Program studi informatika fakultas teknologi informasi dan elektro universitas teknologi yogyakarta

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

12. 
    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

	W sebelum normalisasi	W sesudah normalisasi
X1	1,25	0,294117647
X2	4,25	1
X3	0	0

(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.

13. 
    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.