Halaman Data Prediksi
Pada tampilan menu prediksi, admin ataupun user dapat memilih jawaban yang dianggap benar. Selain itu, pada menu prediksi menampilkan hasil rekomendasi program studi terpilih yang didapat dari button finish, dimana button finish akan muncul jika semua kuisioner selesai dijawab. Menu prediksi terlihat pada Gambar 5.24
Gambar 5.24 Tampilan Form Prediksi
//assign data
double[] jumBobot = new double[jumInput];
double[][] data = new double[jumData][jumInput];
//menjumlahkan bobot
k=0;
for(i=0;i
jumBobot[i] = 0.0;
while(j
jumBobot[i] += bobot[k]; j++;k++; }
System.out.println("jumBobot["+i+"]: "+jumBobot[i]);
}//konversi data
for(i=0;i
data[0][i] = jumBobot[i];}
//forward pass
final double e = 2.718281828;
double[][] z; double zin,yin;
System.out.println("max:" +max);
/** hitung dan cari nilai z **/
zin = 0;
z = new double[jumData][jumHL];
for(i=0;i
for(j=0;j
zin = 1*p.bv[0][j];
for(k=0;k
zin += ((data[i][k]/max)*p.v[k][j]); }
z[i][j] = 1/(1 + (Math.pow(e, (-(zin))))); } }
/** hitung dan cari nilai y **/
yin = 0;
y = new double[jumData][jumOutput];
for(i=0;i
for(j=0;j
yin = 1*p.bw[0][j];
for(k=0;k
yin += (z[i][k]*p.w[k][j]);}
y[i][j] = 1/(1 + (Math.pow(e, (-(yin)))));} }}
|
Gambar 5.25 Potongan Sourcode Proses Prediksi
-
Simulasi Perhitungan Manual
Simulasi perhitungan manual ini dilakukan dengan tujuan untuk membuktikan perhitungan MSE secara manual dan MSE dari sistem. Data yang digunakan untuk proses ini adalah milih Ade Irfan dengan diagnose awal Anoreksia, datanya adalah sebagai berikut:
Tabel 5.9 Data Perhitungan Manual
Pertanyaan
|
1
|
2
|
3
|
4
|
5
|
6
|
7
|
8
|
9
|
10
|
11
|
12
|
13
|
14
|
15
|
16
|
17
|
HTP
|
KD
|
KD
|
TP
|
TP
|
KD
|
CS
|
SS
|
CS
|
CS
|
TP
|
KD
|
TP
|
TP
|
TP
|
TP
|
TP
|
0,25
|
0,5
|
0,5
|
0
|
0
|
0,5
|
0,75
|
1
|
0,75
|
0,75
|
0
|
0,5
|
0
|
0
|
0
|
0
|
0
|
Tabel 5.10 Diagnosa
-
Diagnosa
Awal
|
Anoreksia
|
0 0
|
Konstanta Belajar = 0,5
Iterasi Maksimal = 100
Kelipatan iterasi = 1
Hidden layer = 2
SSE = 0.1
Tabel 5.11 Bobot input ke hidden
-
|
Z1
|
Z2
|
X1
|
0.832733798586984
|
0.4694797740121098
|
X2
|
-0.006869906605231
|
0.7489034434760338
|
X3
|
0.7172998130193451
|
0.4556733161755197
|
B1
|
0.4195050928952086
|
0.0279705005952891
|
Tabel 5.12 Bobot hidden ke output
|
Y1
|
Y2
|
Z1
|
-0.06444976220578177
|
-0.37842522764246456
|
Z2
|
-0.371941138980724
|
-0.000353415215472909
|
B2
|
-0.9019764934184369
|
-1.0005917545462681
|
Nilai W berasal dari menjumlahkan nilai dari jawaban per kategori, pembagian kategori bisa dilihat pada bab 3. Jawaban dari kuisioner berupa pilihan diubah ke dalam bentuk angka keudian dijumlahkan. W1 merupakan dari jumlah jawaban nomer 1-4, W2 merupakan jumlah jawaban dari nomor 5-13, dan W3 merupakan jumlah jawaban dari nomor 14-17. Kemudian normalisasi data dilakukan dengan cara mencari nilai maksimal dari data kemuadian nilai maksimal tersebut digunakan sebagai pembagi setiap data.
W1 = 0,25 + 0,5 + 0,5 +0
W1 = 1,25
W2 = 0 + 0,5 + 0,75 + 1 + 0,75 + 1 + 0,75 + 0,75 + 0 + 0,5 + 0
W2 = 4,25
W3 = 0 + 0 + 0 + 0 + 0
W3 = 0
Dari ketiga nilai W dapat dilihat bahwa W2 merupakan nilai maksimal atau yangmemiliki nilai paling besar.
W1 normalisasi =
W1 normalisasi = 0,294117647
W2 normalisasi =
W2 normalisasi = 1
W3 normalisasi =
W3 normalisasi = 0
Tabel 5.13 Normalisasi Data
(1 x 0.41950509289520865) + ( 0.294117647 x -0.006869906605231357) + (1 x -0.006869906605231357) + (0 x 0.7172998130193451)
1.548013
= 0.824626569
(1 x 0.02797050059528916) + ( 0.294117647* x 0.46947977401210983) + (1 x 0.7489034434760338) + (0 x0.4556733161755197)
1.145419
= 0.758673149
(1 x -0.9019764934184369) + (0.824626569 x 0.06444976220578177) + (0.758673149 x -0.371941138980724)
1.23731
1
= 0.224905
= (0.2249050.37842522764246456) + (0.758673149 x -0.00035341521547290963)
1.31292
= 0.211999
SSE =
SSE = (0 - )2 + (0 - 0.211999)2
SSE = 0.095526
MSE =
MSE =
MSE = 0.095526
Gambar 5.26 Halaman Data Pelatihan
Proses pelatihan data pada gambar 5.18 menggunakan konstanta belajar 0,5, iterasi maksimal 100, kelipatan iterasi 1, hidden layer 2 dan SSE 0,1. Dipilih 1 data yang memiliki nilai bobot pertama 1,25, bobot kedua 4.25, dan bobot ketiga 0, kemudian dilakukan proses pelatihan menggunakan metode Backpropagation maka didapatkan SSE 0.095526 dan MSE 0.095526 pada iterasi ke 25. Sehingga dapat dilihat proses pelatihan data secara manual dan system telah menghasilkan MSE yang sama.
-
Skenario Pelatihan
Tabel 5.14 Data pelatihan
Nama
|
Bobot1
|
Bobot2
|
Bobot3
|
Diagnosa
|
Target1
|
Target2
|
Ade Irfan
|
1.25
|
4.25
|
0
|
Anoreksia
|
0
|
0
|
Agus Dwi S
|
3.5
|
2.75
|
0.25
|
Binge
|
1
|
0
|
Alfina Diah A
|
1.25
|
4.25
|
0.5
|
Bulimia
|
0
|
1
|
Alifia Kinanti
|
0.75
|
4.25
|
0
|
Normal
|
1
|
1
|
Tabel 5.15 Data uji tak terlatih
Nama
|
Bobot1
|
Bobot2
|
Bobot3
|
Diagnosa
|
Target1
|
Target2
|
Aldi Fadlan
|
3.25
|
2.75
|
0.75
|
Anoreksia
|
0
|
0
|
Alim Marta
|
2
|
4.25
|
2
|
Bulimia
|
0
|
1
|
Anandari A P
|
2
|
2.5
|
0.25
|
Binge
|
1
|
0
|
Asep Suhendi
|
1.75
|
4.25
|
1
|
Bulimia
|
0
|
1
|
Astute
|
2
|
3.75
|
0.75
|
Bulimia
|
0
|
1
|
Biodi Anggraini
|
0.75
|
1.75
|
0
|
Normal
|
1
|
1
|
Elinda Anisa
|
1.5
|
3
|
0.25
|
Bulimia
|
0
|
1
|
Firda R
|
3
|
4.5
|
0.75
|
Anoreksia
|
0
|
0
|
Indah P H
|
1.5
|
1.5
|
0
|
Normal
|
1
|
1
|
Indriwati
|
3.5
|
5.25
|
0
|
Binge
|
1
|
0
|
Telah dilakukan beberapa pelatihan dengan kombinasi jumlah hidden layer dan konstanta belajar yang berbeda-beda. Dimana batas iterasi maksimal adalah 50000 iterasi, selang tampilan 2000 dan batas SSE 0.1. Hasil dari pelatihan tersebut ditunjukan pada tabel berikut ini:
Tabel 5.16 Hasil Pelatihan
Hidden Layer
|
Konstanta Belajar
|
0.01
|
0.04
|
0.1
|
0.5
|
0.75
|
10
|
Tidak Konvergen
|
30948
|
12956
|
3193
|
1887
|
20
|
Tidak Konvergen
|
40152
|
14023
|
2829
|
2024
|
30
|
Tidak Konvergen
|
Tidak Konvergen
|
18253
|
6387
|
2691
|
40
|
Tidak Konvergen
|
Tidak Konvergen
|
Tidak Konvergen
|
32254
|
Tidak Konvergen
|
50
|
Tidak Konvergen
|
Tidak Konvergen
|
Tidak Konvergen
|
Tidak Konvergen
|
Tidak Konvergen
|
Setelah melakukan proses pelatihan maka perlu dilakukan proses pengujian untuk mendapatkan tingkat akurasi jaringan didalam mengenali gangguan. Proses pengujian tersebut meliputi pengujian data terlatih dan pengujian data tak terlatih. Data terlatih merupakan data yang digunakan dalam proses pelatihan, sedangkan data baru merupakan data yang belum pernah dipakai. Tabel 5 menggambarkan tentang data hasil pengujian. Tabel tersebut menunjukan bahwa pelatihan terbaik adalah pada kondisi konstanta belajar 0,75, jumlah hidden layer 10. Pada kondisi tersebut didapatkan tingkat akurasi sebesar 100% pada pengujian data terlatih dan 40% pada pengujian data baru. Tingkat ketepatan tersebut sebenarnya juga didapatkan pada kondisi jumlah hidden layer dan konstanta belajar yang lain, namun alasan memilih pelatihan tersebut adalah pada pelatihan tersebut di dapatkan konvergen lebih cepat yakni pada iterasi ke-1887dan SSE sebesar 0,099893.
Dostları ilə paylaş: |