Jaringan saraf tiruan backpropagation digunakan untuk memprediksi kadar glukosa darah pada pasien diabetes. Metode ini menggunakan sinar laser He-Ne yang dipantulkan dari jari telunjuk untuk mengukur kadar glukosa secara non-invasif. Sinyal cahaya yang dipantulkan diubah menjadi sinyal listrik untuk diolah.

1. A supervised backpropagation neural (BPN) network for the determination of blood glucose in diabetic patients.
Non- invasive measurement of blood glucose concentration based on reflected laser beam from the index finger has
been reported in this paper.
This method depends on Helium-Neon (He-Ne) gas laser operating at 632.8 nm wave length.
During measurement the index finger is placed in the laser beam transceiver unit,
the reflected optical signal is converted into its corresponding electrical signal and
UJI COBA PROGRAM MATLAB UNTUK
APLIKASI JARINGAN SYARAF
TIRUAN
BACK PROPAGASI, GENETIK
ALGORITMA DAN SOM
Tugas Kuliah JARINGAN SYARAF TIRUAN
Prof Dr. Ir. Aniati Murni
Siti Julaiha / 0906597420
Pasca Sarjana
Teknologi Biomedis
Universitas Indonesia
Desember 2010

2. JARINGAN SYARAF TIRUAN BACK PROPAGATION
Pemilihan Data Set adalah : Building Dataset:
Filename: building_dataset
Predict the energy usage of a house, based on time of day and various weather variables.
An estimator can be found by Fitting the inputs and targets
The data set consists of 4209 samples.
"buildingInputs" is an 14x4208 matrix, whose rows are:
1-10: Coded day of the week, time of day
11: Temperature
12: Humidity
13: Solar strength
14: Wind
"buildingTargets" is a 3x4208 matrix of energy usage.
Select Data
Inputs 'buildingInputs' is a 14x4208 matrix, representing 4208 samples of 14 elements.
Targets 'buildingTargets' is a 3x4208 matrix, representing 4208 samples of 3 elements.
Validation and Test Data
Training 70% = 2946 Samples
Validation 15% = 631 Samples
Testing 15% = 631 Samples
Tampilan Arsitektur JAringan Syaraf Tiruan Back Propagasi sebagai berikut :
Pada Tahap Pembelajaran MATLAB menampilkan informasi sebagai berikut:

3. Grafik Fungsi Fit tidak dapat ditampilkan karena memiliki banyak dimensi (Kiri)
Sedangkan Performasi validasi yang terbaik ditampikan pada posisi epoch tertentu.
Grafik fungsi Gradient, Mu dan Validasi ditampilkan sebagai berikut
Hasil pada Tahap Pembelajaran adalah sebagai berikut

4. Hasil pada Tahap Pengujian adalah sebagai berikut
• Melakukan training dengan parameter standar (20 hidden layer dan validation+testing masing-masing 15%),
kemudian dilakukan retrain. Hasil data Evaluasi ditampilkan dalam bentuk tabel dan grafik berikut ini.
TABEL PROSES PEMBELAJARAN KEMBALI/RETRAIN
INISIASI RETRAIN
KE-1
RETRAIN
KE-2
RETRAIN KE-
3
RETRAIN KE-
4
RETRAIN KE-
5
RETRAIN KE-
6
Training Sample 60%
Test Sample 20%
Validation Sample 20%
Hidden Layer 20 20 20 20 20 20 20
Epoch 30 40 40 37 79 58 43
Time 2:12 1:55 2:17 1:54 3:33 3:23 1:59
Performance 0.00195 0.00204 0.00209 0.00202 0.00182 0.00191 0.00198
Gradient 0.0015037 0.00157 0.00162 0.00162 0.000143 0.0000271 0.000186
Mu 0.001 0.001 0.001 0.001 0.001 0.001 0.001
Validation Checks 6 6 6 6 6 6 6
Best Validation
Performance
0.0022514 0.002313
5
0.0023045 0.0022528 0.0022715 0.0025001 0.0024506
At Epoch 24 34 34 31 73 52 34
Training Network
MSE
Training (x e-03) 1.94944 2.04062 2.08627 2.0336 1.82381 1.90512 1.98101
Validation(x e-03) 2.25138 2.31347 2.30449 2.2528 2.27158 2.50014 2.45061
Testing (x-e-03) 2.60895 2.47234 2.3201 2.28487 2.29615 2.26024 2.52013
REGRESION
Training (e-01) 8.95489 8.9789 8.98478 8.98551 9.16458 9.09426 8.9554
Validation (e-01) 8.92785 8.73455 8.8322 8.77698 8.8967 8.862889 8.80604
Testing (e-01) 8.66460 8.689776 8.92845 8.90749 8.81149 8.85566 8.73526

5. REGRESION ON GRAPH
Training 0.93621 0.93256 0.93162 0.93385 0.94134 0.9392 0.92281
Validation 0.92923 0.92177 0.92344 0.92705 0.92356 0.91479 0.91701
Testing 0.91145 0.92418 0.92589 0.92494 0.92461 0.9242 0.9286
All 0.92999 0.92864 0.92881 0.93068 0.93453 0.93157 0.93157
TEST NETWORK
MSE (e-03) 2.14182 2.1816 2.1769 2.12160 2.00792 2.09584 2.18285
Regresion 0.889384 0.886779 0.894039 0.892827 0.903949 0.895409 0.888017
Graph Plot Regresion 0.92999 0.92864 0.92881 0.93068 0.93453 0.93157 0.9286

6. Berdasarkan kesimpulan keseluruhan hasil visualisasi data melalui grafik, untuk evaluasi Training kembali
(RETRAIN) dari training kembali pertama hingga training kembali ke-6. Performansi Neural Network Back
Propagansi menampilkan hasil terbaik pada Training Kembali ke -4 dengan Nilai Tertinggi untuk Regresi pada
Masing Masing Tahap Training, Test dan Validasi, begitupula dengan Mean Square Error pada keseluruh tahapan
neural network. Dengan adanya peningkatan pada Kriteria performansi ini dapat disimpulkan pembelajaran
kembali dapat digunakan hingga tahap tertentu dari suatu sistem neural network. Namun perlu dipertimbangakan
waktu yang diperlukan untuk proses iterasi tersebut. Dari tabel terlihat retrain ke-4 menunjukkan waktu terlama
untuk proses pembelajarannya.

7. • Mengubah jumlah hidden layer dan mencatat data validation+testing serta membandingkan dengan hasil yang
menggunakan parameter standar hidden layer 20. Hasil data dalam bentuk tabel dan grafik ditampilkan sbb.:
TABEL PROSES KOMBINASI LAPISAN TERSEMBUNYI
Pada Training Sample 70%, Test Sample 15% dan Validation Sample 15%, dan Retraining ke-4
H.LAYER 17 H.LAYER 18 H.LAYER 20 H.LAYER 25 H.LAYER 29 H.LAYER 31 H.LAYER 35
Epoch 27 77 36 39 49 47 45
Time 2:42 3:29 2:09 2:45 4:31 4:30 5:04
Performance 0.00223 0.00205 0.00205 0.00192 0.00181 0.00179 0.00161
Gradient 0.0017 2.10-e05 0.00122 0.0000868 0.00167 0.0004097 0.00106
Mu 0.001 0.001 0.001 0.001 0.001 0.001 0.001
Validation Checks 6 6 6 6 6 6 6
Best Validation 0.0025899 0.0023569 0.0019696 0.0021054 0.0019822 0.0022049 0.0022626
At Epoch 21 71 30 33 43 47 39
Training Network
MSE
Training (x e-03) 2.22963 2.04674 2.05253 1.91745 1.80763 1.78554 1.6137
Validation(x e-03) 2.58986 2.35689 1.96958 2.10537 1.98216 2.20488 2.262588
Testing (x-e-03) 2.23414 2.12766 2.1363 1.99433 2.27048 2.13111 2.09133
REGRESION
Training (e-01) 8.78368 8.93932 9.00336 9.06653 9.177729 9.1431 9.27237
Validation (e-01) 8.62376 8.89714 9.00212 9.01201 9.04535 8.88268 8.877619
Testing (e-01) 8.77517 8.98813 8.95020 8.95206 8.83472 8.91805 8.94094
REGRESION ON GRAPH
Training 0.92615 0.93323 0.93339 0.93695 0.9407 0.94209 0.94772
Validation 0.9215 0.92308 0.93506 0.93193 0.93543 0.92837 0.92582
Testing 0.92487 0.93013 0.92935 0.9372 0.92888 0.92931 0.93194
All 0.92515 0.93122 0.93302 0.93623 0.93805 0.93815 0.94209
TEST NETWORK
MSE (e-03) 2.28432 2.10539 2.05265 2.28135 1.90321 1.90024 1.78265
Regresion 0.875725 0.893972 0.899479 0.903991 0.910622 0.90724 0.914878
GraphPlot
Regresion
0.92515 0.93122 0.9302 0.93623 0.93805 0.93815 0.94209

8. Dari grafik data terlihat dengan meningkatnya lapisan tersembunyi yang ditambahkan dari 17 lapisan
hingga 35 lapisan , kecenderungan semakin meningkatnya juga performansi neural network, dari nilai MSE yang
semakin menurun dan nilai Regresi yang semakin meningkat, walaupun ada sedikit spike (ketidaklinieran) pada
beberapa layer . Dan Juga perlu dipertimbangkan peningkatan waktu iterasi yang menyebabkan terlalu lamanya
proses pengolahan data ini. Sehingga dapat disimpulkan meningkatnya lapisan tersembunyi meningkatkan
performansi Kesalahan MSE dan kelinieran R, namun perlunya mempertimbangkan waktu pemrosesan karena
meningkatnya layar tersembunyi meningkatkan juga waktu proses pembelajaran.
• Mengubah kombinasi data sampel, training-test dan validasi serta membandingkan dengan hasil yang menggunakan
parameter standar yaitu 70%-15%-15%. Hasil data dalam bentuk tabel dan grafik ditampilkan sbb.:
TABEL PROSES KOMBINASI TRAINING-TEST-VALIDATION SAMPLE PADA HIDDEN LAYER 20
Training Sample 50% 60% 65% 70% 80% 90%
Test Sample 25% 20% 20% 15% 10% 5%
Validation Sample 25% 20% 15% 15% 10% 5%
Epoch 25 35 43 36 47 68
Time 1:03 1:46 2:06 2:09 2:57 4:31
Performance 0.00196 0.00188 0.00215 0.00205 0.00205 0.00189
Gradient 0.000929 0.000214 0.00100 0.00122 0.0000365 0.000504
Mu 0.001 0.001 0.00100 0.001
Validation Checks 6 6 6 6
Best Validation 0.00092925 0.0023938 0.0023879 0.0019696 0.0024673 0.0018872
At Epoch 25 29 37 30 41 062
Training Network
MSE
Training (x e-03) 1.96462 1.87736 2.15156 2.05253 2.05351 1.88907
Validation(x e-03) 2.39600 2.39380 2.38789 1.96958 2.45729 1.88717
Testing (x-e-03) 2.49869 2.38895 2.27772 2.1363 2.32684 2.36848
REGRESION
Training (e-01) 8.99714 9.07348 8.91920 9.00336 8.97664 9.12997
Validation (e-01) 8.81271 8.72533 8.81281 9.00212 8.70529 8.97815

9. Testing (e-01) 8.67510 8.70330 8.82768 8.95020 8.76487 8.65730
REGRESION ON GRAPH
Training 0.93456 0.93925 0.92994 0.93339 0.93287 0.93877
Validation 0.92512 0.91965 0.92239 0.93506 0.91724 0.93425
Testing 0.9173 0.92215 0.924 0.92935 0.92617 0.92198
All 0.92782 0.932 0.9276 0.93302 0.93065 0.93772
TEST NETWORK
MSE (e-03) 2.20598 2.08306 2.21224 2.05265 2.12225 1.91290
Regresion 0.886741 0.893198 0.888435 0.899479 0.892917 0.909726
GraphPlot Regresion 0.92782 0.932 0.9276 0.9302 0.93065 0.93772
Dari grafik data terlihat bahwa pada training sample 70% menunjukkan puncak/klimaks performansi dari
jaringan saraf back propagasi baik dari tahap pengujian dan tahap validasi, dengan nilai error terkecil dan juga nilai
Regresi keliniearan tertinggi, namun pada tahap pembelajaran, kombinasi sample 60% juga menunjukkan
performansi lebih baik. Sehingga perlu dipertimbangkan kombinasi antara 60% dan 70% untuk training sample ini.

10. JARINGAN SYARAF TIRUAN GENETIK ALGORITMA
Membandingkan hasil nilai Filter atau penyaringan antara program dengan filter standar yang bernilai 0
dengan parameter nilai lain yaitu 1 dan 2. Sedangkan parameter lainnya adalah tetap sesuai standar.
Parameter yang diubah:
• filter_flag pada main.m, nilai yg mungkin adalah 0, 1, dan 2
KOMBINASI NILAI FILTER/PENYARINGAN JARINGAN SYARAF GENETIK ALGORITMA
FILTER FLAG = 0 = Standar FILTER FLAG = 1 FILTER FLAG = 2

11. Filter flag merupakan perintah dalam penggunaan filter atau penyaringan terhadap noise atau gangguan.
Dari syntax diketahui Median filter digunakan bila filter flag adalah 1 dan Wiener filter digunakan bila filter flag
bernilai 2.
% median filter
if(filter_flag == 1)
I = medfilt2(I);
% wiener filter
elseif(filter_flag == 2)
I = wiener2(I);
End
Hasil dari perbedaan nilai Filter ini menunjukkan terjadinya perbedaan nilai skala keabuan. Pada
penggunaan filter median (filter flag =1 ) terlihat pada dokumen dengan tipe karakter yang berasal dari mesin
ketik, adanya perubahan pada nilai brightess atau pencahayaan yang menjadi lebih terang, namun juga terlihat
pengaburan pada karakter karakter alfabetnya sehingga tulisan menjadi sulit terbaca. Nilai skala keabuan yang
dihasilkan tidak menjadikannya lebih baik dari penggunaan filter flag=0.
Sedangkan pada dokumen dengan tipe karakter yang berasal dari tulisan tangan kuno penggunaan filter
median ini juga mengubah skala kekaburan (pengaburan) karakter alphabet sehingga tulisan juga menjadi kabur
dan sulit terbaca dibandingkan pada penggunaan filter standar (filter flag = 0).
Peningkatan skala keabuaan dan pencahayaan/brightess pada latar belakang juga menjadikan
ketidakseragam skala keabuaan pada latar belakang terutama pada dokumen berkarakter tulisan tangan.
Penggunaan Filter Median tidak lebih baik dari dari filter standar.
Hasil dari penggunaan filter Wiener (Filter flag =2 ) juga menunjukkan pengaburan karakter alfabet pada
dokumen berkarakter mesin tik, tidak terlalu berpengaruh dalam kontras karakter alfabet pada dokumen
bertulisan tangan (dokumen no. 2), namun sangat mengaburkan pada dokumen bertulisan tangan no.3
dibandingkan filter standar.
Skala keabuaan latar belakang juga menunjukkan ketidak seragaman terutama pada dokumer berkarakter
tulisan tangan no.3. Filter wiener ini tidak dapat memberikan keseragaman hasil pada jenis karakter yang
berbeda. Filter Wiener lebih baik digunakan dibandingkan filter median, namun tidak menjadikan pilihan
dibandingkan penggunaan filter standar.

12. • Menjalankan program dengan parameter standar yang sudah diset pada kode program, dan mengubah paramater jumlah iterasi yang harus
dilakukan oleh program dan membandingkan hasilnya. Parameter yang diubah adalah nilai pada perintah syntax count yaitu pada count 4, 5 dan
7 dibandingkan sedangkan nilai parameter lain sesuai dengan syntax standar pada count 6. Nilai 6 pada count < 6 yang ada di ga_enh.m, adalah
integer positif  menentukan jumlah iterasi yang harus dilakukan oleh program.
KOMBINASI ITERASI PADA JARINGAN SYARAF GENETIK ALGORITMA KOMBINASI ITERASI/COUNT
COUNT 4 COUNT 5 COUNT 6 = Standar COUNT 7

13. Hasil dari perbedaan jumlah iterasi yang dilakukan oleh program Matlab ini menunjukkan semakin meningkatnya nilai iterasi
meningkatkan juga nilai kontras karakter alfabet pada dokumen berkarakter alphabet mesin tik (no.1) maupun pada dokumen berkarakter

14. tulisan tangan (no.2 dan 3), terutama terlihat pada iterasi rendah yaitu Count 4 dengan dokumen berkarakter tulisan tangan no.3 . Skala nilai
keabuan alphabet ditingkatkan sehingga performansi alphabet karakter tulisan tangan sedikit meningkat.
Skala keabuaan pada latar belakang dokumen 1 berkarakter mesin tik dan dokumen tulisan tangan juga menjadi lebih homogen seiring
dengan meningkatnya nilai iterasi, namun terlihat perbedaan pada dokumen dengan iterasi standar (count 6) dibandingkan nilai iterasi lainnya,
dimana terlihat perbedaan skala keabuaan pada iterasi standar menghasilkan kejelasan pencahayaan pada latar belakang.
Namun meningkatnya tingkat iterasi juga perlu menyembabkann faktor lamanya pemrosesan pada program Matlab, menjadikan tidak
efisien dalam waktu pemrosesan. Sehingga perlu menjadi pertimbangan dalam penentuan nilai iterasi yang besar terhadap waktu proses.

15. • Menjalankan program dengan parameter standar yang sudah diset pada kode program, dan mengubah parameter probabilitas terjadi crossover
atau rekombinasi pada parent dan membandingkan hasilnya. Parameter yang diubah adalah nilai pada perintah syntax pc yaitu pada perintah
nilai 0.8 pada pc = floor(0.8 * n/2) yang ada di ga_enh.m, nilai yg mungkin adalah 0 sampai 1  dan perubahan dilakukan pada nilai
probabilitas cross over 0.1 , 0.5 dan maksimal 1, sedangkan nilain parameter lainnya adalah tetap sesuai dengan parameter standar pada pc =0.8.
KOMBINASI NILAI PROBABILITAS CROSS OVER PADA JARINGAN SYARAF GENETIK ALGORITMA
PC = 0.1 PC = 0.5 PC = 0.6 PC = 0.8 = standar PC = 1

16. Hasil dari perbedaan nilai parameter probabilitas yang terjadi pada rekombinasi parent (cross section ) menunjukkan hasil peningkatan
kejelasan karakter alphabet maupun kontras pada dokumen berkarakter mesin tik maupun tulisan tangan, seiring dengan meningkatnya nilai
probabilitas cross over. Pada dokumen berkarakter tulisan mesin tik terlihat nilai standar yang ditetapkan pada Probabilitas cross over 0.8
memberikan hasil yang terbaik pada penampakan karakter alphabet maupun latar belakang dokumen yang jelas, demikian juga pada dokumen
berkarakter tulisan tangan baik pada dokumen 2 maupun dokumen 3. Terlihat penghapusan latar belakang dokumen menjadi lebih homogen
dengan penambahan skala abu yang menjadikan latar belakang pada dokumen no. 3. Selain itu juga terlihat kontras alphabet pada dokumen yang
lebih jelas dibandingkan dengan probabilitas cross over yang lain.
Skala probabilitas dengan penampilan terburuk terlihat pada skala pc = 0.6 dimana terjadi pengkaburan skala abu baik pada latar
belakang maupun karakter tulisan, menjadikan tulisan terlihat kabur dan tidak homogen serta banyaknya gangguan yang tidak dihilangkan.

17. • Menjalankan program dengan parameter standar yang sudah diset pada kode program, dan mengubah parameter probabilitas terjadinya mutasi
pada indivu dan membandingkan hasilnya. Parameter yang diubah adalah nilai pada perintah syntax pm yaitu pada perintah nilai 0.1 pada pada
pm = floor(0.1 * n), ga_enh.m, nilai yg mungkin adalah 0 sampai 1 yang menentukan probabilitas terjadinya mutasi. Perubahan dilakukan
pada nilai probabilitas mutasi 0.5 , 0.6 dan 1. Sedangkan parameter lainnya tidak berubah sesuai dengan parameter standar pada PM = 0.1.
KOMBINASI NILAI PROBABILITAS MUTASI PADA JARINGAN SYARAF GENETIK ALGORITMA
PM = 0.1 = Standar PM = 0.5 PM = 0.6 PM = 1

18. Hasil yang diperoleh pada kombinasi nilai probabilitas mutasi pada citra memperlihatkan, pada dokumen berkarakteristik tulisan tangan
maupun ketik, probabilitas mutasi standar 0.1 memperlihatkan hasil yang terbaik dibandingkan probabilitas mutasi lainnya, ini terlihat dari
penghilangan gangguan pada latar belakang yang memperlihatkan kehalusan nilai skala keabuan pada latar belakang, tanpa menyebabkan
pengaburan karakter alphabet pada dokumen. Memperjelas konstas alphabet pada dokumen tulisan tanpa pengurangan skala keabuan pada
latar belakang yang tidak homogeny dan tanpa memgaburkan karakter alphabet atau tulisannya. Probabilatas mutasi standar 0.1
memperlihatkan hasil yang lebih baik pada variasi karakteristik ketiga dokumen ini.
Dari keseluruhan percobaan mengkombinasikan parameter parameter yang berpengaruh pada hasil citra dokumen kuno dengan
menggunakan metode jaringan syaraf tiruan Genetik Algoritma dapat disimpulkan parameter probabilitas standar yang telah diberikan pada
pemograman Jaringan Syaraf buatan Genetik Algoritma ini adalah parameter yang optimum untuk mendapatkan hasil pencitraan dokumen kuno
dengan karakteristik mesin tik dan tulisan tangan, yaitu pada probabilitas cross over = pc = 0.8, probabilitas mutasi = pm = 0.1 , Jumlah iterasi =
count = 6, dan Penggunaan filter atau penyaringan standar dengan nilai filter flag = 0.

19. JARINGAN SYARAF TIRUAN SELF-ORGANIZING MAPS
Simulasi Jaringan Syaraf tiruan Self Organizing Maps/SOM memperlihatkan proses visuali SOM untuk klaster atau klasifikasi data. Proses
dimulai dengan pemetaan sejumlah data pembelajaran dari vector yang sejenis. Pemetaan data menunjukkan hubungan antara vector data
dengan proses iniliasi pemetaan dilakukan secara random dari bentuk peta yang tidak beraturan dan panduan training data, hingga
menghasilkan peta proses pembelajaran yang selanjutnya menghasilkan peta keluaran yang telah teratur. Proses pembelajaran sendiri adalah
proses kompetisi dari vector prototype yang sejenis menjadi vector data yang dimodifikasi sehingga menjadi lebih serupa dengannya. Peta
mempelajari posisi pada data yang tidak teratur dan pada proses pembelajaran selanjutnya, bukan hanya vector prototype yang sejenis, namun
juga vector tetangga yang ada pada peta bergerak menuju data vector training dan mengatur dirinya sendiri sehingga menghasilkan pola peta
yang teratur dan terbagi dalam klaster sesuai dengan karakteristiknya. Bentuk 3 Dimensi memberi kemudahan dalam mealokasi keseluruhan
data dalam suatu ruangan. Penggambaran Tiga dimensi memberikan hasil visualisasi yang lebih memperlihatkan daerah daerah klaster sesuai
klasifikasinya.
=====================================================================================================================================================