its master 14681 1208201012 presentation

5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com

http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 1/48

PERBANDINGAN PERFORMANSI JARINGAN

LEARNING VECTOR QUANTIZATION (LVQ)DAN RADIAL BASIS FUNCTION (RBF)UNTUK PERMASALAHAN KLASIFIKASI

PENYAKIT KARIES GIGI

ULFASARI RAFFLESIANRP. 1208 201 012

Pembimbing : Prof. Dr. M. ISA IRAWAN, MT

Program Pascasarjana Jurusan Matematika FMIPAInstitut Teknologi Sepuluh Nopember Surabaya

Senin, 27 Juli 2010

ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program Pascasarjana

PERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATION

Senin, 27 Juli 2010 1 / 47

http://find/



Outline

1 Outline

2 ABSTRAK

3 PENDAHULUANLatar BelakangPerumusan MasalahBatasan MasalahTujuan PenelitianManfaat Penelitian

4 KAJIAN PUSTAKA DAN LANDASAN TEORIKajian PustakaLandasan Teori

LVQ

RBF

Karies Gigi5 METODE PENELITIAN

Tahapan PenelitianDiagram Proses Penelitian

6 HASIL DAN PEMBAHASANPengambilan dan Pengolahan DataImplementasi Metode Klasifikasi

LVQ

RBFAnalisa dan PembahasanLVQRBFPerbandingan LVQ dan RBF

7 KESIMPULAN DAN SARANKesimpulanSaran

8 DAFTAR PUSTAKA



Senin, 27 Juli 2010 2 / 47

http://find/



ABSTRAK

ABSTRAK

Karies gigi merupakan suatu penyakit kronis yang banyak diderita olehmasyarakat. Penyebab penyakit karies gigi berhubungan dengan konsumsimakanan dan lingkungan sekitar gigi di dalam rongga mulut. Karies gigidapat dikelompokkan berdasarkan anatomi gigi, menurut Black yaitulokasi spesifik dari lesi karies, dan berdasarkan kedalamannya. NeuralNetworks (NN) atau jaringan syaraf tiruan telah banyak digunakan dalambanyak aplikasi, salah satunya adalah pada permasalahan klasifikasi. Paperini menampilkan kinerja dari metode Learning Vector Quantization (LVQ)dan Radial Basis Function (RBF) untuk klasifikasi penyakit karies gigi.

Meskipun arsitektur dari kedua metode memberikan performansi klasifikasidengan rata-rata yang hampir sama, namun terlihat bahwa jaringan RBFmemberikan tingkat akurasi yang lebih tinggi daripada jaringan LVQ.Kata-kunci : Klasifikasi, Karies Gigi, LVQ, RBF.



Senin, 27 Juli 2010 3 / 47

http://find/

http://goback/



PENDAHULUAN

PENDAHULUAN

Latar Belakang

Penyakit mulut dan gigi merupakan salah satu penyakit yang banyak terjadi dimasyarakat. Hasil survei rumah tangga pada tahun 2004 menyebutkan 39 persenpenduduk Indonesia menderita penyakit gigi dan mulut. Karies gigi adalah salahsatu kerusakan yang terjadi pada jaringan keras gigi. Karies gigi dikelompokkanmenjadi tiga klasifikasi berdasarkan anatomi gigi, menurut Black yaitu lokasi spe-

sifik dari lesi karies, dan berdasarkan kedalamannya.Klasifikasi adalah salah satu penelitian dan daerah aplikasi yang paling aktif dariNeural Network. Banyak metode-metode klasifikasi yang telah dikembangkan dandigunakan, seperti jaringan Bayes, feed forward neural network, generalized re-gression neural network, support vector machine and learning vector quantization.

Selain metode-metode tersebut, telah diperkenalkan pula metode baru Multilayer Feedforward yaitu Radial Basis Function (RBF).Berdasarkan uraian singkat di atas, dalam penelitian ini penulis akan mengkajiperformance dari Learning Vector Quantization (LVQ) dan Radial Basis Function

Neural Network (RBFNN) untuk mengklasifikasi penyakit karies gigi.

ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 4 / 47

PENDAHULUAN P M l h

http://find/

http://goback/



PENDAHULUAN Perumusan Masalah

Berdasarkan latar belakang di atas maka perumusan masalah padapenelitian ini adalah sebagai berikut:

1 Bagaimana performa metode LVQ untuk klasifikasi karies gigi.

2

Bagaimana performa metode RBF untuk klasifikasi karies gigi.3 Metode mana yang mempunyai performa terbaik dari metode

Learning Vector Quantization (LVQ) dan Radial Basis Function(RBF) untuk klasifikasi karies gigi.


PENDAHULUAN B t M l h

http://find/



PENDAHULUAN Batasan Masalah

Agar penelitian ini lebih terarah, maka penelitian dibatasi padapembahasan sebagai berikut:

1

Jenis klasifikasi yang digunakan adalah menurut Black.2 Performa terbaik adalah yang mempunyai tingkat akurasi terbesar.


PENDAHULUAN T j a Pe elitia

http://find/

http://goback/



PENDAHULUAN Tujuan Penelitian

Dari perumusan masalah maka dapat dirumuskan tujuan penelitian inisebagai berikut:

1 Mengkaji performa dari metode LVQ untuk klasifikasi karies gigi.

2 Mengkaji performa dari metode RBF untuk klasifikasi karies gigi.3 Mengkaji performa terbaik dari metode Learning Vector Quantization

(LVQ) dan Radial Basis Function (RBF) untuk klasifikasi karies gigi.


PENDAHULUAN Manfaat Penelitian

http://find/



PENDAHULUAN Manfaat Penelitian

Manfaat dari penelitian ini adalah dapat menemukan metode yangmempunyai kinerja terbaik untuk permasalahan klasifikasi pada Neural

Network sehingga dapat diaplikasikan langsung jika ada permasalahanyang sama tanpa harus menguji keakuratan dari metode tersebut.


KAJIAN PUSTAKA DAN LANDASAN TEORI

http://find/

http://goback/




KAJIAN PUSTAKA

Learning Quantization Vector (LVQ) pertama kali diperkenalkan olehTuevo Kohonen, yang juga memperkenalkan Self-Organizing Feature Map .LVQ ini merupakan jaringan hybrid yang menggunakan supervised dan

unsupervised learning. Metode LVQ ini telah banyak digunakan untukbanyak permasalahan klasifikasi. (Al-Daoud, 2009), telah membandingkantiga metode Neural Network yaitu Levenberg-Marquardt (LM),Generalized Regression Neural Network (GRNN) dan Learning Vector

Quantization (LVQ) untuk permasalahan klasifikasi. Penelitian ini

memperlihatkan bahwa metode GRNN dan LVQ mempunyai hasil yanglebih baik jika dibandingkan dengan LM.



http://find/




Sementara itu, (Sanches, 1996) juga menggunakan Neural Network untukaplikasi klasifikasi dan pemodelan. Pada penelitian ini, dikaji klasifikasidari dua metode Neural Network yaitu Multi layer FeedForward (MLF) danRadial basis Function Neural Network (RBFNN). Kemampuan pemodelan,stabilitas dan reproduktifitas jenis jaringan ini dipelajari berdasarkan

berbagai training pada set data yang sama dengan yang telah ditetapkannilai untuk kepekaan dan kekhususan. Hasilnya studi simulasimenunjukkan bahwa kedua jenis jaringan berperforma cukup baik untukmereproduksi ruang input. Untuk jaringan RBF, karena pendekatan lokal,studi menunjukkan beberapa properti terkait dengan kepekaan dan

kekhususan yang relevan dalam masalah-masalah praktis.



http://find/



Pada tahun 2005, Sarimveis, dkk, memperkenalkan teknik klasifikasidengan menggunakan metode Radial Basis Function Neural Network

(RBFNN). Pada penelitian ini, Sarimveis juga menggunakan teknikklasifikasi Feedforward Neural Network (FNN). Kedua metode ini

diaplikasikan pada kasus tingkat kelembutan tisue. Kemudian hasil trainingdari kedua metode tersebut dibandingkan. Dari metode ini diperolehbahwa metode Radial Basis Function Neural Network (RBFNN) lebihakurat jika dibandingkan dengan Feedforward Neural Network (FNN).


KAJIAN PUSTAKA DAN LANDASAN TEORI Landasan Teori

http://find/



Metode Learning Vector Quantization(LVQ) pertama kali diperkenalkan

oleh Tuevo Kohonen, yang juga memperkenalkan Self-Organizing Feature Map . Learning Vector Quantization (LVQ) adalah sebuah metode polaklasifikasi dimana setiap unit output mewakili sebuah kelas atau kategoritertentu. (Beberapa unit output harus digunakan untuk setiap kelas.)Vektor bobot dari sebuah unit output sering digunakan sebagai vektorreferensi untuk kelas yang mewakili unit.Selama training, unit output diposisikan (dengan mengatur bobot melaluitraining yang diawasi) untuk memperkirakan keputusan dari pengklasifikasiteori Bayes. Diasumsikan bahwa himpunan dari pola training dengan

klasifikasi yang diketahui telah disediakan, bersama dengan distribusi awaldari vektor referensi (yang mewakili dari setiap klasifikasi yang diketahui).



http://find/



Arsitektur dari sebuah jaringan LVQ, ditunjukkan pada gambar berikut :



http://find/

http://goback/



Jaringan RBF yang merupakan alternatif dari jaringan MultilayeredFeedforward Neural (MFN). Jaringan ini terdiri dari tiga layer yaitu inputlayer, output layer dan hidden layer, dimana hanya memiliki satu unit padahidden layer. Fungsi aktivasinya adalah fungsi basis dan fungsi linear padalapisan output. Jaringan ini telah banyak digunakan secara intensif. RBFmerupakan pemetaan fungsi taklinier multidimensional yang tergantungkepada jarak antara vektor input dan vektor center. RBF dengan input

berdimensi-m dan output berdimensi-n.RBF merupakan J 1 - J 2 - J 3 FNN seperti yang ditunjukkan pada gambar2.7. Setiap node pada layer tersembunyi menggunakan fungsi basis radialsebagai fungsi aktivasi taklinier, dilambangkan dengan φ(r ). Layertersembunyi berfungsi sebagai transformasi nonlinier terhadap input, dan

pada layer output merupakan kombinasi linier yang memetakanketidaklinierannya ke dalam ruang baru. Bias dari neuron layer outputdapat dimodelkan dengan neuron tambahan pada layer tersembunyi, yangmemiliki nilai fungsi aktivasi konstan φ(r ) = 1.



http://find/



Adapun struktur standar dari RBF sebagai berikut :



http://find/

http://goback/



Karies gigi dan gangguan gigi berlubang merupakan gangguan kesehatangigi yang paling umum. Berdasarkan penelitian yang dilakukan di Eropadan Asia,90-100 persen anak-anak di bawah usia 18 tahun terserang karies

gigi. Namun pada saat ini banyak orang dewasa yang terserang penyakitkaries gigi tersebut. Timbulnya karies gigi antara lain kurangnya perhatianmasyarakat akan pentingnya menjaga kesehatan gigi dan mulut sertadidorong pola konsumsi bahan makanan yang dapat memicu timbulnyaserangan karies gigi. Karies gigi adalah proses penghancuran atau

pelunakan dari email maupun dentin. Proses penghancuran tersebutberlangsung lebih cepat pada bagian dentin daripada email. Prosesberlangsung terus sampai jaringan di bawahnya, dan ini adalah awalpembentukan ”lubang” pada gigi. Orang awam membagi gigi menjadi”gigi berlubang” dan ”tidak berlubang”. Sebuah lesi atau cacat pada gigi

belum akan membuat ”lubang” kecuali berkembang mencapai titik yangmembutuhkan tindakan perawatan. Beberapa karies yang belummenembus email sering dibiarkan tidak dirawat, khususnya jika prosestersebut terhenti. Bila proses karies telah menembus email dan mengenai

dentin, prosedur operatif merupakan indikasi perawatannya.ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 16 / 47


http://find/

http://goback/



Berikut adalah klasifikasi gigi menurut Black :Kelas 1. Karies terjadi pd pit dan fisur dari semua gigi. Namun sering

terjadi pada gigi posterior (gigi 4-8).



http://find/



Kelas 2. Karies terdapat pada permukaan aproksimal (mesial dan distal)gigi posterior (gigi 4-8). Karies berada di bawah titik kontak yg sulitdibersihkan



http://find/

http://goback/



Kelas 3. lubangnya di permukaan gigi yg menghadap ke langit-langit.Karies terdapat pada permukaan aproksimal (mesial dan distal) gigianterior (gigi 1-3) dan meluas dari aproksimal ke insisal. Karies berada dibawah titik kontak.aproksimal (mesial dan distal) : bagian ujung gigi.mesial : paling dekat dengan sumbu rahang tengah.distal : menjauhi sumbu rahang tengah.



http://find/

http://goback/



Kelas 4. Karies terdapat pada permukaan halus dan fasial maupun lingualgigi. Dapat juga mengenai sementum. Lebih dominan timbul dipermukaan yang menghadap ke bibir dan pipi daripada lidah.lingual : posisi gigi depan yang menghadap bibir.


METODE PENELITIAN

http://find/

http://goback/



METODE PENELITIAN

Tahapan Penelitian

1 Identifikasi PermasalahanPada tahap pertama ini akan dilakukan identifikasi permasalahan yang akan

dibahas yaitu mulai dari mencari topik, literatur dan membuat proposal.2 Pengambilan dan Pengolahan Data

Data yang akan diambil adalah data pasien yang menderita penyakit kariesgigi. Data akan diambil dari rumah sakit atau klinik di Surabaya. Datatersebut akan diolah dengan cara ditransformasi ke dalam bentuk biner agar

bisa dijadikan sebagai input pada proses training.


METODE PENELITIAN

http://find/



1 Iimplementasi Metode PengklasifikasianData yang telah diolah dijadikan sebagai input kemudian ditraining denganmenggunakan metode klasifikasi. Metode klasifikasi yang digunakan adalahmetode LVQ dan metode RBF.

2 Analisa dan PembahasanSetelah data ditraining dengan menggunakan metode LVQ dan metode RBF

kemudian data tersebut dikategorikan ke dalam enam klasifikasi dari kariesgigi. Hasil yang diperoleh dari kedua metode tersebut akan dianalisasehingga akan dikaji kelebihan dan kelemahan dari kedua metode klasifikasitersebut. Kesimpulan yang diperoleh nantinya adalah metode yangmempunyai kinerja terbaik untuk digunakan pada klasifikasi penyakit karies

gigi.


METODE PENELITIAN Diagram Proses Penelitian

http://find/



Diagram proses pada penelitian ini dapat dilihat pada skema berikut :


HASIL DAN PEMBAHASAN

http://find/




Pengambilan data dilakukan di Medical Center ITS Jalan Arif RahmanHakim Surabaya pada bulan maret 2010. Surat Pengambilan data dapatdilihat pada lampiran 1. Data yang diambil adalah data pasien gigi padatahun 2009 dari bulan Januari sampai dengan Desember 2009. Selama

satu tahun terakhir, tercatat ada 1201 pasien gigi, dengan pasien kariesgigi sebanyak 375 orang. Data pasien karies gigi sebanyak 375 orang inidigunakan untuk proses klasifikasi.Data tersebut didiskusikan dengan dokter gigi untuk diklasifikasikanmenurut Black dengan empat klasifikasi. Dari empat kelas klasifikasi

tersebut, kemudian peneliti membagi menjadi variabel input sebanyakdelapan variabel dan target sebanyak empat variabel berdasarkan ciri-ciridari masing-masing kelas yang ada menurut deskripsi Black.



http://find/

http://goback/



Sehingga berdasarkan kriteria-kriteria yang ada menurut klasifikasi Black,maka data pasien karies gigi sebanyak 375 orang tersebut dibagi menjadi

12 variabel yaitu delapan variabel input dan empat kelas klasifikasi yangterdiri dari lapisan input dan lapisan output. Unit input terdiri dari 8variabel yaitu x 1, x 2, x 3, ..., x 8, dimana

x 1 = Karies terjadi pada pit

x 2

= Karies terdapat pada permukaan aproksimal (mesial dan distal)

x 3 = Karies terdapat pada permukaan halus

x 4 = Karies terdapat pada fasial

x 5 = Karies terdapat pada lingual gigi

x 6 = Posisi gigi anteriorx 7 = Posisi gigi pasterior

x 8 = Posisi gigi anesial



http://find/



Sementara itu, unit output atau target ada empat sesuai dengan kelasklasifikasinya, yaitu :

t 1 = kelas 1

t 2 = kelas 2t 3 = kelas 3

t 4 = kelas 4



http://find/



Dari 12 variabel tersebut, data diubah ke dalam bentuk biner, agar bisadijadikan input pada proses training. Sebelum data tersebutdiimplementasikan dalam simulasi pelatihan dan pengujian LVQ dan RBF,

sebelumnya data ditransformasi ke dalam bentuk biner [0,1]. Proses inimenentukan data diagnosa gigi yaitu x 1 sampai dengan x 8 tersebutditerima (1) atau ditolak (0). Caranya adalah sebagai berikut :

x i (biner ) = 1 jika diagnosa diterima

0 jika diagnosa tidak diterima

Sedangkan data target/output juga ditransformasi ke dalam bentuk binerdengan cara sebagai berikut :

t 1 = kelas 1 diubah dalam bentuk biner menjadi ( 1 0 0 0 )





HASIL DAN PEMBAHASAN Implementasi Metode Klasifikasi

http://find/



Dalam proses implementasi pada metode klasifikasi ini, langkah pertamayang dilakukan adalah proses membaca permasalahan yang ada kemudianmenerjemahkannya ke dalam algoritma dengan menggunakan kedua

metode klasifikasi yaitu LVQ dan RBF. Hal ini dilakukan agar dapatdiproses dalam bentuk kode program MATLAB.



http://find/

http://goback/



Karena LVQ merupakan jaringan layar tunggal yang terdiri dari dualapisan, maka hanya mempunyai lapisan input dan lapisan output. Setelahproses pengambilan dan pengolahan data pada proses sebelumnya, makadiperoleh unit-unit input dan output untuk jaringan ini. Lapisan inputterdiri dari 8 unit input yaitu diambil dari variabel hasil diagnosa,

sedangkan lapisan output terdiri dari 4 unit output yaitu diambil daribanyaknya kelas klasifikasi menurut Black. Data input yang ditrainingadalah data yang diambil dari masing-masing kelas yang mewakili kelasmenurut deskripsi Black, misalnya diambil data sebanyak 10 input untukmasing-masing kelas.



Algoritmanya LVQ adalah sebagai berikut :

http://find/



Algoritmanya LVQ adalah sebagai berikut :

Input : Data input vektor training yaitu x 1, x 2, x 3, ..., x 8, datainput vektor bobot yaitu w 1, w 2, ..., w 4, learning rate α

(0)=0.5.

Proses : Menghitung jarak euclidean x -w j untuk mendapatkan Jminimum, yaitu yang memiliki jarak euclidean terkecil.Update w j sebagai berikut :

Jika C j = T , makaw j (baru) = w j (lama) + α[x -w j ];Jika C j = T , makaw j (baru) = w j (lama) - α[x -w j ];Reduksi learning rate.

Kondisi stop dipenuhi jika learning rate mencapai suatu nilaiyang cukup kecil atau bobot-bobot tidak berubah lagi(mencapai kondisi konvergen).

Output : Model JST yang siap untuk mengklasifikasi data (vektor)

baru.ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 30 / 47


http://find/

http://goback/



Contoh sederhana untuk satu vektor referensi. Input vektor mewakili satu

kelas yaitu kelas 1.Input : Data input vektor training x = [0.25 0.25]. data input

vektor bobot yaitu w 1 = [0.2 0.2]. w 2 = [0.4 0.2]. w 3 = [0.60.2]. w 4 = [0.8 0.2]. inisialisasi learning rate α (0)=0.5.

Proses : Untuk input vektor x = [0.25 0.25] dengan T = 1, hitung

jarak euclidean x -w j untuk mendapatkan J minimum,yaitu yang memiliki jarak euclidean terkecil.x -w 1 = 0.07,x -w 2 = 0.16,

x -w 3 = 0.35,x -w 4 = 0.55.



http://goforward/

http://find/

http://goback/



Karena T = 1 danC

1 = 1, maka T =C

1; updatew

1 sebagai berikut :w 1 (baru) = w j (lama) + α[x -w j ];w 1 (baru) = w 1 (lama) + 0.5 [x -w 1];Diperoleh w 1 (baru), selanjutnya w 1 baru yang diperoleh ini digunakanuntuk proses berikutnya.

Reduksi learning rate.Kondisi stop dipenuhi jika learning rate mencapai suatu nilai yang cukupkecil atau bobot-bobot tidak berubah lagi (mencapai kondisi konvergen).

Output : Model JST yang siap untuk mengklasifikasi data (vektor)baru.



http://find/

http://goback/



Karena RBF merupakan jaringan dengan layer jamak yang terdiri dari tigalapisan maka mempunyai tiga lapisan yaitu lapisan input, lapisan hidden

dan lapisan output. Setelah pengolahan data diperoleh unit-unit input,unit-unit hidden dan unit-unit output. Dimana setiap unit pada lapistersembunyi merupakan fungsi aktifasi yang berupa fungsi basis radial danfungsi basis radial ini diasosiasikan oleh lebar dan posisi center dari fungsibasis tersebut. Lapisan input terdiri dari 8 unit input. Lapisan hidden

dapat diatur jumlah unit-unitnya. Sedangkan lapisan output terdiri dari 4unit output. Data pasien karies gigi dibagi menjadi data training dan datatesting. Data yang akan ditesting sebanyak 70 persen dari pasien,sedangkan data yang akan ditraining sebanyak 30 persen dari pasien.Berdasarkan data pasien yang ada, sejumlah pasien dijadikan input,

sementara diagnosanya dijadikan variabel-variabel untuk klasifikasi.Variabel input ada delapan yaitu x 1, x 2, x 3, ..., x 8. Sementara itu, targetada empat yaitu t 1, t 2, t 3, ..., t 4.



http://find/

http://goback/



Algoritmanya RBF adalah sebagai berikut :

Input : Data input vektor training yaitu x 1, x 2, x 3, ..., x 8, jumlahlapis, jumlah neuron, learning rate α (0)=0.5.

Proses :

Menentukan jumlah fungsi basis yang akan digunakan.

Menentukan center tiap fungsi basis.Menentukan bobotUntuk sinyal latih kerjakan langkah 5 sampai denganselesai.Hitung keluaran tiap fungsi basis.

Hitung keluaran RBFNN.



http://find/

http://goback/



Hitung kesalahan (error) antara keluaran terharap (t ) dengan keluaranRBFNN (y k ), error = d - y .

Update bobot-bobot tiap fungsi basis dan bobot basis.

Output : Hasil Klasifikasi Data (y k , k = 1, 2, 3).



http://find/

http://goback/



Langkah detail dari algoritma RBF untuk penelitian ini dijabarkan sebagaiberikut :Langkah Awal

Tahap 1 Sorting data berdasarkan kelas klasifikasi yang ada

Tahap 2 Transformasi data dari bentuk diagnosa menjadi bentuk biner

Tahap 3 Menentukan banyaknya jumlah data training dan data testingData training sebanyak 70 persen dari jumlah data.

Data testing sebanyak 30 persen dari jumlah data.yaitu

Datatraining =70

100x 375 = 262, 5

Datatesting = 30100

x 375 = 112, 5

Sehingga dari 375 data pasien, maka data training adalah263 sedangkan data testing sebanyak 112.



http://find/

http://goback/



Langkah pada Proses Training

Tahap 4 Menentukan pusat (center) dan lebarCenter pada RBF ini menggunakan K-means clustering ,sedangkan lebar (σ) fungsi basis ditentukan denganmenggunakan persamaan (4.2)

Tahap 5 Menghitung keluaran tiap fungsi basisFungsi basis yang digunakan adalah fungsi gauss (persamaan(4.1)) Untuk mendapatkan hasil perhitungan keluaran tiapfungsi basis ini yaitu dengan mensubsitusi jarak antara vektordata input dengan masing-masing vektor pusat r i = x - c i

dan lebar ( σ) tiap fungsi basis ke persamaan (4.1)



http://find/

http://goback/



Tahap 6 Menghitung Bobot

Menggunakan persamaan (4.9) dimana :W ∗ : Matriks bobotY : Matriks output atual (target)φ+ : Matriks Pseudoinvers dari output fungsi basis

Tahap 7 Menghitung output RBFNNY = output fungsi basis * bobot

Tahap 8 Menghitung kesalahan (error)Kesalahan (error) antara keluaran yang diinginkan/target (t)dengan keluaran RBFNN (y k ),

error = t k - y k .



http://find/

http://goback/



Proses Testing

Tahap 10 : Proses testing dimulai Proses testing merupakan prosesselanjutnya setelah proses training, dimana data inputnyamenggunakan sisa dari total data yang ada yaitu sebanyak 30

persen dari total data. Langkah-langkah yang digunakanpada proses testing hampir sama seperti proses training,hanya yang membedakan adalah pada proses testingmenggunakan bobot hasil update dari proses training.


HASIL DAN PEMBAHASAN Analisa dan Pembahasan

http://find/

http://goback/



Penelitian ini difokuskan pada tingkat akurasi teknik klasifikasi datadengan kedua metode yang digunakan. Data tersebut ditraining denganmenggunakan kedua metode klasifikasi yaitu jaringan LVQ dan RBFdengan algoritma yang berbeda. Setelah semua data sampel ditraining

dengan kedua metode tersebut, selanjutnya hasil training keduanyadibandingkan untuk melihat performansi masing-masing metode denganpermasalahan penyakit karies gigi.


HASIL DAN PEMBAHASAN LVQ

http://find/

http://goback/



Hasil klasifikasi yang diperoleh setelah proses training pada pelatihan LVQuntuk data pasien karies gigi adalah sebagai berikut :Tabel 4.2 : Hasil Klasifikasi dengan Menggunakan Algoritma LVQ

Data Jmlh Data Error Klas. Persentase klas. Wkt (dtk)

Training 375 0.3093 69.0667 7.304995

Testing 375 0.3093 69.0667 7.304995Tabel 4.2 di atas menunjukkan hasil klasifikasi pasien karies gigi dengan

menggunakan metode klasifikasi jaringan LVQ. Setelah dilakukan trainingdengan data sebanyak 375, terdapat error klasifikasi sebesar 0.3093.Sedangkan presentase klasifikasi untuk data training yaitu 69.0667.Sementara itu, pada tabel 4.2 juga memperlihatkan hasil klasifikasi untukproses testing. Setelah dilakukan testing dengan data sebanyak 375,

terdapat error klasifikasi sebesar 0.3093. Sedangkan presentase klasifikasiuntuk data training yaitu 69.0667.Hasil ini dicapai setelah melakukan training dan testing dengan 20 epoch


HASIL DAN PEMBAHASAN RBF

H il kl ifik i di l h l h i i d l ih RBF

http://find/

http://goback/



Hasil klasifikasi yang diperoleh setelah proses training pada pelatihan RBFuntuk data pasien karies gigi adalah sebagai berikut :Tabel 4.3 : Hasil Klasifikasi dengan Menggunakan Algoritma RBF

Data Jum Dt Error Klas. Persentase klas. Waktu (dtk)Training 263 0.2000 80 2.136183

Testing 112 0.1387 86.1333 2.136183Berdasarkan hasil training pada jaringan RBF dengan menggunakan 263data, terlihat bahwa dengan menggunakan metode RBF terdapat errortraining sebesar 0.200. Sedangkan presentase klasifikasi untuk datatraining yaitu 80. Waktu yang dibutuhkan untuk proses training adalah2.284566 seconds.Sementara itu, berdasarkan hasil testing pada jaringan RBF dengan

menggunakan 112 data, terlihat bahwa dengan menggunakan metode RBFterdapat error testing sebesar 0.1387. Sedangkan presentase klasifikasiuntuk data testing yaitu 86.1333. Waktu yang dibutuhkan untuk prosestraining adalah 2.136183 seconds.


HASIL DAN PEMBAHASAN Perbandingan LVQ dan RBF

http://find/

http://goback/



Jaringan LVQ dan RBF merupakan jaringan syaraf yang digunakan untukteknik klasifikasi. Kedua metode ini mempunyai arsitektur dan algoritma

berbeda.LVQ merupakan jaringan dengan layer tunggal yaitu mempunyai lapisaninput dan output. Ini berarti untuk LVQ, setiap neuron/unit yang terdapatdi dalam lapisan/layer input selalu terhubung dengan setiap neuron yang

terdapat pada layer output. Jaringan ini hanya menerima input kemudiansecara langsung akan mengolahnya menjadi output tanpa harus melaluilapisan tersembunyi.Sedangkan RBF merupakan jaringan dengan layer jamak yaitu mempunyailapisan input, output dan hidden. Jaringan dengan banyak lapisan ini

dapat menyelesaikan permasalahan yang lebih kompleks dibandingkandengan lapisan tunggal.



Perbandingan hasil persentasi keakuratan yang diperoleh dari proses

http://find/

http://goback/



klasifikasi data yang diaplikasikan pada penyakit karies gigi dapat dilihatpada tabel 4.2 dan 4.3. Terlihat bahwa untuk proses training denganmenggunakan metode klasifikasi jaringan LVQ. Setelah dilakukan training

dengan data sebanyak 375, terdapat error klasifikasi sebesar 0.3093.Sedangkan presentase klasifikasi untuk data training yaitu 69.0667.Sementara itu, untuk proses training pada jaringan RBF denganmenggunakan 263 data, terlihat bahwa dengan menggunakan metode RBF

terdapat error training sebesar 0.200. Sedangkan presentase klasifikasiuntuk data training yaitu 80. Waktu yang dibutuhkan untuk prosestraining adalah 2.136183 seconds.Sedangkan untuk proses testing dengan menggunakan metode LVQdengan data sebanyak 375, terdapat error klasifikasi sebesar 0.3093.

Sedangkan presentase klasifikasi untuk data training yaitu 69.0667.Sementara itu pada jaringan RBF dengan menggunakan 112 data, terlihatbahwa dengan menggunakan metode RBF terdapat error testing sebesar0.1387. Sedangkan presentase klasifikasi untuk data testing yaitu 86.133.Waktu yang dibutuhkan untuk proses training adalah 2.136183 seconds.



http://find/

http://goback/



Pada proses training, metode RBF lebih akurat jika dibandingkan denganmetode LVQ. Ini bisa dilihat dari error klasifikasi dan persentase klasifikasi.

Begitu juga dengan proses testing, terlihat bahwa metode RBF lebihakurat jika dibandingkan dengan metode LVQ. Ini bisa dilihat dari errorklasifikasi dan persentase klasifikasi. Sementara itu, waktu yangdibutuhkan untuk proses training dan testing pada jaringan RBF lebihsingkat jika dibandingkan dengan waktu yang dibutuhkan untuk proses

training dan testing pada jaringan LVQ.Sehingga berdasarkan hasil training dan testing pada jaringan LVQ danRBF, dapat disimpulkan bahwa meskipun arsitektur dari kedua metodememberikan performansi klasifikasi dengan rata-rata yang hampir sama,klasifikasi data dengan jaringan RBF memberikan tingkat akurasi yanglebih tinggi atau akurat dalam membaca pola jika dibandingkan denganklasifikasi data menggunakan jaringan LVQ.


KESIMPULAN DAN SARAN

KESIMPULAN DAN SARAN

http://find/

http://goback/



Berdasarkan hasil dan pembahasan dapat ditarik kesimpulan :1 Jaringan LVQ

Error training sebesar 0.3093 dengan persentase klasifikasi mencapai69.0667. Waktu yang dibutuhkan untuk proses training adalah7.304995 seconds.

2 Jaringan RBF.

Error training sebesar 0.2 dengan persentase klasifikasi mencapai 80.Waktu yang dibutuhkan untuk proses training adalah 2.284566seconds. Error testing sebesar 0.1387 dengan persentase klasifikasimencapai 86.133. Waktu untuk proses testing adalah 2.136183seconds.

3 Sehingga berdasarkan hasil training dan testing disimpulkan bahwameskipun arsitektur dari kedua metode memberikan performansiklasifikasi dengan rata-rata yang hampir sama, klasifikasi data dengan jaringan RBF memberikan tingkat akurasi yang lebih tinggi dalammembaca pola dibandingkan dengan jaringan LVQ.


KESIMPULAN DAN SARAN Saran

http://find/

http://goback/



Untuk pengembangan penelitian ini lebih lanjut bisa dilakukan karenamodel LVQ dan RBF masih memungkinkan untuk dikaji dandikembangkan atau bisa juga dikembangkan dengan mengaplikasikannya

pada studi kasus yang lain.


DAFTAR PUSTAKA

DAFTAR PUSTAKA

http://find/

http://goback/




http://find/

http://goback/

its master 14681 1208201012 presentation

Documents