BAB 3 PERANCANGAN PROGAM

28 BAB 3 PERANCANGAN PROGAM

Pada bab 3 ini menjelaskan bagaimana cara perancangan dari aplikasi peramalan pasien demam berdarah ini baik perancangan sistem maupuun perancangan database yang menjadi pselesaiukung dari aplikasi ini.

3.1 Model Aplikasi

Pada dasarnya ini aplikasi ini dirancang untuk mencari model neural yang terbaik untuk meramal kesembuhan pasien demam berdarah dengue. Oleh sebab itu penulis menyediakan 6 buah kombinasi model neural dengan memberikan pilihan 2 sampai 7 node pada hidden layer dengan 8 input layer yaitu diagnosis (X1), lama demam (X2), kesadaran (X3), nadi (X4), perdarahan (X5), akral (X6), perfusi (X7), rontgen thorak (X8) dan 1 output layer yaitu kesembuhan pasien (Y). Berikut akan diberikan contoh dari 6 kemungkinan model neural yang terjadi serta proses neural yang terjadi. Untuk mempermudah penghitungan contoh penulis akan menggunakan nilai-nilai yang tidak bervariasi sekalipun pada dasarnya nilai-nilai yang digunakan pada aplikasi akan bervariasi karena bersifat acak. (X1) = 0.5

(X1) = 0.5

Bias = 0.1

(X1) = -0.5

(X1) = -0.5

Y=1

(X1) = 0.5

(X1) = 0.5

(X1) = -0.5

(X1) = -0.5

(V11-nm) = 0.1

(W11-nm) = 0.1

29 3.1.1 Model Neural dengan 2 node hidden layer

X1

bias

bias

X2

X3

Z1

X4

WeightW

Y1

X5

X6

Z2

X7

WeightV X8

Gambar 3.1 Model Neural dengan 2 node hidden layer

Gambar di atas memperlihatkan model neural network pada aplikasi peramalan dengan menggunakan 2 hidden layer. Garis panah yang menghubungkan input layer (X1 sampai X8) dengan hidden layer (Z1-Z2) adalah weightV sedangkan garis panah yang menghubungkan hidden layer dengan output layer (Y1) adalah weightW.

Contoh Perhitungan Feed Forward Z_in1

=

Bias + V11 * X1 + V21 * X2 + V31 * X3 + V41 * X4 + V51 * X5 + V61 * X6 + V71 * X7 + V81 * X8

30 Z_in1

=

0.1 + 0.1 * 0.5 + 0.1 * -0.5 + 0.1 * 0.5 + 0.1 * -0.5 + 0.1 * 0.5 + 0.1 * -0.5 + 0.1 * 0.5 + 0.1 * -0.5

Z_in1

=

0.1

Z1

=

1 1 + e − Z_in1

Z1

=

1 1 + e −0.1

Z1

=

0.52497918748

Z_in2

=

Bias + V12 * X1 + V22 * X2 + V32 * X3 + V42 * X4 + V52 * X5 + V62 * X6 + V72 * X7 + V82 * X8

Z_in2

=

0.1 + 0.1 * 0.5 + 0.1 * -0.5 + 0.1 * 0.5 + 0.1 * -0.5 + 0.1 * 0.5 + 0.1 * -0.5 + 0.1 * 0.5 + 0.1 * -0.5

Z_in2

=

0.1

Z2

=

1 1 + e − Z_in2

Z2

=

1 1 + e −0.1

Z1

=

0.52497918748

Y_in2

=

Bias + W11 * Z1 + W21 * Z2

Y_in2

=

Y_in2

=

0.204995837496

Y1

=

1 1 + e − Y_in2

Y1

=

Y1

=

0.1 + 0.1 * 0.52497918748 + 0.1 * 0.52497918748

1 1+ e

− 0.204995837496

0.55107023954

Contoh Perhitungan Back Propagation of Error ∆1 =

(tk – yk).f’(y_ink)

∆1 =

(1 – 0.55107)

∆1 =

0.44893

Weight_wjk = Weight_wjk(old) + (α. ∆1.z1) Weight_w11 = 0.1 + (0.5 * 0.44893 * 0.524979) Weight_w11 = 0.117832228355

31 bias = Weight_w01 = Weight_w01(old) + (α. ∆1) Weight_w01 = 0.1 + (0.5 * 0.44893) m

∆_inj =

∑ δkWjk k =1

∆_in1 = ∆1* Weight_W11 + ∆1* Weight_W21 + ∆1* Weight_W31 + ∆1* Weight_W41 + ∆1* Weight_W51 + ∆1* Weight_W61 + ∆1* Weight_W71 + ∆1* Weight_W81 ∆j = ∆_inj.f’(z_inj)

Proses yang sama akan dilakukan untuk mencari nilai node pada hidden layer berikutnya, weight_v dan weight_w yang baru dan nilai bias yang baru. Proses ini akan berulang sampai error (tk – yk) lebih kecil dari nilai target error. Karena proses yang dijalani sama (perbedaan hanya terdapat pada jumlah weight dan node hidden layer) maka pada contoh untuk 3 sampai 7 hidden layer berikutnya penulis hanya akan menyertakan bentuk jaringan neural networknya saja.


X1

bias

bias

X2 Z1 X3

X4 Z2

WeightW

X5

Y1

X6 Z3 X7

X8

WeightV




X1

bias

bias Z1

X2

X3 Z2 X4

WeightW

X5

Y1

Z3

X6 Z4

X7

X8

WeightV




bias X1

bias Z1

X2 Z2

X3

Z3

X4

WeightW

X5

Y1

Z4

X6 Z5 X7

X8

WeightV




bias

bias

X1 Z1 X2 Z2 X3 Z3

X4

Z4

X5

X6

WeightW

Y1

Z5

X7 Z6 X8

WeightV




bias

bias

X1 Z1 X2 Z2 X3 Z3 X4 Z4 X5

WeightW Z5

X6

Z6

X7

X8

Y1

Z7

WeightV Gambar 3.6 Model Neural dengan 7 node hidden layer


37 3.2 Perancangan Database

Pada skripsi ini penulis menggunakan Microsoft Access XP sebagai database. Data disimpan dalam tabel “training” dengan field-field sebagai berikut: •

Training Pair

•

Diagnosi

•

Lamademam

•

Kesadaran

•

Nadi

•

Perdarahan

•

Akral

•

Rothorak

•

Output

Training pair digunakan sebagai primary key. Semua tipe data yang penulis gunakan untuk database ini adalah double atau tipe data yang dapat menampung angka decimal agar sewaktu ditraining maupun ditesting data dapat diproses, kecuali untuk training pair menggunakan tipe data integer. Output yang ingin dicapai adalah tingkat kesembuhan pasien demam berdarah.

3.3 Pemrosesan Data

Karena pada dasarnya Neural Network menggunakan angka dengan kisaran antara -1 sampai 1 maka data yang akan diproses diubah terlebih dahulu dengan metode interpolasi, dengan penghitungan sebagai berikut: Nilai_tengah =

nilai_max + nilai_min 2

38

Nilai_tengah_rentang =

X=

nilai_max − nilai_min 2

nilai_data - nilai_tengah nilai tengah_rentang

dimana, nilai_tengah : nilai tengah dari data nilai_tengah_rentang : nilai tengah dari rentang data nilai_max

: nilai maximum dari data

nilai_min

: nilai minimum dari data

x

: nilai yang akan diinput

Contohnya pada variabel lama demam mempunyai nilai minimum 2, sedangkan nilai maximumnya 6 dan nilai yang akan diolah 4, maka nilai yang akan diinput adalah:

Nilai_tengah =

2+6 =4 2

Nilai_tengah_rentang =

X=

6-2 =2 2

4−4 =0 2

3.4 Perancangan Program Aplikasi 3.4.1 Penerapan Neural Network Penerapan Neural Network untuk menyelesaikan permasalahan di atas dapat digambarkan sebagai berikut :

39

Algoritma

Peramalan

Kesembuhan

Pasien

Demam

Berdarah

dengan

Backpropagation 1. Inisialisasikan nilai variabel yang akan diinput Inisialisaskan Alfa, Target Error (nilai error minimum yang ingin dipenuhi) Inisialisasikan weight awal pada setiap neuron Inisialisasikan jumlah node pada hidden layer 2. Training nilai-nilai yang sudah diinput dengan FeedForward, Backpropagation, dan Update Weight -FeedForwardJumlahkan nilai bias dan nilai perkalian antara nilai-nilai weight dengan nilai input yang bersesuaian Masing-masing penjumlahan dimasukan ke dalam fungsi aktivasi logistic dan menjadi input untuk hidden layer Jumlahkan nilai bias dan nilai perkalian antara nilai-nilai weight dengan nilai input yang bersesuaian Masing-masing penjumlahan dimasukan ke dalam fungsi aktivasi logistic dan menjadi nilai output -BackPropagation of ErrorUntuk setiap output hitung error antara nilai output sebelumnya dengan nilai output yang terbaru Hitung nilai weight antara hidden layer dan output layer yang baru dan bias yang baru Untuk setiap hidden layer jumlahkan setiap masukan dari output layer Tentukan nilai error dengan mengalikan hasil diatas dengan turunan dari fungsi aktivasi Hitung nilai weight antara hidden layer dan input layer yang baru dan bias yang baru Hitung nilai error Iterasikan sampai nilai error yang dicapai lebih kecil dari nilai target error 3. Inisialisasikan nilai variabel yang akan ditesting Lakukan tahap FeedForward

40

3.4.2 State Trantition Diagram Masukkan Input training

Start Training

Interpolasikan

FeedForward

Backpropagation

Update Weight

< error

no

yes Masukkan input testing

FeedForward

Selesai

Gambar 3.7 STD Aplikasi Peramalan Kesembuhan Pasien Demam Berdarah dengan Algoritma Backpropagation

41

3.4.3 Perancangan Layar File

Aplikasi Peramalan Kesembuhan Pasien Demam Berdarah

Diagnosis Lama demam

Alfa Target Error

0.5

Error

0.14

Output

Kesadaran Nadi Perdarahan

Jumlah hidden layer

7

Akral Perfusi

Add Training Pair

Training

Simulate

Rontgen Thorak

gambar 3.8 Layar Utama

Program ini hanya terdiri dari satu layar utama, hal ini dikarenakan penulis ingin membuat aplikasi ini sederhana dan dapat langsung digunakan oleh user. Pada bagian ini pertama-tama user dapat memasukan nilai alpha untuk parameter learning rate, nilai target error untuk nilai maximal error yang diinginkan, dan jumlah node pada hidden layer yang dibatasi hanya sampai 7 node pada hidden layer. Pada aplikasi ini sudah disediakan nilai default untuk ketiga field tersebut. User pertama kali harus me-load input untuk training pair dalam bentuk database, dengan menekan tombol Add Training Pair.

Penulis sengaja tidak

menyediakan database yang otomatis di-load oleh aplikasi ini agar aplikasi ini

42 fleksibel untuk digunakan oleh user-user pada rumah sakit lain yang mempunyai datadata pasien yang berbeda, sehingga data yang akan ditraining akan selalu up to date. Setelah me-load informasi yang diinginkan dari database user diarahkan untuk memilih menekan tombol Training atau menu file-new, karena tombol-tombol lain telah didisabled.

Jika tombol training di tekan maka otomatis program akan

mentraining data-data yang ada pada database, aplikasi ini juga menyediakan field untuk mengamati proses perubahan nilai error sampai mencapai nilai error yang diinginkan. Aplikasi ini disertai dengan timer yang akan menghitung waktu tiap training.

Setiap pen-training-an baru yang dilakukan maka akan dilakukan pula

penghitungan waktu ulang. Setelah training user hanya dapat melakukan dua proses, yaitu testing dengan menekan tombol Testing atau new untuk training ulang dengan menekan menu file-

new. Jika user ingin melakukan testing maka terlebih dahulu user diminta mengisi nilai-nilai pada field-field yang sudah disediakan. Antara lain: Penyakit lain, Lama di ICU, Tekanan darah bawah awal, Nadi awal, Leukosit awal, Tekanan darah bawah akhir, Diagnosis. Jika sudah maka program siap melakukan testing.

3.5 Spesifikasi Modul Untuk menjelaskan proses-proses yang terdapat pada program aplikasi kriptografi visual ini yang terjadi pada setiap modul, maka akan diperinci dengan spesifikasi modul di bawah ini:

3.5.1 Modul FormCreate Modul FormCreate merupakan modul yang dipanggil pertama kali saat mengeksekusi program. Modul Form Create berfungsi untuk melakukan setting

43 awal terhadap tampilan awal form utama pada saat program pertama kali dieksekusi. Mulai Timer di non-aktifkan Tombol training di non-aktifkan Set waktu awal Index pada hidden layer = 5 Selesai

Tombol training sengaja dinon-aktifkan dengan tujuan agar user diarahkan untuk melakukan add training pair pada saat pertama kali menjalankan program. Sedangkan pada index hidden layer penulis memberikan nilai 5 karena pada aplikasi ini penghitungan hidden layer dimulai dari dua atau dengan kata lain pada modul lain array untuk hidden layer sudah ditambah 2 dari awalnya.

3.5.2 Modul Execute Mulai Jika flag = 0, maka Lakukan selama GenEror lebih kecil dari Err Inisialisasi GenEror Lakukan berulang dari i =0 sampai JmlTp-1 Mulai Jalankan modul Feed_Forward Jalankan modul Back_Prop Lakukan berulang sebanyak jumlah output layer Mulai GenEror = GenEror + Nilai absolut dari(output layer node error); Selesai Jalankan modul update_weight Selesai GenEror := GenEror dibagi (Jumlah training pair * OutputLayer.jmlNode) Jalankan Synchronize(Cetak) Atau lakukan mulai jalankan Feed_Forward jalankan modul Cetak selesai selesai

44 Pada modul execute ini dapat dikatakan inti dari program ini, tahap-tahap yang dilakukan pada Neural Network dilakukan di modul ini. Modul ini dipanggil oleh modul TrainingClick setelah sebelumnya menginisialisasi weight dengan memanggil modul Inisialisasi_Weight. Pada modul ini terdapat variable penanda yaitu flags dengan kondisi jika flags masih bernilai 0 maka berarti akan melakukan training. Training akan terus dilakukan selama nilai pada variabel GenEror lebih besar atau sama dengan nilai pada variable err. Lalu jika nilai flags sudah berubah maka akan hanya melakukan 1 kali proses FeedForward.

3.5.3 Modul FeedForward

Mulai Lakukan berulang sebanyak jumlah node input layer Node input layer = input Lakukan berulang sebanyak jumlah node hidden layer Mulai acc = 0; lakukan berulang sebanyak jumlah node input layer acc = acc + (weightV * input layer) acc = acc + Bias pertama Node hidden layer = 1/(1+exp(-acc)) selesai lakukan berulang sebanyak jumlah node output layer mulai acc = 0 lakukan berulang sebanyak jumlah node hidden layer acc = acc + (WeightW * hidden layer) acc := acc + Bias kedua Node output layer = 1/(1+exp(-acc)) selesai selesai

Pada modul ini nilai-nilai yang ada pada input layer dikalikan dengan weightweightnya. Nilai yang didapat dimasukan ke dalam fungsi aktivasi kemudian nilai pada fungsi aktivasi dijadikan input untuk layer pada level diatasnya, yaitu hidden layer. Nilai-nilai pada hidden layer dikalikan dengan weight-weightnya. Nilai yang didapat dimasukan ke dalam fungsi aktivasi.

45

3.5.4 Modul Back_Prop

Mulai Lakukan berulang sebanyak jumlah node output layer Mulai temp = nilai output error output layer = temp – output dari output layer error2 output layer = error output layer outputlayer.layernode[i].error2 = outputlayer.layernode[i].error OutputLayer.LayerNode[i].error := OutputLayer.LayerNode[i].error * OutputLayer.LayerNode[i].output; OutputLayer.LayerNode[i].error := OutputLayer.LayerNode[i].error * (1OutputLayer.LayerNode[i].output); end; for i:=0 to HiddenLayer.jmlNode-1 do begin acc := 0; for j:=0 to OutputLayer.jmlNode-1 do begin acc := acc + (WeightW[i,j] * OutputLayer.LayerNode[j].error); end; HiddenLayer.LayerNode[i].error := acc * HiddenLayer.LayerNode[i].output * (1HiddenLayer.LayerNode[i].output); end; end;

Pada modul ini nilai alpha yang sudah diinput digunakan untuk learning rate backpropagation. Semakin kecil nilai alpha semakin kecil perubahan bobot synapsis jaringan dari iterasi satu ke iterasi lainnya. pembelajaran lebih lama.

Peningkatan ini menyebabkan

Jika dibuat nilai alpha yang terlalu besar untuk

mempercepat pembelajaran, hasilnya perubahan yang besar dari bobot synapsis menyebabkan jaringan menjadi tidak stabil (bolak-balik).

46

3.5.5 Modul Inisialisasi_Weight

Mulai Set panjang (WeightV,7,Jumlah Hidden); Set panjang (WeightW,Jumlah hidden,1); Lakukan berulang sebanyak 7 kali Lakukan berulang sebanyak jumlah node hidden layer WeightV = random - 0.5; Lakukan berulang sebanyak jumlah node hidden layer Lakukan berulang sekali WeightW = random - 0.5; Set panjang (Bias,2); Set panjang (Bias,JmlHidden); Set panjang (Bias,1); Lakukan berulang sebanyak jumlah node hidden layer Bias = random - 0.5; Lakukan berulang sekali Bias = random - 0.5; selesai

Pada modul dilakukan penentuan jumlah maximum node pada hidden layer, jumlah node bias. Pada modul ini dilakukan inisialisasi nilai-nilai weight secara acak dengan kisaran antara 0.5 sampai -0.5. Nilai-nilai weight yang diinisialisasi akan digunakan untuk melakukan training.

3.5.6 Modul Update_Weight Mulai Lakukan berulang sebanyak jumlah node hidden layer mulai Lakukan berulang sebanyak jumlah node input layer Mulai delta = alpha * node input layer * error hidden layer WeightV = WeightV + delta selesai selesai lakukan berulang sebanyak jumlah node output layer mulai lakukan berulang sebanyak jumlah node hidden layer mulai delta = alpha * outpout hidden layer * error node output layer

47 WeightW = WeightW + delta; selesai selesai lakukan berulang sebanyak jumlah node hidden layer Bias = Bias + (alpha * error node hidden layer) Lakukan berulang sebanyak jumlah node output layer Bias = Bias + (alpha * error node output layer) Selesai

Pada modul ini dilakukan perubahan nilai weight menggunakan nilai pada delta. Nilai delta didapat dari perkalian antara nilai alpha dengan nilai output yang dihasilkan pada oleh layer input dan layer hidden. Pada modul ini juga dilakukan perubahan pada nilai bias.

3.5.7 Modul Create Constructor_TBPThread.Create(Edit:TEdit;output:tedit;tparray:TDynamicTParray;JTP: integer;b:TDynamicRealArray;al:real;e:real;fl:integer;v:TDynamicRealArray;w:TDyna micRealArray;JmlHid:integer); mulai Randomize WeightV = v WeightW = w FEdit = Edit Foutput = Output TPA = tparray JmlTP = JTP bias = b alpha = al err = e flags = fl JmlHidden = jmlHid InputLayer.JmlNode = 7 setlength(InputLayer.LayerNode,InputLayer.JmlNode); HiddenLayer.JmlNode = JmlHidden setlength(HiddenLayer.LayerNode,HiddenLayer.JmlNode) OutputLayer.JmlNode = 1 setlength(OutputLayer.LayerNode,OutputLayer.JmlNode) if fl = 0 then Inisialisasi_Weight inherited Create(False) selesai

Pada modul ini dilakukan pengiriman nilai antar thread. Karena pada aplikasi ini digunakan multi-thread maka nilai-nilai pada variabel-variabel di kedua thread

48 dikirim melalui sebuah constructor. Constructor adalah modul yang digunakan untuk mengambil nilai pada thread lain melalui passing parameter.

3.5.8 Modul Cetak mulai jika Flags = 0 maka FEdit.Text := FloatToStr(GenEror) Atau lakukan mulai FEdit.Text = FloatToStr(GenEror); foutput.Clear lakukan berulang sebanyak jumlah node output layer Foutput.Text = floattostr(OutputLayer.layernode.output) selesai selesai

Pada modul ini nilai-nilai yang dihasilkan selama proses training dicetak. Pada modul ini juga dilakukan proses pencetakan hasil testing. Karena untuk mencetak pada layer harus menggunakan tipe data string maka nilai yang ingin dicetak diubah terlebih dahulu menggunakan fungsi floattostr.

3.5.9 Modul ThreadDone mulai timer.Enabled = false WeightV = thr.WeightV WeightW = thr.WeightW bias = thr.Bias Application.MessageBox('finish','finish',0) button4.Enabled = true button3.Enabled = false edit1.Enabled := true edit2.Enabled := true edit3.Enabled := true edit4.Enabled := true edit5.Enabled := true edit6.Enabled := true edit7.Enabled := true selesai

49 Pada modul ini diberikan pernyataan untuk selesai melakukan training atau learning.

Tombol-tombol yang awalnya dinon-aktifkan sebelum training melalui

modul ini sekarang diaktifkan kembali. Lalu kolom-kolom yang sebelumnya tidak aktif juga sudah diaktifkan kembali sehingga user sudah dapat melakukan learning. Fungsi dari statement weightV = thr.weightV dan seterusnya adalah untuk mengambil nilai dari thread unit2 untuk bisa digunakan kembali.

3.5.10 Modul AddTPClick

mulai jika OpenDialog1.Execute maka filename = OpenDialog1.FileName tbl.ConnectionString := 'Provider=Microsoft.Jet.OLEDB.4.0;Data Source=' + filename + ';Persist Security Info=False' Buka tabel Lakukan berulang selama belum End of File mulai jmlTP:=jmlTP+1 setlength(TPA,jmlTP) tpa[jmlTP-1].Input[0]:=(tbl.FieldByName('diagnosi').AsFloat-3)/2 tpa[jmlTP-1].Input[1]:=(tbl.FieldByName('lamademam').AsFloat-4)/2 tpa[jmlTP-1].Input[2]:=(tbl.FieldByName('kesadaran').AsFloat-3)/2 tpa[jmlTP-1].Input[3]:=(tbl.FieldByName('nadi').AsFloat) tpa[jmlTP-1].Input[4]:=(tbl.FieldByName('perdarahan').AsFloat-2.5)/1.5 tpa[jmlTP-1].Input[5]:=(tbl.FieldByName('akral').AsFloat) tpa[jmlTP-1].Input[6]:=(tbl.FieldByName('rothorak').AsFloat) tpa[jmlTP-1].Output[0]:=tbl.fieldbyname('output').AsFloat tbl.selanjutnya selesai

Modul ini adalah modul yang dijalankan sewaktu user menekan tombol “Add

Training Pair”. Yang pertama kali dilakukan oleh modul ini adalah mengeksekusi fungsi “Open Dialog”. Fungsi “Open Dialog” membuka sebuah window untuk user menentukan file database mana yang ingin ditraining lalu menyimpannya dalam variabel filename. Setelah itu dilakukan koneksi antara aplikasi dengan database menggunakan suatu provider : Microsoft.Jet.OLEDB.4.0.

50 Seperti yang sudah dijelaskan pada awal bab ini yaitu karena nilai datanya ada yang beragam maka untuk beberapa variabel dilakukan perubahan nilai agar mendapat range nilai yang diinginkan, yaitu -1 sampai 1.

3.5.11 Modul TrainingClick

Mulai alfa = strtofloat(talfa.Text) TargetEror = strtofloat(tTargetEror.Text) thr:=TBPThread.Create(tEror,tOut,TPA,JmlTP,bias,alfa,TargetEror,0,WeightV,weightW,com bobox1.ItemIndex+2) dengan thr lakukan OnTerminate = ThreadDone timer1.Enabled = true selesai

Pada modul ini dilakukan insialisasi untuk variabel alfa dan targeteror. Nilai alfa dan targeteror didapat dari nilai yang ada di layar utama yang oleh penulis sudah diberikan nilai defaultnya yaitu alfa = 0.5 dan targeteror = 0.15. Pemberian nilai error 0.15 akan dijelaskan pada bab selanjutnya.

3.5.12 Modul LearningClick

Mulai Jika (edit1.Text <> '') and (edit2.Text <> '') and (edit3.Text <> '') and (edit4.Text <> ‘’ and (edit5.Text <> '') and (edit6.Text <> '') and (edit7.Text <> '') maka mulai JmlTP = 1 Set panjang (TPA,JmlTP) tpa[jmlTP-1].Input[0] = (strtofloat(edit1.Text)-3)/2 tpa[jmlTP-1].Input[1] = (strtofloat(edit2.Text)-4)/2 tpa[jmlTP-1].Input[2] = (strtofloat(edit3.Text)-3)/2 tpa[jmlTP-1].Input[3] = strtofloat(edit4.Text) tpa[jmlTP-1].Input[4] = (strtofloat(edit5.Text)-2.5)/1.5 tpa[jmlTP-1].Input[5] = strtofloat(edit6.Text) tpa[jmlTP-1].Input[6] = strtofloat(edit7.Text)

51

dengan(TBPThread.Create(tEror,tOut,TPA,JmlTP,bias,alfa,TargetEror,1,WeightV,Wei ghtW,combobox1.ItemIndex+2)) lakukan OnTerminate = ThreadDone selesai atau lakukan application.MessageBox('Field input diisi terlebih dahulu','Error',0) selesai

Modul ini adalah modul yang akan dijalankan jika user menekan tombol learning.

Pada awal modul diberikan validasi untuk user mengisi semua kolom

terlebih dahulu agar learning dapat dijalankan. Setelah dijalankan nilai variabel yang diinput diubah terlebih dahulu seperti yang sudah dijelaskan diatas. Lalu melalui fungsi thread modul ini terhubung dengan modul execute yang ada pada unit2 dan menjalankan fungsi feedforward sebanyak 1 kali.

3.5.13 Modul New1Click

Mulai JmlTp = 0 setlength(tpa,jmltp) addTP.Enabled = true training.Enabled = false edit1.Text := '' edit2.Text := '' edit3.Text := '' edit4.Text := '' edit5.Text := '' edit6.Text := '' edit7.Text := '' tEror.Text := ' selesai

Modul ini men-set ulang aplikasi agar dapat melakukan training ulang dengan menginisialisasikan variabel JmlTp dengan nilai 0.

52

3.5.14 Modul Exit1Click

Mulai application.Terminate selesai

Modul ini menjalankan fungsi untuk menterminasi aplikasi.

BAB 3 PERANCANGAN PROGAM

Recommend Documents