Dokumen tersebut membahas tentang penerapan jaringan saraf tiruan (ANN) untuk memprediksi penyakit Parkinson pada dataset pasien liver. Terdapat beberapa langkah yang dijelaskan yaitu pemodelan ANN, pelatihan model, dan evaluasi akurasi model untuk memprediksi status kesehatan pasien.
2. • Artificial Neural Network atau jaringan saraf tiruan adalah system
komputasi dimana arsitektur dan komputasi diilhami dari pengetahuan
tentang sel saraf dalam otak.
• ANN merupakan model yang meniru cara kerja jaringan neural
biologis. Dengan melakukan proses belajar jaringan saraf tiruan dapat
mengatur dirinya untuk menghasilkan suatu respon yang konsisten
terhadap rangkaian masukkan. Jaringan saraf tiruan dirancang dan
dilatih untuk memiliki kemampuan seperti manusia.
3. • Setiap neuron dapat memiliki beberapa
masukan dan mempunyai satu keluaran.
Jalur masukan pada suatu neuron bisa
berisi data mentah atau data hasil
olahan neuron sebelumnya. Sedangkan
hasil keluaran suatu neutron dapat berupa
hasil akhir atau berupa bahan masukkan
bagi neutron berikutnya.
4. • Jaringan neuron buatan terdiri atas kumpulan grup neuron yang tersusun dalam lapisan
yaitu;
1.Lapisan Input (Input Layer) berfungsi sebagai penghubung jaringan ke dunia luar
(sumber data). Neuron-neuron ini tidak melakukan apapun pada data, hanya
meneruskan data ini kelapisan berikutnya.
2.Lapisan Tersembunyi (Hidden Layer). Suatu jaringan dapat memiliki lebih dari
satu hidden layer atau bahkan tidak bisa punya sama sekali. Jika jaringan memiliki
beberapa lapisan tersembunyi, maka lapisan tersembunyi paling bawah yang menerima
dari input dari input layer.L
3.Lapisan Output (Output Layer). Prinsip kerja pada lapisan ini sama dengan prinsip kerja
pada hidden layer dan ini juga digunakan fungsi sigmoid. Tetapi keluaran dari lapisan ini
sudah dianggap dari keluaran proses
5. Contoh: Menerapkan ANN pada Datasets
Penderita Penyakit Parkinsons
• Sebagai contoh, kita akan menunjukkan cara kerja ANN dengan
dataset dari datasets penderita penyakit liver dari North East of
Andhra Pradesh, India . Data sekunder ini bersumber
dari http://archive.ics.uci.edu/ (UCI Wicoxsin University). Mari kita lihat
langkah-langkah sebagai berikut :
7. Langkah 2: Input Data
Untuk menginput data yang digunakan dapat menggunakan syntax berikut
data<-read.table("D:/UII/parkinsons.csv",header=TRUE,sep=";")
data
8. Langkah 3: Membentuk DataTraining dan Data
Testing
• --- Membentuk DataTraining dan DataTesting ---
• ##training sample with n observations
• n<-round(nrow(data)*0.75);n
• set.seed(12);samp=sample(1:nrow(data),n)
9. Langkah 4: Membentuk DataTraining dan Data
Testing
• --- Membentuk DataTraining dan DataTesting ---
• ##training sample with n observations
• n<-round(nrow(data)*0.75);n
• set.seed(12);samp=sample(1:nrow(data),n)
• ##memisahkan
• train=data[samp,]
• train
• test=data[-samp,]
• test
10. Langkah 5: Membentuk Formula
• --- Membentuk Formula ---
• #mengambil nama variabel
feats<-names(data[,1:22])
#mendefinisikan formula
f<- paste(feats,collapse=' + ')
f<- paste ('status~',f)
#convert to formula
f<-as.formula(f);f
11. Langkah 6: Membentuk Model ANN danVisualisasi
• ##train neural net
• library(neuralnet)
• nn<-neuralnet(f,train,hidden=c(5))
• ##plot model
• plot(nn)
12. Langkah 7: Nilai Prediksi dan Akurasi
• --- Nilai Prediksi dan Akurasi ---
• #prediksi & akurasi model NN
• pred1<- compute(nn,test[1:22])
• pred1.r<- ifelse(pred1$net.result > 0.5, 1, 0)
• pred2 <- as.factor(pred1.r)