SKRIPSI
Diajukan untuk Menempuh Ujian Akhir Sarjana
DWIKEU NOVI ASRIKA 10110376
PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK DAN ILMU KOMPUTER
Data Pribadi
Nama : Dwikeu Novi Asrika
Tempat/Tanggal Lahir : Bandung,1 November 1990
Jenis Kelamin : Perempuan
Alamat : Jl. Arwana 3 Blok Q9 No.23 Margaasih, Bandung
No. Telp : 085722578579
Email : [email protected]
Riwayat Pendidikan
1997–2003 Lulus SD YWKA 2 Bandung
2003–2006 Lulus SMPN 25 Bandung
2006–2010 Lulus SMKN 1 Cimahi (Program 4 tahun)
2010–2014 Universitas Komputer Indonesia
v
KATA PENGANTAR ...iii
DAFTAR ISI... v
DAFTAR GAMBAR ... ix
DAFTAR TABEL ... x
DAFTAR SIMBOL ... xi
DAFTAR LAMPIRAN...xii
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... 2
1.5 Metodologi Penelitian ... 3
1.6 Sistematika Penelitian ... 4
BAB 2 LANDASAN TEORI ... 5
2.1 Pengertian Umum Diagnosa ... 5
2.2 Pengertian Umum Sinusitis... 5
2.3 Algoritma ... 8
2.4 Analisis Algoritma ... 8
2.5 Kecerdasan Buatan... 9
vi
2.5.1.2 Kelebihan dan Kekurangan Metode Naïve Bayes ... 12
2.5.2 Jaringan Syaraf Tiruan ... 12
2.5.2.1 Backpropagation Neural Network... 13
2.5.2.2 Alur MetodeBackpropagation Neural Network... 16
2.5.2.3 ParameterBackpropagation Neural Network... 22
2.6 Metode Pengujian... 23
2.6.1 PengujianWhite-Box... 23
2.6.2 PengujianBlack-Box... 24
2.7 WAMPServer2.2... 24
2.8 PHP (Hypertext Preprocessor)... 24
2.9 MySQL... 25
2.10 Adobe Dreamweaver CS 5... 26
2.11 Adobe Photoshop CS 3... 28
BAB 3 ANALISIS METODE... 29
3.1 Analisis Masalah ... 29
3.2 Analisis Data ... 29
3.2.1 Analisis Data Masukkan ... 30
3.2.1.1 Analisis Data Masukkan MetodeNaïve Bayes... 30
3.2.1.2 Analisis Data Masukkan MetodeBackpropagation ... 31
3.2.2 Analisis Data Keluaran ... 33
3.2.2.1 Analisis Data Keluaran MetodeNaïve Bayes... 33
vii
3.4.2 Analisis metodeBackpropagation Neural Network... 41
BAB 4 IMPLEMENTASI DAN PENGUJIAN ... 51
4.1 Implementasi Sistem ... 51
4.1.1 Implementasi Perangkat Keras... 51
4.1.2 Implementasi Perangkat Lunak... 51
4.1.3 Implementasi Antarmuka ... 52
4.2 Pengujian Sistem... 52
4.2.1 PengujianWhite-box... 52
4.2.1.1 Pengujian MetodeNaïve Bayes... 52
4.2.1.1.1 PseudocodeMetodeNaïve Bayes... 52
4.2.1.1.2 FlowchartMetodeNaïve Bayes... 54
4.2.1.1.3 FlowgraphMetodeNaïve Bayes... 55
4.2.1.1.4 Cyclomatic ComplexityMetodeNaïve Bayes... 56
4.2.1.2 Pengujian MetodeBackpropagation Neural Network... 56
4.2.1.2.1 Pseudocode MetodeBackpropagation Neural Network... 56
4.2.1.2.2 FlowchartMetodeBackpropagation Neural Network... 60
4.2.1.2.3 FlowgraphMetodeBackpropagation Neural Network... 62
4.2.1.2.4 Cyclomatic ComplexityMetodeBackpropagation ...63
4.2.2 PengujianBlack-box... 63
viii
4.2.3 Pengujian Akurasi ... 65
4.2.3.1 Pengujian Akurasi MetodeNaïve Bayes... 65
4.2.3.2 Pengujian Akurasi MetodeBackpropagation Neural Network... 67
BAB 5 KESIMPULAN DAN SARAN... 69
5.1 Kesimpulan ... 69
5.2 Saran... 69
71
Diabetes Mellitus Dengan Metode Naive Bayes Berbasis Desktop Appication,” pp.
1-8, 2011.
[2] N. I. Pradasari, F. T. P. W dan D. Triyanto, “Aplikasi Jaringan Syaraf Tiruan Untuk
Memprediksi Penyakit Saluran Pernafasan Dengan Metode Backpropagation,” pp.
1-9, 2010.
[3] [Online]. Available:
http://gregstanleyandassociates.com/whitepapers/FaultDiagnosis/faultdiagnosis.htm.
[4] “Diagnosis (artificial intelligence),” [Online]. Available:
http://en.wikipedia.org/wiki/Diagnosis_%28artificial_intelligence%29.
[5] “Sinusitis,” [Online]. Available: http://www.blogdokter.net/2008/01/30/sinusitis/.
[6] A. Desiani dan M. Arhami, Konsep Kecerdasan Buatan, Yogyakarta: Andi Yogya,
2006.
[7] E. Y. Jamres, September 2012. [Online]. Available:
iii
KATA PENGANTAR
Puji dan syukur kehadirat Allah SWT, atas berkat rahmat dan hidayah-Nya sehingga penulis dapat menuangkan ide dan gagasan dalam karya ilmiah Tugas Akhir ini. Penulis mengangkat judul : “PERBANDINGAN METODE NAÏVE
BAYES DAN BACKPROPAGATION NEURAL NETWORK DALAM
MENDIAGNOSA PENYAKIT SINUSITIS”.
Tugas Akhir ini diajukan untuk memenuhi syarat mata kuliah Tugas Akhir program STRATA I Program Studi Teknik Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Komputer Indonesia (UNIKOM), Bandung. Dengan terselesaikannya Tugas Akhir ini, Penulis ungkapkan rasa syukur yang tiada terhingga kepada Allah SWT. dan Penulis mengucapkan terimakasih kepada :
1. Kedua Orang Tua yang saya hormati dan saya cintai yang telah memberikan kepada Penulis dukungan dan motivasi untuk menyelesaikan laporan Tugas Akhir ini.
2. Ibu Utami Dewi W, S.Kom, M.Kom. selaku dosen pembimbing dan Penguji 2 yang telah menyediakan waktunya dan memberikan banyak masukan kepada penulis.
3. Ibu Nelly Indriani Widiastuti, S.Si., M.T selaku reviewer, dan penguji 1 yang telah memberikan banyak masukan kepada penulis.
4. Bapak Iskandar Ikbal S.T., M.Kom selaku penguji 3 yang telah menyediakan waktunya dan memberikan banyak masukan kepada penulis. 5. Bapak Irawan Afrianto, S.T., M.T. selaku Ketua Program Studi Teknik
Informatika Fakultas Teknik dan Ilmu Komputer Universitas Komputer Indonesia.
6. Ibu Sufaatin S.Kom selaku dosen wali yang telah memberikan banyak masukan kepada penulis.
iv
8. Kakak saya, Aji Maulana Akbar dan Adik saya Rizma Pretty Alsela yang saya sayangi yang telah memberikan saya motivasi untuk menyelesaikan tugas akhir ini.
9. Rekan-rekan seperjuangan IF-9 angkatan 2010 yang selalu memberikan semangat dan motivasi kepada penulis.
10.Rekan-rekan satu bimbingan Ibu Utami, rekan-rekan reviewer ibu Nelly. 11.Sahabat – sahabatku Tita Tjahyati, Mukti Alamsyah, Eka Anisya, Dien
Amalia, Leni Mariani, dan Wulan Fitriani yang selalu memberikan semangat saat penulis butuh motivasi.
12.Pihak – pihak yang telah membantu yang tidak dapat disebutkan satu persatu.
Akhir kata, Penulis berharap semoga laporan ini dapat bermanfaat bagi para pembaca.
Bandung, 19 Agustus 2014
1
BAB 1
PENDAHULUAN
1.1 Latar Belakang Masalah
Diagnosa digunakan dalam banyak disiplin ilmu yang berbeda dengan variasi
dalam penggunaan logika dan analisis. Diagnosa identik dengan pemeriksaan
terhadap suatu penyakit. Dalam mendiagnosa penyakit kita harus mengetahui
gejala-gejalanya terlebih dahulu. Begitu juga dengan diagnosa penyakit sinusitis dimana
penyakit tersebut merupakan suatu peradangan atau pembengkakan dari jaringan
yang melapisi sinus yang biasanya berisi udara tetapi ketika sinus tersumbat dan
berisi cairan dan kuman dapat berkembang dan menyebabkan infeksi.
Keakurasian data yang baik sangat penting untuk mendiagnosa suatu penyakit.
Pada penelitian sebelumnya yang dilakukan oleh Almira Syawli yang berjudul
Diagnosa Penyakit Diabetes Mellitus dengan Metode Naïve Bayes Berbasis
Desktop[1] dijelaskan bahwa metode Naïve Bayes ini dapat memprediksi bahwa
seseorang terkena atau tidak terkena Diabetes Mellitus dan pencapaian akurasi
datanya hingga 94,4% dengan 22 gejala sebagai masukkan. Sedangkan pada
penelitian yang dilakukan oleh Novi Indah Pradasari dkk. yang berjudul Aplikasi
Jaringan Syaraf Tiruan untuk Memprediksi Prediksi Saluran Pernafasan dengan
Metode Backpropagation Neural Network[2] dijelaskan bahwa metode
Backpropagation Neural Network ini dapat memprediksi suatu penyakit saluran
pernafasan yang keakurasian datanya mencapai 91,66% dengan 12 gejala sebagai
masukkan.
Dalam kedua penelitian tersebut keakurasian data dengan metode Naïve Bayes
lebih unggul daripada metode Backpropagation Neural Network, namun dengan
jumlah masukkan gejala yang berbeda. Tetapi tidak diketahui apakah hasilnya akan
sama jika gejala yang dijadikan masukkan berjumlah sama, apakah metode Naïve
Bayes masih lebih unggul atau metode Backpropagation Neural Network yang
Berdasarkan masalah yang telah diuraikan diatas maka akan dilakukan
analisis perbandingan metode Naïve Bayes dan Backpropagation Neural Network
terhadap tingkat akurasi data dengan jumlah gejala masukkan yang sama dan
menentukan metode manakah yang memiliki tingkat akurasi data paling baik dalam
mendiagnosa penyakit sinusitis.
1.2 Rumusan Masalah
Berdasarkan latar belakang yang telah diuraikan sebelumnya, maka rumusan
masalah yang didapat adalah bagaimana membandingkan metode yang lebih baik
antara metode Naïve Bayes dan metode Backpropagation Neural Network dengan
jumlah masukkan gejala yang sama pada pendiagnosa penyakit sinusitis.
1.3 Maksud dan Tujuan
Maksud dari penelitian ini adalah untuk menganalisis perbandingan metode
Naïve Bayes dan metode Backpropagation Neural Network dalam sistem
pendiagnosa penyakit sinusitis.
Adapun tujuan dari penelitian ini adalah untuk menentukan satu metode
diantara metode Naïve Bayes dan metode Backpropagation Neural Network yang
memiliki tingkat akurasi data paling baik dalam mendiagnosa penyakit sinusitis
dengan jumlah masukkan gejala yang sama pada kasus diagnosa penyakit sinusitis.
1.4 Batasan Masalah
Adapun batasan masalah dalam penulisan ini sebagai berikut :
1. Metode yang dipakai adalah metode Naïve Bayes dan metode
Backpropagation Neural Network.
2. Komponen yang akan diukur dalam membandingkan metode Naïve Bayes
dan metode Backpropagation Neural Network adalah akurasi data.
Dengan rumus akurasi = (jumlah data benar / jumlah data keseluruhan) x
3. Dalam metode Backpropagation Neural Network parameter learning
rate(a) minimum adalah 0.001, dan maksimum 0.1. Menggunakan 1
lapisan hidden layer (lapisan tersembunyi) dengan minimum 1 neuron dan
maksimal 10 neuron.
4. Data yang digunakan pada simulator ini adalah 17 data gejala penyakit
sinusitis.
5. Keluaran pada aplikasi ini berupa kesimpulan terkena sinusitis jenis akut,
sub-akut, atau kronis.
6. Pengujian yang dilakukan menggunakan pengujian white-box dan
pengujian black-box.
1.5 Metodologi Penelitian
Metode yang digunakan pada penilitian ini adalah sebagai berikut:
1. Tahap 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 e-book yang ada kaitannya dengan judul penelitian.
b. Observasi
Teknik pengumpulan data dengan mengadakan penelitian dan
peninjauan langsung terhadap permasalahan yang diambil.
c. Wawancara
Teknik pengumpulan data dengan melakukan wawancara terhadap
pihak-pihak yang terkait terhadap penelitian yang dilakukan. Pihak
yang diwawancarai adalah Dr. Sinta Sari, Sp.THT yang merupakan
dokter spesialis THT di Klinik Serumpun Bambu.
2. Eksperimen
Eksperimen digunakan untuk mencari pengaruh perlakuan tertentu
terhadap yang lain dalam kondisi yang terkendalikan. Eksperimen yang
dilakukan akan mengambil uji coba dengan beberapa sample yang akan
diambil dari penelitian yang dilakukan.
1.6 Sistematika Penelitian
Sistematika penulisan ini adalah untuk memberikan gambaran umum tentang
penelitian yang dijalankan. Sistematika penulisan ini dibagi menjadi beberapa bab,
yaitu :
BAB I PENDAHULUAN
Bab ini menguraikan beberapa sub-bab antara lain menguraikan latar belakang,
rumusan masalah, menentukan 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 menguraikan tentang teori-teori pendekatan yang digunakan untuk
menganalisis masalah dan teori yang dipakai dalam mengolah data penelitian yaitu
teori mengenai diagnosa, teori mengenai penyakit sinusitis, teori mengenai metode
Naïve Bayes, teori mengenai metode Backpropagation Neural Network, dan teori
mengenai software pembangun simulator.
BAB 3 ANALISIS METODE
Bab ini berisi tentang tahapan untuk menganalisis perbandingan perhitungan metode
Naïve Bayes dan Backpropagation pada pendiagnosa penyakit sinusitis.
BAB 4 IMPLEMENTASI DAN PENGUJIAN
Bab ini berisi tentang pengujian simulator menggunakan black-box dan white-box,
serta pengujian akurasi untuk kedua metode tersebut sehingga dapat terlihat hasilnya.
BAB 5 PENUTUP
5
LANDASAN TEORI
2.1 Pengertian Umum Diagnosa
Diagnosa berasal dari konteks medis yang berarti proses identifikasi penyakit
dengan suatu gejala. Namun diagnosa ini digunakan dalam banyak disiplin ilmu yang
berbeda dengan variasi dalam penggunaan logika, analisis, dan pengalaman untuk
menentukan sebab dan akibat. Dalam sistem rekayasa dan ilmu komputer, biasanya
digunakan untuk menentukan penyebab dari gejala dan solusi[4].
Dalam bidang ilmu komputer khususnya kecerdasan buatan, diagnosa
berkaitan dengan pengembangan algoritma dan teknik yang mampu menentukan
apakahbehavior dari suatu sistem tersebut benar. Jika sistem tidak berfungsi dengan
benar, algoritma harus dapat menentukan seakurat mungkin bagian manakah yang
mengalami kesalahan. Dalam sistem jawaban di proses dan hasil dari jawaban
tersebut merupakan ekspresi diagnosa[5].
2.2 Pengertian Umum Sinusitis
Sinusitis berasal dari bahasa latin, yang dalam ilmu kedokteran berarti
peradangan, sehingga dapat disimpulkan sinusitis adalah suatu peradangan, atau
pembengkakan, dari jaringan yang melapisi sinus. Biasanya sinus berisi udara, tetapi
ketika sinus tersumbat dan berisi cairan, kuman (bakteri, virus, dan jamur) dapat
berkembang dan menyebabkan infeksi.
Sinusitis sebagian besar sudah dapat didiagnosa hanya berdasarkan pada
riwayat keluhan pasien serta pemeriksaan fisik yang dilakukan dokter. Hal ini juga
disebabkan karena pemeriksaan menggunakan CT Scan dan MRI yang walaupun
memberikan hasil lebih akurat namun biaya yang dikeluarkan cukup mahal. Pada
pemeriksaan fisik akan ditemukan adanya kemerahan dan pembengkakan pada
rongga hidung, ingus yang mirip nanah, serta pembengkakan disekitar mata dan dahi.
disembuhkan dengan pengobatan awal. Rhinoscopy, sebuah cara untuk melihat
langsung ke rongga hidung, diperlukan guna melihat lokasi sumbatan ostia.
Terkadang diperlikan penyedotan cairan sinus dengan menggunakan jarum suntik
untuk dilakukan pemeriksaan kuman. Pemeriksaan ini berguna untuk menentukan
jenis infeksi yang terjadi.
Sinusitis banyak ditemukan pada penderita hay fever yang mana pada
penderita ini mengalami pilek menahun akibat dari alergi terhadap debu dan sari
bunga. Sinusitis juga dapat disebabkan oleh bahan-bahan iritan seperti bahan kimia
yang terdapat pada semprotan hidung serta bahan-bahan kimia lainnya yang masuk
melalui hidung. Sinusitis juga bisa disebabkan oleh infeksi atau bakteri.
Sinus atau sering pula disebut dengan sinus paranasalis adalah rongga udara
yang terdapat pada bagian padat dari tulang tengkorak di sekitar wajah, yang
berfungsi untuk memperingan tulang tengkorak. Rongga ini berjumlah empat pasang
kiri dan kanan. Sinus frontalis terletak dibagian dahi, sedangkan sinus maksilaris
terletak di belakang pipi. Sementara itu, sinus sphenoid dan sinusi ethmoid terletak
agak lebih dalam dibelakang rongga mata dan di belakang sinus maksilaris.Dinding
sinus terutama dibentuk oleh sel-sel penghasil cairan mukus. Udara masuk ke dalam
sinus melalui sebuah lubang kecil yang menghubungkan antara rongga sinus dengn
rongga hidung yang disebut ostia. Jika karena suatu sebab lubang ini buntu maka
udara tidak akan bisa keluar masuk dan cairan mukus yang diproduksi di dalam sinus
tidak akan bisa dikeluarkan.
Disekitar rongga hidung terdapat empat sinus yaitu sinus maksilaris (terletak
di pipi), sinus etmoidalis (terletak di kedua mata), sinus frontalis (terletak di dahi)
dan sinussfenoidalis(terletak di belakang dahi).
Secara klinis sinusitis dibagi atas berbagai jenis, yaitu:
1. Sinusitis Akut
Sebuah kondisi mendadak seperti gejala seperti pilek, hidung tersumbat
dan nyeri wajah yang tidak hilang setelah 10 hari sampai 14 hari. Sinusitis
2. Sinusitis Sub-Akut
Sebuah peradangan yang berlangsung 4 sampai 8 minggu.
3. Sinusitis Kronis
Suatu kondisi yang ditandai dengan gejala radang sinusi yang berlangsung
8 minggu atau lebih.
Sinusitis dapat terjadi bila terdapat gangguan pengaliran udara dari hidung ke
rongga sinus serta adanya gangguan pengeluaran cairan mukus. Adanya demam, flu,
alergi dan bahan-bahan iritan dapat menyebabkan terjadinya pembengkakan pada
ostia sehingga lubah drainase ini menjadi buntu dan mengganggu aliran udara sinus
serta pengeluaran cairan mukus. Penyebab lain dari buntunya ostiaadalah tumor dan
trauma. Drainase cairan mukus keluar dari rongga sinus juga bisa terhambat oleh
pengentalan cairan mukus itu sendiri. Pengentalan ini terjadi akibat pemberian obat
antihistamin, penyakit fibrokistikdan lain lain. Sel penghasil mukusmemiliki rambut
halus (silia) yang selalu bergerak untuk mendorong cairan mukus keluar dari rongga
sinus. Asap rokok merupakan biang kerok dari rusaknya rambut halus ini sehingga
pengeluaran cairan mukus menjadi terganggu. Cairan mukus yang terakumulasi di
rongga sinus dalam jangka waktu yang lama merupakan tempat yang nyaman bagi
hidupnya bakteri, virus dan jamur.
Selain itu penyebab sinus bisa terjadi karena Rhinogenik (penyebab kelainan
atau masalah di hidung), segala sesuatu yang menyebabkan sumbatan pada hidung
dapat menyebabkan sinusitis. Termasuk flu biasa,rhinitisalergi (pembengkakan pada
lapisan hidung), polip hidung (pertumbuhan kecil di lapisan hidung), atau septum
menyimpang (pergeseran di rongga hidung). Dentogenik / Odotogenik(penyebabnya
kelainan gigi), yang sering menyebabkan sinusitis infeksi pada gigi geraham atas (pre
molardanmolar).
Beberapa gejala sinusitis yang paling umum adalah nyeri di wajah, serta
demam. Hampir 25 persen pasien sinusitis akan mengalami demam terkait sinusitis
yang diderita. Gejala lainnya berupa perubahan warna pada lendir di hidung, hidung
berwarna hijau atau kuning. Beberapa pasien akan merasakan sakit bertambah hebat
apabila kepala ditundukkan ke depan. Pada sinusitis karena alergi maka penderita
juga akan mengalami gejala lain yang berhubungan dengan alerginya seperti gatal
pada mata, dan bersin-bersin[6].
[image:19.612.76.507.231.374.2]Berikut adalah gejala umum penyakit sinusitis menurut jenisnya :
Tabel 2.1 Gejala Sinusitis Menurut Jenisnya
Jenis Sinusitis
Gejala
Sinusitis Akut Hidung tersumbat, nyeri pada wajah, bersin-bersin disertai batuk, gatal disekitar mata, demam, hidung meler
Sinusitis Sub-Akut
Sakit pada gigi, nyeri pada leher, nyeri pipi dibawah mata, cepat merasa letih dan lesu, hidung meler, hidung tersumbat, batuk, demam, pusing yang berlebihan
Sinusitis Kronis
Peradangan sinus lebih dari 8 minggu, nyeri dipinggir hidung, nyeri antara mata, dahi terasa sakit, selaput lendir merah dan bengkak, cepat merasa letih dan lesu, hidung meler, batuk, nyeri saat bicara dan menelan, demam, pusing yang berlebihan, nyeri pada wajah
2.3 Algoritma
Algoritma merupakan salah satu cabang ilmu komputer yang membahas
prosedur penyelesaian suatu permasalahan. Algoritma adalah serangkaian urutan
langkah-langkah atau prosedur untuk menyelesaikan suatu masalah dengan
memproses nilai masukkan menjadi nilai keluaran.
Suatu algoritma tidak saja harus benar, tetapi juga harus efisien dengan
menghitung nilai dari performansinya. Setiap algoritma memiliki nilai performansi
yang berbeda-beda. Performansi suatu algoritma dapat diukur dengan menghitung
nilai kompleksitas waktunya dimana setiap langkahnya akan dihitung.
2.4 Analisis Algoritma
Analisis algoritma sangat membantu dalam meningkatkan efisiensi program.
Kecanggihan suatu program bukan dilihat dari tampilan program, tetapi berdasarkan
efisiensi metode atau algoritma yang terdapat didalam program tersebut. Dalam
algoritma. Untuk memeriksa kebenaran metode dapat dilakukan dengan cara
perurutan, memeriksa bentuk logika, implementasi metode algoritma, pengujian
dengan data dan menggunakan cara matematika untuk membuktikan kebenaran.
Penyederhanaan algoritma membagi algoritma menjadi bentuk yang sederhana.
2.5 Kecerdasan Buatan
Kecerdasan buatan atau Artificial Intelegence merupakan salah satu bagian
ilmu komputer yang membuat mesin (komputer) dapat melakukan pekerjaan seperti
dan sebaik yang dilakukan manusia[7]. Dengan adanya kecerdasan buatan,
diharapkan tidak menutup kemungkinan hanya dengan data pengetahuan yang
terbatas, sebuah komputer dapat berfikir seperti manusia dalam menghadapi masalah.
2.5.1 Naïve Bayes
Teorema Bayes dikemukakan oleh seorang pendeta presbyterian Inggris
pada tahun 1763 yang bernama Thomas Bayes. Teorema Bayesdigunakan untuk
menghitung probabilitas terjadinya suatu peristiwa berdasarkan pengaruh yang
didapat dari hasil observasi.
Probabilitas Bayesian adalah suatu interpretasi dari kalkulus yang
memuat konsep probabilitas sebagai derajat dimana suatu pernyataan dipercaya
benar. TeoriBayesian juga dapat digunakan sebagai alat pengambilan keputusan
untuk memperbaharui tingkat kepercayaan dari suatu informasi.
Metode Naïve Bayes merupakan pendekatan statistik untuk melakukan
inferensi induksi pada persoalan klasifikasi. Metode ini menggunakan
probabilitas bersyarat sebagai dasarnya. Pendekatan ini adalah salah satu cara
untuk mengatasi ketidakpastian dengan menggunakanFormula Bayes.
Pendekatan Bayes pada saat klasifikasi adalah mencari probabilitas
tertinggi (VMAP) dengan masukkan atribut (a1, a2, a3, … , an) seperti berikut :
TeoremaBayessendiri berawal dari rumus berikut :
| = ( ∩ ) ( )
Persamaan 2-2
Dimana P(H|E) artinya peluang H jika diketahui keadaan E.
RumusFormula Bayes
| = | ( )
( )
Persamaan 2-3
Dimana :
P(H|E) : Probabilitas hipotesis H jika terdapatevidenceE.
P(E|H) : Probabilitas munculnyaevidenceE jika diketahui hipotesa H.
P(H) : Probabilitas hipotesis H tanpa memandangevidenceapapun.
P(E) : ProbabilitasevidenceE.
Jika setelah dilakukan pengujian terhadap hipotesis, muncul satu atau
lebihevidenceatau observasi baru, maka :
| , = | ( | , ) ( | )
Persamaan 2-4
Dimana :
e : Evidencelama
E : Evidenceatau observasi baru
P(H|E,e) : Probabilitas adanya hipotesis H jika muncul evidence baru E dari
evidencelama.
P(H|E) : Probabilitas hipotesis H jika terdapatevidenceE
P(e|E,H) : Probabilitas kaitan antara e dan E jika hipotesis H benar.
2.5.1.1 Alur Metode Naïve Bayes
Alur dari metodeNaïve Bayesadalah :
1. Masukkan gejala sebagaiinputan.
2. Baca datatrainingyang telah tersedia.
3. Hitunglah jumlah dari masing-masing label.
4. Hitung jumlah kasus yang sama dengan label /classyang sama.
5. Kalikan semua hasil variabel sesuai dengan kolom hasil.
6. Bandingkan hasil probabilitas tiap label /class.
7. Ambil hasil yang paling maksimal probabilitasnya.
8. Menghasilkan hasil dari perhitungan metode.
[image:22.612.305.380.334.689.2]Berikut adalah alur proses dari metodeNaïve Bayes.
2.5.1.2 Kelebihan dan Kekurangan Metode Naïve Bayes
Teori Naïve Bayes menurut Grainner (1998), mempunyai beberapa
kelebihan, yaitu:
1. Mudah untuk dipahami
2. Hanya memerlukan pengkodean yang sederhana
3. Lebih cepat dalam perhitungan
4. Menangani kuantitatif dan data diskrit
5. Cepat dan efisiensi ruang
Kekurangan dari metodeNaïve Bayesadalah :
1. Tidak berlaku jika probabilitas kondisionalnya adalah nol, apabila nol
maka probabilitas prediksi akan bernilai nol juga.
2. Mengasumsikan variabel bebas.
2.5.2 Jaringan Syaraf Tiruan
Jaringan syaraf tiruan (Neural Network) adalah salah satu kajian pada
kecerdasan buatan. Jaringan syaraf tiruan adalah salah satu representasi buatan
dari otak manusia yang selalu mencoba untuk menstimulasikan proses
pembelajaran pada otak manusia tersebut. Istilah buatan maksudnya adalah
jaringan syaraf yang diimplementasikan menggunakan program komputer untuk
menyelesaikan sejumlah proses perhitungan selama proses pembelajaran.
Komponen jaringan syaraf tiruan (JST) terdiri dari neuron-neuron yang
saling berhubungan. Neuron – neuron ini akan mentransformasikan informasi
yang diterima melalui sambungan keluarannya menujuneuron-neuron yang lain.
Pada JST hubungan neuron-neuron tersebut dikenal dengan nama bobot.
Komponen JST yang terdiri dariinput(informasi) dan bobot (nilai-nilai tertentu).
Fungsi aktivasi berfungsi apabila input yang dimasukkan sesuai dengan nilai
ambang (threshold) yang ditentukan jika tidak sesuai maka fungsi aktivasi tidak
di aktifkan, dan apabila neuron-neuron tersebut diaktifkan maka neuron akan
Jaringan syaraf tiruan mempunyai dua macam proses pembelajaran yaitu
pembelajaran terawasi dan pembelajaran tidak terawasi. Pembelajaran terawasi
adalah jika output yang diharapkan telah diketahui sebelumnya, sedangkan
pembelajaran tidak terawasi adalah proses pembelajaran yang tidak memerlukan
targetoutput.
1. Pembelajaran Terawasi (Supervised Learning)
Metode pembelajaran pada jaringan syaraf tiruan disebut terawasi jika
output yang diharapkan telah diketahui sebelumnya. Pada proses
pembelajaran, satu pola input akan diberikan ke satu neuron pada lapisan
input. Pola ini akan dirambatkan disepanjang jaringan syaraf hingga sampai
ke neuronpada lapisan output. Lapisan outputini akan membangkitkan pola
outputyang nantinya akan dicocokkan dengan polaoutputtargetnya. Apabila
terjadi perbedaan antara pola output hasil pembelajaran dengan pola target,
maka disini akan muncul error. Apabila nilai error ini masih cukup besar,
mengindikasikan bahwa masih perlu dilakukan lebih banyak pembelajaran
lagi. Metode pembelajaran terawasi diantaranya Hebb Rule, Perceptron,
Delta Rule, Backpropagation, Learning Vector Quantization,
Heteroassociative Memory.
2. Pembelajaran Tak Terawasi (Unsupervised Learning)
Pada metode pembeajaran yang tak terawasi ini tidak memerlukan target
output. Pada metode ini, tidak dapat ditentukan hasil yang seperti apakah
yang diharapkan selama proses pembelajaran. Metode pembelajaran tidak
terawasi salah satunya adalah jaringan kohonen.
2.5.2.1 Backpropagation Neural Network
Backpropagation Neural Network merupakan algoritma
pembelajaran yang terawasi dan biasanya digunakan oleh perceptrondengan
banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan
Backpropagation Neural Network menggunakan error output untuk
mengubah nilai bobot-bobotnya dalam arah mudur (backward). Untuk
mendapatkan error ini, tahap perambatan maju (forward) harus dikerjakan
terlebih dahulu. Pada saat perambatan maju, neuron-neuron diaktifkan
dengan menggunakan fungsi aktivasi sigmoid biner (F(X)), seperti terlihat
pada persamaan dibawah ini:
= 1
1 +
Persamaan 2-5
Arsitektur Backpropagation Neural Network terlihat seperti Gambar
2.2Jaringan terdiri atas 3 unit (neuron) pada lapisan input yaitu x1, x2, dan x3;1 lapisan tersembunyi dengan 2neuron, yaituz1danz2; serta 3 unit pada
lapisan output, yaitu y. Bobot yang menghubungkan x1, x2, dan x3 dengan
neuron pertama pada lapisan tersembunyi adalah v11, v21, v31 (vij : Bobot
yang menghubungkan neuron input ke-I ke neuron ke-j pada lapisan
tersembunyi). Bobot yang menghubungkan z1 dan z2 dengan neuron pada
lapisan output adalah w1 dan w2. Fungsi aktivasi yang digunakan antara
lapisan input dan lapisan tersembunyi, dan lapisan tersembunyi dengan
[image:25.612.189.442.499.677.2]lapisanoutputadalah fungsi aktivasisigmoid biner.
Pada metode Backpropagation Neural Network ini terdapat dua
tahapan proses, yaitu :
1. Tahapan belajar atau pelatihan, dimana pada tahap ini metode
Backpropagation Neural Network diberikan sejumlah data
pelatihan dan target
2. Tahap pengujian atau penggunaan, pengujian dilakukan setelah
melakukan tahap belajar atau tahap pelatihan.
Untuk menentukan stopping condition terdapat dua cara yang biasa
dipakai, yaitu:
1. Membatasi iterasi yang ingin dilakukan.
Misalnya jaringan akan dilatih sampai iterasi yang ke-500. Yang
dimaksud dengan satu iterasi adalah perulangan step 3 sampai
step 8 untuk semuatrainingdata yang ada.
2. Membatasierror
Misalnya menentukan besar Mean Square Error antara output
yang dikehendaki danoutputyang dihasilkan oleh jaringan.
Jika terdapat sebanyak m training data, maka untuk menghitung
Mean Square Errordigunakan persamaan berikut.
= 0.5 ∗{ − + − + …+ − }
Persamaan 2-6
Dimana :
MSE : Mean Square Error
tk : targetoutput
yk : outputyang dihasilkan
Setelah pelatihan selesai, Backpropagation Neural Networkdianggap
telah pintar sehingga apabila diberi input tertentu jaringan akan
menghasilkan output seperti yang diharapkan. Cara mendapatkan output
Neural Network yang sama seperti proses belajar, tetapi hanya pada bagian
umpan majunya saja.
2.5.2.2 Alur MetodeBackpropagation Neural Network
Alur pada metode Backpropagation Neural Network dapat terlihat
[image:27.612.129.523.222.496.2]seperti gambar.
Gambar 2.3 Alur Proses MetodeBackpropagation Neural Network
Berikut adalah deskripsi alur proses metodeBackpropagation Neural
Network:
Inisialisasi bobot (ambil bobot awal [Vij, Wjk] dengan nilairandom).
Kerjakan langkah-langkah berikut selama kondisi berhenti bernilaiFALSE:
1. Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran,
Feedforward:
a. Tiap-tiap unit input (Xi, i= 1, 2, 3, … , n) menerima sinyal xi dan
meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di
atasnya (lapisan tersembunyi).
b. Tiap-tiap unit tersembunyi (Zi, j = 1, 2, 3, … , p) menjumlahkan
sinyal-sinyalinputterbobot:
= +
Persamaan 2-7
Dimana :
z_inj : Bobot sinyal unit tersembunyi.
v0j : Bobot bias menuju kehidden layer.
xi : Unit (neuron) dari sinyal input.
vij : Bobot yang menghubungkan neuron input ke-i ke neuron
ke-jpada lapisan tersembunyi.
Setelah menjumlahkan sinyal-sinyal inputmaka lakukan perhitungan
fungsi aktivasi. Fungsi aktivasi ini ditentukan untuk menghitung
sinyal output dari hidden unit yang bersangkutan, lalu mengirim
sinyaloutputke seluruh unit pada unitoutput.
= ( _ )
Persamaan 2-8
Dimana :
zj : Keluaran unit tersembunyi.
z_inj : Bobot unit tersembunyi.
c. Langkah selanjutnya adalah setiap unit output (Yk, k=1, … m) akan
menjumlahkan sinyal – sinyal input yang sudah berbobot, termasuk
= +
Persamaan 2-9
Dimana :
y_ink : Bobot sinyal lapisanoutput.
w0j : Bobot bias menujuoutput.
zj : Keluaran unit tersembunyi.
wjk : Bobot awal menujuoutput.
Sinyalinput yang sudah terbobot sudah diketahui maka hitung fungsi
aktivasi sinyaloutputdari unitoutputyang bersangkutan.
= ( _ )
Persamaan 2-10
Dimana :
yk : Keluaran unitoutput.
y_ink : Bobot sinyal lapisanoutput.
Backpropagation
d. Tiap-tiap unitoutput(yk, k=1, 2, 3, … ,m) menerima target pola yang
berhubungan dengan pola input pembelajaran, hitung informasi
errornya.
= − ( _ )
Persamaan 2-11
Dimana :
: Informasierror.
: Target keluaran.
: Keluaran unitoutput.
Faktor ini digunakan untuk menghitung koreksi error (∆ ) yang
nantinya akan dipakai untuk memperbaharuiwjk, dimana :
∆ =
Persamaan 2-12
Dimana :
∆ : Koreksierror.
: Rasio pembelajaran (learning rate).
: Informasierror.
zj : Keluaran unit tersembunyi.
Selain itu juga dihitung koreksi bias (∆ ) yang nantinya akan
dipakai untuk memperbaharuiw0k,dimana :
∆ =
Persamaan 2-13
Dimana :
∆ : Koreksi bias.
: Rasio pembelajaran (learning rate).
: Informasierror.
Faktor ini kemudian dikirimkan ke layer didepannya.
e. Setiap hidden unit (zj, j = 1, … , p) menjumlah input delta (yang
dikirim darilayerpada step 6) yang sudah berbobot.
_ =
Persamaan 2-14
Dimana :
_ : Inputdelta.
: Informasierror.
Kemudian hasilnya dikalikan dengan turunan dari fungsi aktivasi
yang digunakan jaringan untuk menghasilkan faktor koreksi error ,
dimana :
= _ ′( _ )
Persamaan 2-15
Dimana :
: Faktor koreksierror
_ : Inputdelta.
z_inj : Bobot unit tersembunyi.
Faktor ini digunakan untuk menghitung koreksi error (∆ ) yang
nantinya akan dipakai untuk memperbaharuivij, dimana:
∆ =
Persamaan 2-16
Dimana :
∆ : Koreksierroruntuk memperbaharuivij.
: Rasio pembelajaran (learning rate).
xi : Masukkan (input).
Selain itu juga dihitung koreksi bias (∆ ) yang nantinya akan
dipakai untuk memperbaharuiv0j, dimana :
∆ =
Persamaan 2-17
Dimana :
∆ : Koreksi bias.
: Rasio pembelajaran (learning rate).
: Faktor koreksierror.
f. Tiap-tiap unit output (yk, k = 1, 2, 3, … , m) memperbaiki bias dan
= + ∆
Persamaan 2-18
Dimana :
: Koreksierror.
∆ : Delta koreksierror.
Tiap-tiap unit tersembunyi (zj,j = 1, 2, 3, … , p) memperbaiki bias
dan bobotnya (i=0, 1, 2, … , n) dimana :
= + ∆
Persamaan 2-19
Dimana :
vij : Unit tersembunyi.
∆ : Delta unit tersembunyi.
2. Tes kondisi berhenti.
Keterangan persamaan :
_ : Bobot sinyal unit tersembunyi.
: Keluaran unit tersembunyi.
_ : Bobot sinyal lapisan keluaran.
: Keluaran unit keluaran.
: Kesalahan.
∆ : Koreksi bobot unit keluaran.
: Bobot yang menghubungkan neuron inputke-i ke neuronke-j pada
lapisan tersembunyi.
∆ : Koreksi bobot unit tersembunyi.
: Unit (neuron) pada lapisaninput.
: Jumlahneuron(unit) pada lapisaninput.
: Bobot awal masuk kehidden.
: Bobot awalhiddenkeoutput.
: Bobot bias yang menuju keoutput.
:Learning rate/ rasio pembelajaran.
2.5.2.3 ParameterBackpropagation Neural Network
Dalam metode Backpropagation Neural Network terdapat beberapa
parameter yang sangat penting pada proses pelatihan, yaitu jumlah neuron
padahidden layer, learning rate,jumlah iterasi dan batasanerror.
Sampai saat ini belum ada formula khusus yang bisa menemukan
jumlah neuron pada hidden layer yang optimal. Suatu formula yang bisa
digunakan untuk memperkirakan jumlahneuronpadahidden layeradalah :
=
Persamaan 2-20
Dimana :
Nh : Jumlahneuron hidden layer.
Ni : Jumlahneuron input.
No : Jumlahneuron output.
DimanaNh adalah jumlah neuronpada hidden layer, Ni jumlahnode
pada input layer (jumlah variabel pada pola masukkan), dan No adalah
jumlahneuron padaoutput layer. MisalkanNi = 3 dan No = 1. Oleh karena
itu ≈ √ 3 ∗1 ≈ 2(pembulatan ke atas). Jumlahneuronpadahidden layer
yang optimal bisa lebih atau kurang dari hasil perhitungan tersebut.
Parameter learning rate sangat mempengaruhi proses pelatihan.
Learning rate yang terlalu besar (misalkan 0,9) akan mengakibatkan MSE
(Mean Square Error) menurun tajam pada awal iterasi, tetapi akan
mengakibatkan MSE menjadi berosilasi atau naik turun tidak terkendali.
Sebaliknya learning rate yang terlalu kecil (misalkan 0,0001) akan
Banyak strategi yang diusulkan untuk menentukan learning rate.
Misalkan pada awal iterasi (epoch), kita gunakan learning rate secara
gradual pada iterasi-iterasi berikutnya.
Jumlah iterasi dan batasan error digunakan sebagai kondisi berhenti
pada proses pelatihan. Jika batasan error yang didefinisikan terlalu kecil
mungkin akan terjadi overfit, artinya memiliki akurasi tinggi untuk data
trainingtapi akurasi sangat rendah pada datatest.
2.6 Metode Pengujian
2.6.1 PengujianWhite-Box
Pengujian white-box dilakukan untuk menguji prosedur-prosedur yang
mempunyai lintasan logic yang dilalui oleh setiap bagian prosedur. Prosedur
tersebut diuji dengan memberikan kondisi / loop spesifik. Pengujian white-box
menjamin pengujian terhadap semua lintasan yang tidak bergantungan minimal
satu kali, mencoba semua keputusanlogicdari sisitrusdanfalse, eksekusi semua
loop dalam batasan kondisi dan batasan operasional data pengujian validasi dan
internal.
Konsep pengujian basispathyaitu :
a. Merupakan bagian dari pengujianwhite-boxdalam hal pengujian prosedur.
b. Mempergunakan notasi aliran graph (node, link untuk merepresentasikan
sequence, if, while, until, dll).
c. Konsep kompleksitascyclomaticantara lain cara perhitungan daerah tertutup
pada graph planar dimana dapat menghubungkan batas atas jumlah
pengujian yang harus direncanakan dan di eksekusi untuk menjamin
pengujian seluruhstatementprogram.
d. Memunculkan kasus-kasus yang akan diuji dengan membuat daftar lintasan
kasus pengujian berdasarkan kompleksitas dancyclomaticyang didapat.
e. Membuat alat bantu untuk matrix graph yang membantu pengawasan
2.6.2 PengujianBlack-Box
Pengujian black-box dilakukan untuk menguji antarmuka dari perangkat
lunak yang telah dibangun. Pengujian ini dilakukan untuk memperlihatkan
bahwa hasil fungsi-fungsi bekerja dengan baik dalam arti masukkan yang
diterima dengan benar dan keluaran yang dihasilkan benar-benar tepat dan
pengintegrasian dari eksternal data berjalan dengan baik.
Metode pengujian black-box memfokuskan pada kebutuhan fungsi dari
perangkat lunak. Pengujian ini merupakan bagian dari pengujian white-box.
Pengujianwhite-boxdilakukan terlebih dahulu pada proses pengujian, sedangkan
pengujianblack-boxdilakukan pada tahap akhir dari pengujian perangkat lunak.
Proses yang terdapat dalam proses pengujian black-box antara lain
sebagai berikut :
a. Pembagian kelas data pengujian setiap kasus yang muncul pada
pengujianwhite-box.
b. Analisis batasan nilai yang berlaku untuk setiap data.
2.7 WAMPServer2.2
WAMP (Windows, Apache, MySQL, PHP) merupakan server yang dapat
dijalankan komputer tanpa memerlukan sambungan internet. Server di komputer ini
disebut dengan Local Server (localhost) yang mana server ini nantinya akan kita
install. Proses instalasi website hosting yang sudah memiliki sistem CMS (Content
Management System) disebut juga proses pembuatan databasedi komputer atau local
server(localhost).
2.8 PHP (Hypertext Preprocessor)
Pada awalnya PHPmerupakan kependekkan dari Personal Home Page (situs
personal). PHP pertama kali dibuat oleh Rasmus Lerdorf pada tahun 1995. Pada
waktu itu PHP masih benama Form Interpreted (FI), yang wujudnya berupa
Selanjutnya Rasmus merilis kode sumber tersebut untuk umum dan
menamakannya PHP/FI. Dengan perilisan kode sumber ini menjadi sumber terbuka,
maka banyak pemrogram yang tertarik untuk ikut mengembangkanPHP.
Pada November 1997, dirilis PHP/FI 2.0. Pada rilis ini, interpreter PHP
sudah diimplementasikan dalam program C. Dalam rilis ini disertakan juga
modul-modul ekstensi yang meningkatkan kemampuanPHP/FIsecara signifikan.
Pada tahun 1997, sebuah perusahaan bernama Zend menulis ulanginterpreter
PHP menjadi lebih bersih, lebih baik dan lebih cepat. Kemudian pada Juni 1998,
perusahaan tersebut merilisinterpreterbaru untuk PHP dan meresmikan rilis tersebut
sebagai PHP 3.0 dan singkatan PHP diubah menjadi akronim berulang PHP yaitu
Hypertext Preprocessing.
Pada pertengahan tahun 1999, Zend merilis interpreter PHP baru dan rilis
tersebut dikenal dengan PHP 4.0. PHP 4.0 adalah versi PHP yang paling banyak
dipakai pada awal abad ke-21. Versi ini banyak dipakai karena kemampuannya untuk
membangun aplikasi web kompleks tetapi tetap memiliki kecepatan dan stabilitas
yang tinggi.
Pada Juni 2004, Zend merilis PHP 5.0. Dalam versi ini, inti dari interpreter
PHP mengalami perubahan besar. Versi ini juga memasukkan model pemrograman
berorientasi objek ke dalam PHP untuk menjawab perkembangan bahasa
pemrograman ke arah paradigma berorientasi objek.
2.9 MySQL
MySQL adalah sebuah perangkat lunak sistem Manajemen Basis Data SQL
atau Database Management System (DBMS) yang multithread, multi-user, dengan
sekitar 6 juta instalasi diseluruh dunia.
Tidak sama dengan proyek-proyek seperti Apache, dimana perangkat lunak
dikembangkan oleh komunitas umum, dan hak cipta untuk kode sumber dimiliki oleh
penulisnya masing-masing, MySQL dimiliki dan disponsori oleh sebuah perusahaan
sumbernya. Kedua orang Swedia dan satu orang Finlandia yang mendirikan MySQL
ABadalahDavid Axmark,Allan Larsson, danMichael Monty Widenius.
MySQL adalah sebuah implementasi dari sistem manajemen basis data
relasional (RDBMS) yang didistribusikan secara gratis dibawah lisensiGPL(General
Public License). Setiap pengguna dapat secara bebas menggunakan MySQL, namun
dengan batasan perangkat lunak tersebut tidak boleh dijadikan produk turunan yang
bersifat komersial. MySQL sebenarnya merupakan turunan salah satu konsep utama
dalam basis data yang telah ada sebelumnya yaituSQL(Structured Query Language).
SQL adalah sebuah konsep pengoperasian basis data, terutama untuk pemilihan atau
seleksi dan pemasukkan data, yang memungkinkan pengoperasian data dikerjakan
dengan mudah secara otomatis.
Kehandalan suatu sistem basis data (DBMS) dapat diketahui dari cara kerja
pengoptimasi-nya dalam melakukan proses perintah-perintah SQL yang dibuat oleh
penggua maupun program-program aplikasi yang memanfaatkannya. Sebagai peladen
basis data non-transaksional. Pada modus operasi non-transaksional, MySQL dapat
dikatakan unggul dalam hal unjuk kerja dibandingkan perangkat lunak peladen basis
data kompetitor lainnya. Namun demikian pada modus non-transaksional tidak ada
jaminan atas reliabilitas data seperti aplikasi blogging berbasis web (wordpress),
CMS dan sejenisnya. Untuk kebutuhan sistem yang ditunjukkan untuk bisnis sangat
disarankan untuk menggunakan modus basis data transaksional, hanya saja sebagai
konsekuensinya unjuk kerja MySQL para modus transaksional tidak secepat unjuk
kerja pada modus non-transaksional.
2.10Adobe Dreamweaver CS 5
Adobe Dreamweaver merupakan program penyunting halaman web keluaran
Adobe Systems yang dulu dikenal sebagai Macromedia Dreamweaver keluaran
Macromedia. Program ini banyak digunakan oleh pengembang web karena
fitur-fiturnya yang menarik dan kemudahan penggunanya. Versi terakhir Macromedia
terakhir Dreamweaver keluaran Adobe Systems adalah versi 12 yang ada dalam
Adobe Creative Suite6 (sering disingkatAdobe CS6).
Adobe Dreamweaver adalah aplilasi desain dan pengembangan web yang
menyediakan editor WSYWYGvisual (bahasa sehari-hari yang disebut sebagaiDesign
View) dan kode editor dengan fitur standar seperti syntax high lighting, code
completion, dan code collapsing serta fitur lebih canggih seperti real-time syntax
checkingdancode introspectionuntuk menghasilkan petunjuk kode untuk membantu
pengguna dalam menulis kode. Tata letak tampilan desain memfasilitasi desain cepat
dan pembuatan kode seperti memungkinkan pengguna dengan cepat membuat tata
letak dan manipulasi elemenHTML.
Dreamweavermemiliki fitur browser yang terintegrasi untuk melihat halaman
web yang dikembangkan di jendela pratinjau program sendiri agar konten
memungkinkan untuk terbuka di web browser yang telah terinstal. Aplikasi ini
menyediakan transfer dan fitur sinkronisasi, kemampuan untuk mencari dan
mengganti baris teks atau kode untuk mencari kata atau kalimat biasa di seluruh situs,
dan templating feature yang memungkinkan untuk berbagi satu sumber kode atau
memperbarui tata letak diseluruh situs tanpa server side includes atau scripting.
Behavior Paneljuga memungkinkan penggunaanJavaScriptdasar tanpa pengetahuan
coding, dan integrasi dengan Adobe Spry Ajax Frameworkmenawarkan akses mudah
ke konten yang dibuat secara dinamis daninterface.
Dreamweaver dapat menggunakan ekstensi dari pihak ketiga untuk
memperpanjang fungsionalitas inti dari aplikasi, yang setiap pengembang web bisa
menulis (sebagian besar dalam HTML danJavaScript). Dreamweaver didukung oleh
komunitas besar pengembang ekstensi yang membuat ekstensi yang tersedia (baik
komersial maupun yang gratis) untuk pengembangan web dari efek rollover
sederhana sampaifull-featured shooping cart.
Dreamweaver seperti editor HTML lainnya, edit file secara lokal kemudian
diupload ke web server remote menggunakan FTP, SFTP, atau WebDAV.
2.11Adobe Photoshop CS 3
Adobe Photoshopatau biasa disebut Photoshop adalah perangkat lunak editor
citra buatan Adobe Systems yang dikhususkan untuk pengeditan foto/gambar dan
pembuatan efek. Perangkat lunak ini banyak digunakan oleh fotografer digital dan
perusahaan iklan sehingga dianggap sebagai pemimpin pasar (market leader) untuk
perangkat lunak pengolah gambar/foto dan bersamaAdobe Acrobat, dianggap sebagai
produk terbaik yang pernah diproduksi olehAdobe Systems. Versi kedelapan aplikasi
ini disebut dengan nama Photoshop CS (Creative Suite), versi sembilan disebut
Adobe Photoshop CS2, versi sepuluh disebut Adobe Photoshop CS3, versi kesebelas
adalah Adobe Photoshop CS4, versi keduabelas adalah Adobe Photoshop CS5, dan
versi yang terakhir (ketigabelas) adalahAdobe Photoshop CS6.
Photoshoptersedia untuk Microsoft Windows, Mac OS XdanMac OS versi 9
keatas juga dapat digunakan oleh sistem operasi lain seperti Linux dengan bantuan
perangkat lunak tertentu sepertiCrossOver.
Pada tahun 1987, Thomas Knoll, mahasiswa PhD di Universitas Michigan, mulai
menulis sebuah program pada Macintosh Plus-nya untuk menampilkan gambar
grayscale pada layar monokrom. Program ini, yang disebut Display, menarik
perhatian saudaranya John Knoll, seorang karyawan di Industrial Light and Magic,
yang merekomendasikan Thomas agar mengubah programnya menjadi program
penyunting gambar penuh. Thomas mengambil enam bulan istirahat dari studi pada
tahun 1988 untuk berkolaborasi dengan saudaranya pada program itu, yang telah
diubah namanya menjadi ImagePro. Setelah tahun itu, Thomas mengubah nama
programnya menjadi Photoshop dan bekerja dalam jangka pendek dengan produsen
scanner Barneyscan untuk mendistribusikan salinan dari program tersebut dengan
29
ANALISIS METODE
3.1 Analisis Masalah
Dalam mediagnosa penyakit keakurasian data sangatlah penting karena untuk
menghasilkan suatu solusi dibutuhkan keakurasian yang baik. Metode yang
digunakan untuk diagnosa penyakit pun dijadikan suatu pertimbangan. Metode yang
akan digunakan adalah metode Naïve Bayes dan metode Backpropagation Neural
Network, metode tereebut sama-sama memiliki keakurasian data yang baik.
Dipenelitian sebelumnya telah dijelaskan bahwa dalam metode Naïve Bayes dapat
mencapai 94.4% dengan masukkan 22 gejala dan pada metode Backpropagation
Neural Networkhanya mencapai 91.66% dengan 12 gejala masukkan.
Dalam kedua penelitian tersebut keakurasian data dengan metodeNaïve Bayes
lebih unggul daripada metode Backpropagation Neural Network, namun dengan
jumlah masukkan gejala berbeda. Tetapi kita tidak mengetahui apakah hasilnya akan
sama jika gejala yang dijadikan masukkan berjumlah sama yaitu 17 gejala, apakah
metode Naïve Bayes masih lebih unggul atau metode Backpropagation Neural
Networkyang menjadi lebih unggul.
Berdasarkan uraian diatas yang telah disampaikan, maka akan dilakukan
analisis perbandingan metode Naïve Bayes dan Backpropagation Neural Network
untuk menentukan metode manakah yang paling baik dari segi akurasi data pada
sistem pendiagnosa penyakit sinusitis dengan jumlah masukkan gejala yang sama.
3.2 Analisis Data
Analisis data terdiri dari analisis data masukkan dan analisis data keluaran.
Sampel data diperoleh dari hasil wawancara dengan salah satu dokter spesialis THT
di klinik Serumpun Bambu Cimahi yaitu Dr. Sinta Sari, Sp.THT serta megutip dari
Penyakit pada Anak-anak, serta mengambil beberapa referensi dari internet yang
berhubungan dengan sinusitis.
[image:41.612.79.506.202.437.2]Berikut adalah data gejala penyakit sinusitis.
Tabel 3.1 Data Gejala Penyakit Sinusitis
No Gejala
Jenis Sinusitis
Akut Sub-Akut Kronis
1 Hidung tersumbat √ √
2 Hidung meler √ √ √
3 Nyeri pada wajah √ √
4 Bersin-bersin disertai batuk √ 5 Gatal-gatal disekitar mata √
6 Demam √ √ √
7 Sakit pada gigi √
8 Nyeri pada leher √
9 Nyeri pipi dibawah mata √
10 Cepat merasa letih dan lesu √
11 Pusing yang berlebihan √ √
12 Mengalami peradangan sinus lebih dari 8 minggu √
13 Nyeri dipinggir hidung √
14 Nyeri antara mata √
15 Dahi terasa sakit √
16 Warna lendir kuning atau hijau √
17 Nyeri saat bicara dan menelan √
3.2.1 Analisis Data Masukkan
Data gejala yang digunakan untuk mendiagnosa seseorang terkena
penyakit sinusitis dapat terlihat pada Tabel 3.1. Berdasarkan tabel tersebut maka
akan disusun sejumlah variabel yang akan menjadi data masukkan untuk
melakukan diagnosa dalam sistem. Setiap variabel akan diberikan nilai 0 untuk
jawaban Tidak dan nilai 1 untuk jawaban Ya.
3.2.1.1 Analisis Data Masukkan MetodeNaïve Bayes
Berikut adalah data gejala masukkan untuk metodeNaïve Bayes.
Tabel 3.2 Analisis Data Masukkan MetodeNaive Bayes
No Gejala Variabel Nilai
1 Hidung tersumbat (x1) Ya 1
2 Hidung meler (x2) Ya 1 Tidak 0
3 Nyeri pada wajah (x3) Ya 1
Tidak 0
4 Bersin-bersin (x4) Ya 1
Tidak 0 5 Gatal disekitar mata (x5) Ya 1 Tidak 0
6 Demam (x6) Ya 1
Tidak 0
7 Sakit pada gigi (x7) Ya 1
Tidak 0
8 Nyeri pada leher (x8) Ya 1
Tidak 0 9 Nyeri pipi dibawah mata (x9) Ya 1 Tidak 0 10 Cepat merasa letih dan lesu (x10) Ya 1 Tidak 0 11 Pusing yang berlebihan (x11) Ya 1 Tidak 0 12 Mengalami peradangan sinus lebih dari 8 minggu (x12) Ya 1 Tidak 0 13 Nyeri dipinggir hidung (x13) Ya 1 Tidak 0 14 Nyeri antara mata (x14) Ya 1 Tidak 0 15 Dahi terasa sakit (x15) Ya 1 Tidak 0 16 Warna lendir kuning atau hijau (x16) Ya 1 Tidak 0 17 Nyeri saat bicara dan menelan (x17) Ya 1 Tidak 0
Dimana :
x : Variabel masukkan.
3.2.1.2 Analisis Data Masukkan Metode Backpropagation Neural Network
Berikut adalah data gejala masukkan untuk metodeBackpropagation
Tabel 3.3 Gejala Masukkan MetodeBackpropagation Neural Network
No Gejala Jenis Sinusitis
Akut Sub-Akut Kronis
1 Hidung tersumbat (x1) √ √
2 Hidung meler (x2) √ √ √
3 Nyeri pada wajah (x3) √ √
4 Bersin-bersin disertai batuk (x4) √ 5 Gatal disekitar mata (x5) √
6 Demam (x6) √ √ √
7 Sakit pada gigi (x7) √
8 Nyeri pada leher (x8) √ 9 Nyeri pipi dibawah mata (x9) √ 10 Cepat merasa letih dan lesu (x10) √
11 Pusing yang berlebihan (x11) √ √ 12 Mengalami peradangan sinus lebih dari
8 minggu (x12) √
13 Nyeri dipinggir hidung (x13) √
14 Nyeri antara mata (x14) √
15 Dahi terasa sakit (x15) √
16 Warna lendir kuning atau hijau (x16) √ 17 Nyeri saat bicara dan menelan (x17) √
Adapun analisis data masukkan untuk metode Backpropagation
Neural Networkadalah sebagai berikut.
Tabel 3.4 Analisis Data Masukkan MetodeBackpropagation Neural Network
No
Gejala Variabel Nilai
1 Hidung tersumbat (x1) Ya 1
Tidak 0
2 Hidung meler (x2) Ya 1
Tidak 0
3 Nyeri pada wajah (x3) Ya 1
Tidak 0 4 Bersin-bersin disertai batuk (x4) Ya 1 Tidak 0 5 Gatal disekitar mata (x5) Ya 1 Tidak 0
6 Demam (x6) Ya 1
Tidak 0
7 Sakit pada gigi (x7) Ya 1
Tidak 0
8 Nyeri pada leher (x8) Ya 1
[image:43.612.127.499.460.704.2]10 Cepat merasa letih dan lesu (x10) Ya 1 Tidak 0 11 Pusing yang berlebihan (x11) Ya 1 Tidak 0 12 Mengalami peradangan sinus lebih dari 8 minggu (x12) Ya 1 Tidak 0 13 Nyeri dipinggir hidung (x13) Ya 1 Tidak 0 14 Nyeri antara mata (x14) Ya 1 Tidak 0 15 Dahi terasa sakit (x15) Ya 1 Tidak 0 16 Warna lendir kuning atau hijau (x16) Ya 1 Tidak 0 17 Nyeri saat bicara dan menelan (x17) Ya 1 Tidak 0
Dimana :
x : Variabel masukkan
3.2.2 Analisis Data Keluaran
3.2.2.1 Analisis Data Keluaran MetodeNaïve Bayes
Data keluaran yang dihasilkan oleh metode Naïve Bayes adalah
[image:44.612.153.528.112.307.2]sebagai berikut.
Tabel 3.5 Analisis Data Keluaran MetodeNaive Bayes
Nilai Keterangan
(P(A|Y) > P(S|Y)) and (P(A|Y) > P(K|Y)) Sinusitis akut (P(S|Y) > P(A|Y)) and (P(S|Y) > P(K|Y)) Sinusitis Sub-Akut (P(K|Y) > P(A|Y)) and (P(K|Y) > P(S|Y)) Sinusitis Kronis
Dimana :
P(A|Y): Probabilitas sinusitis akut
P(S|Y) : Probabilitas sinusitis sub-akut
3.2.2.2 Analisis Data Keluaran Metode Backpropagation Neural Network
Data keluaran yang dihasilkan oleh metodeBackpropagation Neural
Networkadalah sebagai berikut.
Tabel 3.6 Analisis Data Keluaran MetodeBackpropagation Neural Network
Nilai Keterangan
01 Sinusitis akut 10 Sinusitis Sub-akut 11 Sinusitis Kronis
3.3 Alur Sistem Diagnosa
Pada sub-bab ini akan menjelaskan tentang alur atau cara kerja sistem untuk
pendiagnosa penyakit sinusitis secara keseluruhan. Cara kerja sistem pendiagnosa
penyakit sinusitis ini adalah:
1. Memilih gejala yang tersedia pada sistem.
2. Pilih metode yang akan digunakan untuk mendiagnosa penyakit.
3. a. Memilih metodeNaïve Bayes
1. Membaca data training yang terdapat pada database
2. Mengklasifikasikan jenis sinusitis yang terdapat pada data training
3. Menghitung kemungkinan setiap gejala pada masing-masing jenis
sinusitis yang telah diklasifikasikan.
4. Menghitung nilai probabilistik pada masing-masing jenis sinusitis
yang telah terklasifikasi
5. Membandingkan nilai probabilitas dari setiap klasifikasi jenis
sinusitis.
b. Memilih metodeBackpropagation Neural Network
1. Memasukkan parameter-parameterBackpropagation
2. Menginisialisasi bobot (vij,wjk) secararandom
4. Menjumlahkan sinyal-sinyal input dan menghitung aktivasi pada
hidden layer
5. Pada sinyalhiddenjumlahkan sinyalinputterbobot dan menghitung
aktivasioutput layer
6. Menghitung koreksierrordan perubahan bobot dan biasnya
7. Jumlahkan nilai delta masukkan, hitung kesalahan dan hitung
perubahan bobot dan biasnya
8. Perbaharui nilai bobot dan biasnya
9. Periksa kondisierror
a. Jika error lebih kecil dari maksimal error maka lanjutkan ke
langkah 10
b. Jika error masih lebih besar dari maksimal error maka periksa
iterasi
i. Jika iterasi lebih kecil dari maksimal iterasi maka ulangi
langkah 4.
ii. Jika iterasi sudah melebihi maksimal iterasi maka lanjutkan
ke langkah 10.
10. Menjumlahkan sinyal-sinyal input dan menghitung aktivasi pada
hidden layerdengan bobot yang baru
11. Pada sinyal input jumlahkan sinyal input terbobot dan menghitung
aktivasioutput layer
12. Membandingkan hasiloutputdengantreshold
4. Menampilkan hasil diagnosa terkena sinusitis jenis akut, sub-akut, atau
Gambar 3.1 Alur Sistem Diagnosa Penyakit Sinusitis
3.4 Analisis Metode
Analisis metode sangat membantu dalam meningkatkan efisiensi program.
Kecanggihan suatu program bukan dilihat dari tampilan program, tetapi berdasarkan
efisiensi metode atau algoritma yang terdapat didalam program tersebut. Dalam
menguji suatu metode, dibutuhkan beberapa kriteria untuk mengukur efisiensi suatu
algoritma, pengujian dengan data dan menggunakan cara matematika untuk
membuktikan kebenaran.
3.4.1 Analisis metodeNaïve Bayes
MetodeBayesmerupakan pendekatan statistik untuk menghitung peluang
atau probabilitas persoalan klasifikasi. Dalam metode ini semua atribut
memberikan kontribusinya dalam pengambilan keputusan. Metode ini berfungsi
untuk mencari nilai probabilitas disetiap faktor.
Pada tugas akhir ini, metode Naïve Bayes akan diterapkan pada studi
kasus mendiagnosa penyakit sinusitis. Diketahui terdapat 60 data pasien
penderita sinusitis dengan berbagai jenis (sinusitis akut, sinusitis sub-akut,
sinusitis kronis) sebagai data train set yang telah terlampir. Terdapat 17 gejala
berbeda dari setiap jenis sinusitis tersebut. Nilai dari setiap gejala tersebut adalah
1 untuk jawaban “Ya” dan 0 untuk jawaban “Tidak”.
[image:48.612.136.523.450.708.2]Gejala-gejala tersebut diinisialisasikan sebagai berikut.
Tabel 3.7 Inisialisasi Gejala Metode Naive Bayes
Inisialisasi Gejala
Gejala
Jenis Sinusitis
Akut Sub-Akut Kronis
x1 Hidung tersumbat √ √
x2 Hidung meler √ √ √
x3 Nyeri pada wajah √ √
x4 Bersin-bersin disertai batuk √ x5 Gatal disekitar mata √
x6 Demam √ √ √
x7 Sakit pada gigi √
x8 Nyeri pada leher √
x9 Nyeri pipi dibawah mata √ x10 Cepat merasa letih dan lesu √
x11 Pusing yang berlebihan √ √
x12 Mengalami peradangan sinus lebih
dari 8 minggu √
x13 Nyeri dipinggir hidung √
x14 Nyeri antara mata √
x15 Dahi terasa sakit √
Adapun cara perhitungan atau alur perhitungan metode Naïve Bayes
adalah sebagai berikut:
1. Menghitung jumlah label atauclass.
Untuk menentukannya adalah kita harus mengklasifikasikan terlebih
dahulu jenis penyakit sinusitis tersebut yang berada pada data train
set. Setelah diklasifikasikan maka dibagi dengan jumlah datatrain set.
Dalam studi kasus ini jumlah datatrain setsebanyak 60 data.
Berikut adalah jumlah label atau class yang telah dihitung.
a. Class“Sinusitis akut”
P(Y = Akut) = 20/60
b. Class “Sinuitis sub-akut”
P(Y = Sub-Akut) = 20/60
c. Class “Sinusitis Kronis”
P(Y = Kronis) = 20/60
2. Menghitung jumlah kasus yang sama dengan class yang sama.
Untuk perhitungan tahap ini kita bagi dan hitung pergejalanya.
Sehingga perhitungannya adalah jumlah gejala “ya” dibagi classnya dan jumlah gejala “tidak” dibagi classnya.
Berikut adalah jumlah kasus yang sama dengan class yang sama.
P(x1=Ya |Y=akut) = 12/20 P(x1=Ya |Y=subakut) = 15/20 P(x1=Ya |Y=kronis) = 10/20
P(x1=Tidak |Y=akut) = 8/20 P(x1=Tidak |Y=subakut) = 5/20 P(x1=Tidak |Y=kronis) = 10/20
P(x2=Ya |Y=akut) = 13/20 P(x2=Ya |Y=subakut) = 13/20 P(x2=Ya |Y=kronis) = 13/20
P(x2=Tidak |Y=akut) = 7/20 P(x2=Tidak |Y=subakut) = 7/20 P(x2=Tidak |Y=kronis) = 7/20
P(x3=Ya |Y=akut) = 11/20 P(x3=Ya |Y=subakut) = 11/20 P(x3=Ya |Y=kronis) = 15/20
P(x4=Ya |Y=akut) = 6/20 P(x4=Ya |Y=subakut) = 4/20 P(x4=Ya |Y=kronis) = 9/20
P(x4=Tidak |Y=akut) = 14/20 P(x4=Tidak |Y=subakut) = 16/20 P(x4=Tidak |Y=kronis) = 11/20
P(x5=Ya |Y=akut) = 10/20 P(x5=Ya |Y=subakut) = 5/20 P(x5=Ya |Y=kronis) = 10/20
P(x5=Tidak |Y=akut) = 10/20 P(x5=Tidak |Y=subakut) = 15/20 P(x5=Tidak |Y=kronis) = 10/20
P(x6=Ya |Y=akut) = 11/20 P(x6=Ya |Y=subakut) = 17/20 P(x6=Ya |Y=kronis) = 13/20
P(x6=Tidak |Y=akut) = 9/20 P(x6=Tidak |Y=subakut) = 3/20 P(x6=Tidak |Y=kronis) = 7/20
P(x7=Ya |Y=akut) = 8/20 P(x7=Ya |Y=subakut) = 13/20 P(x7=Ya |Y=kronis) = 12/20
P(x7=Tidak |Y=akut) = 12/20 P(x7=Tidak |Y=subakut) = 7/20 P(x7=Tidak |Y=kronis) = 8/20
P(x8=Ya |Y=akut) = 4/20 P(x8=Ya |Y=subakut) = 11/20
P(x8=Ya |Y=kronis) = 12/20
P(x8=Tidak |Y=akut) = 16/20 P(x8=Tidak |Y=subakut) = 9/20 P(x8=Tidak |Y=kronis) = 8/20
P(x9=Ya |Y=akut) = 5/20 P(x9=Ya |Y=subakut) = 14/20 P(x9=Ya |Y=kronis) = 14/20
P(x9=Tidak |Y=akut) = 15/20 P(x9=Tidak |Y=subakut) = 6/20 P(x9=Tidak |Y=kronis) = 6/20
P(x10=Ya |Y=akut) = 2/20 P(x10=Ya |Y=subakut) = 13/20 P(x10=Ya |Y=kronis) = 13/20
P(x10=Tidak |Y=akut) = 18/20 P(x10=Tidak |Y=subakut) = 7/20 P(x10=Tidak |Y=kronis) = 7/20
P(x11=Ya |Y=akut) = 5/20 P(x11=Ya |Y=subakut) = 15/20 P(x11=Ya |Y=kronis) = 12/20
P(x11=Tidak |Y=akut) = 15/20 P(x11=Tidak |Y=subakut) = 5/20 P(x11=Tidak |Y=kronis) = 8/20
P(x12=Tidak |Y=akut) = 12/20 P(x12=Tidak |Y=subakut) = 7/20 P(x12=Tidak |Y=kronis) = 6/20
P(x13=Ya |Y=akut) = 4/20 P(x13=Ya |Y=subakut) = 9/20 P(x13=Ya |Y=kronis) = 15/20
P(x13=Tidak |Y=akut) = 16/20 P(x13=Tidak |Y=subakut) = 11/20 P(x13=Tidak |Y=kronis) = 5/20
P(x14=Ya |Y=akut) = 4/20 P(x14=Ya |Y=subakut) = 4/20 P(x14=Ya |Y=kronis) = 13/20
P(x14=Tidak |Y=akut) = 16/20 P(x14=Tidak |Y=subakut) = 16/20 P(x14=Tidak |Y=kronis) = 7/20
P(x15=Ya |Y=akut) = 4/20 P(x15=Ya |Y=subakut) = 4/20
P(x15=Ya |Y=kronis) = 13/20
P(x15=Tidak |Y=akut) = 16/20 P(x15=Tidak |Y=subakut) = 16/20 P(x15=Tidak |Y=kronis) = 7/20
P(x16=Ya |Y=akut) = 4/20 P(x16=Ya |Y=subakut) = 5/20 P(x16=Ya |Y=kronis) = 14/20
P(x16=Tidak |Y=akut) = 16/20 P(x16=Tidak |Y=subakut) = 15/20 P(x16=Tidak |Y=kronis) = 6/20
P(x17=Ya |Y=akut) = 2/20 P(x17=Ya |Y=subakut) = 6/20 P(x17=Ya |Y=kronis) = 19/20
P(x17=Tidak |Y=akut) = 18/20 P(x17=Tidak |Y=subakut) = 14/20 P(x17=Tidak |Y=kronis) = 1/20
3. Kalikan semua hasil variabel sesuai dengan kolom hasil.
Misalkan dalam contoh kasus pasien memasukkan data gejala seperti
[image:51.612.186.485.583.682.2]berikut ini :
Tabel 3.8 Sampel Data Uji MetodeNaive Bayes
Gejala Nilai Gejala Nilai Gejala Nilai
x1 0 x8 0 x15 0
x2 0 x9 0 x16 0
x3 1 x10 0 x17 0
x4 1 x11 0
x5 1 x12 0
x6 1 x13 0
Maka perhitungannya adalah:
a. Classsinusitis akut
P(A|Y) = 8/20 * 7/20 * 9/20 * 12/20 * 10/20 * 11/20 * 9/20 *
12/20 * 16/20 * 15/20 * 18/20 * 19/20 * 16/20 * 16/20
* 16/20 * 16/20 * 18/20
= 0.00022762
