Laporan Soft Computing
description
Transcript of Laporan Soft Computing
1. Deteksi penyakit Tuberculosis (TBC) menggunakan metode Jaringan Saraf Tiruan Backpropagation
Gejala-gejala penyakit TBC :1. Batuk (X1) dengan kategori :
Tidak batuk = 0 Batuk biasa = 0.25 Batuk berdahak = 0.5 Batuk lama = 0.75 Batuk berdarah = 1
2. Sesak napas (X2) dengan kategori : Tidak sesak = 0 Sedang = 0.5 Berat dan Berulang = 1
3. Nyeri dada (X2) dengan kategori : Tidak nyeri = 0 Jarang = 0.5 Sering = 1
4. Demam pada sore atau malam hari (X4) dengan kategori : Tidak = 0 Kadang-kadang = 0.5 Agak panas = 0.75 Panas sekali = 1
5. Penurunan nafsu makan (X5) dengan kategori : Tidak turun = 0 Turun = 1
6. Badan lemah (X6) dengan kategori : Tidak lemah = 0 Lemah = 1
Hasil yang ingin diperoleh pada tahap ini adalah terdeteksinya suatu nilai untuk memprediksi seseorang suspek TBC atau tidak. Hasil yang dimaksud adalah sebagai berikut :
1. Jika output bernilai 0 berarti pasien tidak suspek TBC.2. Jika output bernilai 1 berarti pasien suspek TBC.
1.1. Data Penyakit TBCData yang digunakan pada percobaan ini ada dua yaitu data training dan data uji. Data
training yang ditunjukkan pada Error: Reference source not found merupakan data yang digunakan untuk pelatihan jaringan. Dan data uji yang ditunjukkan pada Tabel 2 merupakan data yang digunakan untuk pengujian sistem.
Tabel 1. Data Training
No x1 x2 x3 x4 x5 x6 Target1 1 0,5 0,5 0 1 1 12 0,5 0,5 0 0 0 0 03 0,5 0 0,5 0 0 0 04 0,5 0 0 0 0 0 05 0,5 0 0 0 1 0 06 1 0,5 0,5 0,5 0 1 17 1 0,5 0,5 0,75 0 1 18 0,5 0,5 1 0,75 0 1 19 0,25 0 0 0 0 1 010 0,5 0,5 0 0 1 0 011 0,5 0 0,5 0,75 0 1 012 0,5 0,5 0,5 0,5 0 0 013 0,75 0 0 0 0 0 014 0,5 0,5 0 0 0 0 015 0 0,5 0 0 1 0 016 0,25 0,5 0 0 0 0 017 0,25 0 0,5 0 0 0 018 0,5 0,5 0,5 0,75 0 1 119 1 0,5 0 0,5 0 0 120 0,5 0,5 0 0,75 1 1 121 1 0,5 0,5 0 1 0 122 0,5 0,5 0 0,5 1 0 123 1 0,5 0,5 1 1 0 124 1 0,5 0,5 1 1 1 125 1 1 0,5 0,5 0 0 126 0,5 1 1 0,5 1 1 127 0,5 0,5 0,5 1 1 0 128 0,5 1 0 0,75 0 1 129 0,75 0,5 1 0,5 0 1 130 1 0,5 0,5 0,5 1 1 131 0,75 1 0,5 0,5 0 0 132 0,75 1 1 0,5 1 0 133 0,5 0,5 0,5 0,75 1 1 134 0,5 1 0,5 0,75 1 1 135 0,5 0 1 1 0 1 136 0,5 1 0,5 0,75 1 0 137 0,75 0,5 0,5 0 1 1 138 0,5 0,5 0,5 0,75 1 1 139 0,5 1 1 0,75 0 1 140 1 0,5 0,5 0,5 1 1 141 1 0,5 0,5 0,75 0 1 142 1 0,5 1 1 0 0 143 0,75 1 0,5 0 0 1 144 0,5 0,5 1 0,75 1 0 1
No x1 x2 x3 x4 x5 x6 Target45 1 0,5 0,5 0,75 0 1 146 0,75 0,5 1 0,5 1 1 147 0,5 0,5 0 1 1 1 148 0,5 0,5 1 0,75 1 0 149 1 0,5 1 1 0 0 150 0,75 0,5 1 1 0 0 151 1 0,5 0,5 0,5 1 0 152 0,75 1 0,5 0,5 0 1 153 0,75 0,5 0,5 0,75 1 1 154 1 0,5 1 0,75 1 1 155 0,5 0,5 0,5 0,5 0 1 156 0,5 1 1 1 1 1 157 1 0,5 1 0,75 0 1 158 0,75 1 1 0,75 1 1 159 1 0,5 0,5 0,5 1 0 160 0,5 1 0,5 0,75 0 0 161 0,5 1 0,5 0,75 0 1 162 1 1 0,5 0,75 1 1 163 1 1 1 0,75 0 1 164 0,5 1 0,5 0,75 0 1 165 1 1 1 0,75 0 0 166 1 0,5 1 0,5 1 1 167 1 1 1 0,75 0 1 168 0,5 1 0,5 1 0 1 169 0,5 1 0 0,75 1 1 170 1 0,5 0,5 0,75 0 1 171 0 1 0 0 1 0 072 0,25 0 0,5 0 0 0 073 0,2 0 0 0,75 0 0 074 0,75 0 0 0 1 0 075 1 0 0 0 0 0 076 0 1 0,5 0 0 0 077 0 0 1 0 1 0 078 0 0,5 0,5 0 0 0 079 0,25 0,5 0 0 0 0 080 0,5 0 0 0,5 0 0 0
Tabel 2. Data Uji
No x1 x2 x3 x4 x5 x6 Target1 0,5 1 1 0,75 1 0 12 1 0,5 0,5 0,75 1 1 13 1 0,5 0,5 0,75 0 1 14 0,75 0,5 1 0,5 1 0 15 1 1 1 0,75 0 1 16 0,5 1 1 0,75 1 1 1
No x1 x2 x3 x4 x5 x6 Target7 0,5 1 0,5 0,75 1 1 18 0,75 1 1 0,5 0 0 19 1 1 1 1 0 1 110 1 1 0,5 0,75 0 1 111 1 0,5 0,5 0,75 1 1 112 1 1 0,5 0,75 1 1 113 1 0,5 0,5 0,75 1 1 114 0 0 1 0 0 1 015 0,5 0 0 0,5 0 0 016 0,25 0 0,5 0 0 0 017 0,5 0,5 0 0 0 0 018 0,25 0 0,5 0 0 0 019 1 0 0 0 0 0 020 0 0,5 0 0 1 0 0
1.2. Simulasi pada matlab
Gambar 1. Simulasi pada nntool
Gambar 1 merupakan simulasi metode neural network menggunakan nntool pada matlab. Keterangan dari Gambar 1 ditunjukkan pada Tabel 3.
Tabel 3. Keterangan Form Create Network
Network type Feed-forward backpropagationInput Data Variable input yang telah kita buatTarget Data Variable target yang telah kita buat
Lerning function TRAINGDAPerformance function
MSE
Numbe of layer 2Number of neurons
10
Transfer Function Losig / Sigmoid Biner karena unit output dirancang untuk menampilkan 2 keputusan yaitu 0 dan 1.
Selain itu pada Gambar 2 kita dapat mengatur besarnya learning rate dan jumlah epoh yang digunakan untuk pelatihan. Pada percobaan ini learning rate yang digunakan adalah 0,01 dan jumlah epoh adalah 1000.
Gambar 2. Setting Parameter
Setelah dilakukan training network, didapatkan hasil seperti Gambar 3. Dimana pada Gambar3, hasil telah didapat pada epoh ke 215.
Gambar 3. Hasil Training
1.3. Pengujian Sistem
Pengujian sistem ini dilakukan dengan membandingkan hasil yang diperoleh dari aplikasi dengan hasil yang terdapat pada data uji seperti pada Gambar 4.
Gambar 4. hasil pengujian sistem
Jika dibandingkan dengan data Uji maka akan didapat hasil seperti Gambar 5.
Gambar 5. Perbandingan hasil dengan data output
Gambar 5 Menunjukkan jika program ini memiliki tingkat akurasi 100% karena hasil yang didapat dari program sama dengan data uji.
2. Optimasi persamaan matematika dengan Algoritma Genetika
Pada percobaan ini akan dicari nilai-nilai yang paling optimal dari persamaan matematika menggunakan algoritma genetika. Persamaan matematika yang akan dicari nilai optimalnya adalah sebagai berikut :
Parameter yang digunakan untuk mencari nilai x1, x2, x3 menggunakan matlab ditunjukkan pada Tabel 4.
Tabel 4. Parameter GA
Jumlah Populasi 20Jumlah Iterasi 100
Hasil perhitungan dari program ditunjukkan pada Gambar 6 dan Gambar 7 Menunjukkan grafik generasi yang dihasilkan dari program.
Gambar 6. Hasil perhitungan GA
Gambar 7. Grafik Generasi
Dari perhitungan menggunakan algoritma genetika, didapatkan hasil x1 = 23.45, x2 = 4.28, dan x3 = -18.332.