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
.
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.
3.1.2.2. 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
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 +
∑
𝑛𝑖=1𝑥𝑖
𝑣𝑗𝑖
Suku perubahan bobot wkj(dengan α = 0.2):
5. Hitung penjumlahan kesalahan dari unit tersembunyi (=δ) (langkah 7)
𝛿_netj = 𝛿k
w
1j𝛿_net1 = (0.11)(0.5) = -0.05
𝛿_net2 = (0.11)(-0.3) = 0.03
𝛿_net3 = (0.11)(-0.4) = 0.04
faktor kesalahan δ di unit tersembunyi:
𝛿j = 𝛿_netj f’(z_netj) = 𝛿_netj zj(1-zj)
Tabel 3.3 Nilai Suku Perubahan Bobot
z1 z2 z3 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
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:
𝑤 =
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:
Aktivasi node kedua:
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.
𝑓(𝑡) =�1 𝑗𝑖𝑘𝑎𝑡 ≥ 𝜃 0 𝑗𝑖𝑘𝑎𝑡< 𝜃
Untuk contoh ini diambil 𝜃 = 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
X1
Gambar 3.2 Arsitektur Jaringan Backpropagation sistem
Gambar 3.2 memperlihatkan sistem terdiri dari 12 inputan (𝑥1 - 𝑥12) sesuai dengan jumlah image gigi yang digunakan sebagai data masukan. Pada lapisan tersembunyi terdiri dari (Z1 – Z12). Dan data keluaran (𝑦1 - 𝑦4) 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
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 :
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
Pengujian Penyakit Gigi Hopfield
Berikut adalah tabel yang menunjukkan dokumentasi naratif dari use case latih
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
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
Aktor Pengguna
Deskripsi Use case ini mendeskripsikan proses identifikasi penyakit gigi dengan menggunakan jaringan syaraf tiruan
Backpropagation
Prakondisi Masuk pada antarmuka Pengujian
Bidang khas Kegiatan pengguna Respon sistem
1. Klik tombol Open 1. Menampilkan antarmuka cari image gigi
2. Pilih image gigi yang ingin dikenali
2. Menampilkan image gigi 3. Geser slider Threshold 3. Menampilkan image gigi yang telah di-threshold
4. Klik tombol kenali
Backpropagation
4. Pengujian dengan jaringan syaraf tiruan
Backpropagation dan menampilkan hasil pengenalan
Bidang Alternatif
1. Tekan tombol Reset 1. Sistem mengosongkan
text field dan axes pada anatarmuka pengujian
Tabel 3.8 Dokumentasi Naratif Use Case Identifikasi Penyakit Gigi (Pengujian)
Hopfield
Nama Use case Identifikasi bentuk gigi (pengujian) Hopfield
Aktor Pengguna
Deskripsi Use case ini mendeskripsikan proses identifikasi penyakit gigi dengan menggunakan jaringan syaraf tiruan Hopfield
Prakondisi Masuk pada antarmuka Pengujian
Bidang khas Kegiatan pengguna Respon sistem
1. Klik tombol Open 1. Menampilkan antarmuka cari image gigi
2. Pilih image gig yang ingin dikenali
2. Menampilkan image gigi 3. Geser slider Threshold 3. Menampilkan image gigi
yang telah di-threshold
4. Klik tombol kenali
Hopfield
4. Pengujian dengan jaringan syaraf tiruan
Hopfield dan menampilkan hasil pengenalan
Bidang Alternatif
1. Tekan tombol Reset 1. Sistem mengosongkan
text field dan axes pada anatarmuka pengujian
3.2.2. Sequence Daigram
Sequence Daigram merupakan diagram yang menggambarkan interaksi antara aktor dan sistem. Sequence diagram menunjukan sejumlah contoh maupun pesan yang berada atau melewati objek-objek tersebut didalam use case. Berikut Berikut ini merupakan gambaran dari sequence diagram dari sistem yang telah dirancang.
: Aktor : Form Pelatihan : Threshold : Reduksi : Latih Backpropagation
Threshold matriks image
Reduksi matriks image
Proses latih
Simpan bobot matriks tereduksi
open image gigi
: Aktor : Form Pelatihan : Threshold : Reduksi : Latih Hopfield
Threshold matriks image
Reduksi matriks image
Proses latih
Simpan bobot matriks tereduksi
open image gigi
Gambar 3.6 Sequence Diagram Pelatihan JST Hopfield
: Aktor : Form Pengujian : Threshold : Reduksi : Uji Backpropagation
Threshold matriks image
Reduksi matriks image
Proses simulasi matriks tereduksi
tampilkan nama Open image gigi
tampilkan solusi
: Aktor : Form Pengujian : Threshold : Reduksi : Uji Hopfield
Threshold matriks image
Reduksi matriks image
Proses simulasi matriks tereduksi
tampilkan nama Open image gigi
tampilkan solusi
Gambar 3.8 Sequence Diagram Pengujian JST Hopfield
3.2.3. Activity Diagram
Activity diagram merupakan diagram yang berfungsi untuk menggambarkan logika procedural, jalan kerja suatu sistem. Diagram ini memiliki peran yang sama dengan diagram alir yang mana memungkinkan siapapun yang melakukan proses untuk dapat memilih urutan dalam melakukannya sesuai keinginannya. Berikut ini merupakan
Klik tombol reduksi dan simpan
Klik tombol pelatihan backpropagation
Latih backpropagation Tampil grafik pelatihan
Simpan bobot pelatihan reduksi dan simpan data
Sistem
Aktor
Open image gigi Tampilan image gigi
Threshold image gigi Tampil image gigi hasil threshold
Input id gigi
Klik tombol reduksi dan simpan
Klik tombol pelatihan hopfield
Latih hopfield
Simpan bobot pelatihan Reduksi dan simpan data
Sistem
Aktor
Open image gigi
Threshold gigi
Tampilkan image gigi
Tampilkan hasil Threshold gigi
Input id gigi
Klik tombol pengujian backpropagation
Tampilkan hasil pengujian
Sistem
Aktor
Open image gigi Tampil image gigi
Threshold gigi
Hasil threshold gigi
Pengujian Backpropagation
Gambar 3.11 Activity Diagram Pengujian Backpropagation
Klik tombol pengujian backpropagation
Tampilkan hasil pengujian
Sistem
Aktor
Open image gigi Tampil image gigi
Threshold gigi
Hasil threshold gigi
Pengujian Hopfield
3.3. Pseudocode program
Pseudocode adalah suatu deskripsi dari algoritama yang disusun dengan mengikuti struktur bahasa pemrograman yang dapat digambarkan dengan mudah sehingga dapat dipahami oleh manusia itu sendiri.
3.3.1. Pseudocode Proses pelatihan JST
GRAYSCALE
citra_gigi ←imread(fullfile(nama_path, nama_file)) citra_grayscale ← rgb2gray(citra_gigi)
THRESHOLD
[b k] ←size(citra_grayscale) nilai_threshold ←130
for x←1 to b for y ←1 to k
if citra_grayscale(x,y)< nilai_threshold citra_threshold(x,y)←0
elseif citra_grayscale (x,y)>= nilai_threshold citra_threshold (x,y) ←1
end end end
REDUKSI DATA
zz(i,j)← 0
LATIH JST BACKPROPAGATION input← reduksi_data
[A B]← size(input) target ← set manual target ← target’
S ← jumlah hidden layer TF ← fungsi transfer BTF ←fungsi pelatihan
net ←newff(input, target,[S1 S2...S(N-l)],{TF1 TF2...TF(N-l)}, BTF) [net,tr] ← train (net,input,target);
LATIH JST HOPFIELD input← reduksi_data [A B]←size(input) T ← input
T ← T’ Ai=target
net ← newhop(T)
3.3.2. Pseudocode Proses Pengujian JST
GRAYSCALE
citra_gigi ←imread(fullfile(nama_path, nama_file)) citra_grayscale ← rgb2gray(citra_gigi)
THRESHOLD
[b k] ←size(citra_grayscale) nilai_threshold ←130
for x←1 to b for y ←1 to k
if citra_grayscale(x,y)< nilai_threshold citra_threshold(x,y)←0
elseif citra_grayscale (x,y)>= nilai_threshold citra_threshold (x,y) ←1
end end end
REDUKSI DATAUJI
end
PENGUJIAN JST BACKPROPAGATION datauji← reduksi_datauji target ← target’
output=sim(net, datauji)
PENGUJIAN JST HOPFIELD datauji← reduksi_datauji T ← T’
TS ← time step
{} ← initial input delay
3.4. Perancangan sistem
3.4.1. Perancangan Flowchart Sistem
Flowchart merupakan suatu sekema penggambaran yang menampilkan urutan proses dari suatu sistem. Flowchart memiliki fungsi untuk memudahkan proses pengecekan terhadap sistem yang ingin dibuat apabila ada yang terlupakan dalam analisis masalah. Berikut merupakan flowchart awal dari sistem yang nantinya akan dibangun yang dapat dilihat pada gambar 3.11
Start
Input citra gigi
Masukkan id gigi
Threshold
Reduksi
Simpan hasil reduksi
Latih JST
End
Pelatihan? Input citra
gigi
Threshold
Reduksi
Pengujian JST
Tampilkan hasil pengujian
Tampilkan hasil pelatihan Ya
Tidak
3.4.2. Perancangan Antarmuka (interface)
Sistem pendeteksi penyakit gigi ini dirancang dengan menggunakan bahasa pemrograman MATLAB R2007b.Perancangan antar muka ini bertujuan untuk menciptakan suatu tampilan sistem yang memudahkan bagi penggunanya untuk berinteraksi.
3.4.2.1. Form Utama
Form utama merupakan tampilan awal pada sistem identifikasi. Berikut merupakan tampilan form utama.
Gambar 3.14 Tampilan Rancangan Form Utama
Menu bar pilihan : pelatihan, pengujian, bantuan, dan keluar
Image : Logo USU
Label : Judul Program
3.4.2.2. Form Pelatihan
Form pelatihan ini terdiri dari dua fungsi utama yaitu pelatihan Backpropagation dan pelatihan Hopfield. Berikut merupakan tampilan form pelatihan.
Open Reset
Nama
ID
Reduksi dan simpan
Latih backpropagation Latih Hopfield
Waktu Proses Menu bar berisi menu : utama, pengujian, bantuan dan keluar
Image latih
Gambar 3.15 Tampilan Rancangan Form Pelatihan
Keterangan: 1. Menu Bar
Terdiri dari sub menu utama, pengujian, bantuan, dan menu keluar. 2. Image
Tempat menampilkan image gigi yang dimasukkan oleh pengguna. 3. Tombol Open
Merupakan tombol pencarian image gigi yang akan diproses. 4. Tombol Reset
Menampilkan nama dari file yang dibuka. 6. Threshold
Untuk mengubah citra menjadi hitam dan putih (2bit)dari image gigi yang telah dimasukkan
7. Textfield
Tempat untuk menginputkan id dari gigi yang akan dilatih untuk kemudian disimpan ke database.
8. Tombol Reduksi dan Simpan
Melakukan proses reduksi data kemudian menyimpan hasilnya beserta id yang telah dimasukkan oleh pengguna kedalam database.
9. Tombol Latih Backpropagation
Untuk melakukan pelatihan JST Backpropagation. 10. Tombol Latih Hopfield
Untuk melakukan pelatihan JST Hopfield. 11. Textfield
Menampilkan waktu pelatihan
3.4.2.3. Form Pengujian
Form pengujian ini terdiri dari dua fungsi utama yaitu pengujian terhadap jaringan
Open Reset Menu bar berisi menu : utama, pengujian, bantuan dan keluar
Image uji
Gambar 3.16 Tampilan Rancangan Form Pengujian
Keterangan: 1. Menu Bar
Terdiri dari sub menu utama, pelatihan, bantuan dan menu keluar. 2. Image
Tempat menampilkan image gigi yang dimasukkan oleh pengguna. 3. Tombol Open
Merupakan tombol pencarian image gigi yang akan diproses. 4. Tombol Reset
Mereset kembali textfield dan axes yang telah dimasukkan oleh pengguna. 5. Textfield
Berisi nama dari file yang dimasukkan. 6. Threshold
Untuk mengubah citra menjadi hitam dan putih (2bit)dari image gigi yang telah dimasukkan
Untuk melakukan pengujian terhadap image yang dimasukkan. 8. Tombol Kenali Hopfield
Untuk melakukan pengujian terhadap image yang dimasukkan. 9. Textfield
Menampilkan nama gigi hasil pengujian. 10. Textfield
Menampilkan waktu proses pengujian. 11. Textfield
Menampilkan solusi perawatan gigi dari hasil pengujian.
3.4.2.5. Form Bantuan
Form bantuan ini berfungsi untuk menampilkan tata cara penggunaan system, adapun menu bantuan ini terdapat pada setiap form. Berikut merupakan tampilan dari form
bantuan.
Menu bar pilihan menu : menu keluar
BANTUAN
1
Keterangan: 1. Menu Bar
Terdiri dari sub menu keluar untuk kembali ke form bantuan itu berada. 2. List Box
BAB 4
IMPLEMENTASI DAN PENGUJIAN
4.1. Implementasi
Setelah tahap analisis dan perancangan sistem selesai yaitu tahap implementasi dan pengujian terhadap sistem, selanjutnya akan dilakukan tahap implementasi dan pengujian terhadap sistem yang telah dibangun. Sistem identifikasi penyakit gigi ini menggunakan bahasa pemrograman MATLAB R2007b dan menggunakan Microsoft excel 2007 sebagai media penyimpanan. Pada sistem ini terdapat 7 form yaitu form
utama, form pelatihan, form pengujian, form bantuanUtama, form bantuanPelatihan, form bantuanPengujian, dan form gambar.
4.1.1. Form Utama
Form utama merupakan form tampilan awal ketika sistem ini dijalankan. Pada form
ini terdapat keterangan judul skripsi, nama dan nim, logo universitas, serta menu bar
Gambar 4.1. Form Utama
4.1.2. Form Pelatihan
Form pelatihan ini terdiri dari dua metode pelatihan baik terhadap Backpropagation
Gambar 4.2. Form Pelatihan
Gambar 4.4. Gambar Gigi Setelah Melakukan Proses Threshold
Lalu dilakukan proses reduksi terhadap data hasil citra biner sekaligus data tersebut disimpan kedalam database. Setelah semua citra pengujian melakukan proses reduksi dan simpan maka tahapan selanjutnya yaitu melakukan proses pelatihan
Backpropagation atau proses pelatihan Hopfield.
4.1.3. Form Pengujian
Form pengujian ini terdiri dari dua metode pengujian yaitu pengenalan dengan menggunakan Backpropagation dan pengenalan menggunakan Hopfield. Hal pertama yang dilakukan adalah penginputan citra dengan menggunakan tombol open dan kemudian melakukan proses threshold. Proses threshold ini dilakukan dengan menggeser slider hingga pada posisi tertentu sehingga terbentuk citra biner gigi yang mewakili bentuk gigi dari citra aslinya.
Gambar 4.7. Hasil Pengujian dengan Backpropagation
Gambar 4.8. Hasil Pengujian dengan Hopfield
4.1.4. Form Bantuan Utama
Gambar 4.9. Form Menu Bantuan
4.1.5. Form Bantuan Pelatihan
Form bantuanPelatihan berfungsi untuk membantu pengguna cara mengoperasikan
form pelatihan. Berikut merupakan tampilan dari form bantuanPelatihan.
Gambar 4.11. Form Bantuan Pengujian
4.2. Pengujian
Pengujian ini dilakukan guna untuk mengetahui apakah sistem yang telah dibangun dapat mengidentifikasi penyakit gigi dengan baik melalui jaringan syaraf tiruan baik melalui metode Backpropagation atau melalui metode Hopfield. Dimana yang menjadi parameter pengujian adalah metode mana yang tebih cepat dan tepat dalam mengenali penyakit gigi.
4.2.1. Kecepatan Pelatihan Jaringan Syaraf Tiruan
Adapun data-data objek gigi yang telah melalui proses threshold dan melalui proses reduksi yang disimpan dalam bentuk vektor input untuk kemudian digunakan dalam pelatihan akan ditampilkan pada tabel berikut.
Tabel 4.1. Vektor Input Pelatihan
Nama Nilai Threshold Vektor input
Karies1 130 00011 11111 11011 11110 10000
Nama Nilai Threshold Vector input
Karies3 130 10001 10111 10111 10111 10001
Pulpitis1 130 11111 11111 11111 01111 111 11
Pulpitis2 130 11111 10111 10110 11111 11111
Pulpitis3 130 01101 01001 10111 11111 11100
Gingivitis1 130 11111 11001 11101 11100 11101
Gingivitis2 130 1111 11110 11111 11110 111111
Gingivitis3 130 10111 10111 11111 10111 10111
Absesgigi1 130 11110 10111 10111 11110 11111
Adapun catatan waktu dari pelatihan terhadap kedua metode tersebut yaitu sebagai berikut:
Gambar 4.12. Catatan Waktu Pelatihan JST Backpropagation
Gambar 4.13. Catatan Waktu Pelatihan JST Hopfield
50000 menghasilkan waktu proses 23,5163 detik. Sedangkan dengan menggunakan metode hopfield dengan inputan di-set sehingga menjadi target dengan matriks notasi sesuai dengan jumlah data pelatihan yaitu 12 menghasilkan waktu proses 5,86486 detik. Sehingga dapat disimpulkan bahwa jaringan sayaraf tiruan hopfield lebih cepat dalam melalukan proses pelatihan.
4.2.2. Kecepatan dan Ketepatan Pengujian Jaringan Syaraf Tiruan
Berikut adalah hasil pengujian antara menggunakan metode jaringan syaraf tiruan
backpropagation atau hopfield dengan fokus utama adalah melihat ketepatan dan kecepatannya. Dalam penentuan ketepatan, nilai target sangat penting terhadap output yang dihasilkan serta nilai threshold yang kita lakukan pada bagian pelatihan terhadap masing-masing gigi. Berikut merupakan beberapa tampilan dari kemampuan jaringan
backpropagation maupun hopfield dalam mengenali suatu objek.
Gambar 4.15. Pengujian JST Hopfield Terhadap Objek
Berikut ini tersaji tabel yang memperlihatkan kecepatan serta ketepatan pengenalan terhadap penyakit gigi yang terlatih dengan menggunakan threshold yang sesuai dengan pelatihannya juga menggunakan metode backpropagation.
Tabel 4.2. Hasil Pengujian Metode Backpropagation
No Nama Target Nilai Treshold
Output Hasil Waktu
1 Karies1 1000 130 1000 Karies 9.36184
detik
2 Karies2 1000 130 1000 Karies 3.94665
detik
3 Karies3 1000 130 1000 Karies 3.92088
detik
4 Pulpitis1 0100 130 0100 Pulpitis 3.82945
Nama Target Nilai Threshold
Output Hasil Waktu
5 Pulpitis2 0100 130 0100 Pulpitis 3.93389
detik
6 Pulpitis3 0100 130 0100 Pulpitis 4.03181
detik
7 Gingivitis1 0010 130 0010 Gingivitis 4.00385 detik
8 Gingivitis2 0010 130 0010 Gingivitis 3.98877 detik
9 Gingivitis3 0010 130 0010 Gingivitis 4.18776 detik
10 Absesgigi1 0001 130 0001 Absesgigi 3.90097 detik
11 Absesgigi2 0001 130 0001 Absesgigi 4.11463 detik
Selanjutnya berikut ini tersaji tabel yang memperlihatkan kecepatan serta ketepatan pengenalan terhadap penyakit gigi yang terlatih dengan menggunakan
threshold yang sesuai dengan pelatihannya juga menggunakan metode hopfield.
Tabel 4.3. Hasil Pengujian Metode Hopfield
No Nama Target Nilai Treshold Hasil Output Waktu
Dari tabel diatas dapat diketahui juga jika nilai threshold pada saat pelatihan sama dengan pengujian akan menghasilkan hasil 100% sama karena nilai threshold
sangat berpengaruh pada proses reduksi dimana data hasil reduksi merupakan inputan bagi jaringan. Jadi, baik pada metode backpropagation maupun hopfield akan menghasilkan hasil 100% sama ketika data yang diuji sesuai dengan data yang dilatih.
Kemudian selanjutnya akan ditampilkan tabel yang memperlihatkan kecepatan serta ketepatan pengenalan terhadap penyakit gigi yang tidak terlatih dengan menggunakan metode backpropagation.
Tabel 4.4. Hasil Pengujian Metode Backpropagation Menggunakan Data Masukan Tidak Terlatih
4 Gingivitis1 0010 130 0010 Gingivitis 4.27802 detik
5 Pulpitis1 0100 130 0100 Pulpitis 5.18435
detik
6 Pulpitis2 0100 130 0010 gingivitis 8.44938
detik
7 Absesgigi1 0001 130 0001 absesgigi 4.19276
detik
Dari tabel diatas dapat diketahui pengujian backpropagation menghasilkan 93,3% hasil yang sesuai dengan menggunakan inputan objek yang tidak terlatih. Adapun kesalahan-kesalahan yang terjadi dikarenakan :
1. Data No.6 (Pulpitis2) dengan nilai target (0100) menghasilkan nilai output (0010) dimana nilai output tersebut merupakan nilai target dari penyakit gingivitis sehingga hasil keluaran dari proses pengujian adalah gingivitis. Dimana output seharusnya sesuai dengan nilai target yang ingin dicapai.
Tabel 4.5. Hasil Pengujian Metode Hopfield Menggunakan Data Masukan Tidak
pulpitis 1.77975
Detik
Gingivitis 4.27802 detik
Dari tabel diatas dapat diketahui pengujian hopfield menghasilkan keluaran yang sesuai sebesar 82,4%. Dimana syarat dari jaringan hopfield dalam melakukan pengujian adalah nilai dari input vector (Invec) harus sama dengan output vector (Outvec) yaitu kondisi stabil (stable state),. Berikut merupakan kesalahan yang terjadi beserta penjelasannya.
1. Data No.2 dimana nilai target (11111 11111 11111 0111 11111) menghasilkan output vector (11111 10111 10110 11111 11111) sehingga menghasilkan keluaran pada saat pengujian berupa penyakit gigi pulpitis, dikarenakan nilai output yang dihasilkan adalah nilai target dari pulpitis.
2. Data No.3 dimana nilai target (11011 11101 11111 1101 11011) menghasilkan output vector (11111 10111 10110 11111 11111) sehingga menghasilkan keluaran pada saat pengujian berupa penyakit gigi pulpitis, dikarenakan nilai output yang dihasilkan adalah nilai target dari pulpitis.
3. Data lainnya berhasil mengenali dengan tepat dikarenakan nilai output sesuai dengan target yang diharapkan.
4.2.3. Kesimpulan Kecepatan Pengujian Jaringan Syaraf Tiruan
Adapun kesimpulan dari pengujian ini ditampilkan dalam bentuk grafik yaitu grafik perbandingan kecepatan dari metode Backpropagation dan metode Hopfield.
1 detik 2 detik 3 detik 4 detik 5 detik 6 detik 7 detik 8 detik 9 detik
BAB 5
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Berdasarkan hasil uji coba disertai dengan pembahasan dan evaluasi yang diperoleh dari bab-bab sebelumnya, maka dapat diperolehlah kesimpulan seperti berikut:
1. Jaringan syaraf tiruan dapat digunakan untuk melakukan pendekteksian terhadap objek tertentu dalam hal ini yaitu penyakit gigi.
2. Metode backpropagation menghasilkan ketepatan pendeteksian sebesar 100% dan metode Hopfield sebesar 100% dengan menggunakan image pelatihan dengan nilai threshold mendekati pada saat pelatihan
3. Metode backpropagation menghasilkan ketepatan pendeteksian sebesar 100% dan metode Hopfield sebesar 100% dengan menggunakan data sesuai dengan pelatihan.
4. Metode backpropagation menghasilkan ketepatan pendeteksian sebesar 93,3% dan metode Hopfield sebesar 82,3% dengan menggunakan data berbeda dengan pelatihan.
5. Metode hopfield dapat melakukan pendekteksian penyakit gigi lebih cepat dari pada metode backpropagation dengan rata-rata waktu 2,46 sampai 5,65 detik. 6. Semakin banyak data yang dimasukkan, maka hasil pengujian akan lebih baik
5.2. Saran
Untuk melakukan pengembangan terhadap sistem yang telah dibangun ini, penulis menyarankan agar:
1. Sistem ini dapat dikembangkan lagi bukan hanya untuk mendeteksi penyakit pada gigi melainkan untuk mendeteksi penyakit penyakit lainnya
2. Perlu dilakukan penelitian pengenalan pola penyakit gigi dengan menggunakan metode lain yaitu seperti metode LVQ dan metode assosiative memory.
3. Menggunakan lebih banyak data lagi sehingga hasil yang didapatkan lebih maksimal.