TESIS
LIPANTRI MASHUR GULTOM 127038052
PROGRAM STUDI S2 TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
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
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
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
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
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
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
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
memberikan kritik dan saran kepada penulis
8. Dr. Zakarias Situmorang selaku pembanding ketiga yang telah banyak
memberikan kritik dan saran kepada penulis
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
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.
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.
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
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
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 4.23 Perbandingan Jumlah Epoch Dengan Learning Rate 0,01, 0,05 Dan 0,09 ... 49
Gambar 4.24 Perbandingan Jumlah Epoch Dengan Learning Rate 0,001, 0,005 Dan 0,009 ... 49
Gambar 4.25 Perbandingan Jumlah Epoch Dengan Tingkat Akurasi Untuk Learning Rate 0,1... 50
Gambar 4.26 Perbandingan Jumlah Epoch Dengan Tingkat Akurasi Untuk Learning Rate 0,5... 51
Gambar 4.27 Perbandingan Jumlah Epoch Dengan Tingkat Akurasi Untuk Learning Rate 0,9... 51
Gambar 4.30 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,09... 53
Gambar 4.31 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,001 ... 54
Gambar 4.32 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,005... 54
Gambar 4.33 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,009... 55
Gambar 4.34 Perbandingan Jumlah Epoch Dengan
Learning Rate 0,1, 0,5 Dan 0,9 ... 55
Gambar 4.35 Perbandingan Jumlah Epoch Dengan
Learning Rate 0,01, 0,05 Dan 0,09 ... 56
Gambar 4.36 Perbandingan Jumlah Epoch Dengan
Learning Rate 0,001, 0,005 Dan 0,009 ... 56
Gambar 4.37 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,1... 57
Gambar 4.38 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,5... 58
Gambar 4.39 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,9... 58
Gambar 4.40 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,01... 59
Gambar 4.41 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,05... 59
Gambar 4.42 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,09... 60
Gambar 4.43 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,001... 60
Gambar 4.44 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,005... 61
Gambar 4.45 Perbandingan Jumlah Epoch Dengan
Tingkat Akurasi Untuk Learning Rate 0,009... 61
Gambar 4.46 Perbandingan nilai error antara
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