Analisis Konvergensi Pada Entangled Neural Network

(1)

TESIS

LIPANTRI MASHUR GULTOM 127038052

PROGRAM STUDI S2 TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

(2)

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister Teknik Informatika

LIPANTRI MASHUR GULTOM 127038052

PROGRAM STUDI S2 TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

(3)

PERSETUJUAN

Judul : ANALISIS KONVERGENSI PADA ENTANGLED

NEURAL NETWORK

Kategori : TESIS

Nama : LIPANTRI MASHUR GULTOM

Nomor Induk Mahasiswa : 127038052

Program Studi : TEKNIK INFORMATIKA

Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

Komisi Pembimbing :

Pembimbing 2 Pembimbing 1

Dr. Erna Budhiarti Nababan, M.IT Prof. Dr. Muhammad Zarlis

Diketahui/disetujui oleh

Magister Teknik Informatika

Ketua,

Prof. Dr. Muhammad Zarlis

(4)

PERNYATAAN

ANALISIS KONVERGENSI PADA ENTANGLED NEURAL NETWORK

TESIS

Saya mengakui bahwa tesis ini adalah hasil karya saya sendiri, kecuali beberapa

kutipan dan ringkasan yang masing – masing telah disebutkan sumbernya.

Medan, 9 Maret 2015

Lipantri Mashur Gultom

(5)

PERNYATAAN PERSETUJUAN PUBLIKASI

KARYA ILMIAH UNTUK KEPENTINGAN

AKADEMIS

Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan di

bawah ini :

Nama : Lipantri Mashur Gultom

NIM : 127038052

Program Studi : Magister Teknik Informatika

Jenis Karya Ilmiah : Tesis

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada

Universitas Sumatera Utara hak Bebas Royalti Non-Ekslusif (Non-ExclusiveRoyalti

Free Right) atas tesis saya yang berjudul:

ANALISIS KONVERGENSI PADA ENTANGLED NEURAL NETWORK

Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti

Non-Eksklusif Ini, Universitas Sumatera Utara berhak menyimpan, mengalih media,

meformat, mengelola dalam bentuk database, merawat dan mempublikasikan tesis

saya tanpa meminta izin dari saya selama tetap mencantumkan nama saya sebagai

penulis dan sebagai pemegang dan/atau sebagai pemilik hak cipta.

Demikan pernyataan ini dibuat dengan sebenarnya,

Medan, 9 Maret 2015

Lipantri Mashur Gultom

(6)

Telah diuji pada

Tanggal : 9 Maret 2015

Panitia Penguji Tesis

Ketua : Prof. Dr. Muhammad Zarlis

Anggota : 1. Dr. Erna Budhiarti Nababan, M.IT

2. Prof. Dr. Opim Salim Sitompul

3. Dr. Marwan Ramli, M.Si

(7)

RIWAYAT HIDUP

DATA PRIBADI

Nama : Lipantri Mashur Gultom

Tempat dan Tanggal Lahir : Pematang Siantar, 12 Agustus 1987

Alamat Rumah : Jl. Veteran, Beringin Indah Permai No.30,

Kecamatan Tapian Dolok Kabupaten

Simalungun

HP : 082160808989

E-Mail : lipantri@gmail.com

Instansi Tempat Bekerja : Politeknik LP3I Medan

Alamat Kantor : Jl. Amaliun No. 37 Medan

DATA PENDIDIKAN

SD : Impress Baru Siantar TAMAT : 1999

SLTP : SLTP N 1 Siantar TAMAT : 2002

SLTA : SMA N 3 Pematang Siantar TAMAT : 2005

S1 : Ilmu Komputer USU TAMAT : 2009

(8)

KATA PENGANTAR

Alhamdulillah, puji syukur penulis panjatkan kehadirat Allah SWT yang telah memberikan rahmat dan hidayah-Nya serta segala sesuatunya dalam hidup, sehingga penulis dapat menyelesaikan penyusunan tesis ini. Tidak lupa penulis mengucapkan

terimakasih sebesar – besarnya kepada :

1. Prof. Dr. dr. Syahril Pasaribu, D.T.M&H, M.Sc (C.T.M), Sp.A(K) selaku rektor

Universitas Sumatera Utara yang telah memberikan kesempatan kepada penulis untuk mengikuti dan menyelesaikan pendidikan program magister

2. Prof. Dr. Muhammad Zarlis selaku dekan Fasilkom-TI Universitas Sumatera

Utara

3. M. Andri Budiman, ST, M.Comp Sc, M.E.M selaku sekretaris program studi

magister teknik informatika

4. Prof. Dr. Muhammad Zarlis selaku pembimbing utama yang telah banyak

memberikan bimbingan dan arahan serta motivasi kepada penulis

5. Dr. Erna Budhiarti Nababan,M.IT selaku pembimbing kedua yang telah banyak

memberikan bimbingan dan arahan serta motivasi kepada penulis

6. Prof. Dr. Opim Salim Sitompul selaku pembanding pertama yang telah banyak

memberikan kritik dan saran kepada penulis

7. Dr. Marwan Ramli, M.Si selaku pembanding kedua yang telah banyak

8. Dr. Zakarias Situmorang selaku pembanding ketiga yang telah banyak

9. Seluruh staf pengajar dan pegawai di program studi magister teknik informatika

Universitas Sumatera Utara

10.Teristimewa kepada ayahanda Suwono Gultom dan ibunda Rupini yang selalu

memberikan segalanya bagi penulis baik moril maupun materil yang tidak terbalaskan selama penyelesaiantesis ini

11.Sahabat - sahabat angkatan 2012 KOM C dan seluruh rekan kerja di Politeknik

LP3I Medan

Penulis menyadari bahwa tesis ini masih jauh dari kesempurnaan, karena kesempurnaan hanya milik Allah SWT. Oleh karena itu penulis menerima saran dan kritik yang bersifat membangun demi kesempurnaan tesis ini. Sehingga dapat bermanfaat bagi kita semuanya.

Medan, 9 Maret 2015

(9)

ABSTRAK

Entangled neural networks merupakan salah satu bentuk dari jaringan syaraf kuantum

(quantum neural networks) yang menggunakan entanglement sebagai fitur kunci

untuk menginterpretasikan data. Setiap qubitdalam entanglement memiliki

probabilitas nilai yang berbeda – beda pada keadaan tertentu dalam suatu waktu

sehingga sangat mempengaruhi kecepatan konvergensi pada algoritma pembelajaran.

Algoritma pembelajaran yang dibandingkan dalam penelitian ini ialah algoritma

quantum perceptron dan algoritma perceptron klasik. Pengukuran nilai kecepatan

konvergensi dalam algoritma pembelajaran menggunakan beberapa parameter yaitu

jumlah hidden node, nilai learning rate, jumlah epoch dan tingkat akurasi

pengujian.Hasil akhir pengujian menunjukkan bahwa algoritma pembelajaran

quantum perceptron memiliki kecepatan konvergensi yang lebih baik daripada

perceptron klasik. Selain itu tingkat akurasi pengujian dari algoritma quantum

perceptron lebih tinggi dibandingkan dengan algoritma perceptron klasik.

(10)

CONVERGENCE ANALYSIS OF ENTANGLED NEURAL NETWORK ABSTRACT

Entangled neural networks is one form of the quantum neural network which uses

entanglement as a key feature to interpreting the data. Each qubit within probability of

entanglement have different values on the particular state in one time so greatly affect

the speed of convergence in the learning algorithm. Learning algorithms that

compared in this study are the perceptron quantum algorithms and classical perceptron

algorithm. Measurement the value of the speed of convergence in the learning

algorithm uses several parameters: the number of hidden nodes, the value of learning

rate, number of epochs and the accuracy of testing. The final results of testing indicate

that the quantum perceptron learning algorithm has better convergence speed than the

classical perceptron. In addition, the level of accuracy of the testing from quantum

algorithms perceptron higher than the classical perceptron algorithm.

(11)

DAFTAR ISI

Hal

PENGESAHAN ... ii

PERNYATAAN ORISINALITAS ... iii

PERSETUJUAN PUBLIKASI ... iv

PANITIA PENGUJI ... v

RIWAYAT HIDUP ... vi

UCAPAN TERIMA KASIH ... vii

ABSTRAK ... viii

ABSTRACT ... ix

DAFTAR ISI ... x

DAFTAR GAMBAR ... xii

DAFTAR TABEL ... xiv

BAB I PENDAHULUAN 1.1. Latar Belakang Masalah ... 1

1.2. Rumusan Masalah ... 2

1.3. Tujuan Penelitian ... 2

1.4. Batasan Penelitian ... 2

1.5 Manfaat Penelitian ... 2

BAB II LANDASAN TEORI 2.1. Komputasi Quantum ... 3

2.2. Artificial Neural Network ... 3

2.3.Quantum Neural Network ... 4

2.4. Penelitian Terdahulu ... 6

BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian ... 8

3.1.1 Data Yang Digunakan ... 8

3.1.2 Tahapan Analisis ... 9

3.1.3 Tahapan Akhir / Hasil analisis / Kesimpulan ... 11

3.2 Preprocessing Data ... 11

3.2.1 Dataset Klasifikasi Penggunaan Lensa Kontak ... 11

3.2.2 Dataset Klasifikasi Skala Keseimbangan ... 16

3.3 Pembelajaran Perceptron ... 20

BAB IVHASIL PENELITIAN DAN PEMBAHASAN 4.1 Hasil Penelitian ... 27

4.1.1 Dataset Lensa Kontak ... 27

4.1.2 Dataset Klasifikasi Skala Keseimbangan ... 38

(12)

Dataset Lensa Kontak ... 50

4.2.3 Perbandingan Jumlah Epoch Dengan Learning Rate Untuk Dataset Klasifikasi Skala Keseimbangan ... 55

4.2.4 Perbandingan Jumlah Epoch Dengan Tingkat Akurasi Untuk Dataset Klasifikasi Skala Keseimbangan ... 57

4.2.5 Perbedaan Perhitungan nilai Error antara Perceptron dengan Quantum ... 62

BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan ... 64

5.2 Saran ... 65

DAFTAR PUSTAKA ... 66

(13)

DAFTAR GAMBAR

Gambar 2.1 Arsitektur jaringan saraf quantum ... 6

Gambar 3.1 Tahapan penelitian ... 8

Gambar 3.2 Arsitektur general ... 10

Gambar 3.3 Arsitektur jaringan klasifikasi penggunaan lensa kontak... 15

Gambar 3.4 Arsitektur jaringan klasifikasi skala keseimbangan ... 18

Gambar 3.5 Flowchart algoritma quantumperceptron ... 19

Gambar 3.6 Arsitektur 5-2-2 dengan nilai input, bobot dan output ... 20

Gambar 3.7. Data ke-2 dengan bobot baru ... 24

Gambar 4.1 Jumlah Hidden Node 2 dan learning rate 0,1 ... 27

Gambar 4.22 Perbandingan Jumlah Epoch Dengan Learning Rate 0,1, 0,5 Dan 0,9 ... 48

Gambar 4.25 Perbandingan Jumlah Epoch Dengan Tingkat Akurasi Untuk Learning Rate 0,1... 50

(14)

Gambar 4.30 Perbandingan Jumlah Epoch Dengan

Tingkat Akurasi Untuk Learning Rate 0,09... 53

Tingkat Akurasi Untuk Learning Rate 0,001 ... 54

Learning Rate 0,1, 0,5 Dan 0,9 ... 55

Gambar 4.46 Perbandingan nilai error antara

(15)

DAFTAR TABEL

Hal

Tabel 2.1 Model QNN dari beberapa peneliti (Garman. 2011) ... 5

Tabel 2.2 Perbedaan jaringan (Nayak & Singh. 2011) ... 5

Tabel 2.3 Penelitian terdahulu ... 7

Tabel 3.1 Struktur dataset ... 9

Tabel 3.2 Dataset klasifikasi penggunaan lensa kontak ... 12

Tabel 3.3 Kode atribut age of the patient... 12

Tabel 3.4 Kode atribut spectacle prescription ... 13

Tabel 3.5 Kode atribut astigmatic ... 13

Tabel 3.6 Kode atribut tear production rate ... 13

Tabel 3.7 Kode klasifikasi kelas ... 13

Tabel 3.8 Dataset klasifikasi lensa kontak dalam kode binari ... 14

Tabel 3.9 Data klasifikasi skala keseimbangan ... 16

Tabel 3.10 Kode Left-Weight Left-Weight, Left-Distance, Right-Weight dan Right-Distance ... 16

Tabel 3.11 Kode klasifikasi kelas ... 17

Tabel 3.12 Dataset klasifikasi skala keseimbangan dalam kode binari ... 17

Tabel 3.13 Kategori jumlah hidden node ... 18

Tabel 3.14 Kategori learning rate ... 19

Tabel 4.1 Nilai Epoch Dari Setiap Hidden Node Dan

Tabel 4.4 Hasil Proses Pengujian Untuk Dataset Lensa Kontak ... 38

Tabel 4.5 Nilai Epoch Dari Setiap Hidden Node Dan