MENDETEKSI PENYAKIT GIGI MENGGUNAKAN JARINGAN
SARAF TIRUAN DENGAN
METODE BACKPROPAGATION
DAN
METODE HOPFIELD
DRAFT SKRIPSI
RAJA RIZKY RAMADHAN HSB
091401082
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MENDETEKSI PENYAKIT GIGI MENGGUNAKAN JARINGAN
SARAF TIRUAN DENGAN
METODE BACKPROPAGATION
DAN
METODE HOPFIELD
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Ilmu Komputer
RAJA RIZKY RAMADHAN HSB
091401082
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : MENDETEKSI PENYAKIT GIGI MENGGUNAKAN
JARINGAN SARAF TIRUAN DENGAN
MENGGUNAKAN METODE BACKPROPAGATION
DAN METODE HOPFIELD
Kategori : SKRIPSI
Nama : RAJA RIZKY RAMADHAN HSB
Nomor Induk Mahasiswa : 091401082
Program Studi : S1 ILMU KOMPUTER
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
Diluluskan di
Medan, April 2014
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Amer Sharif S.Si, M.Kom Dr. Poltak Sihombing, M.Kom
NIP. - NIP. 19620317 199103 1 001
Diketahui/disetujui oleh
Program Studi S1 Ilmu Komputer
Ketua,
Dr. Poltak Sihombing, M.Kom
PERNYATAAN
MENDETEKSI PENYAKIT GIGI MENGGUNAKAN JARINGAN
SARAF TIRUAN DENGAN
METODE BACKPROPAGATION
DAN
METODE HOPFIELD
SKRIPSI
Saya menyatakan bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, April 2014
Raja Rizky Ramadhan Hsb
PENGHARGAAN
Puji dan syukur penulis panjatkan kepada Allah SWT, yang telah memberikan rahmat dan hidayah-Nya, sehingga penulis dapat menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer, Program Studi S1 Ilmu Komputer, Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara.
Ucapan terima kasih penulis sampaikan kepada semua pihak yang telah membantu penulis dalam menyelesaikan skripsi ini baik secara langsung maupun tidak langsung. Pada kesempatan ini penulis ingin mengucapkan terima kasih yang sebesar-besarnya kepada:
1. Bapak Prof. Dr. dr. Syahril Pasaribu, DTM&H, Msc(CTM), Sp.A(K) selaku Rektor Universitas Sumatera Utara.
2. Bapak Prof. Dr. Muhammad Zarlis selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
3. Bapak Dr. Poltak Sihombing, M.Kom. selaku Ketua Program Studi S1 Ilmu Komputer dan Dosen Pembimbing I yang telah banyak meluangkan waktunya dalam memberikan masukan-masukan kepada penulis.
4. Ibu Maya Silvi Lydia, B.Sc. M.Sc. selaku Sekretaris Program Studi S1 Ilmu Komputer.
5. Bapak Amer Sharif, S.Si, M.Kom selaku Dosen Pembimbing II yang telah banyak meluangkan waktunya dalam memberikan masukan-masukan kepada penulis.
6. Bapak M. Andri Budiman, ST, M.Comp.Sc, MEM selaku Dosen Pembanding I yang telah banyak meluangkan waktunya dalam memberikan masukan-masukan kepada penulis.
7. Bapak Drs. Dahlan Sitompul, M.Eng selaku Dosen Pembanding II yang telah banyak meluangkan waktunya dalam memberikan masukan-masukan kepada penulis.
8. Semua dosen serta pegawai di Program Studi S1 Ilmu Komputer Fasilkom-TI USU.
9. Ayahanda Drs. H. Fahri Hasibuan dan Ibunda Hj. Siti Anisma Siregar serta Abangda Ahmad Ibrahim Rony S. Hasibuan ,Abangda Rudy Ardiyansyah Hasibuan, Abangda Yan Veri Alvin Hasibuan, Kakanda Ernita Sari Hasibuan, kakanda Nizmi, kakanda Adhe, kakanda Emma yang telah senantiasa mendukung dan berdoa untuk kesuksesan penulis.
11.Teman-teman terbaik yang selalu memberikan semangat dan dukungan yaitu Ardi Hasiholan ,Wella Reynanda, Muhammad Huzaifa,Mahadi, Azhar, Fauzi, Tedja, Rio, Gamal, Iqsan, mail ,Santo dan Fiktaruddin.
12.Teman-teman kom A dan Kom B stambuk 2009 sekaligus keluarga besar Program Studi S1 Ilmu Komputer Fasilkom-TI USU.
13.Semua pihak yang terlibat langsung maupun tidak langsung yang tidak dapat penulis ucapkan satu demi satu yang telah membantu penyelesaian skripsi ini.
Penulis menyadari bahwa skripsi ini masih terdapat kekurangan. Oleh karena itu, penulis mengharapkan kritik dan saran yang bersifat membangun demi kesempurnaan skripsi ini.
Medan, April 2014 Penulis,
ABSTRAK
Gigi merupakan suatu organ terpenting makhluk hidup terutama manusia. Fungsi utama gigi adalah untuk merobek makanan dan mengunyah makanan. Kesehatan gigi merupakan suatu hal yang penting bagi kesehatan tubuh manusia karena gigi membantu proses pengunyahan makanan yang apabila gigi tidak sehat akan membuat nafsu makan tidak baik. Permasalahan yang dihadapin dalam perancangan sistem ini yaitu masalah pengenalan pola gigi yang terkena penyakit. Adapun metode jaringan syaraf yang digunakan yaitu backpropagation dan hopfield untuk dapat ditarik suatu kesimpulan metode mana yang memiliki ketepatan yang lebih baik dalam melakukan identifikasi terhadap objek yang dibahas. Pada metode backpropagation pola dilatih melalui tiga fase yang pertama yaitu fase propagasi maju, fase propagasi mundur, dan fase perubahan bobot hingga kondisi penghentian dipenuhi. Sedangkan pada metode
hopfield pelatihan dilakukan dengan melakukan dot product antara vektor pola
masukan dengan vektor bobot. Jaringan hopfield dikatakan sampai pada nilai maksimum jika sebuah pola stabil dipanggil ulang. Berdasarkan hasil ujicoba terhadap pola gigi diketahui bahwa metode hopfield dapat mengenali pola lebih cepat daripada metode backpropagation dengan rata-rata waktu pengenalan 2,46 dan 5,67 detik. Baik metode backpropagation maupun hopfield menghasilkan 100% pengenalan ketika data yang diuji merupakan data pelatihan. Sedangkan untuk pengujian menggunakan data yang tidak terlatih untuk Metode backpropagation menghasilkan ketepatan pendeteksian sebesar 93,3% dan metode Hopfield sebesar 82,3% dengan menggunakan data berbeda dengan pelatihan.
DETECTING DENTAL DISEASES USING ARTIFICIAL NEURAL NETWORK
WITH BACKPROPAGATION AND HOPFIELD METHODS
ABSTRACT
Teeth are one of the important things for living things, especially humans. The main functions of teeth are to tear and chew food. That function causes the health of teeth become something important for humans' health since the condition of teeth will surely influence humans' appetite. The unhealthy teeth can decrease humans' appetite, and so for the other way. Therefore, humans need to know the conditions or patterns of their teeth. The problem that is faced in this system design is the patterns recognitions of the diseased teeth. The neural network systems that are used are backpropagation and hopfield to make a conclution, which methode has the better accuracy at identifying the discussed object. In backpropagation methode, the patterns are trained through three phases which are forward propagation phase, backward propagation phase, and changes quality phase until ceasing condition being fulfilled. In hopfield methode, the training is done by performing dot product between input vector pattern and quality vector. Hopfield network is indicated reaching the maximum value if a stable pattern is being resummoned. Based on a tryout of the patterns of teeth was known that hopfield methode can recognize the pattern faster than backpropagation one with the average of recognition time 2.46 and 5.67 secs. Both backpropagation and hopfield methode make 100% recognition when the examined sample is the training sample. As for using the test data are not trained to produce the backpropagation method detection accuracy of 93.3% and 82.3% of the Hopfield method using data different from the training
DAFTAR ISI
Halaman
Persetujuan ii
Pernyataan iii
Penghargaan iv
Abstrak vi
Abstract vii
Daftar Isi viii
Daftar Gambar xi
Daftar Tabel x
Bab 1 Pendahuluan
1.1Latar Belakang 1 1.2Perumusan Masalah 2
1.3Batasan Masalah 2
1.4Tujuan Penelitian 2
1.5Manfaat Penelitian 2 1.6Sistemmatika Penulisan 3
Bab 2 Landasan Teori
2.1 Pengelolahan Citra 4
2.1.1 Citra Digital Gray Scale 4 2.1.2 Proses Threshold 4
2.2 Jaringan Saraf Tiruan 5
2.2,1 Arsitektur Jaringan Saraf Tiruan 6 2.2.1.1 Jaringan Lapisan Tunggal (Single layer Network) 7 2.2.1.2 Jaringan Banyak Lapisan (multilayer net) 7
2.2.1.3 Jaringan Lapisan Kompetitif competitive layer net 8 2.3. Jaringan Saraf Tiruan Backpropagation 9 2.3.1 Arsitektur Jaringan Backpropagation 9
2.3.2 Fungsi Aktivasi 12
2.3.3 Pelatihan Standart Backpropagation 13
2.3.4 Algoritma Pelatihan 14
Bab 3 Analisis Dan Perancangan Sistem
3.1 Analisis Sistem 25
3.1.1 Analisis Masalah 25
3.1.2 Analisis Kebutuhan Sistem 26
3.1.2.1 Kebutuhan Fungsional Sistem 26
3.1.2.2 Kebutuhan Non-Fungsional Sistem 27
3.1.3 Analisis Proses 27
3.1.3.1 Perancangan Arsitektur jaringan 31
3.2 Pemodelan 34
3.2.1 Use Case Diagram 34
3.2.2 SequenceDiagram 39
3.2.3 Activity Diagram 41
3.3 Pseudocode Program 45
3.3.1 Pseudocode Proses Pelatihan JST 45
3.3.2 Pseudocode Proses Pengujian JST 46
3.4 Perancangan Sistem 48
3.4.1 Perancangan Flowchart Sistem 48 3.4.2 Perancangan Antarmuka (Interface) 49
3.4.2.1 Form Utama 49 3.4.2.2 Form Pelatihan 50
3.4.2.3 Form Pengujian 51
3.4.2.4 Form Bantuan 53 Bab 4 Implementasi dan Pengujian 4.1 Implementasi 55 4.1.1 Form Utama 55
4.1.2 Form Pelatihan 56 4.1.3 Form Pengujian 59 4.1.4 Form Bantuan Utama 60
4.1.5 Form Bantuan Pelatihan 61 4.1.6 Form Bantuan Pengujian 61 4.2. Pengujian 62
4.2.1 Kecepatan Pelatihan Jaringan Saraf Tiruan 62
4.2.2 Kecepatan Dan Ketepatan Pengujian Jaringan Saraf Tiruan 65
4.2.3 Kesimpulan Kecepatan Pengujian Jaringan Syaraf Tiruan 73
Bab 5 Kesimpulan dan Saran
5.1 Kesimpulan 74
5.2 Saran 75
Daftar Pustaka 76
Lampiran Listing Program A-1
Lampiran Curriculum Vitae B-2
DAFTAR GAMBAR
Nomor
Gambar Nama Gambar Halaman
2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 2.10 2.11 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 3.10 3.11 3.12 3.13 3.14 3.15 3.16 3.17 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 4.9 4.10 4.11 4.12 4.13 4.14 4.15 4.16
Proses Threshold
Jaringan Saraf Tiruan Sederhana Model Neuron
Jaringan Saraf dengan Lapisan Tunggal Jaringa Saraf dengan Banyak Lapisan Jaringan saraf dengan kompetitif Jaringan Backpropagation
Arsitektur Jaringan Backpropagation
Keadaan/ kondisi jaringan Hopfield Biner Arsitektur Metode Hopfield
Gigi
Diagram Ishikawa
Arsitektur Jaringan Backpropagation sistem Arsitektur Jaringan Hopfield sistem
Use Case Diagram Sistem Identifikasi Penyakit Gigi
Sequence Diagram Pelatihan JST Backpropagation
Sequence Diagram Pelatihan JST Hopfield
Sequence Diagram Pengujian JST Backpropagation
Sequence Diagram Pengujian JST Hopfield
Activity Diagram Pelatihan Backpropagation Activity Diagram Pelatihan Hopfield
Activity Diagram Pengujian Backpropagation Activity Diagram Pengujian Hopfield
Flowchart Sistem
Tampilan Rancangan Form Utama Tampilan Rancangan Form Pelatihan Tampilan Rancangan Form Pengujian Tampilan Rancangan Form Bantuan
Form Utama
Form Pelatihan
Form Pelatihan Setelah Membuka File Citra
Frorm Gambar Gigi Setelah Melakukan Proses Threshold
Form Setelah Proses Threshold pada Citra Gigi
Form Pengujian
From Hasil Pengujian dengan Backpropagation Form Hasil Pengujian dengan Hopfield
Form Menu Bantuan
Form Bantuan Pelatihan
Form Bantuan pengujian
Catatan Waktu Pelatihan JST Backpropagation
Catatan Waktu Pelatihan JST Hopfield
Pengujian JST Backpropagation Terhadap Objek Pengujian JST Hopfield Terhadap Objek
Grafik Kecepatan metode Backpropagation dan Metode
DAFTAR TABEL
Nomor
Tabel Nama Tabel Halaman
3.1 3.2 3.3 3.4 3.5 3.6 3.7
3.8
4.1 4.2 4.3 4.4
4.1
Nilai Bobot Lapisan masukan ke Lapisan Tersembunyi (vji)
Bobot Lapisan Masukan ke Lapisan Tersembunyi (wkj)
Nilai Suku Perubahan Bobot
Perubahan Bobot Unit Tersembunyi
Dokumentasi Naratif Use Case latih Backpropagation
Dokumentasi Naratif Use Case Latih Hopfield
Dokumentasi Naratif Use Case Identifikasi Penyakit Gigi (Pengujian) Backpropagation
Dokumentasi Naratif Use Case Identifikasi Penyakit Gigi (Pengujian) Hopfield
Vektor Input Pelatihan
Hasil Pengujian Metode Backpropagation
Hasil Pengujian Metode Hopfield
Hasil Pengujian Metode Backpropagation Menggunakan Data Masukan Tidak Terlatih
Hasil Pengujian Metode Hopfield menggunakan data masukan tidak terlatih
28 28 29 30 35 36
37
38 62 66 68
70
ABSTRAK
Gigi merupakan suatu organ terpenting makhluk hidup terutama manusia. Fungsi utama gigi adalah untuk merobek makanan dan mengunyah makanan. Kesehatan gigi merupakan suatu hal yang penting bagi kesehatan tubuh manusia karena gigi membantu proses pengunyahan makanan yang apabila gigi tidak sehat akan membuat nafsu makan tidak baik. Permasalahan yang dihadapin dalam perancangan sistem ini yaitu masalah pengenalan pola gigi yang terkena penyakit. Adapun metode jaringan syaraf yang digunakan yaitu backpropagation dan hopfield untuk dapat ditarik suatu kesimpulan metode mana yang memiliki ketepatan yang lebih baik dalam melakukan identifikasi terhadap objek yang dibahas. Pada metode backpropagation pola dilatih melalui tiga fase yang pertama yaitu fase propagasi maju, fase propagasi mundur, dan fase perubahan bobot hingga kondisi penghentian dipenuhi. Sedangkan pada metode
hopfield pelatihan dilakukan dengan melakukan dot product antara vektor pola
masukan dengan vektor bobot. Jaringan hopfield dikatakan sampai pada nilai maksimum jika sebuah pola stabil dipanggil ulang. Berdasarkan hasil ujicoba terhadap pola gigi diketahui bahwa metode hopfield dapat mengenali pola lebih cepat daripada metode backpropagation dengan rata-rata waktu pengenalan 2,46 dan 5,67 detik. Baik metode backpropagation maupun hopfield menghasilkan 100% pengenalan ketika data yang diuji merupakan data pelatihan. Sedangkan untuk pengujian menggunakan data yang tidak terlatih untuk Metode backpropagation menghasilkan ketepatan pendeteksian sebesar 93,3% dan metode Hopfield sebesar 82,3% dengan menggunakan data berbeda dengan pelatihan.
DETECTING DENTAL DISEASES USING ARTIFICIAL NEURAL NETWORK
WITH BACKPROPAGATION AND HOPFIELD METHODS
ABSTRACT
Teeth are one of the important things for living things, especially humans. The main functions of teeth are to tear and chew food. That function causes the health of teeth become something important for humans' health since the condition of teeth will surely influence humans' appetite. The unhealthy teeth can decrease humans' appetite, and so for the other way. Therefore, humans need to know the conditions or patterns of their teeth. The problem that is faced in this system design is the patterns recognitions of the diseased teeth. The neural network systems that are used are backpropagation and hopfield to make a conclution, which methode has the better accuracy at identifying the discussed object. In backpropagation methode, the patterns are trained through three phases which are forward propagation phase, backward propagation phase, and changes quality phase until ceasing condition being fulfilled. In hopfield methode, the training is done by performing dot product between input vector pattern and quality vector. Hopfield network is indicated reaching the maximum value if a stable pattern is being resummoned. Based on a tryout of the patterns of teeth was known that hopfield methode can recognize the pattern faster than backpropagation one with the average of recognition time 2.46 and 5.67 secs. Both backpropagation and hopfield methode make 100% recognition when the examined sample is the training sample. As for using the test data are not trained to produce the backpropagation method detection accuracy of 93.3% and 82.3% of the Hopfield method using data different from the training
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Jaringan saraf adalah merupakan salah satu representasi buatan dari otak manusia
yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia
tersebut. Istilah buatan disini digunakan karena jaringan syaraf tiruan ini di
implementasikan dengan menggunakan program komputer yang mampu
menyelesaikan sejumlah proses perhitungan selama proses pembelajaran [3].
Gigi merupakan organ terpenting makhluk hidup terutama manusia. Fungsi
utama gigi adalah untuk merobek dan mengunyah makanan. Gigi memiliki struktur
pelindung yang disebut email gigi, yang membantu mencegah lubang di gigi.
Kesehatan gigi merupakan suatu hal yang penting bagi kesahatan tubuh manusia
karena gigi membantu proses pengunyahan makanan yang apabila gigi tidak sehat
akan membuat nafsu makan tidak baik
Di dalam jaringan syaraf tiruan terdapat banyak metode pembelajaran yang
digunakan untuk menyelesaikan permasalahan dalam jaringan syaraf tiruan tersebut.
Metode jaringan syaraf tiruan antara lain Backpropagation, Learning Vector
Quantization, Kohonen, Perceptron, dsb.
Backpropagation adalah algoritma pembelajaran untuk memperkecil tingkat
error dengan cara menyesuaikan bobotnya berdasarkan perbedaan output dan target
yang diinginkan. Backpropagation juga merupakan sebuah metode sistematik untuk
pelatihan multilayer JST. Metode backpropagation menggunakan nilai kemelesetan
atau error output untuk menggubah nilai bobot arah mundur. Untuk dapatkan nilai
output error, tahapan perambatan maju harus dikerjakan terlebih dahulu dengan
mengaktifkan neuron dan fungsi aktivitas sigmoid. metode Hopfield adalah metode
(bobot simetris berdiagonal utama nol (0)) untuk mendapatkan output agar mendekati
atau sama dengan inputannya.
1.2 Rumusan Masalah
Adapun masalah yang akan dibahas dalam penelitian ini adalah :
1. Bagaimana dapat mendeteksi penyakit pada gigi.
2. Bagaimana merancang aplikasi untuk pengenalan pola dengan menggunakan
metode Backpropagation dan metode Hopfield
1.3 Batasan Masalah
Adapun batasan masalah dalam penelitian ini adalah :
1. Obyek yang ingin di teliti adalah citra gigi.
2. Metode yang digunakan yaitu metode Backpropagation dan metode Hopfield
untuk membandingkan ketepatan pendeteksian penyakit pada gigi.
3. Pengenalan pola yang ingin diketahui yaitu mendeteksi penyakit yang terjadi
pada gigi antara lain karies gigi, pulpitis, gingivitis, dan abses gigi.
4. Foto gigi di ambil secara manual dengan kamera.
5. Perancangan aplikasi menggunakan bahasa pemrograman MATLAB.
6. Kamera yang digunakan adalah kamera digital.
1.4 Tujuan Penelitian
Adapun tujuan dari penelitian ini adalah :
1. Membuat aplikasi pengenalan pola untuk mendeteksi penyakit gigi
menggunakan metode backpropagation dan metode Hopfield.
2. Dengan adanya aplikasi yang telah dibangun nantinya dapat diketahui
kecepatan dan ketepatan setiap metode dalam mendeteksi penyakit gigi.
1.5 Manfaat Penelitian
Penelitian ini diharapkan dapat membantu masyarakat baik individu maupun
kelompok yang nantinya dapat memanfaatkan aplikasi ini untuk mendeteksi penyakit
1.6 Sistematika Penulisan
Sistematika penulisan dari skripsi ini terdiri dari beberapa bagian utama sebagai
berikut:
BAB I: PENDAHULUAN
Berisi latar belakang, perumusan masalah, batasan masalah, tujuan dan manfaat
penelitian dan sistematika penulisan.
BAB II: TINJAUAN PUSTAKA
Berisi penjelasan singkat mengenai objek yang dibahas yaitu penyakit gigi,
pengolahan citra, jaringan syaraf yang digunakan yaitu metode backpropagation dan
hopfield.
BAB III: ANALISIS DAN PERANCANGAN
Berisi analisis terhadap proses kerja sistem serta perancangan tampilan form dari
aplikasi yang akan dibangun.
BAB IV: IMPLEMENTASI DAN PENGUJIAN
Berisi implementasi aplikasi yang sesuai dengan analisis dan perancangan serta
pengujian yang dilakukan untuk membuktikan bahwa aplikasi apakah berjalan sesuai
dengan apa yang ditentukan sebelumnya.
BAB V: KESIMPULAN DAN SARAN
Berisi kesimpulan dari hasil yang telah didapat serta saran-saran yang diharapkan
BAB 2
TINJAUAN PUSTAKA
2.1Pengolahan Citra
Ada dua macam citra yang dapat kita jumpai dalam kehidupan kita, yaitu citra analog
dan citra digital. Citra analog adalah citra yang bersifat kontinu, sepert foto yang
tercetak pada kertas, lukisan , foto sinar-X, dan sebagainya. Sedangkan citra digital
adalah citra yang dapat diolah oleh komputer dimana citra tersebut dapat dilihat ketika
citra berada didalam layar monitor komputer.
Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi dan suatu
obyek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
foto, bersifat analog berupa sinyal-sinyal video seperti gambar pada monitor televisi,
atau bersifat digital yang dapat langsung disimpan pada suatu media
penyimpanan[11].
2.1.1 Cita Digital Gray Scale
Cita digital gray scale merupakan suatu larik dua dimensi atau suatu matrik yang
elemen-elemennya menyatukan tingkat keabuan dari elemen gambar (Piksel). Gray
scale memiliki banyak variasi nuansa abu-abu sehingga berbeda dengan image
hitam-putih. Sebuah image yang di ubah ke gray scale akan terkesan berbeda bila di
bandingkan dengan image berwarna.
2.1.2. Proses Threshold
Proses threshold atau pengambangan merupakan proses dimana citra akan dirubah
menjadi citra biner. Citra biner merupakan citra yang hanya memiliki dua nilai yaitu
hitam dan putih atau dalam bentuk nilai yaitu 0 dan 1. Pada gambar 2.2 dapat dilihat
Gambar 2.1 : Proses Threshold
2.2Jaringan Saraf Tiruan
Jaringan saraf tiruan (artificial neural network), atau disingkat JST, adalah system
komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel saraf
biologis di dalam otak, yang merupakan salah satu representasi buatan dari otak
manusia yang selalu mencoba menstimulasi proses peroses pembelajaran pada otak
manusia tersebut. JST dapat digambarkan sebagai model matematis dan komptasi
untuk fungsi aproksimasi non-linear, klasifikasi data cluster dan regresi
non-para-metrik atau sebuah simulasi dari koleksi model saraf biologi[1].
Gambar 2.2 Jaringan Saraf Tiruan Sederhana
Jaringan saraf tiruan atau yang sering dikenal dengan Artificial Neural
Networks (ANNs) mulai di kembangkan pada tahun 1940. Jaringan Saraf tiruan
biasanya diklarifikasikan sebagai jaringan satu lapisan (single layer) atau jaringan
banyak lapisan (multiple layer). Dalam penentuan jumlah lapisan, laisan masukan
tidak termasuk dalam hitungan karena pada lapisan itu tidak terjadi proses komputasi.
Neuron/ sel saraf adalah sebuah unit pemrosesan informasi yang merupakan
dasar operasi jaringan saraf tiruan. Beberapa neuron akan mentransformasikan
informasi yang diterimanya melalui sambungan keluaran menuju neuron-neuron yang
lain.
X1
X2
Z1
Z2
Model dari sebuah neuron ditunjukkan pada gambar 2.
Gambar 2.3 Model Neuron
Dari model sebuah neuron pada Gambar 2 dapat dituliskan persamaan:
y = f (∑��=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
2.2.1 Arsitektur Jaringan Saraf Tiruan
Jaringan saraf tiruan dirancang dengan menggunakan suatu aturan yang bersifat
menyeluruh (general rule) dimana seluruh model jaringan memiliki konsep dasar
yang sama. Arsitektur sebuah jaringan akan menentukan suatu
keberhasilan target yang akan di capai karena tidak semua permasalahan dapat
diselesaikan dengan arsitektur yang sama. Jaringan saraf tiruan dibagi oleh tiga
arsitektur yaitu Jaringan dengan lapisan tunggal, Jaringan dengan banyak lapisan, dan
Jaringan dengan lapisan kompetitif [1].
x1
w1
x2
w2
� f (.)
Input
. . .
netk output
Fungsi Penjumlahan
Fungsi Aktivasi
xi
2.2.1.1. Jaringan dengan Lapisan Tunggal (Single Layer Network)
Jaringan saraf satu lapisan tunggal ( single layer network) pertama kali dirancang oleh
widrow dan holf pada tahun 1960. Jaringan dengan lapisan tunggal hanya memiliki
satu lapisan bobot terhubung. Jaringan ini hanya menerima input kemudian secara
langsung akan mengelolahnya menjadi output tanpa harus melalui lapisan
tersembunyi [1].
Single layer network yang dalam bahasa Indonesia berarti jaringan lapis
tunggal merupakan jaringan yang mana neuron-neuron tersusun dalam suatu lapisan.
Disebut lapisan tunggal oleh karena neuron output dari jaringan ini hanya satu.
Pada gambar dibawah ini, lapisan input memiliki 3 neuron, yaitu X1, X2, X3.
Sedangkan lapisan output memiliki 2 neuron, yaitu Y1 dan Y2. neuron-neuron pada
kedua lapisan saling berhubungan. Seberapa besar hubungan antara 2 neuron
ditentukan oleh bobot yang bersesuaian. Semua unit input akan di hubungkan dengan
setiap unit output [1].
X1 X2 X3
Y2
Y1
Nilai input
Lapisan input
Lapisan output Matriks bobot
Nilai output w12
w13
w14
w15
w1
w11
Gambar 2.4 Jaringan Saraf dengan Lapisan Tunggal
2.2.1.2. Jaringan dengan Banyak Lapisan (multilayer net)
Jaringan dengan banyak lapisan (multilayer net) memiliki satu atau lebih lapisan yang
terletak di antara lapisan input dan lapisan output seperti terlihat pada gambar 4.
Umumnya terdapat lapisan bobot-bobot yang terletak antara 2 lapisan yang
yang lebih sulit daripada lapisan dengan lapisan tunggal, dengan pembelajaran yang
lebbih rumit [1].
X1 X2 X3
Z2 Z1
Nilai input
Lapisan input
Lapisan output Matriks bobot
Nilai output w12
w13 w14
w15 w1
w11
Y w1 w2
Lapisan
Matriks bobot
ke-Gambar 2.5 Jaringa Saraf dengan Banyak Lapisan
2.2.1.3. Jaringan dengan lapisan kompetitif (competitif layer net)
Hubungan antar neuron pada lapisan kompetitif ( competitif layer net) ini tidak
diperlihatkan pada diagram arsitektur. Gambar 2.6 berikut menunjukan salah satu
contoh arsitektur jaringan lapisan komperirif yang memiliki bobot –n [1].
1 A1
-n
Aj
Am
Ai
1
-n -n -n
2.3 Jaringan Saraf Tiruan Backpropagation
Jaringan saraf tiruan memiliki banyak jenis metode dan salah satunya adalah metode
backpropagation. Metode backpropagation melatih jaringan untuk mendapatkan
keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan
selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar
terhadap pola masukan yang serupa dengana pola yang dipakai dengan pola yang
dipakai selama pelatihan. Backpropagation merupakan algorima pembelajaran yang
terawasi dan bisanya digunakan oleh perceptron dengan banyak lapisan untuk
mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan
tersembunyinya. Algoritma backpropagation menggunakan error output untuk
mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan
error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih
dahulu. Pada saat perambatan maju, neuron-neuron diaktifkan dengan menggunakan
fungsi aktivasi yang dapat dideferensiasikan.[4]
Jaringan saraf Tiruan Backpropagation pertama kali diperkenalkan oleh
Rumelhart, Hinton, dan William pada tahun 1986, kemudian dikembangkan oleh
Rumelhart dan Mc Clelland pada tahun 1988. Inti dari metode backpropagation
terletak pada kemampuan untuk mengubah nilai-nilai bobotnya untuk menanggapi
adanya kesalahan. Agar dapat menghitung kesalahan , pada proses pemblajaran perlu
adanya pola pola keluaran yang dibandingkan dengan targetnya. Hasil dari
perbandingan ini berupa error atau kesalahan[8].
.
X1
X2
X3
Z1
Z2
Z3
Y1
Y2
W11
W12
W13
W21
W22
W23
V11
V12
V21
V22
V31
V32
Input Output Hidden
Keteranagan :
X = Masukan (input)
V = Bobot lapisan tersembunyi
W = Bobot lapisan keluaran
Z = Lapisan tersembunyi (hidden layer)
Y = Keluaran (output).
2.3.1 Arsitektur Jaringan Backpropagation
Backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya
digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang
terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma
backpropagation menggunakan error output untuk mengubah nilai-nilai bobotnya
dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju
(forward propagation) harus dikerjakan terlebih dahulu. Pada saat perambatan maju,
neuron-neuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid, yaitu [7] :
�(�) = 1
1+e−x ... (11) �(�) : fungsi aktivasi sigmoid
Di dalam jaringa ini setiap unit yang berada di lapisan input terhubung dengan
setiap unit yang ada di lapisan tersembunyi. Hal serupa berlaku pula pada lapisan
tersembunyi. Setiap unit yang ada di lapisan tersembunyi terhubung dengan setiap unit
yang ada di lapisan output[9].
x1
b=1 x3
x2
z2
z1
b=1
Y v11
v12
v21
v22
v31
v32
v01
v02
w0
w1
w2
Gambar 2.12 Arsitektur Jaringan Backpropagation[8]
Perbedaan antara output aktual dengan output target dikembalikan lagi
kelapisan tersembunyi sebagai input untuk meng-update bobot, membawa keluaran
jaringan ke arah semakin mendekati output target[9].
Keterangan :
�1,�2,�3 : unit input
�1,�2 : lapisan tersembunyi
� : lapisan output b : bias
�1,�2 : bobot yang menghubungkan neuron pada lapisan tersembunyi dengan neuron pada lapisan output
��� : bobot yang menghubungkan neuron ke-j pada suatu lapisan ke neuron ke-i pada lapisan sesudahnya (v11,v21,v31).
�01,�02 : bobot bias yang menuju ke neuron pertama dan kedua pada lapisan tersembunyi
2.3.2 Fungsi Aktivasi
Fungsi aktivasi merupakan fungsi matematis yang berguna untuk membatasi dan
menentukan jangkauan output suatu neuron. Fungsi aktivasi untuk Jaringan Saraf
Tiruan Backpropagation harus memiliki beberapa karakteristik penting, yaitu
kontinyu, dapat dideferensialkan, dan monoton tanpa penurun. Fungsi aktivasi
biasanya digunakan untuk mencari nilai asimtot maksimum dan minimum. Fungsi
aktivasi yang biasa digunakan untuk jaringan Backpropagation adalah :
1. fungsi sigmoid bipolar, dimana fungsi sigmoid bipolar hampir sama
dengan fungsi sigmoid biner, hanya saja output dari fungsi ini memiliki
range antara 1 sampai -1[3].
fungsi sigmoid bipolar dirumusskan sebagai :
y = f(x) = 1−�−� 1+�−�
dengan : f’(x) = �
2 [1 +�(�)][1− �(�)]
2. fungsi sigmoid biner, fungsi ini digunakan untuk jaringan saraf yang
dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid
biner memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini
sering digunakan untuk jaringan saraf yang membutuhkan nilai output
yang terletak pada interval 0 sampai 1. Namun fungsi ini biasa juga
digunakan oleh jaringan saraf yang nilai outputnya 0 atau 1 [3].
fungsi sigmoid biner dirumuskan sebagai :
y = f (x) = 1 1+�−��
dengan : f’ (x) = ��(x) [1- f(x)]
Untuk sistem yang akan dibangun menggunakan fungsi aktiviasi
sigmoid bipolar. Karena nilai yang digunakan sebagai input lebih luas
2.3.3 Pelatihan Standar Backpropagation
Pelatihan backpropagation memiliki 3 fase. Fase pertama adalah fase maju. Pola
masukan dihitung maju mulai dari layar masukan hingga layar keluaran menggunakan
fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur. Selisih antara
keluaran jaringan dengan target yang diinginkan merupakan yang terjadi. Kesalahan
tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung
dengan unit-unit di layar keluaran. Fase ketiga adalah modifikasi bobot untuk
menurunkan kesalahan yang terjadi [8].
1. Fase I : Propagasi maju
Propagasi maju, sinyal masukan (= xi) dipropagasikan ke layar
tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran
dari setiap unit layar tersembunyi (= Zj) tersebut selanjutnya
dipropagasikan maju lagi ke layar tersembunyi di atasnya
menggunakan fungsi aktivasi yang ditentukan. Demikian seterusnya
hingga menghasilkan keluaran jaringan (= yk).
Berikutnya, keluaran jaringan (= yk) dibandingkan dengan target yang
harus dicapai (= tk). Selisih tk - yk adalah kesalahan yang terjadi. Jika
kesalahan ini lebih kecil dari batas toleransi yang ditentukan, maka
iterasi dihentikan. Akan tetapi apabila kesalahan masih lebih besar dari
batas toleransinya, maka bobot setiap garis dalam jaringan akan
dimodifikasi untuk mengurangi kesalahan yang terjadi [8].
2. Fase II : Propagasi mundur
Berdasarkan kesalahan tk- yk dihitung faktor δk (k = 1,2, ..., m) yang
dipakai untuk mendistribusikan kesalahn di unit yk ke semua unit
tersembunyi yang terhubung langsung dengan yk. δk juga dipakai untuk
mengubah bobot garis yang berhubungan langsung dengan unit
keluaran.
Dengan cara yang sama, dihitung faktor δj di setiap unit di layar
tersembunyi sebagai dasar perubahan bobot semua garis yang berasal
dari unit tersembunyi di layar di bawahnya. Demikian seterusnya hingga semua faktor δdi unit tersembunyi yang berhubungan langsung dengan unit masukan dihitung [8].
Setelah semua faktor δ dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan bobot suatu garis didasarkan atas faktor δ
neuron di layar atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke layar keluaran didasarkan atas δk yang ada di unit keluaran
[8].
2.3.4. Algoritma Pelatihan
Algoritma pelatihan untuk jaringan backpropagation adalah sebagai berikut :
1. Langkah 0
Inisialisasi semua bobot dengan bilangan acak kecil
2. Langkah 1
Jika kondisi penghentian belum terpenuhi, lakukan langkah 2-9
3. Langkah 2
Untuk setiap data pelatihan , lakukan langkah 3-8
Fase I : Propagasi maju 4. Langkah 3
Tiap unit masukan menerima sinyal dan meneruskan ke unit tersembunyi di
atasnya.
5. Langkah 4
Hitung semua keluaran di unit tersembunyi zj (j= 1,2, ..., p)
z_net j = v jo +
∑
��=0x
iv
jiz
j = f(z_netj) = 1+exp 1(−znetj)
6.
Langkah 5Hitung semua keluaran jaringan di unit yk (k= 1,2, ..., m)
y_net k = w ko +
∑
��=1z
jw
kj yk = f(y_netk) = 1+exp 1(−ynetk)
Fase II : Propagasi mundur
Hitung faktor � unit keluaran berdasarkan kesalahan di setiap unit keluaran
yk (k=1,2, ..., m)
�k = (tk – yk) f’(y_netk) = (tk – yk) yk (1-yk)
Hitung suku perubahan bobot wkj (yang akan dipakai nanti untuk merubah
bobot wkj) dengan laju percepatan α
Δwkj = α �k zj ; k = 1,2, ..., m ; j = 0,1, ..., p
8. Langkah 7
Hitung faktor � unit tersembunyi berdasarkan kesalahan di setiap unit
tersembunyi zj (j=1,2, ... , p)
�_netj = +
∑
��=1 �kw
kj Faktor � unit tersembunyi :�j = �_netj f’(z_netj) = �_netj zj(1-zj)
Hitung suku perubahan bobot vji :
Δvji = α �j xi ; j = 1,2, ..., p ; i = 0,1, ..., n
Fase III : Perubahan bobot 9. Langkah 8
Hitung semua perubahan bobot.
a. Perubahan bobot garis yang menuju ke unit keluaran :
wkj(baru) = wkj(lama) + Δwkj (k = 1,2, ...,m ; j = 0,1, ..., p)
b. Perubahan bobot garis yang menuju ke unit tersembunyi :
vji(baru) = vji(lama) + Δvji (j = 1,2, ..., m ; i = 0,1, ..., n)
10.Langkah 9
Pelatihan selesai dilakukan, jaringan dapat dipakai untuk mendeteksi
penyakit gigi. [5]
Keterangan :
α : laju pembelajaran
δ_net j : jumlah input pada lapisan tersembunyi dari unit pada lapisan keluaran Yk
y_netk : sinyal masukan untuk unit keluaran Yk
Yk : unit keluaran k
Xi : unit masukan i
Vjo : bias pada unit tersembunyi
Wko : bias pada unit keluaran
δ k : informasi error pada unit keluaran Yk yang dilakukan
propagasi balik ke unit tersembunyi
δ j : informasi error pada unit tersembunyi Zj
ΔVji : koreksi bobot antara lapisan tersembunyi Zj dengan lapisan
masukan Xi
Δwkj : korekai bobot antara lapisan keluaran Yk dengan lapisan
tersembunyi Zj
Vij : bobot antara lapisan tersembunyi Zj dengan lapisan masukan
Xi yang sudah disesuaikan
Zj : unit tersembunyi j
Wkj : bobot antara lapisan keluaran Yk dengan lapisan masukan Zj
yang sudah disesuaikan
Z_netj : sinyal masukan untuk unit tersembunyi Zj
2.4. Jaringan Saraf Tiruan Hopfield
Hopfield pertama kali diperkenalkan oleh John Hopfield pada tahun 1982. Hopfield
Dalam paper yang dipublikasikan pada tahun 1982, John Hopfield
memperkenalkan arsitektur jaringan yang kemudian dikenal dengan jaringan Hopfield.
Dengan istilah jelas dan sederhana, Jhon Hopfield menjabarkan bagaimana
kemampuan komputasi dapat dibangun dari jaringan yang terdiri dari
komponen-komponen yang menyerupain neuron. Jhon Hopfield menjabarkan bagaimana
kemampuan komputasi dapat dibangun dari jaringan yang terdiri dari
komponen-komponen yang mempunyai neuron. John Hopfield menggambarkan suatu associative
memory yang dapat diterapkan dan kemudian mendemonstrasikan masalah optimasi
yang dapat diselesaikan dengan jaringannya .[1]
Unit-unit pengolahan dalam jaringan Hopfield terhubung penuh,
hubungan-hubungan tersebut adalah langsung dari setiap unit pengelolahan hubungan-hubungan dalam dua
arah. Setiap hubungan mempunyai bobot, bobot tersebut adalah nilai scalar yang
berdasarkan pada kekuatan hubungan (connection strength).
Jaringan Hopfield biner mempunyai suatu lapisan unit pengolah. Setiap unit
pengolah mempunyai sebuah nilai aktivitas atau kondisi (state) yang bersifat biner.
Disini digunakan kondisi 0 dan 1. Jaringan juga dapat bekerja jika digunakan nilai +1
dan -1, hanya saja diperlukan sedikit perubahan dalam persamaanya[1].
Keseluruhan jaringan mempunyai kondisi pada setiap saat.kondisi tersebut
dapat berubah vector dari bilangan 0 dan 1. Setiap anggota vector tersebut dapat
berupa vector dari bilangan 0 dan 1. Setiap anggota vecktor sesuai dengan unit
pengolah dalam jaringan. Jadi pada setiap saat kondisi jaringan dapat digambarkan
dengan vecktor sebagai berikut :
U = (u1,u2,u3,…..,un) = (+ +…..+…+)
Vector ini mencerminkan sebuah jaringan yang terdiri dari n unit pengolah,
dimana elemen ke i mempunyai kondisi ui. dalam notasi ini, + menggambar sebuah
unit pengolah dengan nilai 1 dan – menggambarkan sebuah unit pengolah dengan nilai
0. Gambar 7 berikut menunjukan diagram unit pengolah dalam jaringan Hopfield,
bersama dengan contoh kondisinya. Kondisi jaringan dapat berubah setiap waktu
Unit pengolah 2 Unit pengolah 1
Unit pengolah 4
Unit pengolah 3
Gambar 2.8 Keadaan/ kondisi jaringan HopfieldBiner.
2.4.1. Jaringan Saraf Tiruan Hopfield Diskrit
Jaringan saraf tiruan Hopfield diskrit adalah jaringan yang saraf tiruannya terhubung
penuh atau fully connected. Atau setiap unit terhubung dengan setiap unit lainnya,
pada jaringan Hopfield diskrit ini tidak memiliki hubungan dengan dirinya sendiri.
Jaringan saraf tiruan merupakan kumpulan dari neuron-neuron (sel-sel saraf)
dimana sebuah neuron berhubungan dengan sebuah neuron lainnya dengan cara
mengirimkan informasi dalam bentuk fungsi aktivasi. Fungsi aktifasi yang digunakan
yaitu fungsi symetric stautrating linear dimana fungsi ini akan bernilai -1 jika
inputnya kurang dari -1, dan akan terletak antara -1 dan 1, maka outputnya akan
bernilai sama dengan nilai inputannya. Fungsi symetric stautrating linear dirumuskan
sebagai :
Fungsi aktivasi energy yang digunakan dalam jaringan Hopfield adalah fungsi
energy Lyapunov, yaitu sebuah fungsi yang terbatas dan menurun untuk
2.4.1.1. Algoritma Jaringan Hopfield Diskrit
Algoritma pelatihan jaringan Hopfield Diskrit adalah sebagai berikut :
0. Inisialisasi matriks bobot W
1. Masukkan vector input (invec), lalu inisialisasi vector output (outvec)
sebagai berikut:
Outvec = Invec
2. Mulai dengan counter i = 1
3. Ketika Invector ≠ Outvec lakukan langkah 4-7.
(jika i sudah mencapai nilai maksimum, i akan mereset ke 1 untuk
malanjutkan siklus).
4. Hitung Nilaii = DotProduct(Inveci, Kolomi dari W)
5. Hitung Outveci = f(Nilaii) dimana f adalah fungsi ambang (threshold
function).
Untuk pola input biner:
�(�) =� 1 ����� ≥ � 0 ����� < �
Dimana θ biasanya sama dengan 0. Untuk pola input bipolar:
�(�) =� 1 �����> � −1 ����� ≤ �
Dimana threshold θ biasanya sama dengan 0. 6. Update input jaringan dengan komponen Outvec.
2.4.2 Arsitektur Metode hopfield
x
1x
2x
4x
3x
5x
6W31 W13 W12 W21 W56 W65 W35 W53 W15W51
W62 W26 W46 W64 W24 W42 W16 W61 W25 W52 W14 W41 W23 W32 W36 W63 W34 W43 W45 W54
Gambar Arsitektur Jaringan Hopfield
Dari gambar diatas menunjukan sebuah jaringan Hopfield dengan 6 buah Neuron Yang terhubung satu sama lain. Setiap unit tidak memilki hubungan dengan dirinya sendiri. Hubungan antara-neuron tersebut mimiliki bobot positif atau negative. Berikut bobot-bobot digambarkan sebagai vector W :
W = ⎣ ⎢ ⎢ ⎢ ⎢
⎡ W 0 W12 W13 W14 W15 W1
21 0 W23 W24 W25 W26
W31 W32 0 W34 W35 W36 W41 W42 W43 0 W45 W46 W51 W52 W53 W54 0 W56 W61 W62 W63 W64 W65 0 ⎦
⎥ ⎥ ⎥ ⎥ ⎤
Perhatikan bahwa bobot-bobot yang terletak pada diagonal utamanya adalah nol yang menunjukan bahwa neuron-neuron pada jaringan Hopfield tidak memiliki hubungan dengan dirinya sendiri ( Wij = 0; i=j). Sementara itu kesimetrisan vector bobot berarti
berlakunya Wij = Wij dimana i≠j, sehinga W12=W21, W13=W31, W23=W32,…, dan
2.5. GIGI
Gigi merupakan organ tubuh yang berperan dalam proses pencernaan, pengunyahan,
dan tak kalah pentingnya sebagai estetis dalam pembentukan profil wajah. Gigi
terbentuk melalui interaksi yang sangat kompleks antara ectoderm, epitel oral dan sel
mesenkim adalah dasar/awal pembentukan gigi [7].
Pada manusia terdapat 20 gigi desidui dan 32 gigi permanen yang berkembang
dari interaksi sel epitel rongga mulut dan sel bawah mesenkim. Setiap gigi
[image:35.595.259.405.271.421.2]berbeda-beda secara anatomi, dasar proses pertumbuhannya sama pada semua gigi [7].
Gambar 2.9 Gigi
Setiap gigi tumbuh berturut-turut mulai dari tahap bud, cup, dan tahap bell.
Gigi tumbuh dari 2 tipe sel yaitu epitel oral dari organ enamel dan sel mesenkim dari
papoladental. Perkembangan enamel dari enamel organ dan perkembangan dentin dar
dental papilla. Tahap awal dari perkembangan gigi adalah berkembangnya lamina
dental yang tumbuh dari epithelium oral. Lamina dental berkembang menjadi selapis
epitel oral didorong ke bawah mesenkim di sekeliling batas dari maksila dan
mandibular joint. Pada pinggiran utama dari lamina dental terdapat 20 area perluasan
untuk pertumbuhan 20 gigi desidui. Pada tahap awal setiap tunas/pertumbuhan gigi
sudah ditentukan morfologi apakah itu insisivus, kaninus, dan molar [7].
Pada gigi manusia dapat ditemui 4 (empat) macam gigi yang terdapat pada mulut
disertai dengan arti definisi dan pengertian yaitu :
1. Gigi seri
Gigi seri adalah gigi yang memiliki satu akar yang berfungsi untuk memotong
2. Gigi taring
Gigi taring adalah gigi yang memilki satu akar dan memiliki fungsi untuk
mengoyak makanan atau benda lainnya
3. Gigi geraham kecil
Gigi graham kecil adalah gigi yang punya dua akar yang berguna / berfungsi
untuk menggilas dan mengunyah makanan atau benda lainnya
4. Gigi graham
Gigi geraham adalah gigi yang memiliki tiga akar yang memiliki fungsi untuk
melumat dan mengunyah makanan atau benda-benda lainnya
Kesehatan gigi merupakan merupakan suatu hal yang sangat penting bagi
manusia karena gigi membantu proses pengunyahan makana yang kita makan,
macam-macam penyakit pada gigi yaitu :
1. Karies
Karies gigi adalah suatu penyakit yang tidak kalah pentingnya dengan
penyakit lain, karena karies gigi dapat mengganggu aktifitas seseorang
dalam melaksanakan tugasnya sehari-hari. Akibat yang ditimbulkan oleh
karies gigi ini bermacam-macam mulai dari yang ringan sampai yang
berat, oleh karena salah satu penyebab dari karies gigi adalah adanya
aktifitas bakteri. Bakteri yang bersarang pada karies gigi itu bisa
menembus ke pembuluh darah dan akhirnya mengumpul di jantung.
Semboyan mencegah lebih baik daripada mengobati harus selalu kita ingat
karena mulut adalah pintu gerbang utama masuknya segala macam benda
asing ke dalam tubuh, menjaga kesehatan gigi dan mulut berarti langkah
awal menjaga kesehatan tubuh. Bakteri sangat berperan pada proses
terjadinya karies gigi dan penyakit periodontal. Banyaknya
mikroorganisme tergantung pada kesehatan dan kebersihan mulut
seseorang.
2. Pulpitis
Pulpitis adalah suatu radang yang terjadi pada jaringan pulpa gigi dengan
gambaran yang akut. Merupakan penyakit lanjut karena didahului oleh
terjadinya karies, hyperemia pulpa baru setelah itu menjadi Pulpitis, yaitu
ketika radang sudah mengenai kavum pulpa. Penyebab Pulpitis yang paling
adalah cedera. Pulpitis menyebabkan sakit gigi yang tajam luar biasa,
terutama bila terkena oleh air dingin, asam, manis, kadang hanya dengan
menghisap angina pun sakit. Rasa sakit dapat menyebar ke kepala, telinga
dan kadang sampai ke punggung
3. Gingivitis (radang pada gusi),
Gingivitis adalah peradangan pada gusi (gingiva) yang sering terjadi dan
bisa timbul kapan saja setelah timbulnya gigi. Gingivitis merupakan tahap
awal dari timbulnya penyakit gusi, peradangan disebabkan oleh ‘plak’
yang terbentuk disekitar gusi. Jika pembersihan gigi yang dilakukan setiap
hari tak mampu membersihkan dan mengangkat ‘plak’ yang terbentuk, hal
itu bias memproduksi racun yang bias menyebabkan iritasi pada lapisan
luar gusi, dan timbulah gingivitis. Jika gusi berdarah saat kita menyikat
gigi atau membersihkan gigi dengan benang gigi sebagai tahap awal
penyakit gusi, kerusakan lebih lanjut bias diatasi asalkan tulang dan
jaringan luar gusi yang menyangga gigi yang terinfeksi tersebut masih
belum terinfeksi juga. Gingivitis hamper selalu terjadi akibat penggosokan
dan flossing (membersihkan gigi dengan menggunakan benang gigi) yang
tidak benart, sehingga plak tetap ada disepanjang garis gusi. Plak
merupakan suatu lapisan yang terutama terdiri dari bakteri. Bakteri yang
sering menyebabkan terjadinya plak pada Gingivitis Borelia Vincent dan
Baccilus fusiformis. Untuk mencegah terjadinya Gingivitis, yaitu dengan
menjaga kebersihan gigi dan mulut serta control rutin ke dokter minimal 6
bulan sekali. Karang gigi (Calculus) merupakan kumpulan plak
termineralisasi (pembentukan mineral seperti ‘batukarang’) yang
menempel pada permukaan gigi berdasarkan lokasinya, karang gigi ada di
supragingiva (permukaan gigi diatas gusi) dan di subgingiva (permukaan
gigi dibawah gusi) terutama pada daerah-daerah gigi yang sulit
dibersihkan.
4. Abses gigi (pembengkakan gigi).
Abses gigi adalah suatu keadan dimana terjadinya pengumpulan nanah dari
sebuah gigi ke jaringan sekitarnya, biasanya berasar dari suatu infeksi.
Abses gigi ini biasanya terjadi dari gigi yang berisi cairan ( nanah )
abses gigi dapat diidentifikasi dengan sejumlah gejala nyeri seperti sakit
gigi parah yang menolak untuk pergi, nyeri pada gusi, nyeri menggigit dan
mengunyah, dll Anda mengalami begitu banyak rasa sakit karena terjadi
penumpukan nanah di gigi. Nanah terkumpul di bawah gigi diberikannya
banyak tekanan pada sekitarnya setiap kali gigi disentuh dan memberikan
rasa. sakit berdenyut. Penyebab utama abses gigi adalah serangan bakteri
pada pulpa gigi atau bagian terdalam dari gigi. Bakteri masuk jauh ke
dalam pulpa gigi baik melalui rongga gigi atau gigi patah disebabkan oleh
cedera traumatis. Ketika infeksi bakteri ternyata parah, hal itu dapat
mempengaruhi jaringan dari daerah yang berdekatan dan gejala yang lebih
parah dapat diamati. Mereka adalah peradangan gusi yang berlebihan yang
dapat menyebabkan pembengkakan pada satu sisi kelenjar getah bening
wajah, demam dan bengkak. Jika gigi pecah abses, rasa busuk dapat
dirasakan di mulut.
apa bila gigi tidak sehat maka akan membuat nafsu makan menjadi tidak baik.
Rasa sakit (nyeri) adalah keluhan umum yang paling sering di rasakan oleh manusia.
Nyeri gigi dapat berasal dari neuralgia trigeminal, neuralgia fasil atipis, migraine,
nyeri jantung atau artrosis temporomandibullar. Sinusitis atau sakit pilek dapat
menyebabkan rasa sakit yang diteruskan pada gigi-gigi posterior rahang atas. Contoh
gejala pada gigi yang di alami oleh gigi tidak sehat :
1. Terjadinya pembengkakan pada gusi.
2. Gigi terasa nigilu saat makan makanan yang panas atau dingin.
3. Terhambatnya pertumbuhan gigi.
4. Menipisnya email pada gigi.
5. Gigi berlubang.
6. Terjadinya perubahan warna pada gusi yang disebabkan karena merokok,
minum minuman keras dll.
7. Gigi mudah rapuh dan patah.
8. Terjadinya pergeseran gigi yang disebabkan karena terlalu kuat menggigit
atau menggemeretakkan gigi.
9. Memeiliki banyak plak yang berakibat menjadi karang gigi.
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
3.1. Analisis Sistem
Analisis sistem merupakan suatu tahapan untuk membantu memahami sesuatu yang
di butuhkan system dan mempelajari permasalahan-permasalah yang ada untuk
kemudian dilakukannya solusi penyelesaian yang didasarkan pada kebutuhan
pengguna sistem agar tercipta sebuah sistem yang berguna bagi pengguna. Sehingga
nantinya dapat membantu didalam proses perancangan model suatu system yang akan
diimplementasikan.
3.1.1. Analisis Permasalahan
Gigi merupakan organ terpenting makhluk hidup terutama manusia. Fungsi utama gigi
adalah untuk merobek dan mengunyah makanan. Gigi memiliki struktur pelindung
yang disebut email gigi, yang membantu mencegah lubang di gigi. Kesehatan gigi
merupakan suatu hal yang penting bagi kesahatan tubuh manusia karena gigi
membantu proses pengunyahan makanan yang apabila gigi tidak sehat akan membuat
nafsu makan tidak baik
Permasalahan yang dihadapin dalam perancangan system ini yaitu masalah
pengenalan pola gigi yang terkena penyakit. Sehingga dengan adanya sistem ini
diharapkan dapat membantu masyarakat untuk mendeteksi penyakit gigi sementara
waktu sebelum dilakukan pendeteksian gigi oleh dokter gigi.
Penyebab dan dampak dari permasalahan tersebut digambarkan dengan
.
Pemanfaatan Jaringa Syaraf Tiruan Untuk Memberikan Solusi Pengobatan dari Beragam
Jenis Penyakit Gigi
Material
Lingkungan
Metode
Teknologi
Mengetahui Solusi dari Berbagai Jenis Penyakit Gigi Sebelum
Melakukan Tindakan Pengobatan Ke Dokter
Gigi
Pemanfaatan teknologi untuk mendeteksi Penyakit Gigi Sementara
Untuk Selanjutnya dilakukan Observasi Oleh
Dokter Gigi Pemanfaatan JST
backpropagation dan hopfield untuk Mendeteksi
Penyakit Gigi Berbagai jenis
Penyakit Gigi yang Sering dialami Oleh
Manusia
Gambar 3.1 Diagram Ishikawa
3.1.2. Analisis Kebutuhan Sistem
Analisis kebutuhan sistem ini meliputi analisis kebutuhan fungsional sistem dan
analisis non-fungsional sistem.
3.1.2.1. Kebutuhan Fungsional Sistem Kemampuan fungsional dari sistem ini yaitu:
1. Masukan gambar gigi yang memiliki ekstensi file.jpg atau .jpeg.
2. Sistem melakukan pelatihan terhadap pola gambar agar kemudian dapat
menghasilkan Output.
3. Sistem melakukan pengujian terhadap pola gambar dimana hasil dari
pengujian tersebut berupa nama penyakit gigi, salusi pengobatan terhadap
3.1.2.2. Kebutuhan Non-Fungsional Sistem Kebutuhan non-fungsional dari sistem ini yaitu :
1. Tampilan antarmuka sistem dapat dimengerti oleh user atau pengguna sistem.
2. Data yang digunakan oleh sistem haruslah data real atau nyata dan sesuai
sehingga dapat menghasilkan pengenalan pola yang tepat dan memberikan
informasi yang tepat dan sesuai dengan tidak mengurangi kualitas informasi.
3. Efektifitas dan efisiensi dapat terlihat dari waktu respon antara pengguna
dengan sistem.
4. Sistem yang nantinya telah dibuat dapat dikembangkan dengan mudah
sehingga sistem dapat tetap digunakan di masa yang akan datang.
5. Sistem yang dibuat dapat dikembangkan untuk kepentingan lebih lanjut.
3.1.3. Analisis Proses
Dalam sistem ini ada dua metode yaitu metode backpropagation dan metode hopfield
yang digunakan untuk melakukan pendeteksian terhadap penyakit gigi. Di dalam
proses pelatihan ini dilakukan pelatihan terhadap suatu pola masukan dari image gigi
dengan menggunakan kedua metode tersebut. Kemudian dilakukan proses threshold
untuk mendapatkan citra gigi, dan dilakukan proses reduksi data citra tersebut dan
pada akhirnya dilakukan pelatihan jaringan saraf tiruan untuk mendeteksi penyakit
gigi.
Berikut ini akan diberikan contoh sederhana bagaimana masing-masing metode
melakukan proses pelatihan. Dengan yang pertama sebagai contoh yaitu penerapan
metode (algoritma) backpropagation untuk mengenali fungsi XOR yang memilki 2
masukan x1 dan x2, dimana akan dilakukan iterasi terhadap pola pertama yaitu x1 = 1,
x2 = 1 dan t = 0 dengan laju pembelajaran(learning rate) α = 0.2. berikut ini
penyelesaian yang akan dilakukan dengan backpropagation menggunakan 1 lapisan
tersembunyi yang terdiri dari 3 unit.
1. Inisialisasi semua bobot (langkah 0 – langkah 3)
Inisialisasi bobot ini akan dilakukan pemberian bobot secara acak seperti
Tabel 3.1 Nilai Bobot Lapisan Masukan ke Lapisan Tersembunyi (vji)
Tabel 3.2 Bobot Lapisan Masukan ke Lapisan Tersembunyi (wkj)
Y z1 0.5 z2 -0.3 z3 -0.4 1 -0.1
2. Hitung keluaran unit tersembunyi (zj) (langkah 4)
z_net j = v jo +
∑
��=1��
���
z_net1 = -0.3+1(0.2)+1(0.3) = 0.2
z_net2 = 0.3+1(0.3)+1(0.1) = 0.7
z_net3 = 0.3+1(-0.1)+1(-0.1) = 0.1
zj = f(z_netj) = 1+�−�1_����
z1 = 1
1+�−0.2 = 0.55 ; z2 =
1
1+�−0.7 = 0.67 ; z3 =
1
1+�−0.1= 0.52.
3. Hitung keluaran unit yk (langkah 5)
y_net k = w ko +
∑
��=1z
jw
kjy_netk = y_net = -0.1+0.55(0.5)+0.67(-0.3)+0.52(-0.4) = -0.24
y = f(y_net) = 1 1+�−�_��� =
1
1+�0.24 = 0.44
4. Hitung faktor δ di unit keluaran yk (langkah 6) �k = (tk – yk) f’(y_netk) = (tk – yk) yk (1-yk)
�k= δ = (t – y) y(1 – y) = (0 – 0.44) (0.44) (1 – 0.44) = -0.11
Suku perubahan bobot wkj(dengan α = 0.2):
Δwkj = α �k zj = α �z ; j = 0,1, ..., 3
Δw10 = 0.2 (-0.11)(1) = -0.02
Δw11 = 0.2 (-0.11)(0.55) = -0.01
Δw10 = 0.2 (-0.11)(0.67) = -0.01
Δw10 = 0.2 (-0.11)(0.52) = -0.01
5. Hitung penjumlahan kesalahan dari unit tersembunyi (=δ) (langkah 7)
�_netj = �k
w
1j�_net1 = (0.11)(0.5) = -0.05 �_net2 = (0.11)(-0.3) = 0.03 �_net3 = (0.11)(-0.4) = 0.04
faktor kesalahan δ di unit tersembunyi:
�j = �_netj f’(z_netj) = �_netj zj(1-zj) �1 = -0.05(0.05) (1 – 0.05) = - 0.01 �2 = 0.03(0.67) (1 – 0.67) = 0.01 �3 = 0.04(0.52) (1 – 0.52) = 0.01
Suku perubahaan bobot ke unit tersembunyi Δvji = α �j xi dapat dilihat pada
tabel 3.3. (j = 1,2,3; i = 0,1,2)
Tabel 3.3 Nilai Suku Perubahan Bobot
z1 z2 z3
x1 Δv11 = (0.2)
(-0.01)(1) = 0
Δv21 = (0.2)
(0.01)(1) = 0
Δv31 = (0.2)
(0.01)(1) = 0 x2 Δv12 = (0.2)
(-0.01)(1) = 0
Δv22 = (0.2)
(0.01)(1) = 0
Δv32 = (0.2)
(0.01)(1) = 0 1 Δv13 = (0.2)
(-0.01)(1) = 0
Δv23 = (0.2)
(0.01)(1) = 0
Δv32 = (0.2)
(0.01)(1) = 0
6. Hitung semua perubahan bobot (langkah 8)
wkj(baru) = wkj(lama) + Δwkj (k = 1 ; j = 0,1, ..., 3)
w11(baru) = 0.5 – 0.01 = 0.49
w12(baru) = -0.3 – 0.01 = -0.31
w13(baru) = -0.4 – 0.01 = -0.41
w10(baru) = -0.1 – 0.02 = -0.12
perubahan bobot unit tersembunyi:
Tabel 3.4 Perubahan Bobot Unit Tersembunyi
z1 z2 z3
x1 v11 (baru) = 0.2+0
= 0.2
v21 (baru) = 0.3+0
= 0.3
v31 (baru) =
-0.1+0 = -0.1 x2 v12 (baru) = 0.3+0
= 0.3
v22 (baru) = 0.1+0
= 0.1
v32 (baru) =
-0.1+0 = -0.1 1 v13 (baru) =
-0.3+0 = -0.3
v23 (baru) = 0.3+0
= 0.3
v33 (baru) = 0.3+0
= 0.3
Hasil pada tabel 3.4 merupakan iterasi untuk pola pertama, untuk mengetahui nilai dari 1 iterasi penuh semua pola maka dapat dilakukan iterasi pada pola kedua yaitu x1 = 1, x2 = 0, dan t = 1, pola ketiga yaitu x1 = 0, x2 = 1, dan t = 1, dan pola keempat yaitu x1 = 0, x2 = 0, dan t = 0.
Selanjutnya merupakan contoh penerapan metode (algoritma) Hopfield.
Misalkan terdapat 2 buah pola yang ingin dikenali yaitu pola A(0,1,0,1,0,1) dan
B(1,0,1,0,1,0). Bobot-bobot jaringan saraf tiruan ditentukan sebagai berikut:
� = ⎣ ⎢ ⎢ ⎢ ⎢
⎡− 01 − 01 − 11 − 11 − 11 − 11 1 −1 0 −1 1 −1
−1 1 −1 0 −1 1
1 −1 1 −1 0 −1
−1 1 −1 1 −1 0⎦
⎥ ⎥ ⎥ ⎥ ⎤
Bobot-bobot tersebut simetris (wij = wji ; dimana i=baris dan j=kolom) dan
diagonal utamanya adalah 0. Pola A dan pola B dilakukan sebagai vector. Dot product
antara A dengan B diperoleh dengan cara mengalikan komponen kedua vector
tersebut dengan vector bobot.
Aktivasi node pertama untuk pola A:
(0 1 0 1 0 1) ⦁
⎣ ⎢ ⎢ ⎢ ⎢ ⎡ 0 −1
1 −1 1 −1 ⎦ ⎥ ⎥ ⎥ ⎥ ⎤
Aktivasi node kedua:
(0 1 0 1 0 1) ⦁
⎣ ⎢ ⎢ ⎢ ⎢ ⎡ 0 −1
−1 1 −1 1
⎦ ⎥ ⎥ ⎥ ⎥ ⎤
= 0 + 0 + 0 + 1 + 0 + 1 = 2
Dan seterusnya untuk node ketiga, keempat, kelima, dan keenam diperoleh
masing-masing -3, 2, -3, 2. Masih dengan cara yang sama untuk pola B diperoleh
masing-masing 2, -3, 2, -3, 2, -3. Kemudian fungsi ambang ditentukan agar jaringan
saraf bisa menghasilkan pola A dan pola B.
�(�) =�1 ����� ≥ � 0 �����< �
Untuk contoh ini diambil � = 0
Maka akan diperoleh f(2)=1 dan f(-3)=0 kemudian pola output untuk pola A
dan pola B dapat ditentukan. Untuk pola A output yang dihasilkan (0,1,0,1,0,1), ini
sama dengan pola inputnya dapat dikatakan bahwa jaringan syaraf sukses dalam
mengenali pola A. sedangkan pola B output yang dihasilkan (1,0,1,0,1,0) yang berarti
pola B juga berhasil dikenali karena sama dengan pola inputannya.
3.1.3.1 Perancangan Arsitektur Jaringan
Arsitektur jaringan syaraf tiruan yang digunakan pada penelitian ini ditunjukkan pada
X1 X2 X3 X4 X12 Z1 Z2 Z3 Z4 Z12 b=1 b=1 Y1 Y2 Y3 Y4 V11 V12 V13 V14 V15 V21 V22 V23 V24 V25 V31 V32 V34 V33 V35 V41 V42 V43 V44 V121 V122 V123 V124 V125 V45 W11 W12 W13 W14 W21 W22 W23 W24 W31 W32 W33 W34 W41 W42 W43 W44 W121 W122 W123 W124 V01 V02 V03 V04 V012 W01 W02 W03 W04
Gambar 3.2 Arsitektur Jaringan Backpropagation sistem
Gambar 3.2 memperlihatkan sistem terdiri dari 12 inputan (�1 - �12) sesuai dengan jumlah image gigi yang digunakan sebagai data masukan. Pada lapisan tersembunyi
terdiri dari (Z1 – Z12). Dan data keluaran (�1 - �4) akan menghasilkan nilai 1 dan 0
yang merupakan subkelas untuk target, target dalam sistem ini adalah 4, dimana :
vektor keluaran target 1 adalah 1 0 0 0
vektor keluaran target 2 adalah 0 1 0 0
vektor keluaran target 3 adalah 0 0 1 0
X1
X2
X3
X12 V12
V3
V2
V1 Y1
Y2
Y3
Y4
Input Vektor Output Vektor
Umpan Balik Fungsi Ktivasi
Gambar 3.3 Arsitektur Jaringan Hopfield sistem
Gambar 3.3 terlihat bahwa semua unit input dihubungkan dengan semua unit output,
meskipun dengan bobot yang berbeda-beda. Tidak ada unit yang dihubungkan
dengan unit input lainnya. Model diskrit jaringan Hopfield dalam bobot sinaptik
menggunakan vektor biner dimensi n atau dapat dituliskan a{0,1}n. Model ini barisi n
neural dan jaringan terdiri dari n(n-1) interkoneksi dua jalur.
Model jaringan Hopfield secara metematis dapat disajikan dalam bentuk
matriks simetris NxN dengan diagonal utamanya bernilai 0. Pemberian nilai 0 pada
diagonal utama dimaksudkan agar setiap neuron tidak memberi input pada dirinya
sendiri. Dengan demikian jaringan Hopfield merupakan suatu jaringan dengan bobot
simetrik , bahwa:
Wij = Wji
Dan
Wii=0
Keterangan :
Wij : matrik bobot koneksi dari unit i ke unit j
Wii = 0 : nilainya sama dengan 0
3.2. Pemodelan
Pada penelitian ini menggunakan UML sebagai bahasa pemodelan untuk membantu
mendesain dan merancang sistem identifikasi penyakit gigi. Model UML yang
digunakan dalam penelitian ini yaitu use case diagram, sequence diagram, dan
activity digaram.
3.2.1. Use Case Diagram
Use case diagram merupakan diagram yang menggambarkan interaksi antara sistem
dan eksternal sistem dan aktor, dalam kasus ini admin dan pengguna sebagai aktornya.
Use case digunakan untuk menggambarkan siapa yang akan menggunakan sistem dan
bagaimana cara aktor berinteraksi dengan sistem. Berikut ini merupakan use case
diagram dari sistem yang akan dirancang.
Sistem Identifikasi Penyakit Gigi
Latih Backpropagation
aktor
Latih Hopfield
<extend>
<extend>
Pengujian Penyakit Gigi Backpropagation
[image:48.595.144.477.340.648.2]Pengujian Penyakit Gigi Hopfield
Berikut adalah tabel yang menunjukkan dokumentasi naratif dari use case latih
[image:49.595.103.494.134.662.2]backpropagation.
Tabel 3.5 Dokumentasi Naratif Use Case Latih Backpropagation Nama Use case Latih Backpropagation
Aktor User dan Admin
Deskripsi Use case ini mendeskripsikan proses pelatihan jaringan sayaraf tiruan Backpropagation
Pre-kondisi Masuk pada antarmuka Pelatihan
Bidang khas Kegiatan pengguna Respon sistem
1. Isi id image gigi
2. Klik tombol Open
3. Pilih image gigi yang akan digunakan sebagai masukan
4. Geser slider Threshold
5. Klik tombol Reduksi dan Simpan
1. Tidak ada
2. Menampilkan antarmuka cari image gigi
3. Menampilkan image gigi beserta nama file image
gigi
4. Menampilkan image gigi yang telah di-threshold
5. Menyimpan hasil reduksi
6. Klik tombol Latih
Backpropagation
6. Proses pelatihan
Backpropagation, Menampilkan grafik pelatihan, dan menyimpan bobot pelatihan
Bidang Alternatif
1. Tekan tombol Reset 1. Sistem mengosongkan
text field nama file, dan gambar.
Tabel 3.6 Dokumentasi Naratif Use Case Latih Hopfield Nama Use case Latih Hopfield
Aktor User dan Admin
Deskripsi Use case ini mendeskripsikan proses pelatihan jaringan sayaraf tiruan Hopfield
Pre-kondisi Masuk pada antarmuka Pelatihan
Bidang khas Kegiatan pengguna Respon sistem
1. Isi id image gigi
2. Klik tombol Open
3. Pilih image gigi yang akan digunakan sebagai masukan
4. Geser slider Threshold
5. Klik tombol Reduksi dan Simpan
1. Tidak ada
2. Menampilkan antarmuka cari image gigi
3. Menampilkan image gigi beserta nama file image
gigi
4. Menampilkan image gigi yang telah di-threshold
5. Menyimpan hasil reduksi
6. Klik tombol Latih
Backpropagation
6. Proses pelatihan
Hopfield, dan menyimpan bobot pelatihan
Bidang Alternatif
1. Tekan tombol Reset 1. Sistem mengosongkan
text field id, nama file dan axes gambar.
Tabel 3.7 Dokumentasi Naratif Use Case Identifikasi Penyakit Gigi (Pengujian) Backpropagation
Nama Use case Identifikasi Penyakit Gigi (pengujian) Backpropagation