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.
Katakunci: Identifikasi Pola, Pengolahan Citra, Jaringan Syaraf Tiruan,
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
Bab 3 Analisis Dan Perancangan Sistem Bab 4 Implementasi dan Pengujian 4.1 Implementasi 55
Lampiran Listing Program A-1
Lampiran Curriculum Vitae B-2
DAFTAR GAMBAR
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
DAFTAR TABEL
Nomor
Tabel Nama Tabel Halaman
3.1
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
