PERBANDINGAN PERFORMANSI JARINGAN LEARNING...

PERBANDINGAN PERFORMANSI JARINGANLEARNING 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 Jurusan Matematika FMIPA Institut Teknologi Sepuluh Nopember Surabaya )PERBANDINGAN PERFORMANSI JARINGAN LEARNING VECTOR QUANTIZATION (LVQ) DAN RADIAL BASIS FUNCTION (RBF) UNTUK PERMASALAHAN KLASIFIKASI PENYAKIT KARIES GIGISenin, 27 Juli 2010 1 / 47

Outline

1 Outline

2 ABSTRAK

3 PENDAHULUANLatar BelakangPerumusan MasalahBatasan MasalahTujuan PenelitianManfaat Penelitian

4 KAJIAN PUSTAKA DAN LANDASAN TEORIKajian PustakaLandasan Teori

LVQRBFKaries Gigi

5 METODE PENELITIANTahapan PenelitianDiagram Proses Penelitian

6 HASIL DAN PEMBAHASANPengambilan dan Pengolahan DataImplementasi Metode Klasifikasi

LVQRBF

Analisa dan PembahasanLVQRBFPerbandingan LVQ dan RBF

7 KESIMPULAN DAN SARANKesimpulanSaran

8 DAFTAR PUSTAKA


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.


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 MultilayerFeedforward yaitu Radial Basis Function (RBF).Berdasarkan uraian singkat di atas, dalam penelitian ini penulis akan mengkajiperformance dari Learning Vector Quantization (LVQ) dan Radial Basis FunctionNeural Network (RBFNN) untuk mengklasifikasi penyakit karies gigi.


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 metodeLearning Vector Quantization (LVQ) dan Radial Basis Function(RBF) untuk klasifikasi karies gigi.


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.


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.


PENDAHULUAN Manfaat Penelitian

Manfaat dari penelitian ini adalah dapat menemukan metode yangmempunyai kinerja terbaik untuk permasalahan klasifikasi pada NeuralNetwork sehingga dapat diaplikasikan langsung jika ada permasalahanyang sama tanpa harus menguji keakuratan dari metode tersebut.


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 danunsupervised 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 VectorQuantization (LVQ) untuk permasalahan klasifikasi. Penelitian inimemperlihatkan bahwa metode GRNN dan LVQ mempunyai hasil yanglebih baik jika dibandingkan dengan LM.



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 berdasarkanberbagai 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 dankekhususan yang relevan dalam masalah-masalah praktis.



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 inidiaplikasikan 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).


KAJIAN PUSTAKA DAN LANDASAN TEORI Landasan Teori

Metode Learning Vector Quantization(LVQ) pertama kali diperkenalkanoleh Tuevo Kohonen, yang juga memperkenalkan Self-Organizing FeatureMap. 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 denganklasifikasi yang diketahui telah disediakan, bersama dengan distribusi awaldari vektor referensi (yang mewakili dari setiap klasifikasi yang diketahui).



Arsitektur dari sebuah jaringan LVQ, ditunjukkan pada gambar berikut :



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 inputberdimensi-m dan output berdimensi-n.RBF merupakan J1 - J2 - J3 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, danpada 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.



Adapun struktur standar dari RBF sebagai berikut :



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 kariesgigi. 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 ataupelunakan 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 gigibelum 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 mengenaidentin, prosedur operatif merupakan indikasi perawatannya.



Berikut adalah klasifikasi gigi menurut Black :Kelas 1. Karies terjadi pd pit dan fisur dari semua gigi. Namun seringterjadi pada gigi posterior (gigi 4-8).



Kelas 2. Karies terdapat pada permukaan aproksimal (mesial dan distal)gigi posterior (gigi 4-8). Karies berada di bawah titik kontak yg sulitdibersihkan



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.



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.


METODE PENELITIAN

METODE PENELITIAN

Tahapan Penelitian

1 Identifikasi PermasalahanPada tahap pertama ini akan dilakukan identifikasi permasalahan yang akandibahas yaitu mulai dari mencari topik, literatur dan membuat proposal.

2 Pengambilan dan Pengolahan DataData 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 agarbisa dijadikan sebagai input pada proses training.


METODE PENELITIAN

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 RBFkemudian 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 kariesgigi.


METODE PENELITIAN Diagram Proses Penelitian

Diagram proses pada penelitian ini dapat dilihat pada skema berikut :


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. Selamasatu 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 klasifikasitersebut, kemudian peneliti membagi menjadi variabel input sebanyakdelapan variabel dan target sebanyak empat variabel berdasarkan ciri-ciridari masing-masing kelas yang ada menurut deskripsi Black.



Sehingga berdasarkan kriteria-kriteria yang ada menurut klasifikasi Black,maka data pasien karies gigi sebanyak 375 orang tersebut dibagi menjadi12 variabel yaitu delapan variabel input dan empat kelas klasifikasi yangterdiri dari lapisan input dan lapisan output. Unit input terdiri dari 8variabel yaitu x1, x2, x3, ..., x8, dimana

x1 = Karies terjadi pada pit

x2 = Karies terdapat pada permukaan aproksimal (mesial dan distal)

x3 = Karies terdapat pada permukaan halus

x4 = Karies terdapat pada fasial

x5 = Karies terdapat pada lingual gigi

x6 = Posisi gigi anterior

x7 = Posisi gigi pasterior

x8 = Posisi gigi anesial



Sementara itu, unit output atau target ada empat sesuai dengan kelasklasifikasinya, yaitu :

t1 = kelas 1

t2 = kelas 2

t3 = kelas 3

t4 = kelas 4



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 x1 sampai dengan x8 tersebutditerima (1) atau ditolak (0). Caranya adalah sebagai berikut :

xi (biner) =

{1 jika diagnosa diterima0 jika diagnosa tidak diterima

Sedangkan data target/output juga ditransformasi ke dalam bentuk binerdengan cara sebagai berikut :

t1 = kelas 1 diubah dalam bentuk biner menjadi ( 1 0 0 0 )





HASIL DAN PEMBAHASAN Implementasi Metode Klasifikasi

Dalam proses implementasi pada metode klasifikasi ini, langkah pertamayang dilakukan adalah proses membaca permasalahan yang ada kemudianmenerjemahkannya ke dalam algoritma dengan menggunakan keduametode klasifikasi yaitu LVQ dan RBF. Hal ini dilakukan agar dapatdiproses dalam bentuk kode program MATLAB.



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.



Algoritmanya LVQ adalah sebagai berikut :

Input : Data input vektor training yaitu x1, x2, x3, ..., x8, datainput vektor bobot yaitu w1, w2, ..., w4, learning rate α(0)=0.5.

Proses : Menghitung jarak euclidean ‖x-wj‖ untuk mendapatkan Jminimum, yaitu yang memiliki jarak euclidean terkecil.Update wj sebagai berikut :Jika Cj = T , makawj (baru) = wj (lama) + α[x-wj ];Jika Cj 6= T , makawj (baru) = wj (lama) - α[x-wj ];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.



Contoh sederhana untuk satu vektor referensi. Input vektor mewakili satukelas yaitu kelas 1.

Input : Data input vektor training x = [0.25 0.25]. data inputvektor bobot yaitu w1 = [0.2 0.2]. w2 = [0.4 0.2]. w3 = [0.60.2]. w4 = [0.8 0.2]. inisialisasi learning rate α (0)=0.5.

Proses : Untuk input vektor x = [0.25 0.25] dengan T = 1, hitungjarak euclidean ‖x-wj‖ untuk mendapatkan J minimum,yaitu yang memiliki jarak euclidean terkecil.‖x-w1‖ = 0.07,‖x-w2‖ = 0.16,‖x-w3‖ = 0.35,‖x-w4‖ = 0.55.



Karena T = 1 dan C1 = 1, maka T = C1; update w1 sebagai berikut :w1 (baru) = wj (lama) + α[x-wj ];w1 (baru) = w1 (lama) + 0.5 [x-w1];Diperoleh w1 (baru), selanjutnya w1 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.



Karena RBF merupakan jaringan dengan layer jamak yang terdiri dari tigalapisan maka mempunyai tiga lapisan yaitu lapisan input, lapisan hiddendan 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 hiddendapat 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 x1, x2, x3, ..., x8. Sementara itu, targetada empat yaitu t1, t2, t3, ..., t4.



Algoritmanya RBF adalah sebagai berikut :

Input : Data input vektor training yaitu x1, x2, x3, ..., x8, 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.



Hitung kesalahan (error) antara keluaran terharap (t) dengan keluaranRBFNN (yk), error = d - y .

Update bobot-bobot tiap fungsi basis dan bobot basis.

Output : Hasil Klasifikasi Data (yk , k = 1, 2, 3).



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

100x375 = 262, 5

Datatesting =30

100x375 = 112, 5

Sehingga dari 375 data pasien, maka data training adalah263 sedangkan data testing sebanyak 112.



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 ri = ‖ x - ci

‖ dan lebar ( σ) tiap fungsi basis ke persamaan (4.1)



Tahap 6 Menghitung BobotMenggunakan 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 (yk),error = tk - yk .



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 30persen 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.


HASIL DAN PEMBAHASAN Analisa dan Pembahasan

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 ditrainingdengan kedua metode tersebut, selanjutnya hasil training keduanyadibandingkan untuk melihat performansi masing-masing metode denganpermasalahan penyakit karies gigi.


HASIL DAN PEMBAHASAN LVQ

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 denganmenggunakan 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


HASIL DAN PEMBAHASAN RBF

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 denganmenggunakan 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.


HASIL DAN PEMBAHASAN Perbandingan LVQ dan RBF

Jaringan LVQ dan RBF merupakan jaringan syaraf yang digunakan untukteknik klasifikasi. Kedua metode ini mempunyai arsitektur dan algoritmaberbeda.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 yangterdapat 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 inidapat menyelesaikan permasalahan yang lebih kompleks dibandingkandengan lapisan tunggal.



Perbandingan hasil persentasi keakuratan yang diperoleh dari prosesklasifikasi 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 trainingdengan 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 RBFterdapat 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.



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 prosestraining 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.


KESIMPULAN DAN SARAN

KESIMPULAN DAN SARAN

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 denganjaringan RBF memberikan tingkat akurasi yang lebih tinggi dalammembaca pola dibandingkan dengan jaringan LVQ.


KESIMPULAN DAN SARAN Saran

Untuk pengembangan penelitian ini lebih lanjut bisa dilakukan karenamodel LVQ dan RBF masih memungkinkan untuk dikaji dandikembangkan atau bisa juga dikembangkan dengan mengaplikasikannyapada studi kasus yang lain.


DAFTAR PUSTAKA

DAFTAR PUSTAKA


PERBANDINGAN PERFORMANSI JARINGAN LEARNING...

Documents

Transcript of PERBANDINGAN PERFORMANSI JARINGAN LEARNING...