2316-7549-1-pb_2
TRANSCRIPT
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]
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
7/22/2019 2316-7549-1-PB_2
http://slidepdf.com/reader/full/2316-7549-1-pb2 2/9
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
http://slidepdf.com/reader/full/2316-7549-1-pb2 3/9
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
http://slidepdf.com/reader/full/2316-7549-1-pb2 4/9
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
http://slidepdf.com/reader/full/2316-7549-1-pb2 5/9
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
http://slidepdf.com/reader/full/2316-7549-1-pb2 6/9
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
http://slidepdf.com/reader/full/2316-7549-1-pb2 7/9
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
http://slidepdf.com/reader/full/2316-7549-1-pb2 8/9
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
http://slidepdf.com/reader/full/2316-7549-1-pb2 9/9
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.