BAB 3 ANALISIS DAN PERANCANGAN SISTEM

BAB 3

ANALISIS DAN PERANCANGAN SISTEM

3.1. Analisis Sistem Analisis sistem merupakan suatu tahapan untuk membantu memahami sesuatu yang di butuhkan system dan mempelajari permasalahan-permasalah yang ada untuk kemudian dilakukannya solusi penyelesaian yang didasarkan pada kebutuhan pengguna sistem agar tercipta sebuah sistem yang berguna bagi pengguna. Sehingga nantinya dapat membantu didalam proses perancangan model suatu system yang akan diimplementasikan.

3.1.1. Analisis Permasalahan Gigi merupakan organ terpenting makhluk hidup terutama manusia. Fungsi utama gigi adalah untuk merobek dan mengunyah makanan. Gigi memiliki struktur pelindung yang disebut email gigi, yang membantu mencegah lubang di gigi. Kesehatan gigi merupakan suatu hal yang penting bagi kesahatan tubuh manusia karena gigi membantu proses pengunyahan makanan yang apabila gigi tidak sehat akan membuat nafsu makan tidak baik Permasalahan yang dihadapin dalam perancangan system ini yaitu masalah pengenalan pola gigi yang terkena penyakit. Sehingga dengan adanya sistem ini diharapkan dapat membantu masyarakat untuk mendeteksi penyakit gigi sementara waktu sebelum dilakukan pendeteksian gigi oleh dokter gigi.

Penyebab dan dampak dari permasalahan tersebut digambarkan dengan diagram ishikawa dan dapat dilihat pada Gambar 3.1

Universitas Sumatera Utara

. Metode

Material Berbagai jenis Penyakit Gigi yang Sering dialami Oleh Manusia

Pemanfaatan JST backpropagation dan hopfield untuk Mendeteksi Penyakit Gigi

Mengetahui Solusi dari Berbagai Jenis Penyakit Gigi Sebelum Melakukan Tindakan Pengobatan Ke Dokter Gigi

Pemanfaatan Jaringa Syaraf Tiruan Untuk Memberikan Solusi Pengobatan dari Beragam Jenis Penyakit Gigi

Pemanfaatan teknologi untuk mendeteksi Penyakit Gigi Sementara Untuk Selanjutnya dilakukan Observasi Oleh Dokter Gigi

Lingkungan

Teknologi

Gambar 3.1 Diagram Ishikawa

3.1.2. Analisis Kebutuhan Sistem Analisis kebutuhan sistem ini meliputi analisis kebutuhan fungsional sistem dan analisis non-fungsional sistem.

3.1.2.1. Kebutuhan Fungsional Sistem Kemampuan fungsional dari sistem ini yaitu: 1. Masukan gambar gigi yang memiliki ekstensi file.jpg atau .jpeg. 2. Sistem melakukan pelatihan terhadap pola gambar agar kemudian dapat menghasilkan Output. 3. Sistem melakukan pengujian terhadap pola gambar dimana hasil dari pengujian tersebut berupa nama penyakit gigi, salusi pengobatan terhadap penyakit tersebut dan waktu pungujian.


3.1.2.2. Kebutuhan Non-Fungsional Sistem Kebutuhan non-fungsional dari sistem ini yaitu : 1. Tampilan antarmuka sistem dapat dimengerti oleh user atau pengguna sistem. 2. Data yang digunakan oleh sistem haruslah data real atau nyata dan sesuai sehingga dapat menghasilkan pengenalan pola yang tepat dan memberikan informasi yang tepat dan sesuai dengan tidak mengurangi kualitas informasi. 3. Efektifitas dan efisiensi dapat terlihat dari waktu respon antara pengguna dengan sistem. 4. Sistem yang nantinya telah dibuat dapat dikembangkan dengan mudah sehingga sistem dapat tetap digunakan di masa yang akan datang. 5. Sistem yang dibuat dapat dikembangkan untuk kepentingan lebih lanjut.

3.1.3. Analisis Proses Dalam sistem ini ada dua metode yaitu metode backpropagation dan metode hopfield yang digunakan untuk melakukan pendeteksian terhadap penyakit gigi. Di dalam proses pelatihan ini dilakukan pelatihan terhadap suatu pola masukan dari image gigi dengan menggunakan kedua metode tersebut. Kemudian dilakukan proses threshold untuk mendapatkan citra gigi, dan dilakukan proses reduksi data citra tersebut dan pada akhirnya dilakukan pelatihan jaringan saraf tiruan untuk mendeteksi penyakit gigi.

Berikut ini akan diberikan contoh sederhana bagaimana masing-masing metode melakukan proses pelatihan. Dengan yang pertama sebagai contoh yaitu penerapan metode (algoritma) backpropagation untuk mengenali fungsi XOR yang memilki 2 masukan x1 dan x2, dimana akan dilakukan iterasi terhadap pola pertama yaitu x1 = 1, x2 = 1 dan t = 0 dengan laju pembelajaran(learning rate) α = 0.2. berikut ini penyelesaian yang akan dilakukan dengan backpropagation menggunakan 1 lapisan tersembunyi yang terdiri dari 3 unit. 1. Inisialisasi semua bobot (langkah 0 – langkah 3) Inisialisasi bobot ini akan dilakukan pemberian bobot secara acak seperti contoh pada tabel 3.1 dan tabel 3.2.


Tabel 3.1 Nilai Bobot Lapisan Masukan ke Lapisan Tersembunyi (vji) z1 0.2 0.3 -0.3

x1 x2 1

z2 0.3 0.1 0.3

z3 -0.1 -0.1 0.3

Tabel 3.2 Bobot Lapisan Masukan ke Lapisan Tersembunyi (wkj) Y 0.5 -0.3 -0.4 -0.1

z1 z2 z3 1

2. Hitung keluaran unit tersembunyi (zj) (langkah 4) z_net j = v jo + ∑𝑛 𝑖=1 𝑥𝑖 𝑣𝑗𝑖 z_net1 = -0.3+1(0.2)+1(0.3) = 0.2 z_net2 = 0.3+1(0.3)+1(0.1) = 0.7 z_net3 = 0.3+1(-0.1)+1(-0.1) = 0.1 zj = f(z_netj) = z1 =

1

1+𝑒 −0.2

1

1+𝑒 −𝑧_𝑛𝑒𝑡𝑗

= 0.55 ; z2 =

1

1+𝑒 −0.7

= 0.67 ; z3 =

1

1+𝑒 −0.1

= 0.52.

3. Hitung keluaran unit yk (langkah 5) 𝑝

y_net k = w ko + ∑𝑗=1

zj wkj

y_netk = y_net = -0.1+0.55(0.5)+0.67(-0.3)+0.52(-0.4) = -0.24 y = f(y_net) =

1

1+𝑒 −𝑦_𝑛𝑒𝑡

=

1

1+𝑒 0.24

= 0.44

4. Hitung faktor δ di unit keluaran yk (langkah 6) 𝛿 k = (tk – yk) f’(y_netk) = (tk – yk) yk (1-yk) 𝛿 k = δ = (t – y) y(1 – y) = (0 – 0.44) (0.44) (1 – 0.44) = -0.11 Suku perubahan bobot wkj (dengan α = 0.2): Δwkj = α 𝛿 k zj = α 𝛿 z ; j = 0,1, ..., 3 Δw10 = 0.2 (-0.11)(1) = -0.02 Δw11 = 0.2 (-0.11)(0.55) = -0.01 Δw10 = 0.2 (-0.11)(0.67) = -0.01 Δw10 = 0.2 (-0.11)(0.52) = -0.01


5. Hitung penjumlahan kesalahan dari unit tersembunyi (=δ) (langkah 7) 𝛿 _netj = 𝛿 k w1j 𝛿 _net1 = (0.11)(0.5) = -0.05 𝛿 _net2 = (0.11)(-0.3) = 0.03 𝛿 _net3 = (0.11)(-0.4) = 0.04 faktor kesalahan δ di unit tersembunyi: 𝛿 j = 𝛿_netj f’(z_netj) = 𝛿_netj zj(1-zj) 𝛿 1 = -0.05(0.05) (1 – 0.05) = - 0.01 𝛿 2 = 0.03(0.67) (1 – 0.67) = 0.01 𝛿 3 = 0.04(0.52) (1 – 0.52) = 0.01

Suku perubahaan bobot ke unit tersembunyi Δvji = α 𝛿 j xi dapat dilihat pada tabel 3.3. (j = 1,2,3; i = 0,1,2) Tabel 3.3 Nilai Suku Perubahan Bobot

x1 x2 1

z1 Δv11 = (0.2) (-0.01)(1) = 0 Δv12 = (0.2) (-0.01)(1) = 0 Δv13 = (0.2) (-0.01)(1) = 0

z2 Δv21 = (0.2) (0.01)(1) = 0 Δv22 = (0.2) (0.01)(1) = 0 Δv23 = (0.2) (0.01)(1) = 0

z3 Δv31 = (0.2) (0.01)(1) = 0 Δv32 = (0.2) (0.01)(1) = 0 Δv32 = (0.2) (0.01)(1) = 0

6. Hitung semua perubahan bobot (langkah 8) wkj(baru) = wkj(lama) + Δwkj (k = 1 ; j = 0,1, ..., 3) w11(baru) = 0.5 – 0.01 = 0.49 w12(baru) = -0.3 – 0.01 = -0.31 w13(baru) = -0.4 – 0.01 = -0.41 w10(baru) = -0.1 – 0.02 = -0.12 perubahan bobot unit tersembunyi: vji(baru) = vji(lama) + Δvji (j = 1,2,3 ; i = 0,1,2)


Tabel 3.4 Perubahan Bobot Unit Tersembunyi z1 v11 (baru) = 0.2+0 = 0.2

z2 v21 (baru) = 0.3+0 = 0.3

x2

v12 (baru) = 0.3+0 = 0.3

v22 (baru) = 0.1+0 = 0.1

1

v13 (baru) = 0.3+0 = -0.3

v23 (baru) = 0.3+0 = 0.3

x1

z3 v31 (baru) = 0.1+0 = -0.1 v32 (baru) = 0.1+0 = -0.1 v33 (baru) = 0.3+0 = 0.3

Hasil pada tabel 3.4 merupakan iterasi untuk pola pertama, untuk mengetahui nilai dari 1 iterasi penuh semua pola maka dapat dilakukan iterasi pada pola kedua yaitu x1 = 1, x2 = 0, dan t = 1, pola ketiga yaitu x1 = 0, x2 = 1, dan t = 1, dan pola keempat yaitu x1 = 0, x2 = 0, dan t = 0. Selanjutnya merupakan contoh penerapan metode (algoritma) Hopfield. Misalkan terdapat 2 buah pola yang ingin dikenali yaitu pola A(0,1,0,1,0,1) dan B(1,0,1,0,1,0). Bobot-bobot jaringan saraf tiruan ditentukan sebagai berikut: 0 ⎡−1 ⎢ 1 𝑤=⎢ −1 ⎢ ⎢ 1 ⎣−1

−1 1 −1 0 −1 1 −1 0 −1 1 −1 0 −1 1 −1 1 −1 1

1 −1 1 −1 0 −1

−1 1⎤ ⎥ −1⎥ 1⎥ −1⎥ 0⎦

Bobot-bobot tersebut simetris (wij = wji ; dimana i=baris dan j=kolom) dan diagonal utamanya adalah 0. Pola A dan pola B dilakukan sebagai vector. Dot product antara A dengan B diperoleh dengan cara mengalikan komponen kedua vector tersebut dengan vector bobot.

Aktivasi node pertama untuk pola A:

(0

1 0

1

0

0 ⎡ −1 ⎤ ⎢ ⎥ 1 ⎥ ⎢ ) ⦁ = 0 + (−1) + 0 + (−1) + 0 + (−1) = −3 1 ⎢ −1 ⎥ ⎢ 1 ⎥ ⎣ −1 ⎦ Universitas Sumatera Utara

Aktivasi node kedua:

(0

1 0

1

0

−1 ⎡ 0 ⎤ ⎢ ⎥ −1 ⎥ =0+0+0+1+0+1=2 1) ⦁ ⎢ ⎢ 1 ⎥ ⎢ −1 ⎥ ⎣ 1 ⎦

Dan seterusnya untuk node ketiga, keempat, kelima, dan keenam diperoleh masing-masing -3, 2, -3, 2. Masih dengan cara yang sama untuk pola B diperoleh masing-masing 2, -3, 2, -3, 2, -3. Kemudian fungsi ambang ditentukan agar jaringan saraf bisa menghasilkan pola A dan pola B.

Untuk contoh ini diambil 𝜃 = 0

1 𝑗𝑖𝑘𝑎 𝑡 ≥ 𝜃 𝑓(𝑡) = � 0 𝑗𝑖𝑘𝑎 𝑡 < 𝜃

Maka akan diperoleh f(2)=1 dan f(-3)=0 kemudian pola output untuk pola A dan pola B dapat ditentukan. Untuk pola A output yang dihasilkan (0,1,0,1,0,1), ini sama dengan pola inputnya dapat dikatakan bahwa jaringan syaraf sukses dalam mengenali pola A. sedangkan pola B output yang dihasilkan (1,0,1,0,1,0) yang berarti pola B juga berhasil dikenali karena sama dengan pola inputannya.

3.1.3.1 Perancangan Arsitektur Jaringan Arsitektur jaringan syaraf tiruan yang digunakan pada penelitian ini ditunjukkan pada Gambar 3.2. dan Gambar 3.3


V11

X1 V12

V21

V15

Y1 W12 V01

W14

Z2

V32

W22

Z3

V35

W33

V03

V42

Y3

W43

V122 Z4

W02

W32

W34

V34

V43 V44

W42

W24

V41

X3

Y2

W41

V02

V33

W01

W13

W23

V25

X4

W31

W21

V22

V23 V24

W11

V31

V13 V14

X2

Z1

W122

W44

W03

V45 V123

V121

V04

W121

V124

W123

Y4 W04

W124

V125 Z12

X12

V012

b=1

b=1

Gambar 3.2 Arsitektur Jaringan Backpropagation sistem Gambar 3.2 memperlihatkan sistem terdiri dari 12 inputan (𝑥1 - 𝑥12 ) sesuai dengan jumlah image gigi yang digunakan sebagai data masukan. Pada lapisan tersembunyi

terdiri dari (Z1 – Z12). Dan data keluaran ( 𝑦1 - 𝑦4 ) akan menghasilkan nilai 1 dan 0 yang merupakan subkelas untuk target, target dalam sistem ini adalah 4, dimana : vektor keluaran target 1 adalah 1 0 0 0 vektor keluaran target 2 adalah 0 1 0 0 vektor keluaran target 3 adalah 0 0 1 0 vektor keluaran target 4 adalah 0 0 0 1


Output Vektor

Input Vektor

X1

V1

X2

V2

X3

V3

Y1

Fungsi Ktivasi

Y2

Y3

Y4 X12

V12 Umpan Balik

Gambar 3.3 Arsitektur Jaringan Hopfield sistem Gambar 3.3 terlihat bahwa semua unit input dihubungkan dengan semua unit output, meskipun dengan bobot yang berbeda-beda. Tidak ada unit yang dihubungkan dengan unit input lainnya. Model diskrit jaringan Hopfield dalam bobot sinaptik menggunakan vektor biner dimensi n atau dapat dituliskan a{0,1}n. Model ini barisi n neural dan jaringan terdiri dari n(n-1) interkoneksi dua jalur. Model jaringan Hopfield secara metematis dapat disajikan dalam bentuk matriks simetris NxN dengan diagonal utamanya bernilai 0. Pemberian nilai 0 pada diagonal utama dimaksudkan agar setiap neuron tidak memberi input pada dirinya sendiri. Dengan demikian jaringan Hopfield merupakan suatu jaringan dengan bobot simetrik , bahwa: Wij = Wji Dan Wii=0 Keterangan : Wij : matrik bobot koneksi dari unit i ke unit j Wii = 0 : nilainya sama dengan 0 .


3.2. Pemodelan Pada penelitian ini menggunakan UML sebagai bahasa pemodelan untuk membantu mendesain dan merancang sistem identifikasi penyakit gigi. Model UML yang digunakan dalam penelitian ini yaitu use case diagram, sequence diagram, dan activity digaram.

3.2.1. Use Case Diagram Use case diagram merupakan diagram yang menggambarkan interaksi antara sistem dan eksternal sistem dan aktor, dalam kasus ini admin dan pengguna sebagai aktornya. Use case digunakan untuk menggambarkan siapa yang akan menggunakan sistem dan bagaimana cara aktor berinteraksi dengan sistem. Berikut ini merupakan use case diagram dari sistem yang akan dirancang.

Sistem Identifikasi Penyakit Gigi Latih Backpropagation <extend>

Pengujian Penyakit Gigi Backpropagation

Latih Hopfield <extend>

aktor

Pengujian Penyakit Gigi Hopfield

Gambar 3.4 Use Case Diagram Sistem Identifikasi Penyakit Gigi


Berikut adalah tabel yang menunjukkan dokumentasi naratif dari use case latih backpropagation. Tabel 3.5 Dokumentasi Naratif Use Case Latih Backpropagation Nama Use case

Latih Backpropagation

Aktor

User dan Admin

Deskripsi Pre-kondisi

Use case ini mendeskripsikan proses pelatihan jaringan sayaraf tiruan Backpropagation Masuk pada antarmuka Pelatihan

Bidang khas

Kegiatan pengguna

Respon sistem

1. Isi id image gigi

1. Tidak ada

2. Klik tombol Open

2. Menampilkan antarmuka cari image gigi

3. Pilih image gigi yang akan digunakan sebagai masukan

3. Menampilkan image gigi beserta nama file image gigi

4. Geser slider Threshold

4. Menampilkan image gigi yang telah di-threshold

5. Klik tombol Reduksi dan Simpan

5. Menyimpan hasil reduksi

6. Klik tombol Latih Backpropagation

6. Proses pelatihan Backpropagation, Menampilkan grafik pelatihan, dan menyimpan bobot pelatihan

Bidang Alternatif

1. Tekan tombol Reset

1. Sistem mengosongkan text field nama file, dan gambar.

Post-kondisi

Sistem menyimpan bobot pelatihan, menampilkan lama waktu pelatihan, dan menampilkan grafik pelatihan.


Tabel 3.6 Dokumentasi Naratif Use Case Latih Hopfield Nama Use case

Latih Hopfield

Aktor

User dan Admin

Deskripsi Pre-kondisi

Use case ini mendeskripsikan proses pelatihan jaringan sayaraf tiruan Hopfield Masuk pada antarmuka Pelatihan

Bidang khas

Kegiatan pengguna

Respon sistem

1. Isi id image gigi

1. Tidak ada

2. Klik tombol Open


3. Pilih image gigi yang akan digunakan sebagai masukan

3. Menampilkan image gigi beserta nama file image gigi

4. Geser slider Threshold


5. Klik tombol Reduksi dan Simpan

5. Menyimpan hasil reduksi

6. Klik tombol Latih Backpropagation

6. Proses pelatihan Hopfield, dan menyimpan bobot pelatihan

Bidang Alternatif


1. Sistem mengosongkan text field id, nama file dan axes gambar.

Post-kondisi

Sistem menyimpan bobot pelatihan, dan menampilkan lama waktu pelatihan.


Tabel 3.7 Dokumentasi Naratif Use Case Identifikasi Penyakit Gigi (Pengujian) Backpropagation Nama Use case

Identifikasi Penyakit Gigi (pengujian) Backpropagation

Aktor

Pengguna

Deskripsi

Prakondisi

Use case ini mendeskripsikan proses identifikasi penyakit gigi dengan menggunakan jaringan syaraf tiruan Backpropagation Masuk pada antarmuka Pengujian

Bidang khas

Kegiatan pengguna

Respon sistem

1. Klik tombol Open


2. Pilih image gigi yang ingin dikenali 3. Geser slider Threshold

2. Menampilkan image gigi

4. Klik tombol kenali Backpropagation

4. Pengujian dengan jaringan syaraf tiruan Backpropagation dan menampilkan hasil pengenalan

Bidang Alternatif


1. Sistem mengosongkan text field dan axes pada anatarmuka pengujian

Post-kondisi

Sistem menampilkan hasil pengenalan berupa nama gigi, solusi serta waktu pengujian



Tabel 3.8 Dokumentasi Naratif Use Case Identifikasi Penyakit Gigi (Pengujian) Hopfield Nama Use case

Identifikasi bentuk gigi (pengujian) Hopfield

Aktor

Pengguna

Deskripsi Prakondisi

Use case ini mendeskripsikan proses identifikasi penyakit gigi dengan menggunakan jaringan syaraf tiruan Hopfield Masuk pada antarmuka Pengujian

Bidang khas

Kegiatan pengguna

Respon sistem

1. Klik tombol Open


2. Pilih image gig yang ingin dikenali 3. Geser slider Threshold

2. Menampilkan image gigi

4. Klik tombol kenali Hopfield

4. Pengujian dengan jaringan syaraf tiruan Hopfield dan menampilkan hasil pengenalan

Bidang Alternatif


1. Sistem mengosongkan text field dan axes pada anatarmuka pengujian

Post-kondisi

Sistem menampilkan hasil pengenalan berupa nama gigi, solusi serta waktu pengujian



3.2.2. Sequence Daigram Sequence Daigram merupakan diagram yang menggambarkan interaksi antara aktor dan sistem. Sequence diagram menunjukan sejumlah contoh maupun pesan yang berada atau melewati objek-objek tersebut didalam use case. Berikut Berikut ini merupakan gambaran dari sequence diagram dari sistem yang telah dirancang.

: Aktor

: Form Pelatihan

: Threshold

: Reduksi

: Latih Backpropagation

open image gigi

Threshold matriks image

Reduksi matriks image

matriks tereduksi

Proses latih

Simpan bobot

Gambar 3.5 Sequence Diagram Pelatihan JST Backpropagation


: Aktor

: Form Pelatihan

: Threshold

: Reduksi

: Latih Hopfield

open image gigi



matriks tereduksi

Proses latih

Simpan bobot

Gambar 3.6 Sequence Diagram Pelatihan JST Hopfield

: Aktor

: Form Pengujian

: Threshold

: Reduksi

: Uji Backpropagation

Open image gigi



matriks tereduksi

Proses simulasi

tampilkan nama tampilkan solusi

Gambar 3.7 Sequence Diagram Pengujian JST Backpropagation


: Aktor

: Form Pengujian

: Threshold

: Reduksi

: Uji Hopfield

Open image gigi



matriks tereduksi

Proses simulasi

tampilkan nama tampilkan solusi

Gambar 3.8 Sequence Diagram Pengujian JST Hopfield

3.2.3. Activity Diagram Activity diagram merupakan diagram yang berfungsi untuk menggambarkan logika procedural, jalan kerja suatu sistem. Diagram ini memiliki peran yang sama dengan diagram alir yang mana memungkinkan siapapun yang melakukan proses untuk dapat memilih urutan dalam melakukannya sesuai keinginannya. Berikut ini merupakan activity diagram dari sistem yang akan dirancang.


Aktor

Sistem

Open image gigi

Tampilan image gigi

Threshold image gigi

Tampil image gigi hasil threshold

Input id gigi

Klik tombol reduksi dan simpan

reduksi dan simpan data

Klik tombol pelatihan backpropagation

Latih backpropagation

Tampil grafik pelatihan

Simpan bobot pelatihan

Gambar 3.9 Activity Diagram Pelatihan Backpropagation


Aktor

Open image gigi

Sistem

Tampilkan image gigi

Threshold gigi

Tampilkan hasil Threshold gigi

Input id gigi

Klik tombol reduksi dan simpan

Reduksi dan simpan data

Klik tombol pelatihan hopfield

Latih hopfield

Simpan bobot pelatihan

Gambar 3.10 Activity Diagram Pelatihan Hopfield


Aktor

Open image gigi

Sistem

Tampil image gigi

Threshold gigi

Hasil threshold gigi Klik tombol pengujian backpropagation Pengujian Backpropagation

Tampilkan hasil pengujian

Gambar 3.11 Activity Diagram Pengujian Backpropagation

Aktor

Open image gigi

Sistem

Tampil image gigi

Threshold gigi

Hasil threshold gigi Klik tombol pengujian backpropagation Pengujian Hopfield


Gambar 3.12 Activity Diagram Pengujian Hopfield


3.3. Pseudocode program Pseudocode adalah suatu deskripsi dari algoritama yang disusun dengan mengikuti struktur bahasa pemrograman yang dapat digambarkan dengan mudah sehingga dapat dipahami oleh manusia itu sendiri.

3.3.1. Pseudocode Proses pelatihan JST GRAYSCALE citra_gigi ← imread(fullfile(nama_path, nama_file)) citra_grayscale ← rgb2gray(citra_gigi)

THRESHOLD [b k] ← size(citra_grayscale) nilai_threshold ← 130 for x ← 1 to b for y ← 1 to k if citra_grayscale(x,y)< nilai_threshold citra_threshold(x,y) ← 0 elseif citra_grayscale (x,y)>= nilai_threshold citra_threshold (x,y) ← 1 end end end REDUKSI DATA citra_threshold[A B] ← citra_threshold pos ← 0 for i ← 1 to 50 for j ← 1 to 5 z(i,j) ← 0 for k ← 1 to 10 pos ← pos+1 z(i,j) ← z(i,j)+aa(i,pos) end end pos ← 0 end pos ← 0 for i ← 1 to 5 for j ← 1 to 5 zz(j,i) ← 0 for k ← 1 to 10 pos ← pos+1 zz(j,i) ← zz(j,i)+z(pos,i) end end pos ← 0 end for i ← 1 to 5 for j ← 1 to 5 if(zz(i,j)==100)


zz(i,j) ← 0 else if(zz(i,j)>=1 && zz(i,j)<=99) zz(i,j) ← 1 end end end end LATIH JST BACKPROPAGATION input ← reduksi_data [A B] ← size(input) target ← set manual target ← target’ S ← jumlah hidden layer TF ← fungsi transfer BTF ← fungsi pelatihan net ← newff(input, target,[S1 S2...S(N-l)],{TF1 TF2...TF(N-l)}, BTF) [net,tr] ← train (net,input,target); LATIH JST HOPFIELD input ← reduksi_data [A B] ← size(input) T ← input T ← T’ Ai=target net ← newhop(T)

3.3.2. Pseudocode Proses Pengujian JST GRAYSCALE citra_gigi ← imread(fullfile(nama_path, nama_file)) citra_grayscale ← rgb2gray(citra_gigi)

THRESHOLD [b k] ← size(citra_grayscale) nilai_threshold ← 130 for x ← 1 to b for y ← 1 to k if citra_grayscale(x,y)< nilai_threshold citra_threshold(x,y) ← 0 elseif citra_grayscale (x,y)>= nilai_threshold citra_threshold (x,y) ← 1 end end end REDUKSI DATAUJI citra_threshold[A B] ← citra_threshold pos ← 0 for i ← 1 to 50 for j ← 1 to 5 z(i,j) ← 0 for k ← 1 to 10 pos ← pos+1 z(i,j) ← z(i,j)+aa(i,pos) Universitas Sumatera Utara

end

end end pos ← 0

pos ← 0 for i ← 1 to 5 for j ← 1 to 5 zz(j,i) ← 0 for k ← 1 to 10 pos ← pos+1 zz(j,i) ← zz(j,i)+z(pos,i) end end pos ← 0 end for i ← 1 to 5 for j ← 1 to 5 if(zz(i,j)==100) zz(i,j) ← 0 else if(zz(i,j)>=1 && zz(i,j)<=99) zz(i,j) ← 1 end end end end

PENGUJIAN JST BACKPROPAGATION datauji ← reduksi_datauji target ← target’ output=sim(net, datauji) PENGUJIAN JST HOPFIELD datauji ← reduksi_datauji T ← T’ TS ← time step {} ← initial input delay output=sim(net,{TS},{},datauji)


3.4. Perancangan sistem 3.4.1. Perancangan Flowchart Sistem Flowchart merupakan suatu sekema penggambaran yang menampilkan urutan proses dari suatu sistem. Flowchart memiliki fungsi untuk memudahkan proses pengecekan terhadap sistem yang ingin dibuat apabila ada yang terlupakan dalam analisis masalah. Berikut merupakan flowchart awal dari sistem yang nantinya akan dibangun yang dapat dilihat pada gambar 3.11 Start

Tidak Pelatihan?

Input citra gigi

Ya

Input citra gigi

Threshold

Reduksi Masukkan id gigi

Pengujian JST Threshold

Reduksi


Simpan hasil reduksi

Latih JST

Tampilkan hasil pelatihan

End

Gambar 3.13 Flowchart Sistem


3.4.2. Perancangan Antarmuka (interface) Sistem pendeteksi penyakit gigi ini dirancang dengan menggunakan bahasa pemrograman MATLAB R2007b. Perancangan antar muka ini bertujuan untuk menciptakan suatu tampilan sistem yang memudahkan bagi penggunanya untuk berinteraksi.

3.4.2.1. Form Utama Form utama merupakan tampilan awal pada sistem identifikasi. Berikut merupakan tampilan form utama.

Menu bar pilihan : pelatihan, pengujian, bantuan, dan keluar

Label : Judul Program

Image : Logo USU

Label : Nama dan Nim

Gambar 3.14 Tampilan Rancangan Form Utama


3.4.2.2. Form Pelatihan Form pelatihan ini terdiri dari dua fungsi utama yaitu pelatihan Backpropagation dan pelatihan Hopfield. Berikut merupakan tampilan form pelatihan.

1

Menu bar berisi menu : utama, pengujian, bantuan dan keluar

2

7

ID

Image latih

8

Reduksi dan simpan

10

9 Latih backpropagation

Latih Hopfield

4

3

Reset

Open

Waktu Proses

11

5 Nama

6

Gambar 3.15 Tampilan Rancangan Form Pelatihan

Keterangan: 1. Menu Bar Terdiri dari sub menu utama, pengujian, bantuan, dan menu keluar. 2. Image Tempat menampilkan image gigi yang dimasukkan oleh pengguna. 3. Tombol Open Merupakan tombol pencarian image gigi yang akan diproses. 4. Tombol Reset Mereset kembali textfield dan axes yang telah dimasukkan oleh pengguna. 5. Texfield


Menampilkan nama dari file yang dibuka. 6. Threshold Untuk mengubah citra menjadi hitam dan putih (2bit) dari image gigi yang telah dimasukkan 7. Textfield Tempat untuk menginputkan id dari gigi yang akan dilatih untuk kemudian disimpan ke database. 8. Tombol Reduksi dan Simpan Melakukan proses reduksi data kemudian menyimpan hasilnya beserta id yang telah dimasukkan oleh pengguna kedalam database. 9. Tombol Latih Backpropagation Untuk melakukan pelatihan JST Backpropagation. 10. Tombol Latih Hopfield Untuk melakukan pelatihan JST Hopfield. 11. Textfield Menampilkan waktu pelatihan

3.4.2.3. Form Pengujian Form pengujian ini terdiri dari dua fungsi utama yaitu pengujian terhadap jaringan Backpropaagation, dan pengujian terhadap jaringan Hopfield. Berikut merupakan tampilan form pengujian.


Menu bar berisi menu : utama, pengujian, bantuan dan keluar

2

1

Latih backpropagation

Image uji

Latih Hopfield

4

3

5

8

9

Nama

Reset

Open

7

10

Waktu Proses

Nama

Solusi

11 6 Threshold

Gambar 3.16 Tampilan Rancangan Form Pengujian

Keterangan: 1. Menu Bar Terdiri dari sub menu utama, pelatihan, bantuan dan menu keluar. 2. Image Tempat menampilkan image gigi yang dimasukkan oleh pengguna. 3. Tombol Open Merupakan tombol pencarian image gigi yang akan diproses. 4. Tombol Reset Mereset kembali textfield dan axes yang telah dimasukkan oleh pengguna. 5. Textfield Berisi nama dari file yang dimasukkan. 6. Threshold Untuk mengubah citra menjadi hitam dan putih (2bit) dari image gigi yang telah dimasukkan 7. Tombol Kenali Backpro


Untuk melakukan pengujian terhadap image yang dimasukkan. 8. Tombol Kenali Hopfield Untuk melakukan pengujian terhadap image yang dimasukkan. 9. Textfield Menampilkan nama gigi hasil pengujian. 10. Textfield Menampilkan waktu proses pengujian. 11. Textfield Menampilkan solusi perawatan gigi dari hasil pengujian.

3.4.2.5. Form Bantuan Form bantuan ini berfungsi untuk menampilkan tata cara penggunaan system, adapun menu bantuan ini terdapat pada setiap form. Berikut merupakan tampilan dari form bantuan.

1

Menu bar pilihan menu : menu keluar BANTUAN

2

Gambar 3.17 Tampilan Rancangan Form Bantuan


Keterangan: 1. Menu Bar Terdiri dari sub menu keluar untuk kembali ke form bantuan itu berada. 2. List Box Tempat menampilkan langkah-langkah penggunaan suatu bentuk tampilan dimana menu bantuan itu berada.


BAB 4

IMPLEMENTASI DAN PENGUJIAN

4.1. Implementasi Setelah tahap analisis dan perancangan sistem selesai yaitu tahap implementasi dan pengujian terhadap sistem, selanjutnya akan dilakukan tahap implementasi dan pengujian terhadap sistem yang telah dibangun. Sistem identifikasi penyakit gigi ini menggunakan bahasa pemrograman MATLAB R2007b dan menggunakan Microsoft excel 2007 sebagai media penyimpanan. Pada sistem ini terdapat 7 form yaitu form utama, form pelatihan, form pengujian, form bantuanUtama, form bantuanPelatihan, form bantuanPengujian, dan form gambar.

4.1.1. Form Utama Form utama merupakan form tampilan awal ketika sistem ini dijalankan. Pada form ini terdapat keterangan judul skripsi, nama dan nim, logo universitas, serta menu bar untuk membawa pengguna kepada form-form selanjutnya. Adapun menu bar ini terdiri atas menu pelatihan, menu pengujian, menu bantuan, dan menu keluar. Adapun tampilan dari form utama adalah sebagai berikut.


Gambar 4.1. Form Utama

4.1.2. Form Pelatihan Form pelatihan ini terdiri dari dua metode pelatihan baik terhadap Backpropagation maupun Hopfield. Hal pertama yang dilakukan adalah penginputan citra dengan menekan tombol open. Berikut ini adalah tampilan dari form pelatihan.


Gambar 4.2. Form Pelatihan

Gambar 4.3. Form Pelatihan Setelah Membuka File Citra

Kemudian melakukan proses threshold, proses threshold ini dilakukan dengan menekan tombol threshold sehingga terbentuk citra biner gigi yang mewakili bentuk gigi dari citra aslinya. Berikut ini adalah tampilan form setelah melakukan proses threshold pada citra gigi.


Gambar 4.4. Gambar Gigi Setelah Melakukan Proses Threshold

Lalu dilakukan proses reduksi terhadap data hasil citra biner sekaligus data tersebut disimpan kedalam database. Setelah semua citra pengujian melakukan proses reduksi dan simpan maka tahapan selanjutnya yaitu melakukan proses pelatihan Backpropagation atau proses pelatihan Hopfield.

Gambar 4.5. Form Setelah Proses Threshold pada Citra Gigi


4.1.3. Form Pengujian Form pengujian ini terdiri dari dua metode pengujian yaitu pengenalan dengan menggunakan Backpropagation dan pengenalan menggunakan Hopfield. Hal pertama yang dilakukan adalah penginputan citra dengan menggunakan tombol open dan kemudian melakukan proses threshold. Proses threshold ini dilakukan dengan menggeser slider hingga pada posisi tertentu sehingga terbentuk citra biner gigi yang mewakili bentuk gigi dari citra aslinya.

Langkah selanjutnya adalah melakukan proses pengenalan dengan menekan tombol kenali backprogation atau dengan menekan tombol kenali Hopfield. Jika proses pengenalan berhasil mengenali objek gigi maka akan menampilkan nama beserta solusi pengobatan dari objek gigi tersebut. Jika tidak berhasil mengenali objek gigi maka akan muncul nama dari objek gigi tersebut tidak dikenali. Dalam form ini juga menampilkan lamanya waktu proses pengenalan baik dia dikenali kmaupun tidak dikenali.

Gambar 4.6. Form Pengujian


Gambar 4.7. Hasil Pengujian dengan Backpropagation

Gambar 4.8. Hasil Pengujian dengan Hopfield

4.1.4. Form Bantuan Utama Form bantuanUtama berfungsi untuk membantu pengguna cara mengoperasikan tampilan utama sistem ini. Berikut merupakan tampilan dari form bantuanUtama.


Gambar 4.9. Form Menu Bantuan

4.1.5. Form Bantuan Pelatihan Form bantuanPelatihan berfungsi untuk membantu pengguna cara mengoperasikan form pelatihan. Berikut merupakan tampilan dari form bantuanPelatihan.

Gambar 4.10. Form Bantuan Pelatihan

4.1.6. Form Bantuan Pengujian Form bantuanPelatihan berfungsi untuk membantu pengguna cara mengoperasikan form pengujian. Berikut merupakan tampilan dari form bantuanPelatihan.


Gambar 4.11. Form Bantuan Pengujian

4.2. Pengujian Pengujian ini dilakukan guna untuk mengetahui apakah sistem yang telah dibangun dapat mengidentifikasi penyakit gigi dengan baik melalui jaringan syaraf tiruan baik melalui metode Backpropagation atau melalui metode Hopfield. Dimana yang menjadi parameter pengujian adalah metode mana yang tebih cepat dan tepat dalam mengenali penyakit gigi.

4.2.1. Kecepatan Pelatihan Jaringan Syaraf Tiruan Adapun data-data objek gigi yang telah melalui proses threshold dan melalui proses reduksi yang disimpan dalam bentuk vektor input untuk kemudian digunakan dalam pelatihan akan ditampilkan pada tabel berikut.

Tabel 4.1. Vektor Input Pelatihan Nama

Nilai Threshold

Vektor input

Karies1

130

00011 11111 11011 11110

Karies2

130

11011 11101 11110 11101

10000

111 11


Nama

Nilai Threshold

Vector input

Karies3

130

10001 10111 10111 10111 10001

Pulpitis1

130

11111 11111 11111 01111 111 11

Pulpitis2

130

11111 10111 10110 11111 11111

Pulpitis3

130

01101 01001 10111 11111 11100

Gingivitis1

130

11111 11001 11101 11100 11101

Gingivitis2

130

Gingivitis3

130

10111 10111 11111 10111 10111

Absesgigi1

130

11110

Absesgigi2

130

10111 10100 11011 10111 11111

Absesgigi3

130

11111

1111 11110 11111 11110

111111

10111 10111 11110 11111

11101 11011 00101 11101


Adapun catatan waktu dari pelatihan terhadap kedua metode tersebut yaitu sebagai berikut:

Gambar 4.12. Catatan Waktu Pelatihan JST Backpropagation

Gambar 4.13. Catatan Waktu Pelatihan JST Hopfield

Berdasarkan hasil pelatihan metode backpropagation dengan menggunakan 12 input, 12 hidden layer, 4 output, dan goal performance 0,0001 serta maksimum epoch


50000 menghasilkan waktu proses 23,5163 detik. Sedangkan dengan menggunakan metode hopfield dengan inputan di-set sehingga menjadi target dengan matriks notasi sesuai dengan jumlah data pelatihan yaitu 12 menghasilkan waktu proses 5,86486 detik. Sehingga dapat disimpulkan bahwa jaringan sayaraf tiruan hopfield lebih cepat dalam melalukan proses pelatihan.

4.2.2. Kecepatan dan Ketepatan Pengujian Jaringan Syaraf Tiruan Berikut adalah hasil pengujian antara menggunakan metode jaringan syaraf tiruan backpropagation atau hopfield dengan fokus utama adalah melihat ketepatan dan kecepatannya. Dalam penentuan ketepatan, nilai target sangat penting terhadap output yang dihasilkan serta nilai threshold yang kita lakukan pada bagian pelatihan terhadap masing-masing gigi. Berikut merupakan beberapa tampilan dari kemampuan jaringan backpropagation maupun hopfield dalam mengenali suatu objek.

Gambar 4.14. Pengujian JST Backpropagation Terhadap Objek


Gambar 4.15. Pengujian JST Hopfield Terhadap Objek

Berikut ini tersaji tabel yang memperlihatkan kecepatan serta ketepatan pengenalan terhadap penyakit gigi yang terlatih dengan menggunakan threshold yang sesuai dengan pelatihannya juga menggunakan metode backpropagation.

Tabel 4.2. Hasil Pengujian Metode Backpropagation No

Nama

Target

Nilai

Output

Hasil

1000

Karies

Waktu

Treshold 1

Karies1

1000

130

9.36184 detik

2

Karies2

1000

130

1000

Karies

3.94665 detik

3

Karies3

1000

130

1000

Karies

3.92088 detik

4

Pulpitis1

0100

130

0100

Pulpitis

3.82945 detik


Nama

Target

Nilai

Output

Hasil

0100

Pulpitis

Waktu

Threshold 5

Pulpitis2

0100

130

3.93389 detik

6

Pulpitis3

0100

130

0100

Pulpitis

4.03181 detik

7

Gingivitis1

0010

130

0010

Gingivitis

4.00385 detik

8

Gingivitis2

0010

130

0010

Gingivitis

3.98877 detik

9

Gingivitis3

0010

130

0010

Gingivitis

4.18776 detik

10

Absesgigi1

0001

130

0001

Absesgigi

3.90097 detik

11

Absesgigi2

0001

130

0001

Absesgigi

4.11463 detik

12

Absesgigi3

0001

130

0001

Absesgigi

4.00469 detik

Dari tabel diatas dapat diketahui bahwa apabila nilai threshold pada saat pelatihan dan pengujian sama maka akan didapatkan hasil 100% sama. Nilai threshold ini sangat berpengaruh pada proses reduksi data, dimana hasil dari reduksi data inilah yang dijadikan inputan pada jaringan.


Selanjutnya berikut ini tersaji tabel yang memperlihatkan kecepatan serta ketepatan pengenalan terhadap penyakit gigi yang terlatih dengan menggunakan threshold yang sesuai dengan pelatihannya juga menggunakan metode hopfield.

Tabel 4.3. Hasil Pengujian Metode Hopfield No

Nama

Target

Nilai Treshold

Hasil

Output

1

Karies1

00011

130

Karies

00011

7.86698

11111

11111

detik

11011

11011

11110

11110

10000

10000

2

3

4

5

Karies2

Karies3

Pulpitis1

Pulpitis2

11011

11011

3.94665

11101

11101

detik

11110

11110

11101

11101

11111

11111

10001

130

130

Karies

Waktu

Karies

10001

10111

10111

10111

10111

10111

10111

10001

10001

11111

11111

3.82945

11111

11111

detik

11111

11111

01111

01111

11111

11111

11111

130

130

Pulpitis

3.92088 detik

Pulpitis

11111

3.93389

10111

10111

detik

10110

10110

11111

11111

11111

11111


No

Nama

Target

Nilai Treshold

Hasil

Output

6

Pulpitis3

01101

130

Pulpitis

01101

4.03181

01001

01001

detik

10111

10111

11111

11111

11100

11100

7

Gingivitis1

11111

130

11001

8

Gingivitis2

Gingivitis3

Absesgigi1

Absesgigi2

is

11001

detik

11100

11101

11101 130

Gingivit

11111

3.98877

is

11101

detik

11111

11111

11101

11101

11111

11111

10111

130

Gingivit

10111

4.18776

is

10111

detik

11111

11111

10111

10111

10111

10111

11110

130

10111

11

4.00385

11100

10111

10

11111

11101

11101

9

Gingivit

11101

11111

Absesgi

11110

3.90097

gi

10111

detik

10111

10111

11110

11110

11111

11111

10111 10100

130

Waktu

Absesgi

10111

4.11463

gi

10100

detik

11011

11011

10111

10111

11111

11111


No

Nama

Target

Nilai Treshold

Hasil

Output

12

Absesgigi3

11111

130

Absesgi

11111

4.00469

gi

11101

detik

11101 11011

11011

00101

00101

11101

11101

Waktu

Dari tabel diatas dapat diketahui juga jika nilai threshold pada saat pelatihan sama dengan pengujian akan menghasilkan hasil 100% sama karena nilai threshold sangat berpengaruh pada proses reduksi dimana data hasil reduksi merupakan inputan bagi jaringan. Jadi, baik pada metode backpropagation maupun hopfield akan menghasilkan hasil 100% sama ketika data yang diuji sesuai dengan data yang dilatih.

Kemudian selanjutnya akan ditampilkan tabel yang memperlihatkan kecepatan serta ketepatan pengenalan terhadap penyakit gigi yang tidak terlatih dengan menggunakan metode backpropagation.

Tabel 4.4. Hasil Pengujian Metode Backpropagation Menggunakan Data Masukan Tidak Terlatih No

Nama

Target

Nilai

Output

Hasil

Waktu

1000

Karies

4.23883

Threshold 1

Karies1

1000

130

detik

2

Karies2

1000

130

1000

Karies

4.10696 detik

3

Karies3

1000

130

1000

Karies

4.13538 detik


4

Gingivitis1

0010

130

0010

Gingivitis

4.27802 detik

5

Pulpitis1

0100

130

0100

Pulpitis

5.18435 detik

6

Pulpitis2

0100

130

0010

gingivitis

8.44938 detik

7

Absesgigi1

0001

130

0001

absesgigi

4.19276 detik

Dari tabel diatas dapat diketahui pengujian backpropagation menghasilkan 93,3% hasil yang sesuai dengan menggunakan inputan objek yang tidak terlatih. Adapun kesalahan-kesalahan yang terjadi dikarenakan :

1. Data No.6 (Pulpitis2) dengan nilai target (0100) menghasilkan nilai output (0010) dimana nilai output tersebut merupakan nilai target dari penyakit gingivitis sehingga hasil keluaran dari proses pengujian adalah gingivitis. Dimana output seharusnya sesuai dengan nilai target yang ingin dicapai.

Kemudian selanjutnya akan ditampilkan tabel yang memperlihatkan kecepatan serta ketepatan pengenalan terhadap penyakit gigi yang tidak terlatih dengan menggunakan metode Hopfield.


Tabel 4.5. Hasil Pengujian Metode Hopfield Menggunakan Data Masukan Tidak Terlatih No

Nama

Target

Nilai

Output

Hasil

Waktu

00011 11111 11111 11111 10010

Karies

1.83759

11111 10111 10110 11111 11111

pulpitis

11111 10111 10110 11011 11111

Pulpitis

11111 11001 11101 11100 11101 11011 11111 11110 01111 11111

Gingivitis

11111 11111 11111 01111 11111

Pulpitis

10111 10100 11011 10111 11111

absesgigi

Threshold 1

2

3

4

5

6

7

Karies1

Karies2

Karies3

Gingivitis1

Pulpitis1

Pulpitis

Absesgigi1

00011 11111 11111 11111 10010

130

11111 11111 11111 01111 11111

130

11011 11101 11111 11101 11011

130

11111 11001 11101 11100 11101 11011 11111 11110 01111 11111

130

11111 11111 11111 01111 11111

130

10111 10100 11011 10111 11111

130

130

Detik

1.77975 Detik

4.13538 Detik

4.27802 detik

Pulpitis

5.18435 detik

8.44938 detik

4.19276 detik


Dari tabel diatas dapat diketahui pengujian hopfield menghasilkan keluaran yang sesuai sebesar 82,4%. Dimana syarat dari jaringan hopfield dalam melakukan pengujian adalah nilai dari input vector (Invec) harus sama dengan output vector (Outvec) yaitu kondisi stabil (stable state),. Berikut merupakan kesalahan yang terjadi beserta penjelasannya. 1. Data No.2 dimana nilai target (11111 11111 11111 0111 11111) menghasilkan output vector (11111 10111 10110 11111 11111) sehingga menghasilkan keluaran pada saat pengujian berupa penyakit gigi pulpitis, dikarenakan nilai output yang dihasilkan adalah nilai target dari pulpitis. 2. Data No.3 dimana nilai target (11011 11101 11111 1101 11011) menghasilkan output vector (11111 10111 10110 11111 11111) sehingga menghasilkan keluaran pada saat pengujian berupa penyakit gigi pulpitis, dikarenakan nilai output yang dihasilkan adalah nilai target dari pulpitis. 3. Data lainnya berhasil mengenali dengan tepat dikarenakan nilai output sesuai dengan target yang diharapkan. 4.2.3. Kesimpulan Kecepatan Pengujian Jaringan Syaraf Tiruan Adapun kesimpulan dari pengujian ini ditampilkan dalam bentuk grafik yaitu grafik perbandingan kecepatan dari metode Backpropagation dan metode Hopfield. Waktu

9 detik

8 detik 7 detik Waktu Pengujian Backpropagation 6 detik

Waktu Pengujian Hopfield

5 detik 4 detik 3 detik 2 detik 1 detik Penyakit Gigi karies1 karies2

karies3 Pulpitis1 Pulpitis2

Pulpitis3 Gingivitis1 Gingivitis2 Gingivitis3 Absesgigi1 Absesgigi2 Absesgigi3

Gambar 4.16. Grafik Kecepatan metode Backpropagation dan Metode Hopfield Dari tabel diatas dapat diketahui hasil pregujian kecepatan dari kedua metode adalah 100% dikenalin. Dan untuk kecepatan kedua metode dapat disimpulkan bahwa metode Hopfield lebih cepat dalam proses pendeteksian dibandingkan dengan metode backpropagation.


BAB 5

KESIMPULAN DAN SARAN

5.1. Kesimpulan Berdasarkan hasil uji coba disertai dengan pembahasan dan evaluasi yang diperoleh dari bab-bab sebelumnya, maka dapat diperolehlah kesimpulan seperti berikut: 1. Jaringan syaraf tiruan dapat digunakan untuk melakukan pendekteksian terhadap objek tertentu dalam hal ini yaitu penyakit gigi. 2. Metode backpropagation menghasilkan ketepatan pendeteksian sebesar 100% dan metode Hopfield sebesar 100% dengan menggunakan image pelatihan dengan nilai threshold mendekati pada saat pelatihan 3. Metode backpropagation menghasilkan ketepatan pendeteksian sebesar 100% dan metode Hopfield sebesar 100% dengan menggunakan data sesuai dengan pelatihan. 4. Metode backpropagation menghasilkan ketepatan pendeteksian sebesar 93,3%

dan metode Hopfield sebesar 82,3%

dengan menggunakan data

berbeda dengan pelatihan. 5. Metode hopfield dapat melakukan pendekteksian penyakit gigi lebih cepat dari pada metode backpropagation dengan rata-rata waktu 2,46 sampai 5,65 detik. 6. Semakin banyak data yang dimasukkan, maka hasil pengujian akan lebih baik namun memakan waktu lebih lama.


5.2. Saran Untuk melakukan pengembangan terhadap sistem yang telah dibangun ini, penulis menyarankan agar: 1. Sistem ini dapat dikembangkan lagi bukan hanya untuk mendeteksi penyakit pada gigi melainkan untuk mendeteksi penyakit penyakit lainnya 2. Perlu

dilakukan

penelitian

pengenalan

pola

penyakit

gigi

dengan

menggunakan metode lain yaitu seperti metode LVQ dan metode assosiative memory. 3. Menggunakan lebih banyak data lagi sehingga hasil yang didapatkan lebih maksimal. 4. Data yang digunakan untuk diuji dapat ditambah lebih banyak lagi yaitu berupa ukuran piksel dari citra yang diuji yang nantinya menentukan besarnya jumlah data, sehinggga akurasi dan jaringan yang dihasilkan bisa lebih maksimal.


BAB 3 ANALISIS DAN PERANCANGAN SISTEM

Recommend Documents