Komparasi Metode Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization dan Backpropagation

Komparasi Metode Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization dan Backpropagation

DOSEN PEMBIMBING Prof. Dr. Moh. Isa Irawan, M.T. Dr. Imam Mukhlash, M.T.

KOMPARASI METODE KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN LVQ DAN BACKPROPAGATION

v Abstrak

v Kajian pustaka

v LATAR BELAKANG

v TUJUAN PENELITIAN

KOMPARASI METODE KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN LVQ DAN BACKPROPAGATION

v Metodologi

v Pengambilan dan pengolahan Data dan Pmbahasan

v Algoritma

Komparasi Metode Klasfikasi Menggunakan JST LVQ dan Backprogation

Pengambilan dan Pengolahan Data

Pengambilan data dilakukan di RS Dr. Soegiri Lamongan Data Yang diambil sejumlah 431 pasien DM Data yang diperoleh dibagi menjadi 8 variabel, yaitu: 6 variabel input dan 2 sebagai target Variabel tersebut adalah : x1= Usia x2= Berat badan x3= Tinggi badan x4= Riwayat keluarga x5= Gangguan destruksi sel beta x6= Pengaruh diabetagonik Sedangkan sebagai unit output atau target adalah : t1= Kelas 1 t2= Kelas 2

Agus Nurkhozin/1209201703


Implementasi Pada Metode Klasififikasi

Pada tahap ini yang terpenting adalah membaca permasalahan dan menerjemahkannya ke dalam algoritma pada dua metode yang digunakan. Pertama adalah membangun model dari set data training, yaitu membentuk jaringan, menentukan data-data input dan menghitung nilai parameter, seperti menginisialisasi bobot, update bobot, dan lain-lain. Kedua adalah melakukan training dan testing data–data input yang diperoleh dan diolah sebelumnya sehingga didapatkan hasil keakurasiannya. Implementasi pada metode klasifikasi mempunyai beberapa langkahlangkah, yaitu : 1. Preprosesing data Normalisasai data dan Pembineran 2. Menentukan Banyaknya data training dan data testing 3. Proses training dan testing 4. Menentukan keakurasiannya



Perbandingan Keakurasian

Metode LVQ

Keakurasian dari hasil uji coba menggunakan metode LVQ ditinjau dalam tiga bagian, yaitu keakurasian yang ditinjau dari mengkombinasikan learning rate, jumlah iterasi, dan banyaknya data yang training. Hasil nilai keakurasian klasifikasi dapat dilihat pada tabel berikut :

Tabel 4.2 Lerning rate

Akurasi (%)

0.01-0.9

97.7

Tabel 4.2 menunjukkan hasil uji coba klasifikasi menggunakan metode LVQ. Uji coba metode ini dilakukan dengan cara mengubah nilai learning rate yang diambil antara 0.01 - 0.9 dan persentase keakurasian didapatkan rata-rata 97.7 %. Hasil ini didapatkan dari uji coba running program dengan mentraining data sebanyak 345 data dalam 100 iterasi.




Metode LVQ

Tabel 4.3 Jumlah Iterasi

Akurasi (%)

10 - 500

97.7

Pada Tabel 4.3 ini juga menunjukkan tingkat akurasi hasil uji coba menggunakan metode LVQ. Uji coba metode ini dilakukan dengan cara mengubah jumlah iterasi. Jumlah iterasi yang diambil adalah 10 – 500 iterasi. Nilai akurasi rata-rata menunjukkan 97.7%. Hasil ini didapatkan dari uji coba running program dengan mentraining sebanyak 345 data dengan menggunakan learning rate=0.01.




Metode LVQ

Tabel 4.4 Jumlah Data Training

Akurasi

10

97.1

50

97.1

100

97.3

150

96.8

200

97.4

250

98.8

300

99.2

350

98.8

400

100

Tabel 4.4 menunjukkan tingkat akurasi dari hasil uji coba menggunakan metode LVQ. Hasil yang didapatkan menunjukkan tingkat akurasi yang fluktuatif. Uji coba metode ini dilakukan dengan cara mengubah jumlah data training. Data training yang diambil adalah 10 – 400 data. Sisa data training merupakan data yang digunakan untuk testing. Persentase tingkat akurasi rata-rata hasil klasifikasi menunjukkan sebesar 98.1%. Hasil ini didapatkan dari uji coba running program dengan menggunakan learning rate 0.01 dalam 100 itersai.




Metode Backpropagation Seperti pada metode LVQ bahwa Keakurasian dari hasil uji coba menggunakan metode Backpropagation ditinjau dalam tiga bagian, yaitu: nilai akurasi yang dikombinasikan menurut learning rate, jumlah iterasi, dan banyaknya data training. Hasil nilai keakurasiannya dapat dilihat pada tabel sebagai berikut:

Tabel 4.5 learning rate 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 0.5 0.9

Akurasi 97.7 97.6 97.9 98 98.7 99 99.7 99.8 100 100 100 100

Tabel 4.5 menunjukkan hasil uji coba klasifikasi menggunakan metode Backpropagation. Uji coba dilakukan dengan cara mengubah nilai learning rate. Learning rate yang diambil adalah 0.01 0.9. Pada Tabel 4.5 juga terlihat bahwa nilai persentase tingkat akurasi mengalami kenaikan. Jika diambil rata-rata, maka persentase tingkat akurasinya adalah 99%. Hasil ini didapatkan dari uji coba running program dengan mentraining data sebanyak 345 data dalam 100 iterasi. Agus Nurkhozin/1209201703



Metode Backpropagation

Tabel 4.6 Jumlah Iterasi 10 30 50 70 90 100 150 200 250 300 500

Akurasi (%) 95.8 97.8 98.7 99.5 99.7 100 100 100 100 100 100

Tabel 4.6 menunjukkan hasil uji coba klasifikasi menggunakan metode Backpropagation yang ditinjau dari banyak iterasi. Uji coba metode dilakukan dengan cara mengubah jumlah iterasi. Jumlah iterasi yang diambil adalah 10 – 500 iterasi. Hasil klasifikasi menunjukkan semakin banyak iterasi, semakin tinggi persentase keakurasiannya. Nilai rata-rata persentase keakurasian yang ditinjau dari banyak iterasi adalah 99.2%. Hasil ini didapatkan dari uji coba running program dengan mentraining sebanyak 345 data dengan menggunakan learning rate=0.09. Agus Nurkhozin/1209201703



Metode Backpropagation Tabel 4.7 Jumlah Data Training 10

Akurasi (%) 97.9

50

98

100

99

150

99.5

200

99.6

250

99.4

300

100

350

100

400

100

Tabel 4.7 menunjukkan hasil uji coba klasifikasi menggunakan metode Backpropagation yang ditinjau banyak data training. Uji coba metode dilakukan dengan cara mengubah banyak data training. Nilai rata-rata persentase keakurasian yang ditinjau dari banyak data training adalah 99.3%. Hasil ini didapatkan dari uji coba running program dengan mengunakan learning rate=0.09 dalam 100 iterasi.



Perbandingan LVQ dan Backpropagation

Komparasi dari hasil uji coba menggunakan metode LVQ dan Backpropagation dalam bentuk plot grafik. Perbandingan tingkat akurasinya ditinjau dari tiga hal, yaitu: learning rate, jumlah iterasi, dan jumlah data training. Perbandingan hasil keakurasian dari dua metode tersebut dapat dilihat pada gambar berikut:

Akurasi

Klasifikasi DM 100.5 100.0 99.5 99.0 98.5 98.0 97.5 97.0 96.5 96.0 95.5 95.0 1 0.02 2 0.01

3 0.04 4 0.03

5 0.06 6 0.05

7 0.08 8 0.09 9 0.1 10 0.511 0.912 0.07

Learning rate

Gambar 4.7 menunjukkan perbandingan tingkat akurasi dari metode LVQ dan Backpropagation yang ditinjau dari learning rate. Uji coba kedua metode tersebut dilakukan dengan merunning program dengan mengubah learning rate = 0.01 0.9, jumlah data testing= 86 data dan training sebanyak 110 iterasi. Grafik di atas menunjukkan pula perbedaan nilai keakurasian dari du metotde, yang mana metode LVQ memberikan rata-rata nilai akurasi 97.7% dan metode Backpropagation memberikan rata-rata nilai akurasi 99%. Sehingga perbandingan tingkat akurasi dengan ditinjau dari mengkombinasikan nilai learning rate ini, metode Backpropagation mempunyai tingkat akurasi lebih tinggi jika dibandingkan metode LVQ

Gambar 4.7




Klasifikasi DM 101.0 100.0 Akurasi

99.0 98.0 97.0 96.0 95.0 94.0 93.0 10 1

30 2

50 3

704

90 5

100 6

150 7

Jumlah Iterasi

Gambar 4.8

200 8

250 9

300 10

500 11

Gambar 4.8 menunjukkan perbandingan tingkat akurasi dari metode LVQ dan Backpropagation yang ditinjau dari jumlah iterasi. Grafik di samping menunjukkan perbedaan nilai akurasi dari kedua metode. Jika diambil nilai rata-rata keakurasian dari kedua metode dengan mengkombinasikan jumlah iterasi, metode LVQ mempunyai nilai rata-rata keakurasian sebesar 97.7 % sedangkan metode Backpropagation mencapai 99.2%. Sehingga dengan jumlah iterasi yang sama didapatkan bahwa metode Backpropagation menunjukkan tingkat akurasi lebih tinggi dibandingkan metode LVQ.




Klasifikasi DM 101.0

Akurasi

100.0 99.0 98.0 97.0 * Backpro * LVQ

96.0 95.0 101

50 2 100 3 150 4 200 5250

6300

Jumlah Data Training

Gambar 4.9

7350

8 400

9

Gambar 4.9 menunjukkan perbandingan tingkat akurasi dari metode LVQ dan Backpropagation yang ditinjau dari jumlah data training. Grafik di samping menunjukkan pula perbedaan tingkat akurasi dari kedua metode. Dengan merunning program dengan parameter yang sama yang dalam hal ini digunakan jumlah data training yang sama didapatkan bahwa metode Backpropagation menunjukkan tingkat akurasi lebih tinggi dibandingkan metode LVQ. Jika diambil nilai rata-rata keakurasian dari kedua metode dengan mengkombinasikan jumlah data training, metode LVQ mempunyai nilai rata-rata keakurasian sebesar 98.1 % sedangkan metode Backpropagation mencapai 99.3%.



Komparasi dari tiga parameter

Komparasi metode klasifikasi menggunakan mtode LVQ dan Backpropagation untuk tiga parameter dihasilkan sebagai berikut : Metode LVQ Parameter

Akurasi (%) Learning rate 97.7

Error (%) 2.3

Metode Backpropagation Akurasi Error (%) (%) 99 1

Jumlah iterasi

97.7

2.3

99.2

0.8

Banyak data training

98.1

0.9

99.3

0.7

Tabel 4.8



KESIMPULAN DAN SARAN

KESIMPULAN Berdasarkan hasil uji coba system yang telah dibuat dengan menggunakan metode LVQ dan metode Backpropagation, maka dapat diambil beberapa kesimpulan sebagai berikut:: a. Ditinjau dari parameter learning rate, didapatkan nilai rata-rata keakurasian menggunakan metode LVQ adalah 97.7% dan error klasifikasi sebesar 2.3%. Sedangkan menggunakan metode Backpropagation didapatkan nilai rata-rata keakurasian 99% dan error klasifikasi sebesar 1%. Sehingga ditinjau dari parameter learning rate, klasifikasi dengan menggunakan metode Backpropagation mempunyai tingkat akurasi yang lebih tinggi jika dibandingkan dengan metode LVQ. b. Dengan mengubah-ubah parameter jumlah iterasi pada training dari kedua metode, didapatkan nilai rata-rata keakurasian menggunakan metode LVQ adalah 97.7% dan error klasifikasi sebesar 2.3%. Sedangkan menggunakan metode Backpropagation didapatkan nilai rata-rata keakurasian 99.2% dan error klasifikasi sebesar 0.8%.Sehingga klasifikasi dengan menggunakan metode Backpropagation mempunyai tingkat akurasi yang lebih tinggi jika dibandingkan dengan metode LVQ. Agus Nurkhozin/1209201703


KESIMPULAN DAN SARAN

c. Diihat dari uji coba training dengan mengubah-ubah jumlah data training, didapatkan nilai rata-rata keakurasian menggunakan metode LVQ adalah 98.1% dan error klasifikasi sebesar 1.9%. Sedangkan menggunakan metode Backpropagation didapatkan nilai rata-rata keakurasian 99.3% dan error klasifikasi sebesar 0.7%. Sehingga klasifikasi dengan menggunakan metode Backpropagation mempunyai tingkat akurasi yang lebih tinggi jika dibandingkan dengan metode LVQ. d. Dari uraian di atas dapat ditarik kesimpulan bahwa secara umum metode Backpropagation lebih baik jika dibandingkan dengan metode LVQ dalam kaitanya dengan permasalahan klasifikasi penyakit diabetes mellitus.

SARAN Dalam rangka pengembangan penelitian, perlu dilakukan penelitian klasifikasi kasus yang lain karena jaringan Learning Vector Quantization (LVQ) dan Backpropagation masih dapat memungkinkan untuk dikaji dan dikembangkan. Agus Nurkhozin/1209201703

Komparasi Metode Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization dan Backpropagation

Recommend Documents