Professional Documents
Culture Documents
Aplikasi Jaringan Saraf Tiruan Backpropagation Untuk
Aplikasi Jaringan Saraf Tiruan Backpropagation Untuk
1 11
Januari - Juni 2009
Arif Jumarwanto
Rudy Hartanto, Dhidik Prastiyanto
ABSTRACT
Artificial neural network (ANN) is a modern computing paradigm. That can be used for the pattern
recognition and other. Backpropagation is artificial neural network which using hidden layer addition.
Computation of artificial neural network through some certain step like training phase and examination.
After both the step reached, so a neural network capable to recognize pattern to be entered will be found.
The purpose of this research is simulation of artificial neural network that capable to pattern
recognition from output of electrocardiogram by helped of MATLAB program. Input of result
electrocardiogram record, then input of data can be normalization after that data can be proccesed by
backpropagation computing with two step (training phase and examination phase). Output of ANN is like
explaning condition of patient is normal, rhinitis kronis or epistaksis.
penyakit THT rinitis kronis dan epistaksis 1.7.1 Bagian awal, berisi : halaman sampul
? depan, halaman judul, halaman pengesahan,
1.3. Batasan Masalah prakata, daftar isi, daftar tabel, daftar
Batasan masalah dalam penulisan skripsi ini gambar, daftar lampiran, arti lambang (jika
adalah: ada), singkatan, dan instisari.
1. Penyakit yang dibahas dalam penelitian 1.7.2 Bagian utama skripsi :
ini dikhususkan untuk penyakit hidung BAB I : PENDAHULUAN
yaitu Rinitis Kronis dan epistaksis Meliputi latar belakang permasalahan yaitu
2. Jaringan syaraf yang digunakan adalah latar belakang jaringan saraf tiruan, penyakit
backpropagation THT terutama rinitis kronis dan epistaksis.
3. Program dibuat dengan matlab 7.04 Berdasarkan latar belakang masalah
1.4. Tujuan Penelitian tersebut, penulis menyusun rumusan
Adapun tujuan dari penelitian ini adalah masalah yang diperjelas dengan pembatasan
1 Merancang arsitektur jaringan syaraf masalah yang akan diangkat dalam tugas
tiruan yang dapat memprediksi penyakit akhir ini. Manfaat penelitian akan dapat
THT rinitis kronis dan epistaksis. dirasakan apabila tujuan penelitian telah
2. Menghitung tingkat akurasi / kehandalan tercapai. Metodologi penelitian merupakan
jaringan syaraf tiruan yang dibuat tahapan dalam menuntun penulis dalam
mencapai tujuan skripsi
1.5.Manfaat Penelitian BAB II : LANDASAN TEORI
Manfaat yang akan diperoleh dari Berisi teori-teori pendekatan yang digunakan
penelitian ini adalah membantu kerja para untuk menganalisis masalah dan teori yang
ahli dibidangnya terutama rinitis kronis da dipakai dalam mengolah data yang digunakan
epistaksis dalam penelitian. Uraian pada landasan teori
ini akan menunjukan bahwa permasalahan
1.6.Metode Penelitian yang diteliti memiliki dasar teori dan dapat
Metode yang dilakukan dalam penelitian ini dipecahkan melalui penelitian yang akan
adalah metode pengumpulan data dengan dilakukan penulis.
melaksanakan kegiatan sebagai berikut: BAB III : PERANCANGAN SISTEM
1. Wawancara dengan pihak–pihak yang Bab ini merupakan tahap dasar dari
terkait dengan permasalahan yang diteliti, pencapaian tujuan yaitu aplikasi jaringan
dalam hal ini adalah dari bagian diklit, saraf tiruan backpropagation untuk
Unit penyakit THT dirumah sakit Mardi memprediksi penyakit THT terutama rinitis
Rahayu Kudus. kronis dan epistaksis. Bab ini berisi
2. Observasi atau pengumpulan data pasien penjabaran perancangan system yang terdiri
yang terjangkit penyakit THT terutama dari perangkat perancangan sistem,
rinitis kronis dan epistaksis identifikasi sistem, data pelatihan, data
3. Studi literatur dengan mencari literatur pengujian, dan perancangan JST
dan artikel yang menunjang penyusunan Backpropagation untuk memprediksi penyakit
skripsi baik itu tentang penyakit THT dan THT terutama rinitis kronis dan epistaksis.
tentang jaringan syaraf tiruan. BAB IV : HASIL DAN PEMBAHASAN
Bab Meliputi pembahasan prosedur
1.7.Sistematika Penulisan pembuatan program sebagai wujud dari
Penulisan skripsi ini terbagi menjadi tiga penggunaan aplikasi jaringan saraf tiruan.
bagian yang mencakup bagian awal, bagian Program disusun mulai dari pembentukan
utama yang terdiri atas lima bab, dan bagian neuron input sampai dengan proses prediksi
akhir.
Jurnal Teknik Elektro Vol. 1 No.1 13
Januari - Juni 2009
dengan adanya mukosa olfaktorius pada atap tiruan tercipta sebagai suatu generalisasi
rongga hidung, konka superior dan sepertiga model matematis dari pemahaman manusia
bagian atas septum. Partikel bau dapat (human cognition) yang didasarkan atas
mencapai daerah ini dengan cara difusi asumsi sebagai berikut :
dengan palut lendir atau bila menarik nafas 1. Pemrosesan informasi terjadi pada
dengan kuat. elemen sederhana yang disebut neuron.
Epistaksis adalah perdarahan dari 2. Isyarat mengalir di antara sel saraf /
hidung yang terjadi akibat lokal ataupun neuron melalui suatu sambungan
sebab sistemik. Diagnosis awalnya biasanya penghubung.
karena penyakit kardiovaskular, kelainan 3. Setiap sambungan penghubung memiliki
darah, infeksi sistemik, gangguan endokrin, bobot yang bersesuaian.
ataupun kelainan kongenital. 4. Setiap sel saraf akan merupakan fungsi
Sedangkan penyakit Rinitas Kronis aktivasi terhadap isyarat hasil
merupakan suatu penyakit infeksi hidung penjumlahan berbobot yang masuk
kronik dengan tanda adanya atrofi progresif kepadanya untuk menentukan isyarat
tulang dan mukosa konka. Mukosa hidung keluarannya.
menghasilkan secret kental dan cepat
mengering, sehingga terbentuk krusta berbau b. Pemodelan Jaringan Syaraf Tiruan
busuk. Penyebabnya bisa berupa spesies
14 Jurnal Teknik Elektro Vol. 1 No.1
Januari - Juni 2009
e. Algoritma Backpropagation
Pelatihan backpropagation meliputi tiga fase.
Fase I : Propagasi Maju
Selama propagasi maju, sinyal
masukan (= xi) dipropagasikan ke lapis
tersembunyi menggunakan fungsi
Gambar 2. Model Jaringan Syaraf Tiruan
aktivasi yang ditentukan. Keluaran dari
setiap unit lapis tersembunyi (= zj)
c. Jaringan Syaraf Tiruan Backpropagation
tersebut selanjutnya dipropagasikan maju
JST dengan layar tunggal memiliki lagi ke lapis tersembunyi di atasnya
keterbatasan dalam pengenalan pola. menggunakan fungsi aktivasi yang
Kelemahan ini bisa ditanggulangi dengan ditentukan. Demikian seterusnya hingga
menambahkan satu atau beberapa layar menghasilkan keluaran jaringan (= yk).
tersembunyi diantara layar masukan dan Berikutnya, keluaran jaringan (= yk)
layar keluaran. Jaringan syaraf tiruan dibandingkan dengan target yang harus
backpropagation (JST-BP) melatih jaringan dicapai (= tk). Selisih tk-yk adalah
Jurnal Teknik Elektro Vol. 1 No.1 15
Januari - Juni 2009
kesalahan yang terjadi. Jika kesalahan ini Bobot awal akan mempengaruhi apakah
lebih kecil dari batas toleransi yang jaringan mencapai titik minimum lokal atau
ditentukan, maka iterasi dihentikan. global, dan seberapa cepat konvergensinya.
Akan tetapi apabila kesalahan masih Bobot yang menghasilkan nilai turunan
lebih besar dari batas toleransinya, maka aktivasi yang kecil sedapat mungkin dihindari
bobot setiap garis dalam jaringan akan karena akan menyebabkan perubahan
dimodifikasikan untuk mengurangi bobotnya menjadi sangat kecil. Demikian pula
kesalahan yang terjadi. nilai bobot awal tidak boleh terlalu besar
Fase II : Propagasi Mundur karena nilai turunan fungsi aktivasinya
Berdasarkan kesalahan tk-yk, menjadi sangat kecil juga.
dihitung faktor δk (k=1, 2, …, m) yang 2) Jumlah unit tersembunyi
dipakai untuk mendistribusikan Hasil teoritis yang didapat menunjukkan
kesalahan di unit yk ke semua unit bahwa jaringan dengan sebuah lapis
tersembunyi yang terhubung langsung tersembunyi sudah cukup bagi
dengan yk. δk juga dipakai untuk backpropagation untuk mengenali sembarang
mengubah bobot garis yang perkawanan antara masukan dan target
menghubungkan langsung dengan unit dengan tingkat ketelitian yang ditentukan.
keluaran. Akan tetapi panambahan jumlah lapis
Dengan cara yang sama, dihitung δj tersembunyi kadangkala membuat pelatihan
di setiap unit di lapis tersembunyi sebagai lebih mudah dan bisa jadi pelatihan dapat
dasar perubahan bobot semua garis yang lebih mencapai target.
berasal dari unit tersembunyi di lapis di 3) Jumlah pola pelatihan
bawahnya. Demikian seterusnya hingga Tidak ada kepastian tentang berapa banyak
faktor δ di unit tersembunyi yang pola yang diperlukan agar jaringan dapat
berhubungan langsung dengan unit dilatih dengan sempurna. Jumlah pola yang
masukan dihitung. dibutuhkan dipengaruhi oleh banyaknya
Fase III : Perubahan Bobot bobot dalam jaringan serta tingkat akurasi
Setelah semua faktor δ dihitung, yang diharapkan.
bobot semua garis dimodifikasi 4) Lama iterasi
bersamaan. Perubahan bobot suatu garis Tujuan utama penggunaan backpropagation
didasarkan atas faktor δ neuron di lapis adalah mendapatkan keseimbangan antara
atasnya. Sebagai contoh, perubahan penganalan pola pelatihan secara benar dan
bobot garis yang menuju ke lapis respon yang baik untuk pola lain yang
keluaran didasarkan atas dasar δk yang sejenis. Jaringan dapat dilatih terus menerus
ada di unit keluaran. hingga semua pola pelatihan dikenali dengan
Ketiga fase tersebut diulang-ulang terus benar. Akan tetapi hal itu tidak menjamin
hingga kondisi penghentian dipenuhi. Umumnya jaringan akan mampu mengenali pola
kondisi penghentian yang sering dipakai adalah pengujian dengan tepat. Jadi tidaklah
jumlah iterasi atau kesalahan. Iterasi akan bermanfaat untuk meneruskan iterasi hingga
dihentikan jika jumlah iterasi yang dilakukan semua kesalahan pola pelatihan sama dengan
sudah melebihi jumlah maksimum iterasi yang 0 (nol).
ditetapkan, atau jika kesalahan yang terjadi 5) Parameter laju pelatihan
sudah lebih kecil dari batas toleransi yang Parameter laju pelatihan (learning rate) sangat
diijinkan. berpengaruh pada proses pelatihan. Begitu
pula terhadap efektivitas dan kecepatan
f. Optimalitas jaringan backpropagation mencapai konvergensi dari pelatihan. Nilai
1) Pemilihan bobot dan bias awal optimum dari learning rate tergantung
16 Jurnal Teknik Elektro Vol. 1 No.1
Januari - Juni 2009
permasalahan yang diselesaikan, prinsipnya Variasi lain yang dapat dilakukan pada
dipilih sedemikian rupa sehingga tercapai standar backpropagation adalah merubah
konvergensi yang optimal dalam proses bobotnya sekaligus setelah semua pola
pelatihan. dimasukkan. Prosedur ini memberikan efek
Nilai learning rate yang cukup kecil menjamin yang lebih halus dalam perubahan bobot.
penurunan gradient terlaksana dengan baik, Dalam beberapa kasus, variasi perubahan ini
namun ini berakibat bertambahnya jumlah akan meningkatkan kemungkinan
iterasi. konvergensi ke titik minimum lokal.
DAFTAR PUSTAKA
http://telkomnika.elektrouad.net/?Volume_2%2C
_No_2:Desain_Dan_Penggunaan_%22E2glite
_Expert_System_Shell%22_Untuk_Diagnosis
_Penyakit_THT diupload tanggal 28 Agustus
2007 pukul 14.23 WIB
BIOGRAFI