PENGENALAN POLA BREAST CANCER MENGGUNAKAN ALGORITMA NGUYEN WIDROW BACKPROPAGATION.

(1)

(2)

(3)

Jurnal Elektronik Ilmu Komputer - Universitas Udayana JELIKU Vol 2 No. 3 Agustus 2013

i

SUSUNAN DEWAN REDAKSI JELIKU

KETUA

AGUS MULIANTARA, S.KOM, M.KOM

PENYUNTING

DRA. LUH GEDE ASTUTI, M.KOM

NGURAH AGUS SANJAYA E.R., S.KOM, M.KOM

IDA BAGUS MAHENDRA, S.KOM, M.KOM

IDA BAGUS GEDE DWIDASMARA, S.KOM, M.CS

PELAKSANA

I KETUT GEDE SUHARTANA, S.KOM., M.KOM

I GEDE SANTI ASTAWA, S.T., M.CS

I MADE WIDIARTHA, S.SI., M.KOM

ALAMAT REDAKSI

JURUSAN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS UDAYANA

KAMPUS BUKIT JIMBARAN – BADUNG

TELEPON : 0361 – 701805

EMAIL : JELIKU@CS.UNUD.AC.ID

(4)

ii

(5)

iii

DAFTAR ISI

SUSUNAN DEWAN REDAKSI JELIKU ... i

DAFTAR ISI ... iii

PERANCANGAN SISTEM INFORMASI MOBILE SALES FORCE AUTOMATION (SFA) PT. ASTRA INTERNASIONAL TBK. –HONDA

Ni Made Dwi Arnita, Agus Muliantara ... 1

PENGENALAN POLA BREAST CANCER MENGGUNAKAN ALGORITMA NGUYEN WIDROW BACKPROPAGATION

I Gst Ag Indra Arthana, Agus Muliantara ... 11

PENERAPAN QUEUE TREE PADA ROUTER MIKROTIK DALAM MANAJEMEN BANDWITH

I Putu Ery Handika dan I Komang Ari Mogi ... 16

PERANCANGAN SISTEM INFORMASI KEANEKARAGAMAN HAYATI DI PT. PERTAMINA DEPOT PENGISIAN PESAWAT UDARA (DPPU) NGURAH RAI

I Gusti Putu Deviara Putra, I.B Made Mahendra ... 25

IMPLEMENTASI SISTEM OPERASI ROUTER MIKROTIK SEBAGAI PROXY SERVER BERBASIS TRANSPARENT PROXY

I Putu Iyasa Pringgagada Pecut, I Made Widhi Wirawan ... 33

PURWARUPA APLIKASI MESIN PENCARI REFERENSI

I Putu Sutria Narada, Agus Muliantara, Ida Bagus Dwidasmara ... 42

IMPLEMENTASI BANDWIDTH MANAGEMENT PADA PENGALOKASIAN HOTSPOT DI FAKULTAS HUKUM UNIVERSITAS UDAYANA

I Made Yuda Prasetia, I Made Widhi Wirawan, I Dewa Made Bayu Atmaja Darmawan ... 51

PERANCANGAN SISTEM TRACER STUDY BERBASIS WEB PADA FAKULTAS PARIWISATA UNIVERSITAS UDAYANA

Luh Sukma Widiasari, Ngurah Widyatmaja ... 59

PERANCANGAN DAN IMPLEMENTASI APLIKASI KLASIFIKASI PENYAKIT DIABETES DENGAN METODE NAÏVE BAYES

Putu Gerhans Prawira Risnawan, Ngurah Agus Sanjaya ER, I Made Widiartha ... 68

IMPLEMENTASI SPLIT DNS DENGAN MENGGUNAKAN BIND9 DALAM MEMBANGUN SISTEM CONTENT DELIVERY NETWORK

I Made Yoga Sattwika Darma

, I Made Widhi Wirawan, I Dewa Made Bayu Atmaja Darmawan ... 73

PERANCANGAN SISTEM INFORMASI SALES ACTIVITY PT. ASTRA INTERNATIONAL TBK. - HONDA

I Wayan Angga Pratama, Ida Bagus Gede Dwidasmara ... 78

(6)

iv

I Made Bayu Adi Utama, I Dewa Made Bayu Atmaja Darmawan ... 88

PENGENALAN WICARA KARAKTER INDONESIA MENGGUNAKAN HIDDEN MARKOV MODEL

I Wayan Adi Juliawan Pawana ... 96

IDENTIFIKASI KEKURANGAN UNSUR HARA PADA TANAMAN JAGUNG DENGAN METODE JARINGAN SARAF TIRUAN LEARNING VECTOR QUANTIZATION

Adinda Prisila Permatasari, Luh Gede Astuti, I Gede Santi Astawa... 101

ANALISA KINERJA ROUTING MENGGUNAKAN ROUTING INFORMATION PROTOCOL (rip) DAN OPEN SHORTEST PATH FIRST (OSPF)

(7)

11

PENGENALAN POLA BREAST CANCER MENGGUNAKAN ALGORITMA NGUYEN WIDROW BACKPROPAGATION

I Gst Ag Indra Arthana1_{, Agus Muliantara}2 Program Studi Teknik Informatika,

Jurusan Ilmu Komputer,

Fakultas Matematika Dan Ilmu Pengetahuan Alam, Universitas Udayana

Email : indra.arthana@cs.unud.ac.id1_{, muliantara@cs.unud.ac.id}2

ABSTRAK

Kanker payudara adalah penyakit penyebab kematian wanita kedua di dunia. Untuk mendeteksi kanker payudara butuh pengetahuan dokter. Disamping itu kadangkala tidak tepat sehingga pasien butuh second opinion. Salah satu cara untuk mendapatkan second opinion adalah dengan menanyakannya kepada dokter lain sehingga informasi bisa lebih jelas. Untuk mempersingkat proses penentuan kanker payudara, dapat dilakukan oleh system dengan menggunakan jaringan saraf tiruan. Salah satu cabang dari jaringan saraf tiruan adalah backpropagation.

Algoritma Bacpropagation mengadaptasi bagaimana otak manusia bekerja dengan memproses suatu masalah hingga mendapat hasil dengan mengupdate nilai dari masing – masing sinapsisnya. Backpropagation mampu mengenali pola dari dataset yang telah ada. Dataset ini akan dipelajari oleh Backpropagation sehinnga dapat memberikan keputusan untuk data baru yang akan diinputkan. Backpropagation dapat digunakan untuk mendeteksi penyakit contohnya kanker payudara. Dataset kanker payudara terdiri dari 9 atribut yang merupakan input ke Backpropagation.

Output dari backpropagation akan dibagi menjadi 2 kelas yaitu kelas benign, dan kelas malignant. Maksimum iterasi yang digunakan adalah 10000 dengan toleransi kesalahan 0.1. Setelah dilakukan proses pengenalan dan evaluasi didapatkanlah nilai akurasi 92%.

Kata Kunci:Jaringan saraf tiruan, backpropagation, Wisconsin breast cancer, eror, iterasi.

ABSTRACT

Breast cancer is the second leading causes of death of women in the world. To detect breast cancer, physicians need knowledge. Besides, sometimes the result is inaccurate so patients need a second opinion. One way is to get a second opinion is by checking with another doctor so the information can be more clear. To shorten the process of determining breast cancer, can be performed by the system by using artificial neural networks. One branch of artificial neural network is backpropagation.

Backpropagation algorithm adapts how the human brain works by processing a problem to get the result by updating the value of each neuron. Backpropagation is able to recognize the pattern of existing datasets. This dataset will be learned by the Backpropagation until it can provide the decision for new data to be entered. Backpropagation can be used to detect breast cancer. Breast cancer dataset consists of 9 attributes that are inputs to the Backpropagation.

The output of the backpropagation will be divided into two classes, namely classes benign and malignant classes. Maximum iterations used is 10000 with fault tolerance 0.1. After the learning and evaluation process value obtained 92% accuracy.

(8)

12

1 PENDAHULUAN

Kanker payudara adalah jenis kanker paling umum yang diderita kaum wanita. Hingga saat ini, salah satu cara pengobatan yang umum dilakukan adalah dengan pembedahan dan jika perlu dilanjutkan dengan

kemoterapi maupun radiasi. Namun

pengobatan tersebut tidak akan memberikan dampak yang signifikan jika kankernya sudah mencapai stadium akhir. Oleh karena itu apabila penyakit ini dapat dideteksi lebih awal, dampak buruk yang mungkin ditimbulkan oleh kanker payudara dapat dicegah.

Untuk deteksi awal kanker payudara dapat dibantu dengan menggunakan AI

(Artificial Intelligence) agar dapat

mendapatkan hasil yang cepat dan akurat.

Salah satu cabang dari AI (Artificia l

Intelligence) adalah apa yang dikenal dengan

Jaringan Saraf Tiruan (Artificial Neural

Network). Jaringan saraf tiruan merupakan

salah satu sistem pemrosesan informasi yang didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses belajar melalui perubahan bobot sinapsisnya. Jaringan saraf tiruan mampu melakukan pengenalan kegiatan berbasis data masa lalu. Data masa lalu akan dipelajari oleh jaringan saraf tiruan sehingga mempunyai kemampuan untuk memberikan keputusan terhadap data yang belum pernah dipelajari. Dalam analisis ini dicoba untuk dipelajari dan dicoba penerapannya didalam bidang kesehatan yaitu pada kanker payudara.

Usaha manusia dalam

mengembangkan suatu sistem yang meniru kemampuan dan perilaku makhluk hidup telah

berlangsung selama beberapa decade

belakangan ini. Jaringan saraf tiruan (JST), merupakan hasil perkembangan ilmu dan teknologi yang kini sedang berkembang pesat. JST yang berupa susunan sel-sel saraf tiruan (neuron) dibangun berdasarkan prinsip-prinsip

organisasi otak manusia. Perhatian yang besar pada JST disebabkan adanya keunggulan yang dimilikinya seperti kemampuan untuk belajar, komputasi paralel, kemampuan untuk

memodelkan fungsi nonlinier dan sifat fault

tolerance.

Bobot awal akan mempengaruhi apakah jaringan mencapai titik minimum lokal (local minimum) atau global dan seberapa

cepat konvergensinya. Bobot yang

menghasilkan nilai turunan aktivasi yang kecil sedapat mungkin dihindari karena akan menyebabkan perubahan bobotnya menjadi sangat kecil. Demikian pula nilai bobot awal tidak boleh terlalu besar karena nilai turunan fungsi aktivasinya menjadi sangat kecil juga.

Oleh karena itu dalam “Standar

backpropagation”, bobot dan bias diisi dengan bilangan acak kecil.

Nguyen dan Widrow (1990)

mengusulkan cara membuat inisialisasi bobot dan bias ke unit tersembunyi sehingga meghasilkan iterasi lebih cepat (Zamani dkk., 2012). Oleh karana itu, pada penelitian ini dilakukan optimasi pencarian bobot random pada jaringan syaraf tiruan backpropagation dengan metode nguyen widrow untuk

melakukan klasifikasi data dengan

meminimalkan waktu iterasi.

Pada penelitian ini penulis akan

mengimplementasikan nguyen widrow

bacpropagation.

2 METODOLOGI

Metode dalam penelitian ini adalah algoritma backpropagation yang telah di

enhance dengan algoritma nguyen widrow.

Dan dataset yang digunakan adalah dataset kanker payudara.

2.1 Datasets

Pada penelitian ini dataset yang

digunakan adalah dataset Wisconsin Breast

Cancer. Dataset ini berasal dari University of

Wisconsin Hospitals, Madison dari Dr. William H. Wolberg [1]. Dataset ini berisi 699 data yang terdiri dari 458 kanker jinak dan 241 kanker ganas. Atribut dari masing – masing

data ada 9 yaitu Clump Thickness, Uniformity

(9)

13 2.2 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 mrngubah nilai bobot-bobotnya dalam

arah mundur (backwa rd). Untuk mendapatkan

error ini, tahap perambatan maju (forwa rd propagation) harus dikerjakan terlebih dahulu.

Pada saat perambatan maju, neuron-neuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid (Kusumadewi, 2003).

f (x) = + −�

Dimana :

e : bilangan exponensial

x : inputan ke sinapsis

Arsitektur jaringan backpropagation seperti dilihat pada gambar 1.

Gambar 1. arsitektur jaringan backpropagation [3]

Selama perambatan maju, sinyal

masukan (x1) diperambatankan ke layer

tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari unit

tersembuyi (Zj) tersebut selanjutnya

diperambatan maju lagi ke layer tersembunyi berikutnya dengan fungsi aktivasi yang telah

ditentukan. Dan 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. Jika kesalahan masih lebih besar dari batas toleransi, maka bobot setiap garis dari jaringan akan dimodifikasi untuk mengurangi kesalahan

Berdasarkan kesalahan tk– yk dihitung

faktor δk yang dipakai untuk mendistribusikan

kesalahan 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 δk di setiap layer tersembunyi sebagai

dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di layer di bawahnya. Dan seterusnya hingga semua faktor δ di unit tersembunyi yang terhubung langsung dengan unit masukan dihitung.

Setelah semua faktor δ dihitung, bobot

semua garis dimodifikasi bersamaan.

Perubahan bobot suatu garis didasarkan atas faktor δ neuron di layer atasnya.

Ketiga fase tersebut diulang-ulang hingga kondisi penghentian dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah jumlah interasi atau kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang ditetapkan.

Algoritma backpropagation

(Kusumadewi, 2003):

a. Inisialisasi bobot dilakukan dengan cara

mengambil bobot awal dengan nilai random yang cukup kecil.

b. Langkah-langkah berikut dikerjakan

selama kondisi berhenti bernilai FALSE

1. Untuk tiap-tiap pasangan elemen yang

akan dilakukan pembelajaran, maka dilakukan langkah-langkah berikut: Feed forward:

a. Tiap-tiap unit input (xi,

(10)

14 semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi).

b. Tiap-tiap unit tersembunyi (zj,

j=1,2,3,….p) menjumlahkan sinyal-sinyal input terbobot:

z_inj = v0j + ∑₌

xivij………(1)

Gunakan fungsi aktivasi untuk menghitung sinyal outputnya:

k=1,2,3,….,m) menjumlahkan sinyal-sinyal input terbobot.

y_ink = w0k + ∑�₌

ziwjk………….(3)

Gunakan fungsi aktivasi untuk menghitung sinyal outputnya: pola yang berhubungan dengan pola input pembelajaran, hitung informasi erornya:

δk = (tk-yk)

f’(y_ink)………(5)

Kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai wjk).

∆wjk =

αδkzj………(6)

Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai W0k)

j=1,2,3,…..p) menjumlahkan delta inputnya (dari unit-unit yang berada pada lapisan di atasnya.

Kalikan nilai ini dengan turunan dari funssi aktivasinya untuk menghitung informasi error

δj= δ_ inj

f(z_inj)………(8)

Kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai v)

∆vjk=αδjxi………

…..(9)

Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai v)

maksimum iterasi atau minimum eror terpenuhi.

2.3 Nguyen Widrow

Nguyen dan Widrow (1990)

mengusulkan cara membuat inisialisasi bobot dan bias ke unit tersembunyi sehingga meghasilkan iterasi lebih cepat. Misalkan, n = jumlah unit masukan, p = jumlah unit tersembunyi, dan β = faktor skala = 0,7�_√ _.

Algoritma inisialisasi Nguyen-Widrow adalah sbb:

1. Inisialisasi semua bobot (v_ij(lama)) dengan

bilangan acak dalam interval [-0,5: 0,5]

2. Hitung ‖ ‖ =

√ + + ⋯ + ………..(13) 3. Bobot yang dipakai sebagai inisialisasi

=

�

‖ ‖ ……….(14)

(11)

15 2.4 Flowchart Backpropagation

Adapun alur kerja yang dilakukan dalam penelitian ini adalah sebagai berikut:

Gambar 2. Flowchart Training

Pada proses training data diinputkan ke dalam sistem. Setelah data diinputkan sistem akan menginisialisasi bobot awal dari setiap inputan dan bias dengan menggunakan algoritma nguyen widrow. Hitung nilai pada setiap layer dan gunakan fungsi aktivasi sigmoid untuk menentukan outputnya. Selanjutnya hitung eror pada outputnya. Bila eror sudah dibawah toleransi eror atau epoh sudah mencapai maksimum epoh maka simpan bobot dan tampilkan hasilnya. Bila belum memenuhi kriteria maka lakukan proses update bobot dan ulangi proses hitung nilai pada setiap layer.

Pada proses testing bobot yang digunakan adalah bobot hasil dari proses training yang telah disimpan sebelumnya. Proses pada testing hampir sama dengan proses training hanya saja tidak terjadi proses update bobot.

3 SKENARIO UJI COBA

Pada penelitian ini pengujian dilakukan dengan membandingkan antara hasil

yang diperoleh dengan algoritma

backpropagation dengan hasil yang ada di dataset yang diujikan. Setelah dilakukan pengujian, hasilnya akan dievaluasi dengan akurasi dan waktu komputasinya. Akurasi dapat dihitung dengan jumlah data yang benar dibagi dengan total data yang diujikan. Sedangkan waktu komputasi dihitung berapa

lama algoritma bacpropagation dapat

menghitung hasilnya.

Gambar 3. Flowchart Testing

4 HASIL PENGUJIAN

Pada penelitian ini menggunakan

dataset wisconsin breast cancer dengan jumlah

maksimun iterasi 10000, jumlah hiden layer 7, nilai belajar 0.7, dan nilai kesalahan 0.1. Pada tabel 1, saat proses pembelajaran dataset diatur secara acak antara kelas malignant dan benign sehingga hasil dari pembelajaran dapat dengan

optimal dilakukan oleh algoritma

backpropagation.

Dari tabel 3 dapat dilihat bahwa

akurasi dari backpropagation dengan

(12)

16 Tabel 3. Perbandingan antara Backpropagation

dan Nguyen Widrow Backprogation No

Melalui penelitian ini, dapat diketahui dengan penambahan metode nguyen widrow

pada inisialisasi bobot awal dapat

mempercepat proses pembelajaran. Sehingga hasil klasifikasi menggunakan algoritma Baclpropagation menjadi lebih meningkat.

Akan tetapi tingkat akurasi dari

backpropagation masih mungkin dapat ditingkatkan. Untuk penelitian selanjutnya disarankan untuk mengembangkan penentuan bobot awal dan jumlah hidden layer agar bisa menghasilkan akurasi yang lebih baik.

DAFTAR PUSTAKA

[1] Ming, S. Hung, Shanker, Murali, Y. Hu,

Michael. Estimating Breast Cancer Risks Using Neural Networks. Journal of Operation Research society:2001, 52, hal: 1-10.

[2] Antara, I P. R., Sumarminingsih, E., dan Handoyo, S. 2010. Model Jaringan Syaraf Tiruan Backpropagation dengan Input Berdasarkan Model Regresi Terbaik. Malang: Universitas Brawijaya.

[3] Dhaneswara, G. dan Moertini, V. S. 2004.

Jaringan Saraf Tiruan Propagasi Balik

untuk Klasifikasi Data. Integral, FMIPA

Unpar, (9):3, hal. 1-11.

[4] Kiki, S. K. 2004. Analisis Jaringan Saraf Tiruan dengan Metode Backpropagation untuk Mendeteksi Gangguan Psikologi. Yogyakarta: Universitas Islam Indonesia.

[5] Kumar, P. R., Murty, M. V. R., et al.

2008. Time Series Modeling Using

Artificial Neural Networks. Journal of

Theoretical and Applied Information Technology, 4 (12), hal. 259-264.

[6] Kusumadewi, 2003. Artificial Intelligence

(Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu

[7] Mait, H. M. N. 2009. Jaringan Syaraf

Tiruan. Depok: Universitas Gunadarma.

[8] Subekti, R. M. 2010. Perbaikan Metode

Backpropagation untuk Pelatihan Jaringan Syaraf Tiruan Multilayer. Tangerang: P2TRR-Batan. Hal. 1-8.

[9] Zaman, A. M., Amaliah, B. dan Munif, A.

2012. Implementasi Algoritma Genetika pada Struktur Backpropagation Neural Network untuk Klasifikasi Kanker

Payudara. Jurnal Teknik ITS (1): 2012,