Perbandingan Jaringan Syaraf Tiruan Backpropagation dan Kohonen pada Identifikasi Penyakit Infeksi pada Kulit Dengan Gejala Bercak Putih

BAB II

LANDASAN TEORI

2.1 Kulit

Kulit adalah organ tubuh yang terletak paling luar dan membatasi dari lingkungan hidup manusia. Luas kulit orang dewasa 1.5 m2 dengan berat kira-kira 15% berat badan. Kulit merupakan organ yang esensial dan vital serta merupakan cermin kesehatan dan kehidupan. Kulit juga sangat kompleks. elastis dan sensitif, bervariasi pada keadaan iklim. Umur, ras dan juga bergantung pada lokasi tubuh. Banyak jenis penyakit kulit yang sering datang pada kulit manusia kebanyakan gejala dan ciri-cirinya hampir sama namun efek yang akan ditimbulkan berbeda, jenis penyakit kulit yang memiliki gejala yang sama salah satunya adalah penyakit kulit dengan gejala bercak putih yang sulit dibedakan jika dilihat dengan kasat mata, penyakit kulit yang memiliki gejala bercak putih ada 4 penyakit yaitu Lepra, Pitiriasis alba, Pitiriasis versicolor dan Vitiligo. [1]

2.1.1 Lepra

Lepra atau kusta adalah penyakit infeksi yang kronik, penyebabnya ialah

Mycobacterium leprae yang intraselular obligat. Syaraf parifer sebagai afinitas pertama, lalu kulit dan mukosa traktus respiratus bagian atas, kemudian dapat ke organ lain kecuali susunan syaraf pusat. [1]

2.1.2 PitiriasisAlba

bercak warna putih di wajah, tubuh, atau di lengan tangan dan lengan kaki yang tidak gatal. [1]

Biasanya penderita datang untuk berobat ke dokter dikarenakan bercak putih ini cukup mengganggu penampilan dan mengurangi percaya diri.Kasus PitiriasisAlba

sering dijumpai tidak hanya di praktek Dokter Spesialis Kulit, namun juga praktek Dokter Umum. Sering kali salah di diagnosa dengan infeksi jamur dikarenakan secara klinis memang mirip. Pitiriasis Alba merupakan kelainan kulit dengan bercak putih bersisik halus seukuran koin sampai plakat dengan bentuk bulat, oval dan tidak teratur. Paling banyak mengenai anak-anak umur 3-16 tahun, walaupun orang dewasa juga dapat terkena.

2.1.3. Pitiriasis Versicolor

Pitiriasis versicolor adalah penyakit universal tapi lebih banyak dijupai di daerah tropis oleh karena tingginya temperature dan kelembaban. Menyerang hampir semua usia terutama remaja, terbanyak pada usia 16-40 tahun. Tidak ada perbedaan antara pria dan wanita, walaupun di Amerika Serikat dilaporkan bahwa penderita berusia 20-30 tahun dengan perbandingan 1,09% pria dan 0,6% wanita. [9]

2.1.4. Vitiligo

Vitiligo adalah hipomelanosis idiopatik dapat ditandai dengan adanya macula putih yang dapat meluas. Dapat mengenai seluruh bagian tubuh yang mengandungsel melasonit, misalnya rambut dan mata. [1]

2.2 Jaringan Syaraf Biologi

Jaringan syaraf biologis merupakan kumpulan dari sel-sel syaraf (neuron). [10] Neuron mempunyai tugas mengolah informasi. Neuron memiliki 3 komponen penting yaitu dendrit menerima sinyal dari neuron lain. Sinyal tersebut berupa impuls elektrik yang dikirim melalui celah sinaptik melalui proses kimiawi. Sinyal tersebut dimodifikasi (diperkuat/ diperlemah ) dicelah sinaptik. Berikutnya, soma menjumlahkan semua sinyal-sinyal yang masuk. Kalau jumlahan tersebut cukup kuat dan melebihi batas ambang (threshold), maka sinyal tersebut akan diteruskan ke sel lain melalui axon. Frekuensi penerusan sinyal berbeda-beda antara satu sel dengan yang lain[11]

2.3 Jaringan Syaraf Tiruan

Jaringan syaraf tiruan merupakan salah satu sistem pemerosesan yang dirancang dan dilatih untuk memiliki kemampuan seperti yang dimiliki oleh manusia dalam menyelesaikan persoalan yang rumit dengan melakukan proses belajar melalui perubahan bobot sinapsisnya. Jaringan syaraf mensimulasi struktur proses-proses otak (fungsi syaraf biologis) dan kemudian membawanya kepada perangkat lunak kelas baru yang dapat mengenali pola-pola yang kompleks serta belajar dari pengalaman-pengalaman masa lalu. [12] Jaringan syaraf tiruan termasuk bidang kecerdasan buatan. Jaringan syaraf tiruan banyak diterapkan dalam penelitian karena mempunyai model sistem yang non-linear di mana hubungan antara variabel tidak diketahui atau sangat kompleks. [5]

Jaringan Syaraf Tiruan merupakan sistem pemrosesan informasi yang memiliki karakteristik kemampuan yang secara umum mirip dengan jaringan syaraf biologi. Jaringan syaraf tiruan dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi, dengan asumsi bahwa. [11]:

1. Pemrosesan informasi terjadi pada banyak elemen sederhana ( neuron).

2. Sinyal dikirimkan diantara neuron-neuron melalui penghubung-penghubung.

3. Penghubung antara neuron memiliki bobot yang akan memperkuat atau memperlemah

Karakteristik dari jaringan syaraf tiruan adalah sebagai berikut [11]:

1. Pola hubungan antar neuron ( yang menjadi arsitekturnya).

2. Metode penentuan bobot dalam koneksi (disebut sebagai proses latihan, pembelajaran, atau Algoritma ).

3. Fungsi aktivasi.

Model dari sebuah neuron ditunjukkan pada gambar 2.1

Gambar 2.1. Model Neuron

Dari model sebuah neuron pada Gambar 2.1 dapat dituliskan persamaan:

y = f (∑�_�=1 w * xi – ѳ) keterangan:

xi = sinyal masukan ke-i. wi = bobot hubungan ke-i.

ѳ = bias

f(.) = fungsi aktivasi atau elemen pemroses

y = sinyal keluaran. [2]

Adapun cara belajar jaringan syaraf tiruan sebagai berikut: ke dalam jaringan syaraf tiruan diinputkan informasi yang sebelumnya telah diketahui hasil keluarannya. Penginputan informasi ini dilakukan lewat node-node atau unit-unit input. Bobot-bobot antar koneksi dalam suatau arsitektur deberi nilai awal dan kemudian jaringan

syaraf tiruan dijalankan. Bobot-bobot ini bagi jaringan digunakan untuk belajar dan mengingat suatu informasi. Pengaturan bobot dilakukan secara terus menerus dan dengan kriteria tertentu sampai diperoleh keluaran yang diharapkan.

Hal yang ingin dicapai dengan melatih/mengajari jaringan syaraf tiruan adalah untuk mencapai keseimbangan antara kemampuan memoriasi dan generalisasi. Yang dimaksud dengan kemampuan memorisasi adalah kemampuan jaringan syaraf tiruan untuk memanggil kembali secara sempurna sebuah pola yang telah dipelajari. Kemampuan generalisasi. Adalah kemampuan jaringan syaraf tiruan untuk menghasilkan respons yang bisa diterima terhadap pola pola input yang serupa (namun tidak identik) dengan pola-pola yang sebelumnya telah dipelajari. Hal ini sangat bermamfaat bila pada suatu saat ke dalam jaringan syaraf tiruan itu diinputkan informasi baru yang belum pernah dipelajari, maka jaringan syaraf tiruan itu akan tetap dapat memberikan tanggapan yang baik, memberikan keluaraan yang paling mendekati. [10]

2.3.1 Komponen Dalam Jaringan Syaraf Tiruan

Pembagian arsitektur jaringan syaraf tiruan bisa dilihat dari kerangka kerja dan skema interkoneksi. Kerangka kerja jaringan syaraf tiruan bisa dilihat dari jumlah lapisan (layer) dan jumlah node pada setiap lapisan.

Lapisan-lapisan penyusun jaringan syaraf tiruan dapat dibagi menjadi tiga, yaitu: 1. Lapisan input

Node-node di dalam lapisan input disebut unit-unit input. Unit-unit input menerima input dari dunia luar. Input yang dimasukkan merupakan penggambaran dari suatu masalah.

2. Lapisan tersembunyi

3. Lapisan output

Node-node pada lapisan output disebut unit-unit output. Keluaran atau output dari lapisan ini merupakan output jaringan syaraf tiruan terhadap suatu permasalahan. [10]

2.3.2 Arsitektur Jaringan Syaraf Tiruan 2.3.2.1. Single Layer Network

Hanya memiliki 1 lapisan dengan bobot-bobot terhubung. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi. Pada gambar berikut neuron-neuron pada kedua lapisan saling berhubungan. Seberapa besar hubungan antara 2 neuron ditentukan oleh bobot yang bersesuaian. Semua unit input akan dihubungkan dengan setiap unit output[3]

Gambar 2.2 Single-Layer Network

2.3.2.2. Multi Layer Network

banyak kasus, pembelajaran pada jaringan dengan banyak lapisan ini lebih sukses dalam menyelesaikan masalah. [3]

Gambar 2.3. Multi Layer Network

2.3.2.3. Jaringan Kompetitif

Pada jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif. Umumnya hubungan antar neuron pada lapisan kompetitif ini tidak diperlihatkan pada diagram arsitektur. Gambar berikut menunjukkan salah satu contoh arsitektur jaringan dengan lapisan kompetitif yang memiliki bobot –η. [3]

2.3.3. Fungsi Aktivasi

Fungsi aktivasi merupakan bagian penting dalam tahapan perhitungan keluaran dari suatu algoritma. Beberapa fungsi aktivasi yang digunakan dalam jaringan ssraf tiruan adalah. [3] :

1. Fungsi Identitas F(x)=x, untuk semua x

2. Fungsi undak binner ( dengan batas ambang)

F(x)= �

1, untuk x≥ θ

0 untuk x <�

3. Fungsi Sigmoid

F(x) = 1

1+exp (−σ x)

F’(x) = σ f (x)[1−f(x)]

Dengan :

σ ∶konstanta

4. Fungsi sigmoid bipolar

g(x) = 2 f(x)-1 = 2 1+exp (−σ x)

=

1−exp (−σ x)

1+exp (−σ x)

g’(x)= �

2. [1 + g(x)][1-g(x)] Dengan :

2.4.Jaringan Syaraf Tiruan Backpropagation

Banyak metode yang terdapat pada Jaringan syaraf tiruan salah satunya yaitu metode

Backpropagation. Jaringan syaraf tiruan metode Backpropagation adalah solusi ketika jaringan syaraf layer tunggal mengalami keterbatasan besar yang mana ketika terjadi kegagalan perceptron dalam menangani masalah XOR. Backpropagation yang terdiri dari beberapa layar menjadi solusi bagi para ahli yang menyukai bidang jaringan syaraf tiruan.

Perambatan galat mundur (Backpropagation) adalah sebuah metode sistematik untuk pelatihan multiplayer jaringan syaraf tiruan. Metode ini memiliki dasar matematis yang kuat, obyektif dan algoritma ini mendapatkan bentuk persamaan dan nilai koefisien dalam formula dengan meminimalkan jumlah kuadrat galat error melalui model yang dikembangkan (training set). [6] 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[7]

Y₁ Y_k Y_m

w₀₁ w₁₁ w_j1 w_p1 w_0k w_1k w_jk w_pk w_0m w_1m w_jm w_pm

Z₁ Z_j Z_p

X₁ X_i X_n

v₀₁ v₁₁ v_i1 v_n1 v_0j v_1j v_ij v_nj v_0p v_1p v_ip v_np 1

1

Gambar 2.5 Arsitektur Jaringan Saraf Tiruan dengan Backpropagation. [2] Keterangan :

X = Masukan (input)

V = Bobot lapisan tersembunyi W = Bobot lapisan keluaran

n = Jumlah unit pengolah lapisan tersembunyi Z = Lapisan tersembunyi (hidden layer)

Y = Keluaran (output). [2]

2.4.1. Pelatihan Standar Backpropagation

Pelatihan Backpropagation meliputi 3 fase. Fase pertama adalah fase maju. Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur. Selisih antara keluaran jaringan dengan target yang diinginkan merupakan yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di layar keluaran. Fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi.

1. Fase I : Propagasi maju

Selama propagasi maju, sinyal masukan (= xi) dipropagasikan ke layar tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari setiap unit layar tersembunyi (= Zj) tersebut selanjutnya dipropagasikan maju lagi ke layar tersembunyi di atasnya menggunakan fungsi aktivasi yang ditentukan. Demikian 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. Akan tetapi apabila kesalahan masih lebih besar dari batas toleransinya, maka bobot setiap garis dalam jaringan akan dimodifikasi untuk mengurangi kesalahan yang terjadi.. [11]

2. Fase II : Propagasi mundur

Berdasarkan kesalahan tk- ykdihitung faktor δk (k = 1,2,..., m) yang dipakai untuk mendistribusikan kesalahn 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.

3. Fase III : Perubahan bobot

Setelah semua faktor δ dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan bobot suatu garis didasarkan atas faktor δ neuron di layar atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke layar keluaran didasarkan atas δk yang ada di unit keluaran. [11]

2.4.2.Algoritma Pelatihan

Algoritma pelatihan untuk jaringan Backpropagation antara lain sebagai berikut

1. Langkah 0

Inisialisasi semua bobot dengan bilangan acak kecil 2. Langkah 1

Jika kondisi penghentian belum terpenuhi, lakukan langkah 2-9 3. Langkah 2

Untuk setiap data pelatihan, lakukan langkah 3-8

Fase I : Propagasi maju 4. Langkah 3

Tiap unit masukan menerima sinyal dan meneruskan ke unit tersembunyi di atasnya.

5. Langkah 4

Hitung semua keluaran di unit tersembunyi zj (j= 1,2,..., p) z_net j = v jo +

∑

��₌₀

x

i

v

ji

zj = f(z_netj) =

1 1+exp⁡(−z net j)

6.

Langkah 5

Hitung semua keluaran jaringan di unit yk (k= 1,2,..., m) y_net k = w ko +

∑

�_�=1

z

j

w

kj

yk = f(y_netk) =

Fase II : Propagasi mundur

7. Langkah 6

Hitung faktor � unit keluaran berdasarkan kesalahan di setiap unit keluaran yk (k=1,2,..., m)

�k = (tk – yk) f’(y_netk) = (tk – yk) yk (1-yk)

Hitung suku perubahan bobot wkj (yang akan dipakai nanti untuk merubah bobot wkj) dengan laju percepatan α

Δwkj = α �k zj ; k = 1,2,..., m ; j = 0,1,..., p

8. Langkah 7

Hitung faktor � unit tersembunyi berdasarkan kesalahan di setiap unit tersembunyi zj (j=1,2,..., p)

�_netj = +

∑

��₌₁ �k

w

kj

Faktor � unit tersembunyi :

�j = �_netj f’(z_netj) = �_netj zj(1-zj) Hitung suku perubahan bobot vji :

Δvji = α �j xi ; j = 1,2,..., p ; i = 0,1,..., n

Fase III : Perubahan bobot 9. Langkah 8

Hitung semua perubahan bobot.

a. Perubahan bobot garis yang menuju ke unit keluaran :

wkj(baru) = wkj(lama) + Δwkj (k = 1,2,...,m ; j = 0,1,..., p) b. Perubahan bobot garis yang menuju ke unit tersembunyi :

vji(baru) = vji(lama) + Δvji (j = 1,2,..., m ; i = 0,1,..., n). [11]

Jaringan Kohonen ini terdiri dari dua lapis. Lapis pertama merupakan lapisan masukan yang mempunyai fungsi untuk menerima sinyal masukan, sedangkan lapis kedua adalah lapis kompetitif yang merupakan unit pengolah pada suatu jaringan. Biasanya sel-sel lapis kompetitif disusun dalam kisi-kisi dua dimensi atau urutan linier. Kedua lapis pada jaringan Kohonen terhubung penuh (fully connected), yaitu setiap unit pada lapis masukan harus terhubung ke semua unit pada lapis kompetitif. [4]

Jaringan yang ditemukan oleh kohonen merupakan salah satu jaringan yang banyak dipakai. Jaringan kohonen dipakai untuk membagi pola masukan kedalam beberapa kelompok (cluster). Misalkan masukan berupa vector yang terdiri dari n komponen (tuple) yang akan dikelompokkan dalam maksimum m buah kelompok (disebut vector contoh). Keluaran jaringan adalah kelompok yang paling dekat/ mirip dengan masukan yang diberikan. Ukuran yang sering dipakai adalah jarak Euclidean

yang paling minimum

Bobot vektor-vektor contoh berfungsi penentu kedekatan vektor contoh tersebut dengan masukan yang diberikan. Selama proses pengaturan, vektor contoh yang pada saat itu paling dekat dengan masukan akan muncul sebagai pemenang. Vektor pemenang (dan vektor-vektor sekitarnya) akan memodifikasi bobotnya.

Arsitektur jaringan kohonen tampak dalam gambar 2.6. Arsitektur ini mirip dengan model lain. Hanya saja jaringan kohonen tidak menggunakan perhitungan net ( hasil kali vektor masukan dengan bobot) maupun fungsi aktivasi.

Gambar 2.6 Arsitektur jaringan syaraf tiruan dengan Kohonen. [11]

Gambar 2.7 Topologi Rectangular Grid . Gambar 2.8 Topologi Hexagonal Grid .[11]

2.5.1.Algoritma Pelatihan Kohonen

Algoritma pelatihan untuk jaringan Kohonen antara lain adalah sebagai berikut : 1. Langkah

Inisialisasi a. Bobot wji (acak)

b. Laju pemahaman awal dan faktor penurunannya c. Bentuk dan jari-jari topologi sekitarnya

4. Langkah 3

Hitung D(j) = ∑_� (wji – xi)2 untuk semua j 5. Langkah 4

Tentukan indeks J sedemikian hingga D(J) minimum 6. Langkah 5

Untuk setiap unit j di sekitar J modifikasi bobot : wjibaru = wjilama+ α (xi – wjilama)

7. Langkah 6

Modifikasi laju pemahaman 8. Langkah 7