6% wanita. [9]

2.1.4. Vitiligo

Vitiligo adalah hipomelanosis idiopatik dapat ditandai dengan adanya macula putih

yang dapat meluas. Dapat mengenai seluruh bagian tubuh yang mengandungsel melasonit, misalnya rambut dan mata. [1]

2.2 Jaringan Syaraf Biologi

(76)

Jaringan syaraf biologis merupakan kumpulan dari sel-sel syaraf (neuron). [10] Neuron mempunyai tugas mengolah informasi. Neuron memiliki 3 komponen penting yaitu dendrit menerima sinyal dari neuron lain. Sinyal tersebut berupa impuls elektrik yang dikirim melalui celah sinaptik melalui proses kimiawi. Sinyal tersebut dimodifikasi (diperkuat/ diperlemah ) dicelah sinaptik. Berikutnya, soma menjumlahkan semua sinyal-sinyal yang masuk. Kalau jumlahan tersebut cukup kuat dan melebihi batas ambang (threshold), maka sinyal tersebut akan diteruskan ke sel lain melalui axon. Frekuensi penerusan sinyal berbeda-beda antara satu sel dengan yang lain[11]

2.3 Jaringan Syaraf Tiruan

Jaringan syaraf tiruan merupakan salah satu sistem pemerosesan yang dirancang dan dilatih untuk memiliki kemampuan seperti yang dimiliki oleh manusia dalam menyelesaikan persoalan yang rumit dengan melakukan proses belajar melalui perubahan bobot sinapsisnya. Jaringan syaraf mensimulasi struktur proses-proses otak (fungsi syaraf biologis) dan kemudian membawanya kepada perangkat lunak kelas baru yang dapat mengenali pola-pola yang kompleks serta belajar dari pengalaman-pengalaman masa lalu. [12] Jaringan syaraf tiruan termasuk bidang kecerdasan buatan. Jaringan syaraf tiruan banyak diterapkan dalam penelitian karena mempunyai model sistem yang non-linear di mana hubungan antara variabel tidak diketahui atau sangat kompleks. [5]

Jaringan Syaraf Tiruan merupakan sistem pemrosesan informasi yang memiliki karakteristik kemampuan yang secara umum mirip dengan jaringan syaraf biologi. Jaringan syaraf tiruan dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi, dengan asumsi bahwa. [11]:

1. Pemrosesan informasi terjadi pada banyak elemen sederhana ( neuron). 2. Sinyal dikirimkan diantara neuron-neuron melalui penghubung-penghubung.

3. Penghubung antara neuron memiliki bobot yang akan memperkuat atau memperlemah

sinyal.

(77)

Karakteristik dari jaringan syaraf tiruan adalah sebagai berikut [11]:

1. Pola hubungan antar neuron ( yang menjadi arsitekturnya).

2. Metode penentuan bobot dalam koneksi (disebut sebagai proses latihan, pembelajaran, atau Algoritma ).

3. Fungsi aktivasi.

Model dari sebuah neuron ditunjukkan pada gambar 2.1

Gambar 2.1. Model Neuron

Dari model sebuah neuron pada Gambar 2.1 dapat dituliskan persamaan:

y = f (∑𝑁𝑁_𝑖𝑖₌₁ w * xi – ѳ) keterangan:

xi = sinyal masukan ke-i. wi = bobot hubungan ke-i.

ѳ = bias

f(.) = fungsi aktivasi atau elemen pemroses

y = sinyal keluaran. [2]

Adapun cara belajar jaringan syaraf tiruan sebagai berikut: ke dalam jaringan syaraf tiruan diinputkan informasi yang sebelumnya telah diketahui hasil keluarannya. Penginputan informasi ini dilakukan lewat node-node atau unit-unit input. Bobot-bobot antar koneksi dalam suatau arsitektur deberi nilai awal dan kemudian jaringan

(78)

syaraf tiruan dijalankan. Bobot-bobot ini bagi jaringan digunakan untuk belajar dan mengingat suatu informasi. Pengaturan bobot dilakukan secara terus menerus dan dengan kriteria tertentu sampai diperoleh keluaran yang diharapkan.

Hal yang ingin dicapai dengan melatih/mengajari jaringan syaraf tiruan adalah untuk mencapai keseimbangan antara kemampuan memoriasi dan generalisasi. Yang dimaksud dengan kemampuan memorisasi adalah kemampuan jaringan syaraf tiruan untuk memanggil kembali secara sempurna sebuah pola yang telah dipelajari. Kemampuan generalisasi. Adalah kemampuan jaringan syaraf tiruan untuk menghasilkan respons yang bisa diterima terhadap pola pola input yang serupa (namun tidak identik) dengan pola-pola yang sebelumnya telah dipelajari. Hal ini sangat bermamfaat bila pada suatu saat ke dalam jaringan syaraf tiruan itu diinputkan informasi baru yang belum pernah dipelajari, maka jaringan syaraf tiruan itu akan tetap dapat memberikan tanggapan yang baik, memberikan keluaraan yang paling mendekati. [10]

2.3.1 Komponen Dalam Jaringan Syaraf Tiruan

Pembagian arsitektur jaringan syaraf tiruan bisa dilihat dari kerangka kerja dan skema interkoneksi. Kerangka kerja jaringan syaraf tiruan bisa dilihat dari jumlah lapisan (layer) dan jumlah node pada setiap lapisan.

Lapisan-lapisan penyusun jaringan syaraf tiruan dapat dibagi menjadi tiga, yaitu: 1. Lapisan input

Node-node di dalam lapisan input disebut unit-unit input. Unit-unit input menerima input dari dunia luar. Input yang dimasukkan merupakan penggambaran dari suatu masalah.

2. Lapisan tersembunyi