MENDIAGNOSA AUTISMSPECTRUMDISORDER (ASD)
Fithriani Matondang STMIK Potensi Utama
Jl. K.L. Yos Sudarso Km. 6,5 No.3-A Medan [email protected]
ABSTRAK
Akhir-akhir ini kasus autisme menunjukkan peningkatan persentasenya di Indonesia. Autism Spectrum Disorder (autis) merupakan gangguan yang dimulai dan dialami pada masa kanak-kanak, yang membuat dirinya tidak dapat membentuk hubungan sosial atau komunikasi yang normal, akibatnya anak tersebut terisolasi dari manusia lain. Perkembangan yang terganggu terutama dalam komunikasi, interaksi sosial dan perilaku. Namun permasalahan yang muncul adalah bagaimana cara mengetahui seorang anak menderita autis atau tidak, begitu juga cara penanganannya yang optimal. Seiring dengan kemajuan teknologi saat ini, berbagai permasalahan yang ada dapat diselesaikan dengan memanfaatkan teknologi. Salah satunya dengan membangun aplikasi sistem pakar untuk mendiagnosa Autism Spectrum Disorder (ASD) dengan Jaringan Syaraf Tiruan Bacpropagation. Aplikasi ini dibuat sebagai alat bantu untuk mendiagnosa autisme berdasarkan gejala-gejala fisik yang diderita pasien,. Input sistem adalah gejala autis, sedangkan output sistem adalah Anak Normal (bukan autis) dan Anak Autis. Dari hasil uji coba sistem, diperoleh data error sebanyak 30 data dari 1287 data uji coba jika dibandingkan dengan hasil uji coba manual. Dari hasil perbandingan uji coba tersebut, diperoleh persentase Error sebanyak 2.11 %.
Kata Kunci: Jaringan Saraf Tiruan, Autis, Backpropagation.
1. Pendahuluan
Ada dua ketakutan kaum ibu menyangkut anaknya, autis dan hiperaktif. Jika anaknya terkena autis, ibu akan sangat gugup karena tak fokus, cenderung pendiam dan sulit untuk beradaptasi. Jika anaknya hiperaktif malah susah karena anaknya sulit untuk dikendalikan. Padahal rata-rata anak autis dan hiperaktif memiliki kecerdasan yang luar biasa. (Maulana, 2007:5). Karena itu sangat penting bagi kaum ibu untuk mengerti dan memahami kedua gangguan tersebut, sehingga jika suatu saat anaknya mengalami gangguan seperti gejala kedua gangguan tersebut, anaknya bisa ditangani dengan tepat dan benar. Aplikasi ini mencoba untuk membantu mendiagnosa autis dini berdasarkan gejala yang dimiliki oleh pasien. Banyak peneliti sebelumnya yang telah melakukan penelitian terhadap kasus ini, diantaranya Fuzzy Logic Metode Mamdani Untuk Mendiagnosa Autism Spectrum Disorder (Fithriani:2011), Diagnosa Dini Autis Menggunakan Forward Chaining Berbasis Web (Sri Rahajeng: 2008). Penulis mencoba membuat aplikasi yang sama dengan metode yang berbeda untuk mengetahui tingkat presisi yang lebih tepat dibandingkan dengan metode lainnya. Output program berupa Normal dan Autis.
2. Jaringan Syaraf Tiruan
Jaringan saraf Tiruan adalah merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan disini digunakan karena jaringan saraf ini diimplemintasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. (Kusumadewi, 2003).
2.1 Backpropagation
Keunggulan yang utama dari sistem JST adalah
kemampuan untuk ”belajar” dari contoh yang
diberikan. Backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak layar lapisan untuk mengubah bobotbobot yang ada pada lapisan tersembunyinya Backpropagation adalah pelatihan jenis terkontrol (supervised) dimana menggunakan pola penyesuaian bobo untuk mencapai nilai kesalahan yang minimum antara keluaran hasil prediksi dengan keluaran yang nyata.(F.Suhandi, 2009).
Gambar 1. Arsitektur Jaringan Multilayer Backpropagation Dengan Satu Hidde Layer. 3. Perancangan Sistem
System yang dibangun menggunakan metode Bacpropagation dengan 3 layer input dan dua layer output. Input berupa gejala autis yaitu Gejala Interaksi Sosial, Komunikasi dan Perilaku. Sedangkan Layer aaaoutput berupa Normal dan Autis. Adapun proses Backpropaagation dalam system ini dengan menganggap 0 sebagai Normal dan 1 sebagai Autis. Adapun data karakteristik anak berkesulitan belajar secara keseluruhan dapat dilihat pada Tabel 1.
Table 1. Gejala Autisme
No Gangguan Inisialisasi
neuron input 1. Menghindari kontak mata
atau seolah-olah melihat orang lain
X1
2. Tidak mengkomunikasikan emosi atau minatnya melelui ekspresi wajah
X2
3. Tidak bereaksi terhadap kehadiran teman sebayanya
X3 4. Tidak mencium, memeluk,
atau bersalaman dengan orang lain
X4
5. Tidak mengambil giliran ketika bermain permainan sederhana dengan orang lain
X5
6. Tidak menengok bila
dipanggil X6
7. Menangis/tertawa tanpa sebab
X7 8. Tidak tertarik pada mainan X8 9. Gerak-gerik yang kurang
tertuju X9
10. Bermain dengan benda
yang bukan mainan X10
11. Tidak menunjukkan kepedulian terhadap orang lain
X11
12. Memilih untuk sendiri X12 13. Bicara terlambat/bahkan
sama sekali tidak berkembang
X13
14. Bila bisa bicara, bicaranya tidak dipakai untuk komunikasi
X14
15. Sering menggunakan bahasa yang aneh dan diulang-ulang
X15
16. Tidak mengkomunikasikan hasrat dan keinginannya melalui kata-kata maupun bahasa tubuh
X16
17. Menceritakan kalimat atau kata yang sering didengar baik dari TV maupun radio
X17
18. Tidak menunjukkan kemampuan bermain imajinatif yang wajar dan sesuai perkembangannya
X18
19. Tidak bergabung dalam permainan bersama orang lain
X19
20. Tidak mampu menunjuk anggota tubuh atau benda- benda yang umum bila ditanya
X20
21. Tidak merespon ketika
diajak bicara X21
22. Tidak merespon pertanyaan
atau instruksi sederhana X22 23. Memilih melakukan
aktifitas yang sama secara berulang-ulang
X23
24. Terpaku pada kegiatan yang ritualistic atau rutinitas yang tidak ada gunanya, misal: makanan dicium dulu
X24
25. Melambaikan, memutar jari
tangan didepan wajah dsb X25 26. Seringkali terpukau pada
bagian-bagian benda X26 27. Membawa benda-benda
tertentu kemana-mana
X27 28. Tidak bias konsentrasi X28 29. Menyukai objek yang
berputar, memutar botol, roda mainan
X29
30. Menjadi sangat terganggu bila aktifitas yang disukainya di sela.
X30
4. Uji Coba dan Analisis
Jaringan saraf tiruan bacpropagation membutuhkan data pelatihan yang nantinya digunakan sebagai data pembelajaran system. Data pelatihan berfungsi melatih jaringan untuk
mendapatkan keseimbangan atau kemampuan jaringan dalam mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan dalam merespon yang benar terhadap data masukan (Lampiran Tabel 2.).
Pada tahap pembelajaran sistem, dilakukan beberapa uji dengan merubah nilai learning rate agar diperoleh waktu paling kecil. Tabel perbandingan nilai learning rate terhadap waktu pembelajaran dapat dilihat pada (Lampiran Tabel 3).
4.1 Data Hasil Pengujian Tabel 4. Data hasil uji coba
No. No.
uji I K P Backpropagation Manual 1. 146 1 5 1 Autis Normal 2. 147 1 5 2 Autis Normal 3. 148 1 5 3 Autis Normal 4. 149 1 5 4 Autis Normal 5. 150 1 5 5 Autis Normal 6. 151 1 5 6 Autis Normal 7. 152 1 5 7 Autis Normal 8. 153 1 5 8 Autis Normal 9. 155 1 6 1 Autis Normal 10. 156 1 6 2 Autis Normal 11. 157 1 6 3 Autis Normal 12. 158 1 6 4 Autis Normal 13. 159 1 6 5 Autis Normal 14. 160 1 6 6 Autis Normal 15. 161 1 6 7 Autis Normal 16. 155 1 6 1 Autis Normal 17. 210 2 1 2 Autis Normal 18. 216 2 1 8 Normal Autis 19. 218 2 2 1 Autis Normal 20. 290 2 10 1 Normal Autis 21. 297 2 10 8 Normal Autis 22. 315 3 1 8 Normal Autis 23. 389 3 10 1 Normal Autis 24. 396 3 10 8 Normal Autis 25. 695 7 0 1 Autis Normal 26. 696 7 0 2 Autis Normal 27. 697 7 0 3 Autis Normal 28. 698 7 0 4 Autis Normal 29. 699 7 0 5 Autis Normal 30. 700 7 0 6 Autis Normal 5. Kesimpulan
Berdasarkan uji coba dan analisis system, diperoleh kesimpulan sebagai berikut: 1. Diagnose autis pada anak dapat dilakukan
dengan menggunakan metode jaringan saraf tiruan backpropagation.
2. Hasil prosentase keberhasilan sistem diagnose autis pada anak menggunakan metode jaringan saraf tiruan
backpropagation adalah 99 % .
Daftar Pustaka
Kusumadewi, Sri. 2003. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu
Kusumawati, Ririen. 2007. Artificial Intelligence. Menyamai Kecerdasan Buatan Ilahi. Malang: UIN - Malang Press.
Maulana, Mirza. 2007. Anak Autis; Mendidik Anak autis dan Gangguan Mental Lain Menuju Anak Cerdas dan Sehat. Yogyakarta: Katahati.
Prakoso, Ishak dan Foenadion. 2008. Pedoman praktis Pengembanan Aplikasi Web database menggunakan JAVA Server Pages. Yogyakarta: Andi Offset Rickyanto, Isak. 2002. Java Server Pages;
Menjadi Mahir Tanpa Guru. Jakarta: PT.Elex Media Komputindo.
Safaria, Triantoro. 2005. Autisme: Pemahaman Baru Untuk Hidup Bermakna Bagi Orang Tua. Yogyakarta: Graha Ilmu.
Sano, Dian. 2005. 24 Jam Menguasai HTML, JSP dan MySQL. Yogyakarta: Andi Offset. Sugiyono. 2008. Metode Penelitian Kuantitatif,
Kualitatif, R&D. Bandung: Alfabeta. http://www.gizi.net/makalah/download/alergi%20 autisme.pdf http://pdfdatabase.com/download/uu-no-23- tahun-2002-tentang-perlindungan-anak- pdf-1467159.html http://puterakembara.org/kpa/kampanye.pdf http://www.rumahautis.org/web/component/conte nt/article/40-autismalopobia/70- penanganan-dini-bagi-anak-autis.html
LAMPIRAN
Table 2. Data Pelatihan untuk diagnosa autis
Data Pelatihan Jaringan Saraf Tiruan
No. X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X15 X16 X17 X18 X19 X20 X21 X22 Target 1. 0 1 0 1 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 00 2. 1 1 0 1 1 1 0 0 1 0 1 1 0 0 1 0 0 0 1 0 0 1 01 3. 1 1 0 1 1 1 0 0 1 0 1 1 0 0 0 1 0 0 0 0 1 0 10 4. 1 1 0 1 1 1 0 0 1 0 1 1 0 0 1 1 0 0 1 0 1 1 11 5. 1 1 0 1 1 1 0 0 1 0 1 1 1 1 0 0 1 1 0 1 0 0 10 6. 1 1 0 1 1 1 0 0 1 0 1 1 1 1 1 0 1 1 1 1 0 1 11 7. 1 1 0 1 1 1 0 0 1 0 1 1 1 1 0 1 1 1 0 1 1 0 11 8. 1 1 0 1 1 1 0 0 1 0 1 1 1 1 1 1 1 1 1 1 1 1 11 9. 0 0 0 1 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 00 10. 1 0 1 1 1 0 0 1 1 1 0 1 0 0 1 0 0 0 1 0 0 1 01 11. 1 0 1 1 1 0 0 1 1 1 0 1 0 0 0 1 0 0 0 0 1 0 10 12. 1 0 1 1 1 0 0 1 1 1 0 1 0 0 1 1 0 0 1 0 1 1 01 13. 1 0 1 1 1 0 0 1 1 1 0 1 1 1 0 0 1 1 0 1 0 0 10 14. 1 0 1 1 1 0 0 1 1 1 0 1 1 1 1 0 1 1 1 1 0 1 11 15. 1 0 1 1 1 0 0 1 1 1 0 1 1 1 0 1 1 1 0 1 1 0 10 16. 1 0 1 1 1 0 0 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 11 17. 1 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 1 1 0 0 0 00 18. 0 1 1 1 0 1 1 1 0 0 1 1 0 0 1 0 0 0 1 0 0 1 01 19. 0 1 1 1 0 1 1 1 0 0 1 1 0 0 0 1 0 0 0 0 1 0 10 20. 0 1 1 1 0 1 1 1 0 0 1 1 0 0 1 1 0 0 1 0 1 1 11 21. 0 1 1 1 0 1 1 1 0 0 1 1 1 1 0 0 1 1 0 1 0 0 00 22. 0 1 1 1 0 1 1 1 0 0 1 1 1 1 1 0 1 1 1 1 0 1 01 23. 0 1 1 1 0 1 1 1 0 0 1 1 1 1 0 1 1 1 0 1 1 0 10 24. 0 1 1 1 0 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 11 25. 0 1 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 00 26. 1 0 1 1 1 0 1 0 1 0 1 1 0 0 1 0 0 0 1 0 0 1 01 27. 1 0 1 1 1 0 1 0 1 0 1 1 0 0 0 1 0 0 0 0 1 0 10 28. 1 0 1 1 1 0 1 0 1 0 1 1 0 0 1 1 0 0 1 0 1 1 11 29. 1 0 1 1 1 0 1 0 1 0 1 1 1 1 0 0 1 1 0 1 0 0 10 30. 1 0 1 1 1 0 1 0 1 0 1 1 1 1 1 0 1 1 1 1 0 1 00 31. 1 0 1 1 1 0 1 0 1 0 1 1 1 1 1 1 1 1 1 1 1 1 01 32. 1 0 1 1 1 0 1 0 1 0 1 1 1 1 1 1 1 1 1 1 1 1 10 33. 1 0 1 1 0 0 1 0 1 0 1 0 1 1 0 0 1 0 1 0 1 0 11 34. 1 1 1 0 1 1 1 0 0 1 1 0 0 0 1 0 0 0 1 0 0 1 00 35. 1 1 1 0 1 1 1 0 0 1 1 0 0 0 0 1 0 0 0 0 1 0 01 36. 1 1 1 0 1 1 1 0 0 1 1 0 0 0 1 1 0 0 1 0 1 1 10 37. 1 1 1 0 1 1 1 0 0 1 1 0 1 1 0 0 1 1 0 1 0 0 11 38. 1 1 1 0 1 1 1 0 0 1 1 0 1 1 1 0 1 1 1 1 0 1 00 39. 1 1 1 0 1 1 1 0 0 1 1 0 1 1 0 1 1 1 0 1 1 0 01 40. 1 1 1 0 1 1 1 0 0 1 1 0 1 1 1 1 1 1 1 1 1 1 10
Table 3. Perbandingan Learning Rate Learning
Rate Percobaan Jumlah Epoh Maximum Epoh Target Error %Konvergenitas Data Pelatihan Waktu 1 1 2 200 169 10000 10000 0.2785 0.2785 100% 100% 2 detik 3 detik 3 167 10000 0.2785 100% 2 detik 0.9 1 2 217 212 10000 10000 0.2785 0.2785 100% 100% 3 detik 2 detik 3 174 10000 0.2785 100% 3 detik 0.8 1 2 258 214 10000 10000 0.2785 0.2785 100% 100% 3 detik 2 detik 3 206 10000 0.2785 100% 3 detik 0.7 1 2 238 234 10000 10000 0.2785 0.2785 100% 100% 3 detik 3 detik 3 276 10000 0.2785 100% 3 detik 0.6 1 2 332 218 10000 10000 0.2785 0.2785 100% 100% 3 detik 3 detik 3 332 10000 0.2785 100% 3 detik 0.5 1 2 300 304 10000 10000 0.2785 0.2785 100% 100% 4 detik 3 detik 3 325 10000 0.2785 100% 4 detik 0.4 1 2 326 374 10000 10000 0.2785 0.2785 100% 100% 4 detik 3 detik 3 284 10000 0.2785 100% 3 detik 0.3 1 2 427 672 10000 10000 0.2785 0.2785 100% 100% 3 detik 5 detik 3 498 10000 0.2785 100% 9 detik 0.2 1 2 597 620 10000 10000 0.2785 0.2785 100% 100% 5 detik 4 detik 3 633 10000 0.2785 100% 4 detik 0.1 1 2 1125 1044 10000 10000 0.2785 0.2785 100% 100% 6 detik 8 detik 3 1182 10000 0.2785 100% 7 detik 0.09 1 2 1266 1306 10000 10000 0.2785 0.2785 100% 100% 6 detik 7 detik 3 1269 10000 0.2785 100% 6 detik 0.08 1 2 1319 1402 10000 10000 0.2785 0.2785 100% 100% 7 detik 6 detik 3 1286 10000 0.2785 100% 7 detik 0.07 1 2 1498 1533 10000 10000 0.2785 0.2785 100% 100% 8 detik 7detik 3 1538 10000 0.2785 100% 7 detik 0.06 1 2 1708 1740 10000 10000 0.2785 0.2785 100% 100% 8 detik 8 detik 3 1662 10000 0.2785 100% 8 detik 0.05 1 2 1996 1996 10000 10000 0.2785 0.2785 100% 100% 8 detik 9 detik 3 1948 10000 0.2785 100% 8 detik 0.04 1 2 2686 2560 10000 10000 0.2785 0.2785 100% 100% 11 detik 10 detik 3 2528 10000 0.2785 100% 11 detik 0.03 1 2 3312 3193 10000 10000 0.2785 0.2785 100% 100% 13 detik 13 detik 3 3119 10000 0.2785 100% 13 detik 0.02 1 2 4801 4657 10000 10000 0.2785 0.2785 100% 100% 19 detik 17 detik 3 4850 10000 0.2785 100% 19 detik