2316-7549-1-pb_2

7/22/2019 2316-7549-1-PB_2

http://slidepdf.com/reader/full/2316-7549-1-pb2 1/9

1

APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI

PENYAKIT SALURAN PERNAFASAN DENGAN METODE

BACKPROPAGATION

[1]Novi Indah Pradasari

, [2] F.Trias Pontia W,

[3]Dedi Triyanto

[1][3]Jurusan Sistem Komputer, Fakultas MIPA Universitas Tanjungpura

[2]Jurusan Teknik Elektro, Fakultas Teknik Universitas Tanjungpura

Jl. Ahmad Yani, PontianakTelp./Fax.: (0561) 577963

e-mail:[1]

[email protected], [2]

[email protected], [3]

[email protected]

Abstrak

Jaringan syaraf tiruan telah banyak digunakan untuk membantumenyelesaikan berbagai macam permasalahan, salah satu permasalahantersebut adalah pengambilan keputusan berdasarkan pelatihan yang

diberikan. Aplikasi jaringan syaraf tiruan dapat diterapkan dalam berbagaibidang, salah satunya pada bidang kesehatan. Dalam penelitian ini Aplikasi jaringan syaraf tiruan digunakan untuk memprediksi penyakit saluran pernafasan khususnya pada penyakit Asma, ISPA, Pneumonia, Bronkhitis,Sinusitis, Tuberkulosis berdasarkan gejala-gejala dari penyakit saluran

pernafasan tersebut. Aplikasi ini menggunakan pilihan asritektur yangterbaik, yaitu dengan 12 buah masukan, 2 unit tersembunyi dan 3 buah

keluaran. Metode yang digunakan adalah metode Backpropagation. Data yang digunakan pada penelitian ini sebanyak 120 data, 96 data digunakan

untuk pelatihan, dan 24 data untuk pengujian, data pada penelitian inididapat dari ruang rekam medik rumah sakit dr.Soedarso Pontianak. Aplikasi ini menggunakan maksimum iterasi sebanyak 50.000, learning rate

0,1 dan target error sebesar 0,0001. Hasil pengujian terhadap 24 datadidapat hasil keakuratan sebesar 91,66% atau nilai error 8,33%. Error

tersebut dapat terjadi karena pada jaringan syaraf tiruan jika terdapat data pelatihan yang hampir sama akan sulit mengenali pola.

Kata Kunci: Jaringan Syaraf Tiruan, Metode Backpropagation, penyakitsaluran pernafasan.

1. PENDAHULUAN

Jaringan syaraf tiruan dapatdimanfaatkan dalam berbagai bidang,misalnya bidang kesehatan, jaringan

syaraf tiruan ini dapat dimanfaatkanuntuk memprediksi suatu penyakit.Dalam hal ini akan dicoba membuatsuatu aplikasi yang dapat digunakanuntuk memprediksi penyakit saluran pernafasan dengan menggunakan jaringan syaraf tiruan metode Backpropagation.

Algoritma yang digunakan adalahbackpropagation, yang merupakanalgoritma pembelajaran yang terawasi

yang menggunakan banyak lapisanuntuk mengubah bobot-bobot yangterhubung dengan lapisan tersembunyi.

“Aplikasi Jaringan Syaraf Tiruanuntuk Memprediksi Penyakit SaluranPernafasan dengan Metode Backpropagation” ini diharapkan dapatmemprediksi penyakit saluran

mailto:[email protected]









7/22/2019 2316-7549-1-PB_2


2

pernafasan sehingga dapat menentukan jenis pengobatan secepatnya.

2.TINJAUAN PUSTAKA

2.1 Jaringan Syaraf Tiruan

Jaringan syaraf tiruan adalah suatumetode komputasi yang meniru sistem jaringan syaraf biologis di dalam otak.Jaringan syaraf tiruan merupakan salahsatu dari representasi buatan dari otakmanusia yang mencoba menstimulasikan proses pembelajaran pada otak manusiatersebut. Metode ini menggunakan

elemen perhitungan non-linear dasaryang disebut neuron yangdiorganisasikan sebagai jaringan yangsaling berhubungan, sehingga miripdengan jaringan syaraf manusia. [2]

2.1.1 Fungsi Aktivasi Sigmoid BinerFungsi ini digunakan untuk jaringan

syaraf tiruan yang dilatih denganmenggunakan metode backpropagation.

Fungsi sigmoid biner memiliki nilairange 0 sampai 1. Oleh karena itu,fungsi ini sering digunakan untuk

jaringan syaraf yang membutuhkan nilaioutput yang terletak pada interval 0sampai 1. Namun, fungsi ini bisa jugadigunakan oleh jaringan syaraf yangnilai outputnya 0 atau 1. [4]

Fungsi sigmoid biner dirumuskansebagai:

y = f(x) =

Dengan:

f’(x) = σf(x)[1-f(x)]....................... (1)

2.1.2 Metode Backpropagation Backpropagation ini merupakan

salah satu algoritma yang seringdigunakan dalam menyelesaikan

masalah-masalah yang panjang danrumit. Metode backpropagation

menerapkan algoritma pembelajaranyang terawasi. Pada jaringan inidiberikan sepasang pola yang terdiri atas

pola masukan dan pola yang diinginkan.Suatu pola akan diubah-ubah untuk

mendapatkan perbedaan yang tipis

antara pola yang dimasukkan dan polayang diinginkan. [2]

3. METODOLOGI PENELITIAN

3.1 Diagram Alir Penelitian

Penelitian ini memiliki beberapatahap penelitian seperti tahap studiliteratur yaitu mengumpulkan materi-

materi yang berkaitan dengan judul yangdiambil, tahap pengumpulan data,

pengolahan data yang akan digunakanke dalam sistem, selanjutnya tahapimplementasi yang kemudian masuk ke

tahap pengujian untuk mengujikeakuratan dari sistem jaringan syaraftiruan yang telah dibuat, apabila hasilkeluaran yang diinginkan telah sama

dengan target, maka sistem tersebut berhasil. Gambar 1 berikut adalahgambar diagram alir penelitian yangdilakukan.

Pengujian

Mulai

Studi Literatur

Pengumpulan Data

Pengolahan Data

Pengimplementasian

Perancangan Sistem

Pengaplikasian

Selesai

Berhasil

Tidak

Berhasil

Gambar 1. Diagram Alir Penelitian

4. PERANCANGAN SISTEM

4.1 Perancangan Model JST

Perancangan model JST adalah perancangan yang berisikan, penetapanmasukan, penetapan keluaran danmenentukan arsitektur jaringan yang

akan digunakan.

7/22/2019 2316-7549-1-PB_2


3

4.1.1 Penetapan MasukanMasukan yang digunakan di dalam

aplikasi ini adalah berupa gejala-gejala penyebab penyakit saluran pernafasan.

Gejala-gejala yang digunakan untukmemprediksi penyakit saluran pernafasan tersebut sebanyak 12 buahgejala penyakit, selanjutnya adalahmenentukan nilai-nilai dari masing-

masing gejala. Nilai terhadap variabelditentukan antara 0 sampai dengan 1,disesuaikan dengan kasus dari masing-masing gejala. Pada penelitian ini,ditetapkan jika semakin tinggi nilai dari

variabel tersebut maka penyakit yangdiderita semakin parah, dan jika nilaivariabel tersebut semakin rendah, maka penyakit yang diderita semakin ringan.Berikut ini adalah tabel variabel dannilai dari masing-masing gejala penyakit.

Tabel 1. Tabel Variabel dan nilai darigejala-gejala penyakit

Gejala-gejala Variabel Nilai

Sesak Nafas(X1)

Tidak 0

Sedang 0,25

Berat 0,5

Berat dan terus

menerus

1

Batuk (X2) Tidak 0

Batuk Kering 0,25

Batuk Berdahak 0,5

Batuk berdahak

berdarah

1

Nyeri Dada(X3)

Tidak 0

Jarang terjadi 0,25

Sering terjadi 0,5

Sering dan berulang

1

Demam (X4) Tidak 0

Ya 1

Tekanan darahrendah (X5)

Tidak 0

Terjadi 1

Mual danMuntah (X6)

Tidak 0

Mual 0,25

Muntah 0,5

Mual dan Muntah 1

Menggigil(X7)

Tidak 0

Ya 1

Hidungtersumbat (X8)

Tidak 0

Ya 1

Sakit Kepala(X9)

Tidak 0

Ringan 0,5

Sering dan berulang

1

Berat BadanTurun (X10)

Tidak 0Ya 1

BerkeringatDingin (X11)

Tidak 0

Sering 0,5

Sering pada

malam hari

1

KekakuanSendi (X12)

Tidak 0

Ya 1

4.1.2 Penetapan keluaran

Selanjutnya keluaran yang akan

dihasilkan adalah penyakit dari saluran pernafasan yaitu Asma, ISPA,

Pneumonia, Bronkhitis, Sinusitis danTuberkulosis. Keluaran akan dibuat

dalam 3 node, tabel 2 berikut adalahnilai target keluaran.

Tabel 2. Nilai target keluaran

Nomor Nilai(Biner)

Nama PenyakitSaluran Pernafasan

1 000 Asma2 001 ISPA

3 010 Pneumonia

4 110 Bronkhitis

5 011 Sinusitis

6 111 Tuberkulosis

4.1.3 Konfigurasi jaringanKonfigurasi jaringan pada jaringan

syaraf tiruan ini dibuat untukmendapatkan hasil prediksian yang baik,sehingga sistem tersebut dapat

diaplikasikan. Tabel 3 di bawah ini

7/22/2019 2316-7549-1-PB_2


4

adalah tabel konfigurasi dari sistemyang akan dibuat.

Tabel 3. Konfigurasi jaringan syaraf

tiruan

Parameter Nilai

Jumlah masukan sistem 12

Jumlah lapisan tersembunyi 1 dan 2

Jumlah sel lapisantersembunyi

12, 24, 48

Jumlah keluaran sistem 3

Besar Galat 0 ,0001

Fungsi Aktivasi Sigmoidbiner

Learning rate 0,1

Maksimum Iterasi 50000

Tabel di atas dapat dijelaskan bahwa pada perancangan ini, sistem akan di

ujikan dengan beberapa perubahan layertersembunyi, yang pertama denganmenggunakan 1 lapisan tersembunyi dan12 buah sel lapisan tersembunyi.Selanjutnya diujikan dengan 2 lapisan

tersembunyi dengan 24 sel lapisantersembunyi, dimana tiap lapisantersembunyi memiliki 12 sel lapisan.Kemudian diujikan dengan 2 lapisantersembunyi dan 48 sel lapisantersembunyi, tiap lapisan tersembunyimemiliki 24 sel lapisan.

4.2 Perancangan Prosedural

Algoritma Backpropagation terdiridari 2 tahap, yaitu tahap pertama adalahtahap pelatihan, yang terdiri atas fase feedforward, fase backpropagation dan perhitungan MSE. Pada tahap pelatihanakan menghasilkan bobot yang akandigunakan untuk tahapan selanjutnya,yaitu tahap pengujian. Sehingga tahap pengujian ini sendiri hanyamenggunakan fase feedforward , berikutini akan dijelaskan tentang diagram aliruntuk tahap pelatihan dan tahap pengujian.

4.2.1 Tahap PelatihanBerikut ini adalah diagram alir dari

algoritma tahap pelatihan.Mulai

Data pasien penyakit saluran pernafasan

untuk tahap pelatihan

Menginisialisasi bobot awal, menetapkan max epoh,target,learning

rate

Fase Feedforward

Fase backpropagation

Perhitungan MSE (Mean Square Error )

Error < Target Error

Menyimpan bobot akhir tahap pelatihan

Selesai

Ya

Tidak

Gambar 2. Diagram alir tahap pelatihanalgoritma Backpropagation

Dari diagram alir di atas dapat

dijelaskan, pada tahap pelatihan hal pertama yang harus di tentukan adalahmenginisialisai bobot, menetapkankonfigurasi dari jaringan syaraf tiruanyaitu maksimum epoh, target error ,learning rate. Selanjutnya masuk ke

tahap alur maju atau feedforward,kemudian dilanjutkan pada tahapbackpropagation, dan menghitung MSEyang didapat, jika error yang didapatlebih besar dari terget error yangdiijinkan, maka proses pelatihan tersebutakan kembali pada tahap inisialisasi bobot, dan seterusnya sampai didapat

nilai error yang lebih kecil dari targeterror yang diijinkan. Jika nilai yangdiinginkan telah didapat, bobot tersebuttersimpan untuk dimasukan pada tahap

pengujian.

7/22/2019 2316-7549-1-PB_2


5

4.2.2 Tahap Pengujian Berikut ini adalah diagram alir dari

algoritma tahap pengujian.

Mulai

Data pasien penyakit saluran pernafasan

untuk tahap pengujian

Membaca bobot terakhir pada tahap pelatihan

Fase Feedforward

Selesai

Hasil Prediksi

Gambar 3. Diagram alir tahap

pengujian algoritma Backpropagation

Pada tahap pengujian ini, bobot yangdidapat dari tahap pelatihan akandigunakan untuk pengujian. Dimanadata pasien akan digunakan untukmenguji sistem yang telah dibuat. Tahap pelatihan ini hanya menggunakan fase feedforward , dimana hasil yang didapatmerupakan keluaran berupa prediksiandari pasien penyakit saluran pernafasan.

4.3 Perancangan Pengolahan Data

4.3.1 Data Pelatihan

Data pelatihan ini merupakan datayang digunakan untuk melatih sistemJST yang telah dibuat, dimana pada data

pelatihan ini telah di tetapkan nilai targetyang ingin di hasilkan, sehingga jika

hasil yang diperoleh pada pelatihan tidaksesuai dengan target, maka akandilakukan perbaikan pada sistem JSTtersebut.

4.3.2 Data Pengujian

Data pengujian merupakan data yang

digunakan untuk pengujian pada JST

yang telah dilatih dengan data pelatihan.Pada data pengujian ini telah ditetapkan

hasil keluaran atau target. Data pengujian disini berfungsi untuk

menguji ke akuratan sistem JST yangtelah dibuat.

4.4 Perancangan Penggunaan

Antarmuka

Perancangan antarmuka ini dibuat

dengan menggunakan GUI padaMATLAB. Aplikasi ini memiliki 1 buahform, pada form utama ini pasien akan

mengisi 12 buah pertanyaan yangmerupakan pola untuk aplikasi tersebut.Gambar 4. Di bawah ini adalah tampilanantarmuka dari aplikasi

JUDUL APLIKASI

KELUAR

RESET

Gejala Penyakit X1

Gejala Penyakit X2

Gejala Penyakit X3

Gejala Penyakit X6

Gejala Penyakit X4

Gejala Penyakit X7

Gejala Penyakit X5 Gejala Penyakit X9

Gejala Penyakit X10

X1

Gejala Penyakit X11

Gejala Penyakit x12Gejala Penyakit X8

X2

X3

X4

X5

X6

X7

X8

X9

X10

X12

X11

DIAGNOSA

Keluaran Jaringan :

Kode Penyakit :

Nama Penyakit :

Gambar 4. Tampilan utama aplikasi

Tabel 4 berikut ini adalah keterangan

dari fungsi-fungsi tombol yang terdapat pada tampilan utama aplikasi.

Tabel 4. Fungsi tombol aplikasi

Tombol Fungsi

Reset Tombol ini untuk mengaturulang form utama aplikasi,sehingga form dapat diisidengan data baru.

Keluar Untuk keluar dari aplikasi

Diagnosa Tombol ini untukmendiagnosa penyakit, dantombol ini membaca hasil

masukan dari X1 sampaiX12, pola masukan inididapat dari pengisian gejala penyakit yang dilakukan oleh

pasien

7/22/2019 2316-7549-1-PB_2


6

NamaPenyakit

Tombol ini berfungsi untukmenampilkan jenis penyakit

yang diderita pasian, tombolini membaca nilai dari kode biner.

Keluaran

Jaringan

Tombol berfungsi untuk

mengeluarkan hasil keluarandari pelatihan

KodePenyakit

digunakan untukmengkonversi nilai output jaringan yang selanjutnyadipresentasikan menjadikode penyakit.

Gejala penyakit X1 – X12

Gejala penyakit ini berupa pertanyaan yang harus diisioleh pasien, untukmemprediksi penyakitsaluran pernafasan yangdiderita oleh pasien.

Pada tampilan aplikasi yang telahdibuat terdapat gejala penyakit X1sampai dengan gejala penyakit X12,gejala penyakit ini berupa pertanyaanyang harus diisi oleh pasien, untuk

memprediksi penyakit saluran pernafasan yang diderita oleh pasien.

5. HASIL DAN PEMBAHASAN

5.1 Proses Pelatihan dan Pengujian

5.1.1 Pelatihan Jaringan Syaraf TiruanPada program yang dibuat ini,

keluaran yang dihasilkan berupa kodedari penyakit, kode penyakit tersebut berupa 3 buah node, yaitu Y1,Y2 danY3. Untuk mendapatkan 3 buah node

tersebut, maka proses dilakukan 3 kali,dengan data masukan yang sama dankeluaran yang telah ditentukan sebagaiY1, Y2, dan Y3.

Untuk mendapatkan nilai keluaran pada program, yang pertama harusdilakukan adalah menentukan matriksmasukan dan matriks target.

Selanjutnya menentukan formula dari jaringan syaraf tiruan dari feedforward dengan cara mengatur fungsi aktivasiantara masukan ke lapisan tersembunyidengan menggunakan logsig (sigmoid

biner) dan fungsi aktivasi dari lapisantersembunyi ke keluaran sistem

menggunakan fungsi aktivasi logsig(sigmoid biner). Kemudian dimasukkan

ke program dalam bentuk:

%membangun jaringan syaraffeedforward net = newff(minmax(p),[12 121],{'logsig' 'logsig' 'purelin'}, 'traingdx');

Menentukan jumlah maksimumEpoch sangat berpengaruh terhadapkerja pada pelatihan. Nilai epoch pada penelitian ini adalah 50.000 yang

kemudian dimasukkan ke dalam coding MATLAB dengan bentuk :

%set max epoch net.trainParam.epochs=50000;

%maksimum epoch

Selanjutnya adalah menentukan nilaitarget error yang menjadi nilai ukuruntuk pemberhentian suatu proses pelatihan, proses pelatihan akan berhenti jika telah memenuhi target error yaitu0,0001, di dalam MATLAB akandimasukkan berupa:

%set goal net.trainParam.goal=0.0001;%target

error

Menentukan nilai learning rate agar proses dapat menjadi lebih cepat. Pada program ini nilai learning rateditentukan sebesar 0,1, di dalamMATLAB akan dimasukkan dengan bentuk:

%set learning ratenet.trainParam.lr=0.1; %learning rate

Selanjutnya adalah menentukan nilaimomentum, nilai momentum ini berfungsi untuk menyesuaikan nilai

bobot yang lebih besar selama proseskoreksi bobot, agar bobot dapatmenyesuaikan dengan pola matriksmasukan dan target yang ada. Setelahdilakukan beberapa percobaan penelitian

untuk nilai momentum, didapat nilai 0,9

sebagai nilai momentum terbaik,

7/22/2019 2316-7549-1-PB_2


7

kemudian nilai momentum inidimasukkan kedalam MATLAB dengan

bentuk:%set momentum net.trainParam.mc=0.9;%momentum

Selanjutnya adalah melakukan pelatihan Backpropagation dan

mensimulasikan hasil dari pelatihan, pada tahap ini dilakukan coding untukmelakukan pelatihan backpropagation dan coding untuk mensimulasikan hasil pelatihan di dalam perangkat lunakMATLAB. Coding tersebut akan ditulis

dalam bentuk:%melakukan pelatihan dan simulasi net=train(net, p, t); %melakukan pelatihan terhadap input dan target

a= sim(net,p); %melakukan simulasihasil pelatihan

Selanjutnya adalah menghitung MSEantara target dan hasil keluaran denganmemasukkan data coding untukmenghitung MSE antara target dankeluaran. Coding tersebut ditulis dalam bentuk :

%melakukan simulasi H= a-t; %koding untuk menampilkan

nilai MSE ke windows result

%menghitung MSE antara target dankeluaranMSE = mse(H);

fprintf('MSE_train=%12.8f\n',MSE);%menampilkan nilai MSE

Sedangkan untuk parameter jaringan,dalam pelatihan ini akan dicoba

dilakukan perubahan paramater untukmelihat parameter manakah yang

menghasilkan nilai error terkecil, ataumenghasilkan jaringan yang terbaik.Adapun parameter yang diubah adalahlapisan tersembunyi/hiddenlayer dan jumlah data pelatihan. Perubahan pada

lapisan tersembunyi berpengaruhterhadap hasil prediksian yang

dihasilkan, semakin banyak lapisan

tersembunyi maka hasil prediksian

semakin baik, tapi semakin banyaklapisan tersembunyi ini berpengaruh

terhadap kinerja dari program tersebut,semakin banyak lapisan tersembunyi

maka kerja program semakin lambat.Pada pelatihan yang dilakukan pada

MATLAB didapat hasil yang dapatdilihat pada tabel 5.1 di bawah. Pada proses pelatihan jaringan syaraf tiruan

ini akan berhenti jika iterasi telahsampai pada batas maksimum yaitu50.000 iterasi, atau pelatihan akan berhenti jika nilai MSE ( Mean Square Error ) telah berada dibawah target

error , disini diketahui target error nyasebesar 0,0001. Pada tabel 5 di bawahdapat dilihat hasil keluaran yangdiperoleh untuk 3 node keluaran lebihkecil dari dengan target yangdiinginkan, sehingga sistem ini berhasil.

Tabel 5. Hasil pelatihan pada MATLAB

Kel

uaran

Max

Iterasi

Target

Error

Learnin

g Rate

MSE_train

Y1 31824 0,0001 0,1 0,00009998

Y2 30415 0,0001 0,1 0,00009998

Y3 13407 0,0001 0,1 0,00009991

5.1.2 Tampilan aplikasiSetelah rancangan JST dibuat,

selanjutnya JST untuk memprediksi penyakit saluran pernafasan ini

diimplementasikan ke dalam sebuah program aplikasi. Pada tahap pengujiandan analisa ini, akan ditampilkan perancangan antarmuka beserta fasilitas

dan tombol-tombol yang terdapat padaantarmuka aplikasi tersebut.

Pada tampilan aplikasi ini pasien

akan mengisi 12 buah pertanyaan, yangkemudian akan akan membentuk pola prediksian penyakit saluran pernafasan.Gambar 5. Di bawah ini adalah tampilanutama aplikasi.

7/22/2019 2316-7549-1-PB_2


8

Gambar 5. Tampilan utama aplikasi

5.1.3 Pengujian Aplikasi

Pada proses pengujian ini,menggunakan algoritma feedforward.

Untuk keluaran yang digunakan adalah berupa data periksa dari pasien berdasarkan dari gejala-gejala penyakit

dari pasien. Pada pengisian gejala penyakit yang berjumlah 12 buah, nilai

dari variabel penyakit tersebut akan

terbaca pada pola masukan X1 sampaiX12. Kemudian hasil dari prediksiantersebut selanjutnya akan dibandingkan

dengan nilai ambang atau threshold =

0,5, sehingga dapat menghasilkankeluaran berupa kode biner penyakit

yang selanjutnya kode tersebut akandicek dan jenis penyakit akan muncul pada kotak dialog “Hasil DiagnosaPenyakit”. Adapun jenis penyakitsaluran pernafasan yang dapat diprediksidengan aplikasi ini adalah Asma, ISPA,

Pneumonia, Bronkhitis, Sinusitis danTuberkulosis.

Berikut ini adalah hasil pengujian jaringan dengan beberapa parameter perubahan.

Tabel 6. Hasil Pengujian

Hasil pengujian di atas didapat nilai

keakuratan tertinggi 91,66%, nilai ini

didapat dengan melakukan pengujian

terhadap 24 data, 2 buah lapisan

tersembunyi dan dengan menggunakan

target error 0,0001, learning rate 0,1.

Hasil ini hampir mendekati ketepatan

100% dengan nilai kesalahan sebesar

8,33%, sehingga aplikasi ini telah dapat

digunakan untuk memprediksi penyakit

saluran pernafasan.

6. KESIMPULAN DAN SARAN

6.1 Kesimpulan

Berdasarkan hasil dari analisis padatahap pelatihan dan tahap pengujian pada aplikasi prediksi penyakit saluran pernafasan ini didapat beberapa

kesimpulan, antara lain:1. Aplikasi ini diujikan terhadap 72 data

pelatihan, 48 data pengujian dengan1 buah hidden layer didapatkeakuratan 87.5%. Diujikan dengan84 data pelatihan dan 36 data pengujian dengan 2 hidden layerdidapat keakuratan 88,88%. Diujikandengan 90 data pelatihan dan 30 data

pengujian dan 2 buah hidden layer didapat keakuratan 86,66%. Diujikandengan 96 data pelatihan, 24 data pengujian dan 1 buah hidden layer

Ujike-

Datapelati

han

Datapengu

jian

Lapisantersem

bunyi

Keakuratan

1. 72 48 1 87,50%

2. 84 36 2 88,88%

3. 90 30 2 86,66%

4. 96 24 1 91,66%

5. 96 24 2 91,66%

7/22/2019 2316-7549-1-PB_2


9

didapat keakuratan 87,25%. Diujikandengan 96 data pelatihan, 24 data

pengujian dan 2 buah hidden layerdidapat keakuratan 91,66%. Sehingga

nilai keakuratan tertinggi didapat pada pelatihan dengan 96 data, 24 pengujian dan 2 buah hidden layer.

2. Jaringan syaraf tiruan metodebackpropagation ini dapat digunakan

untuk memprediksi penyakit saluran pernafasan, khususnya untuk penyakit Asma, ISPA, Pneumonia,Bronkhitis, Sinusitis danTuberkulosis dengan keakuratan

91,66%. Nilai tersebut diperoleh dari pelatihan 96 data dan pengujian 24data dengan 2 buah hidden layerkemudian menggunakan target error sebesar 0,0001, dan learning rate 0,1.

6.2 Saran

Dalam pembuatan skripsi ini,tentunya perlu diteliti lebih lanjut agardapat dikembangkan untuk mendapatkansistem yang lebih sempurna. Untuk penelitian berikutnya dapat

menggunakan jenis arsitektur jaringansyaraf tiruan yang lain, seperti arsitektur jaringan Reccurent . Dan jenis penyakit

saluran pernafasan yang diteliti dapatditambah lebih banyak lagi jenis penyakit.

DAFTAR PUSTAKA [1] Asih, N. G., & Effendy, C. (2002).

Keperawatan Medikal Bedah. (M.

S. Ester, Penyunt.) Jakarta: PenerbitBuku Kedokteran EGC.

[2] Kusumadewi, S. (2004). Membangun Jaringan Syaraf

Tiruan. Yogyakarta: Penerbit GrahaIlmu.

[3] Siang, J. J. (2009). Jaringan Syaraf

Tiruan dan Programnya

menggunakan Matlab. Yogyakarta:

Penerbit Andi.

[4] Hermawan, A. (2006). Jaringan

Syaraf Tiruan teori dan aplikasi.

Yogyakarta: Penerbit Andi.

2316-7549-1-pb_2

Documents