perbandingan algoritma levenberg marquardt …/per... · bp untuk mendiagnosa jenis penyakit...

perpustakaan.uns.ac.id digilib.uns.ac.id

commit to user

PERBANDINGAN ALGORITMA LEVENBERG-MARQUARDT

DENGAN BACKPROPAGATION UNTUK MENDIAGNOSA

JENIS PENYAKIT KANDUNGAN

SKRIPSI

Diajukan untuk memenuhi sebagian persyaratan mendapatkan gelar Strata Satu

Jurusan Informatika

Disusun Oleh:

AYU PRABHAWANINGRUM

NIM. M0509013

JURUSAN INFORMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SEBELAS MARET

SURAKARTA

September 2013


commit to user

i




SKRIPSI

Diajukan untuk memenuhi sebagian persyaratan mendapatkan gelar Strata Satu

Jurusan Informatika

Disusun Oleh:

AYU PRABHAWANINGRUM

NIM. M0509013

JURUSAN INFORMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SEBELAS MARET

SURAKARTA

September 2013


commit to user

ii

SKRIPSI




Disusun oleh :

AYU PRABHAWANINGRUM

M0509013

Skripsi ini telah disetujui untuk dipertahankan di hadapan Dewan Penguji

pada tanggal 23 Agustus 2013:

Pembimbing I

Wiharto, S.T., M.Kom NIP.19750210 200801 1 005

Pembimbing II

Umi Salamah,S.Si.,M.Kom.

NIP. 19700217 199702 2 001


commit to user

iii

SKRIPSI

PERBANDINGAN ALGORITMA LEVENBERG-MARQUARDT DENGAN

BACKPROPAGATION UNTUK MENDIAGNOSA JENIS PENYAKIT

KANDUNGAN

HALAMAN PENGESAHAN

Disusun oleh :

AYU PRABHAWANINGRUM

M0509013

Telah dipertahankan di hadapan Dewan Penguji

Pada tanggal 3 September 2013 :

Susunan Dewan Penguji

1. Wiharto, S.T., M.Kom

NIP.19750210 200801 1 005 ( )

2. Umi Salamah,S.Si.,M.Kom.

NIP. 19700217 199702 2 001 ( )

3. Esti Suryani, S.Si., M.Kom.

NIP. 19761129 200812 2 001 ( )

4. Abdul Azis S.Kom., M.Cs.

NIP. 19810413 200501 1 001 ( )

Disahkan oleh

Dekan FMIPA UNS

Prof.Ir.Ari Handono Ramelan,M.Sc.(Hons),Ph.D

NIP. 19610223 198601 1 001

Ketua Jurusan Informatika

Umi Salamah, S.Si., M.Kom

NIP. 19700217 199702 2 001


commit to user

iv

MOTTO

“Karena sesungguhnya sesudah kesulitan itu ada kemudahan. Sesungguhnya

sesudah kesulitan itu ada kemudahan. Maka apabila kamu telah selesai (dari

sesuatu urusan), kerjakanlah dengan sungguh-sungguh (urusan) yang lain”

(Q.S Al Insyirah : 5-7)

“Hidup itu seperti naik sepeda, agar tetap seimbang, kau harus terus bergerak”

(Albert Einstein)

“Jangan lihat masa lampau dengan penyesalan; jangan pula lihat masa depan

dengan ketakutan; tapi lihatlah sekitar anda dengan penuh kesadaran”

(James Thurber)


commit to user

v

PERSEMBAHAN

Kupersembahkan karya ini kepada :

Orang tuaku tercinta, mama dan papa Kakak yang aku sayangi, Hadi

Sahabatku Fera Feriyal Semua teman Informatika UNS khususnya angkatan 2009


commit to user

vi


DENGAN BACKPROPAGATION UNTUK MENDIAGNOSA JENIS

PENYAKIT KANDUNGAN

AYU PRABHAWANINGRUM Jurusan Informatika. Fakultas MIPA. Universitas Sebelas Maret.

ABSTRAK

Algoritma levenberg-marquardt (LM) merupakan salah satu algoritma

pembelajaran pada jaringan syaraf tiruan. Algoritma ini merupakan optimalisasi

dari algoritma backpropagation gradient descent (BP) sehingga dalam proses

pembelajaran, algoritma ini memiliki jumlah iterasi lebih sedikit dibandingkan

algoritma BP. Penelitian ini membahas mengenai perbandingan algoritma LM dan

BP untuk mendiagnosa jenis penyakit kandungan berdasarkan 18 gejala klinis dan

dikategorikan menjadi empat jenis penyakit kandungan yaitu radang panggul,

mioma uteri, kanker serviks dan kanker ovarium.

Terdapat dua komponen utama yang akan diujikan yaitu kombinasi fungsi

aktivasi dan jumlah neuron pada lapisan hidden. Fungsi aktivasi yang akan

digunakan meliputi sigmoid bipolar, tangen hiperbolik, dan elliot. Sedangkan,

jumlah neuron pada lapisan hidden yang akan digunakan adalah 7, 13, 17, 25, 29,

dan 33. Selain itu, akan dibandingkan kecepatan iterasi serta akurasi antara

algoritma LM dan BP.

Hasil penelitian, menunjukkan bahwa algoritma LM memiliki jumlah

iterasi yang lebih kecil dengan rata-rata 39 iterasi dan akurasi 81% dibandingkan

dengan algoritma BP yang memiliki rata-rata 381 iterasi dengan tingkat akurasi

71%. Namun waktu pembelajaran yang dibutuhkan algoritma LM memiliki rata-

rata 3373 ms sedangkan BP 939 ms. Kombinasi fungsi aktivasi dengan jumlah

iterasi yang kecil dan akurasi yang besar pada kedua algoritma adalah tangen

hiperbolik–sigmoid bipolar. Sedangkan jumlah neuron pada lapisan hidden tidak

memberikan pengaruh yang signifikan baik terhadap iterasi maupun akurasi

jaringan.

Kata Kunci: backpropagation gradient descent, diagnosa penyakit kandungan,

fungsi aktivasi, levenberg-marquardt.


commit to user

vii

COMPARISON OF LEVENBERG–MARQUARDT ALGORITHM WITH

BACKPROPAGATION TO DIAGNOSE GYNECOLOGIC DISEASES

AYU PRABHAWANINGRUM Department of Informatics. Mathematic and Natural Science Faculty.

Sebelas Maret University

ABSTRACT

Levenberg-Marquardt algorithm is one of training algorithm in neural

network. This algorithm is optimalization from backpropagation gradient descent

so, for training process, this algorithm has a less iteration than backpropagation

gradient descent algorithm.This research discuss about comparison of levenberg-

marquardt algorithm with backpropagation to diagnose gynecologic diseases

based on 18 symptoms and categorized into four kind gynecologic diseases which

are, pelvic inflammatory disease, myoma uterus, cervical cancer, and ovarium

cancer.

There are two main components which will be tested, that are the

combination of activation function and the number of hidden neuron. The

activation which will be used are sigmoid bipolar, hyperbolik tangent and elliot.

Whereas the number of hidden neuron which will be used 7, 13, 17, 25, 29, and

33. Besides, will be compared the iteration and accuracy of LM and BP.

Results of this research shows that levenberg-marquardt algorithm has less

iteration which average is 39 and 81% of accuration than backpropagatin gradient

descent which has average 381 iterations with 71% accurate, but the average of

learning time needed in LM algorithm is 3373 ms while BP is 939 ms. The

combination of activation function with smallest iteration and highest accuration

is hyperolic tangent–sigmoid bipolar. Whereas, the number of hidden neuron

doesnt affect the network’s iteration and accuracy.

Keywords: activation function, backpropagation gradient descent, diagnose

gynecologic diseases, levenberg-marquardt.


commit to user

viii

KATA PENGANTAR

Bismillahirrahmaanirrahiim

Puji dan syukur penulis panjatkan kehadirat Allah Subhanahu Wa Ta’ala

yang senantiasa memberikan nikmat dan karunia-Nya sehingga penulis dapat

menyelesaikan skripsi dengan judul Perbandingan Algoritma Levenberg-

Marquardt dengan Backpropagation untuk Mendiagnosa Jenis Penyakit

Kandungan, yang menjadi salah satu syarat wajib untuk memperoleh gelar

Sarjana Informatika di Universitas Sebelas Maret (UNS) Surakarta.

Penulis menyadari akan keterbatasan yang dimiliki, begitu banyak

bimbingan, bantuan, motivasi, serta semangat yang diberikan dalam proses

penyusunan skripsi ini. Oleh karena itu, ucapan terima kasih penulis sampaikan

kepada :

1. Bapak Wiharto, S.T., M.Kom. selaku Dosen Pembimbing I yang penuh

kesabaran membimbing, mengarahkan, dan memberi motivasi kepada

penulis selama proses penyusunan skripsi ini,

2. Ibu Umi Salamah,S.Si.,M.Kom, selaku Ketua Jurusan S1 Informatika dan

Dosen Pembimbing II yang penuh kesabaran membimbing, mengarahkan,

dan memberi motivasi kepada penulis selama proses penyusunan skripsi ini,

3. Bapak Didiek S. Wiyono. selaku Pembimbing Akademik yang telah banyak

memberi bimbingan dan pengarahan selama penulis menempuh studi di

Jurusan Informatika FMIPA UNS,

4. Pihak RSUD dr. Moewardi yang telah mengijinkan penulis untuk

mengambil data pada instansi tersebut,

5. Bapak dan Ibu dosen serta karyawan di Jurusan Informatika FMIPA UNS

yang telah mengajar penulis selama masa studi dan membantu dalam proses

penyusunan skripsi ini,

6. Mama, papa, kakak, dan sahabatku Fera yang telah memberikan semangat

dan motivasi kepada penulis selama penelitian ini dilaksanakan.

7. Teman–teman angkatan 2008 terutama mbak Anisa Atiliani dan mbak Wina

Isti Retnani yang telah memberikan dukungan dan bimbingan kepada

penulis selama penelitian ini dilaksanakan.

8. Teman–teman angkatan 2009, terutama Estining, Yoga dan Vicka yang telah

memberikan semangat kepada penulis selama ini.

Penulis berharap semoga skripsi ini dapat bermanfaat bagi semua pihak

yang berkepentingan.

Surakarta, Agustus 2013

Penulis


commit to user

ix

DAFTAR ISI

HALAMAN PENGESAHAN ................................................................................ iii

MOTTO .................................................................................................................. iv

PERSEMBAHAN ................................................................................................... v

ABSTRAK ............................................................................................................. vi

ABSTRACT .......................................................................................................... vii

KATA PENGANTAR ........................................................................................... viii

DAFTAR ISI .......................................................................................................... ix

DAFTAR GAMBAR ............................................................................................. xi

DAFTAR TABEL .................................................................................................. xii

DAFTAR LAMPIRAN ....................................................................................... xiii

BAB 1 PENDAHULUAN ...................................................................................... 1

1.1. Latar Belakang ................................................................................... 1

1.2. Rumusan Masalah .............................................................................. 3

1.3. Batasan Masalah ................................................................................ 3

1.4. Tujuan Penelitian ............................................................................... 4

1.5. Manfaat Penelitian ............................................................................. 4

1.6. Sistematika Penulisan ........................................................................ 4

BAB 2 TINJAUAN PUSTAKA .............................................................................. 6

2.1. Dasar Teori ......................................................................................... 6

2.1.1. Jaringan Syaraf Tiruan ....................................................................... 6

2.1.2. Penyakit Kandungan ........................................................................ 14

2.2. Penelitian Terkait ............................................................................. 19

BAB 3 METODOLOGI PENELITIAN ................................................................ 21

3.1. Tahap Awal ....................................................................................... 21

3.1.1. Studi Literatur .................................................................................. 21

3.1.2. Pengumpulan Data ........................................................................... 21

3.2. Analisis dan Perancangan ................................................................ 23

3.2.1. Skenario Pembelajaran .................................................................... 23

3.2.2. Penentuan Nilai Skenario ................................................................. 23


commit to user

x

3.3. Implementasi .................................................................................... 24

3.3.1. Tahap Pembelajaran ......................................................................... 24

3.3.2. Tahap Pengujian ............................................................................... 24

3.4. Analisis Hasil ................................................................................... 24

BAB 4 HASIL DAN PEMBAHASAN ................................................................. 25

4.1. Tahap Pembelajaran ......................................................................... 25

4.1.1. Parameter µ, β, dan α ....................................................................... 25

4.1.2. Fungsi Aktivasi ................................................................................ 27

4.1.3. Neuron pada lapisan hidden ............................................................. 29

4.2. Tahap Pengujian ............................................................................... 31

4.2.1. Hasil Pembelajaran .......................................................................... 31

4.2.2. Pengujian ......................................................................................... 33

4.3. Analisis Hasil ................................................................................... 35

BAB 5 PENUTUP ................................................................................................ 38

5.1. Kesimpulan ...................................................................................... 38

5.2. Saran ................................................................................................ 39

DAFTAR PUSTAKA ............................................................................................ 40

LAMPIRAN .......................................................................................................... 42


commit to user

xi

DAFTAR GAMBAR

Gambar 2. 1. Arsitektur Jaringan Syaraf Tiruan Multilayer.................................... 7

Gambar 2. 2. Arsitektur Algoritma Backpropagation ............................................. 8

Gambar 2. 3. Flowchart algoritma BP ................................................................... 11

Gambar 2. 4. Flow chart algoritma LM. ............................................................... 14

Gambar 2. 5. Pembengkakan Tuba Fallopi Akibat PID ........................................ 15

Gambar 2. 6. Gambar Uterus Dengan Mioma Uterus Normal ............................. 16

Gambar 2. 7. Perkembangan Kanker Pada Serviks............................................... 17

Gambar 2. 8. Kanker Ovarium .............................................................................. 18

Gambar 4. 1. Rata– Rata Jumlah Iterasi dengan Nilai µ Berbeda ........................ 25

Gambar 4. 2. Rata–Rata Jumlah Iterasi dengan Nilai β Berbeda .......................... 26

Gambar 4. 3. Rata–Rata Jumlah Iterasi dengan Nilai α Berbeda .......................... 27

Gambar 4. 4. Grafik Penerunan MSE pada LM .................................................... 28

Gambar 4. 5. Grafik Penurunan MSE pada BP ..................................................... 29

Gambar 4. 6. Rata–Rata Jumlah Iterasi Neuron pada lapisan hidden berbeda ..... 30

Gambar 4. 7. Rata–Rata Running Time dengan Neuron pada lapisan hidden

Berbeda ............................................................................................ 31

Gambar 4. 8. Pengujian Akurasi Jumlah Neuron pada lapisan hidden ................. 33

Gambar 4. 9. Perbandingan Jumlah Iterasi Kedua Algoritma ............................... 33

Gambar 4. 10. Perbandingan Waktu Pembelajaran Algoritma LM dan BP .......... 34

Gambar 4. 11. Perbandingan Prosentase Akurasi LM dan BP .............................. 35


commit to user

xii

DAFTAR TABEL

Tabel 3. 1. Tabel gejala penyakit ........................................................................... 21

Tabel 3. 2. Kategori Output ................................................................................... 23

Tabel 4. 1. Pembelajaran Kombinasi Fungsi Aktivasi .......................................... 27

Tabel 4. 2. Pengujian Kombinasi Fungsi Aktivasi ................................................ 32

Tabel 4. 3. Hasil Percobaan pada Pengujian ......................................................... 36


commit to user

xiii

DAFTAR LAMPIRAN

LAMPIRAN A ...................................................................................................... 43

perbandingan algoritma levenberg marquardt …/per... · bp untuk mendiagnosa jenis penyakit...

Documents