its master 14681 1208201012 presentation
TRANSCRIPT
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
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 2/48
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
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 2 / 47
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 3/48
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.
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 3 / 47
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 4/48
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
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 5/48
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.
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 5 / 47
PENDAHULUAN B t M l h
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 6/48
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.
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 6 / 47
PENDAHULUAN T j a Pe elitia
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 7/48
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.
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 7 / 47
PENDAHULUAN Manfaat Penelitian
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 8/48
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.
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 8 / 47
KAJIAN PUSTAKA DAN LANDASAN TEORI
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 9/48
KAJIAN PUSTAKA DAN LANDASAN TEORI
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.
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 9 / 47
KAJIAN PUSTAKA DAN LANDASAN TEORI
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 10/48
KAJIAN PUSTAKA DAN LANDASAN TEORI
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.
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 10 / 47
KAJIAN PUSTAKA DAN LANDASAN TEORI
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 11/48
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).
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 11 / 47
KAJIAN PUSTAKA DAN LANDASAN TEORI Landasan Teori
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 12/48
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).
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 12 / 47
KAJIAN PUSTAKA DAN LANDASAN TEORI Landasan Teori
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 13/48
Arsitektur dari sebuah jaringan LVQ, ditunjukkan pada gambar berikut :
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 13 / 47
KAJIAN PUSTAKA DAN LANDASAN TEORI Landasan Teori
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 14/48
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.
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 14 / 47
KAJIAN PUSTAKA DAN LANDASAN TEORI Landasan Teori
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 15/48
Adapun struktur standar dari RBF sebagai berikut :
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 15 / 47
KAJIAN PUSTAKA DAN LANDASAN TEORI Landasan Teori
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 16/48
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
KAJIAN PUSTAKA DAN LANDASAN TEORI Landasan Teori
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 17/48
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).
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 17 / 47
KAJIAN PUSTAKA DAN LANDASAN TEORI Landasan Teori
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 18/48
Kelas 2. Karies terdapat pada permukaan aproksimal (mesial dan distal)gigi posterior (gigi 4-8). Karies berada di bawah titik kontak yg sulitdibersihkan
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 18 / 47
KAJIAN PUSTAKA DAN LANDASAN TEORI Landasan Teori
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 19/48
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.
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 19 / 47
KAJIAN PUSTAKA DAN LANDASAN TEORI Landasan Teori
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 20/48
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.
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 20 / 47
METODE PENELITIAN
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 21/48
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.
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 21 / 47
METODE PENELITIAN
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 22/48
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.
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 22 / 47
METODE PENELITIAN Diagram Proses Penelitian
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 23/48
Diagram proses pada penelitian ini dapat dilihat pada skema berikut :
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 23 / 47
HASIL DAN PEMBAHASAN
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 24/48
HASIL DAN PEMBAHASAN
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.
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 24 / 47
HASIL DAN PEMBAHASAN
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 25/48
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
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 25 / 47
HASIL DAN PEMBAHASAN
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 26/48
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
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 26 / 47
HASIL DAN PEMBAHASAN
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 27/48
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 )
t 2 = kelas 2 diubah dalam bentuk biner menjadi ( 0 1 0 0 )
t 3 = kelas 3 diubah dalam bentuk biner menjadi ( 0 0 1 0 )
t 4 = kelas 4 diubah dalam bentuk biner menjadi ( 0 0 0 1 )
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 27 / 47
HASIL DAN PEMBAHASAN Implementasi Metode Klasifikasi
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 28/48
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.
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 28 / 47
HASIL DAN PEMBAHASAN Implementasi Metode Klasifikasi
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 29/48
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.
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 29 / 47
HASIL DAN PEMBAHASAN Implementasi Metode Klasifikasi
Algoritmanya LVQ adalah sebagai berikut :
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 30/48
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
HASIL DAN PEMBAHASAN Implementasi Metode Klasifikasi
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 31/48
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.
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
HASIL DAN PEMBAHASAN Implementasi Metode Klasifikasi
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 32/48
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.
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 31 / 47
HASIL DAN PEMBAHASAN Implementasi Metode Klasifikasi
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 33/48
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.
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 32 / 47
HASIL DAN PEMBAHASAN Implementasi Metode Klasifikasi
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 34/48
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.
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 33 / 47
HASIL DAN PEMBAHASAN Implementasi Metode Klasifikasi
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 35/48
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).
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 34 / 47
HASIL DAN PEMBAHASAN Implementasi Metode Klasifikasi
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 36/48
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.
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 35 / 47
HASIL DAN PEMBAHASAN Implementasi Metode Klasifikasi
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 37/48
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)
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 36 / 47
HASIL DAN PEMBAHASAN Implementasi Metode Klasifikasi
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 38/48
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 .
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 37 / 47
HASIL DAN PEMBAHASAN Implementasi Metode Klasifikasi
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 39/48
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.
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 38 / 47
HASIL DAN PEMBAHASAN Analisa dan Pembahasan
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 40/48
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.
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 39 / 47
HASIL DAN PEMBAHASAN LVQ
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 41/48
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
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 40 / 47
HASIL DAN PEMBAHASAN RBF
H il kl ifik i di l h l h i i d l ih RBF
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 42/48
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.
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 41 / 47
HASIL DAN PEMBAHASAN Perbandingan LVQ dan RBF
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 43/48
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.
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 42 / 47
HASIL DAN PEMBAHASAN Perbandingan LVQ dan RBF
Perbandingan hasil persentasi keakuratan yang diperoleh dari proses
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 44/48
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.
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 43 / 47
HASIL DAN PEMBAHASAN Perbandingan LVQ dan RBF
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 45/48
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.
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 44 / 47
KESIMPULAN DAN SARAN
KESIMPULAN DAN SARAN
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 46/48
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.
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 45 / 47
KESIMPULAN DAN SARAN Saran
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 47/48
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.
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 46 / 47
DAFTAR PUSTAKA
DAFTAR PUSTAKA
5/16/2018 ITS Master 14681 1208201012 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-master-14681-1208201012-presentation 48/48
ULFASARI RAFFLESIA NRP. 1208 201 012 Pembimbing : Prof. Dr. M. ISA IRAWAN, MT (Program PascasarjanaPERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATIONSenin, 27 Juli 2010 47 / 47