i
IMPLEMENTASI JARINGAN SYARAF TIRUAN
BACKPROPAGATION
SEBAGAI SISTEM DETEKSI
PENYAKIT
TUBERCULOSIS
(TBC)
skripsi
disajikan sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains
Program Studi Matematika
oleh
Ratnaningtyas Widyani Purnamasari 4111409005
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI SEMARANG
ii
terbukti terdapat plagiat dalam skripsi ini, maka saya bersedia menerima sanksi sesuai ketentuan peraturan perundang-undangan.
Semarang, Juli 2013
iii
Implementasi Jaringan Syaraf Tiruan Backpropagation sebagai Sistem Deteksi Tuberculosis (TBC)
disusun oleh
Ratnaningtyas Widyani Purnamasari 4111409005
telah dipertahankan di hadapan sidang Panitia Ujian Skripsi FMIPA UNNES pada tanggal 30 Juli 2013
Panitia:
Ketua Sekretaris
Prof. Dr. Wiyanto, M.Si. Drs. Arief Agoestanto, M.Si NIP. 19631012 198803 1 001 NIP. 19680722 199303 1 005 Ketua Penguji
Zaenal Abidin, S. Si., M. Cs. NIP. 19820504 200501 1 001
Anggota Penguji/ Anggota Penguji/
Pembimbing Utama Pembimbing Pendamping
iv
Sesungguhnya bersama kesulitan ada kemudahan, maka apabila engkau telah selesai (dari sesuatu urusan), tetaplah bekerja keras (untuk urusan yang lain) (Q.S. Al Insyiraah : 6-7). Education is the most powerful weapon which you can use to change the world (Nelson
Mandela).
Manisnya keberhasilan akan menghapus pahitnya kesabaran, nikmatnya kemenangan melenyapkan letihnya perjuangan, menuntaskan pekerjaan dengan baik akan melenyapkan
lelahnya jerih payah (Dr. Aidh bin Abdullah Al Qarni).
Persembahan
Skripsi ini kupersembahkan untuk:
Ibuku Winatul Ratnawati dan Bapakku Purnomo Dwi Atmojo atas samudra kasih sayang, doa, dan
bimbingan yang diberikan.
Kakakku Mas Anggoro Ami Luhur atas doa dan dukungannya.
Mas Nor Sholeh atas kesetiaannya untuk menemani, menyemangati, dan menghiburku.
Sahabatku Erna, Azka, Putut, Fresti , dan teman-teman seperjuangan Matematika 2009 atas
semangatnya.
v
Maha Esa atas segala limpahan rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan skripsi yang berjudul “Implementasi Jaringan Syaraf Tiruan
Backpropagation sebagai Sistem Deteksi Penyakit Tuberculosis (TBC)”. Penulisan skripsi ini dapat diselesaikan berkat bimbingan, bantuan, dukungan, dan kerjasama dari berbagai pihak. Oleh karena itu, penulis mengucapkan terima kasih kepada:
1. Ibu, bapak, dan kakak tercinta yang selalu memberikan doa serta dukungan baik secara moral maupun spiritual.
2. Prof. Dr. Fathur Rokhman, M. Hum., Rektor Universitas Negeri Semarang. 3. Prof. Dr. Wiyanto, M.Si., Dekan FMIPA Universitas Negeri Semarang. 4. Drs. Arief Agoestanto, M.Si., Ketua Jurusan Matematika FMIPA Universitas
Negeri Semarang.
5. Dra. Kristina Wijayanti, M.S., Ketua Prodi Matematika FMIPA Universitas Negeri Semarang.
6. Dr. Dwijanto, M.S., Dosen Pembimbing Utama yang telah memberikan bimbingan, motivasi, dan pengarahan.
7. Endang Sugiharti, S.Si., M.Kom., Dosen Pembimbing Pendamping yang telah memberikan bimbingan, motivasi, dan pengarahan.
vi suka dan duka.
11. Semua pihak yang telah membantu terselesaikannya penulisan skripsi ini. Akhirnya penulis berharap semoga skripsi ini dapat bermanfaat bagi para pembaca.
Semarang, Juli 2013
vii
Universitas Negeri Semarang. Pembimbing Utama Dr. Dwijanto, M.S. dan Pembimbing Pendamping Endang Sugiharti, S.Si., M.Kom.
Kata kunci: Jaringan Syaraf Tiruan (JST), Backpropagation, Software Matlab, Tuberculosis (TBC).
Penelitian tentang hubungan di antara fenomena-fenomena real merupakan dasar dari tujuan sains dan memainkan peranan penting dalam pengambilan keputusan di dalam kehidupan sehari-hari. Sebagai contoh adalah untuk mendeteksi penyakit TBC. Teknologi pengenalan pola dengan jaringan syaraf tiruan (JST) dapat dimanfaatkan dalam permasalahan ini dengan cara membuat sistem deteksi dini suspek atau tidaknya pasien mengidap TBC.
Permasalahan yang diangkat dalam penelitian ini adalah (1) Bagaimana menciptakan suatu sistem yang dapat mendeteksi penyakit Tuberculosis (TBC) secara dini menggunakan model jaringan syaraf tiruan backpropagation? (2) Bagaimana tingkat akurasi sistem dalam mendeteksi suspek atau tidaknya pasien mengidap penyakit Tuberculosis (TBC) berdasarkan data-data yang ada?
Metode yang digunakan untuk menganalisis permasalahan dalam penelitian ini adalah dengan studi pustaka, perumusan masalah, mengumpulkan dan mengolah data-data penelitian, merancang sistem, membuat sistem, menguji sistem, dan penarikan kesimpulan.
Pembahasan dilakukan yaitu tentang sistem deteksi penyakit Tuberculosis (TBC) dengan menggunakan JST backpropagation dengan memanfaatkan software matlab R2009a. Dari hasil pengujian sistem diperoleh tingkat akurasi sistem dalam mendeteksi penyakit Tuberculosis (TBC) sebesar 100%. Arsitektur jaringan yang paling baik digunakan dalam proses mendeteksi penyakit TBC adalah dengan variasi jumlah iterasi 1000, toleransi 0,001, learning rate 0,5 dan banyaknya neuron hidden layer 100. Arsitektur jaringan tersebut menghasilkan MSE sebesar 0,00144 dengan waktu training 11 detik.
viii
PRAKATA ... v
ABSTRAK ... vii
DAFTAR ISI ... viii
DAFTAR TABEL ... xiv
DAFTAR GAMBAR ... xvi
DAFTAR LAMPIRAN ... xviii
BAB 1. PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Perumusan Masalah ... 7
1.3 Batasan Masalah ... 8
1.4 Tujuan dan Manfaat ... 8
1.4.1 Tujuan Penulisan ... 8
1.4.2 Manfaat Penulisan ... 9
1.5 Sistematika Penulisan ... 10
1.5.1 Bagian Awal ... 10
1.5.2 Bagian Pokok ... 10
1.5.3 Bagian Akhir ... 11
2. LANDASAN TEORI ... 12
2.1 Tuberculosis (TBC) ... 12
ix
2.2.3.1 Input Layer... 18
2.2.3.2 Hidden Layer ... 18
2.2.3.3 Output Layer ... 18
2.2.4 Arsitektur Jaringan Syaraf Tiruan ... 18
2.2.4.1 Jaringan Layer Tunggal ... 20
2.2.4.2 Jaringan Layer Jamak ... 21
2.2.4.3 Jaringan Reccurent... 22
2.2.5 Backpropagation ... 22
2.2.6 Fungsi Aktivasi ... 24
2.2.6.1 Fungsi Sigmoid Biner ... 24
2.2.6.2 Fungsi Sigmoid Bipolar ... 25
2.2.6.3 Fungsi Tangen Hiperbolik ... 25
2.2.7 Pelatihan Standar Backpropagation ... 26
2.2.7.1 Fase 1 ... 26
2.2.7.2 Fase 2 ... 26
2.2.7.3 Fase 3 ... 27
2.2.8 Algoritma Pelatihan ... 27
2.2.9 Mean Square Error (MSE) ... 30
2.3. Pengenalan Pola ... 30
x
2.4.1 Jendela-jendela pada Matlab ... 32
2.4.1.1 Command Window/ Editor ... 32
2.4.1.2 Current Directory ... 34
2.4.1.3 Command History ... 34
2.4.1.4 Editor/ Debugger (Editor M-File/ Pencarian Kesalahan) .. 35
2.4.1.5 Figure Windows ... 35
2.4.1.6 Workspace ... 36
2.4.1.7 Matlab Help Window ... 36
2.4.2 Kelengkapan pada Sistem Matlab ... 37
2.4.2.1 Development Environment ... 37
2.4.2.2 Matlab Mathematical Function Library ... 37
2.4.2.3 Matlab Language ... 37
2.4.2.4 Graphics ... 38
2.4.2.5 Matlab Application Program Interface (API) ... 38
2.4.3 GUIDE Matlab ... 38
2.4.3.1 Keunggulan GUIDE Matlab ... 39
2.4.3.2 Komponen GUIDE Matlab ... 39
2.4.3.2.1 Push Button ... 40
2.4.3.2.2 Toggle Button ... 40
xi
2.4.3.2.7 Slider ... 41
2.4.3.2.8 Frames ... 41
2.4.3.2.9 Listboxes ... 42
2.4.3.2.10 Popup Menu ... 42
2.4.3.2.11 Axes ... 42
2.4.4 Toolbox Backpropagation di Matlab ... 42
2.5 Confusion Matrix ... 43
3. METODE PENELITIAN ... 46
3.1 Studi Pustaka ... 46
3.2 Perumusan Masalah ... 46
3.3 Pemecahan Masalah ... 47
3.3.1 Pengumpulan Data dan Pengolahan Data ... 47
3.3.2 Perancangan, Pembuatan, dan Pengujian Sistem ... 48
3.3.2.1 Perancangan Sistem ... 48
3.3.2.2 Pembuatan Sistem ... 48
3.3.2.3 Pengujian Sistem ... 48
3.4 Penarikan Kesimpulan ... 49
4. HASIL DAN PEMBAHASAN ... 50
4.1 Hasil Penelitian ... 50
xii
4.1.3 Tahap Pengolahan Data ... 55
4.1.4 Tahap Perancangan Sistem ... 56
4.1.4.1 Perancangan Sistem Pelatihan ... 56
4.1.4.2 Perancangan Arsitektur Jaringan Syaraf Tiruan ... 57
4.1.4.2.1 Bobot dan Bias ... 57
4.1.4.2.2 Jumlah Neuron pada Lapisan Tersembunyi ... 57
4.1.4.2.3 Error Goal (Kinerja Tujuan) ... 58
4.1.4.2.4 Learning Rate (Laju Pembelajaran) ... 58
4.1.4.2.5 Fungsi Aktivasi ... 59
4.1.4.2.6 Maksimum Epoh ... 59
4.1.4.3 Perancangan Pengujian Sistem Deteksi ... 62
4.1.4.4 Perancangan Desain Sistem ... 63
4.1.4.4.1 Desain Tampilan Form Halaman Depan ... 63
4.1.4.4.2 Desain Tampilan Form Pelatihan ... 64
4.1.4.4.3 Desain Tampilan Form Deteksi Penyakit TBC . 65 4.2 Tahap Implementasi Sistem ... 66
4.2.1 Tampilan Form Halaman Depan ... 66
4.2.2 Implementasi Form Pelatihan ... 67
4.2.3 Implementasi Form Deteksi ... 69
xiii
4.4 Analisis Hasil Kerja Sistem ... 83
5. PENUTUP ... 86
5.1 Simpulan ... 86
5.2 Saran ... 87
DAFTAR PUSTAKA ... 88
xiv
1.1 Peringkat Penderita TBC di Dunia Tahun 2010 ... 3
2.1 Contoh Confussion Matrix ... 44
4.1 Data Pelatihan ... 53
4.2 Data Pengujian ... 55
4.3 Variasi Learning Rate dan Banyaknya Neuron Hidden Layer ... 59
4.4. Analisis Hasil Variasi Arsitektur Jaringan ... 72
4.5 Confusion Matrix Hasil Deteksi Data Latih Variasi 1 ... 73
4.6 Confusion Matrix Hasil Deteksi Data Non Latih Variasi 1 ... 74
4.7 Confusion Matrix Hasil Deteksi Data Latih Variasi 2 ... 74
4.8 Confusion Matrix Hasil Deteksi Data Non Latih Variasi 2 ... 75
4.9 Confusion Matrix Hasil Deteksi Data Latih Variasi 3 ... 75
4.10 Confusion Matrix Hasil Deteksi Data Non Latih Variasi 3 ... 75
4.11 Confusion Matrix Hasil Deteksi Data Latih Variasi 4 ... 76
4.12 Confusion Matrix Hasil Deteksi Data Non Latih Variasi 4 ... 76
4.13 Confusion Matrix Hasil Deteksi Data Latih Variasi 5 ... 76
4.14 Confusion Matrix Hasil Deteksi Data Non Latih Variasi 5 ... 77
4.15 Confusion Matrix Hasil Deteksi Data Latih Variasi 6 ... 77
4.16 Confusion Matrix Hasil Deteksi Data Non Latih Variasi 6 ... 77
4.17 Confusion Matrix Hasil Deteksi Data Latih Variasi 7 ... 78
4.18 Confusion Matrix Hasil Deteksi Data Non Latih Variasi 7 ... 78
xv
4.23 Confusion Matrix Hasil Deteksi Data Latih Variasi 10 ... 79
4.24 Confusion Matrix Hasil Deteksi Non Data Latih Variasi 10 ... 80
4.25 Confusion Matrix Hasil Deteksi Data Latih Variasi 11 ... 80
4.26 Confusion Matrix Hasil Deteksi Data Non Latih Variasi 11 ... 80
4.27 Confusion Matrix Hasil Deteksi Data Latih Variasi 12 ... 81
4.28 Confusion Matrix Hasil Deteksi Data Non Latih Variasi 12 ... 81
4.29 Confusion Matrix Hasil Deteksi Data Latih Variasi 13 ... 81
4.30 Confusion Matrix Hasil Deteksi Data Non Latih Variasi 13 ... 82
4.31 Confusion Matrix Hasil Deteksi Data Latih Variasi 14 ... 82
4.32 Confusion Matrix Hasil Deteksi Data Non Latih Variasi 14 ... 82
4.33 Confusion Matrix Hasil Deteksi Data Latih Variasi 15 ... 83
xvi
1.1 Diagram Populasi Penderita TBC Tahun 2007 di Jawa Tengah Menurut Usia
dan Jenis Kelamin ... 1
1.2 Grafik Angka Penjaringan Suspek TBC di Indonesia Tahun 2007 – 2011 ... 2
1.3 Peringkat Penderita TBC di Dunia... 3
1.4 Grafik Angka Penemuan TB Paru Kota Pekalongan Tahun 2008-2010 ... 4
2.1 Sebuah Sel Syaraf Tiruan ... 19
2.2 Jaringan Layer Tunggal ... 20
2.3 Jaringan Layer Jamak ... 21
2.4 Jaringan Recurrent ... 22
2.5 Arsitektur Backpropagation ... 23
2.6 Fungsi Sigmoid Biner dengan Range (0,1) ... 24
2.7 Fungsi Sigmoid Bipolar dengan Range (-1,1) ... 25
2.8 Matlab Command Window ... 33
2.9 Matlab Current Directory ... 34
2.10 Matlab Command History ... 34
2.11 Matlab Editor M-File ... 35
2.12 Matlab Figure Windows ... 35
2.13 Matlab Workspace ... 36
2.14 Matlab Help Window ... 36
2.15 Tampilan GUIDE Matlab ... 39
xvii
4.5 Desain Tampilan Form Pelatihan ... 64
4.6 Desain Tampilan Form Deteksi Penyakit TBC ... 65
4.7 Tampilan Form Halaman Depan ... 66
4.8 Tampilan Form Pelatihan Sistem ... 67
xviii
Desain Tampilan Halaman Depan Program dengan Propertinya ... 90
Kode Program untuk Halaman Depan ... 91
Desain Tampilan Pelatihan Sistem dengan Propertinya ... 94
Kode Program untuk Pelatihan Sistem ... 95
Desain Tampilan Pendeteksian TBC dengan Propertinya ... 100
Kode Program untuk Pendeteksian TBC ... 102
Desain Tampilan Halaman Profil ... 114
Kode Program untuk Halaman Profil ... 115
Kode Program untuk Fungsi Backpropagation ... 118
Contoh Program Saat Dijalankan ... 119
Data Pasien Suspek TBC di BKPM Kota Pekalongan ... 122
Data Pasien Non Suspek TBC di BKPM Kota Pekalongan ... 125
Data Uji Coba Variabel Pelatihan ... 127
Surat Ketetapan Dosen Pembimbing ... 131
Surat Ijin Penelitian dari Fakultas ... 132
Surat Ijin Penelitian dari BAPPEDA Kota Pekalongan ... 133
1
BAB 1
PENDAHULUAN
1.1
Latar Belakang
Penyakit Tuberculosis (TBC) merupakan suatu penyakit infeksi kronis atau menahun dan menular langsung yang disebabkan oleh bakteri Mycobacterium tuberculosis yang dapat menyerang pada siapa saja tanpa memandang usia dan
jenis kelamin, namun sesuai fakta yang ada bahwa penyakit TBC lebih banyak menyerang mereka yang berusia produktif, yaitu berkisar antara usia 15 tahun – 35 tahun.
Gambar 1.1 Diagram Populasi Penderita TBC Tahun 2007 di Jawa Tengah Menurut Usia dan Jenis Kelamin (Kemenkes R.I., 2012)
daya tahan tubuh yang rendah. Setelah terjadi infeksi, maka akan dengan mudah menyebar melalui pembuluh darah atau kelenjar getah bening. Oleh sebab itu, infeksi TBC dapat menginfeksi hampir seluruh organ tubuh, seperti paru-paru, otak, ginjal, saluran pencernaan, tulang, kelenjar getah bening, dan lain-lain. Meskipun demikian, organ tubuh yang paling sering terkena yaitu paru-paru.
Menurut Zain, sebagaimana dikutip oleh Muttaqin (2008: 72), berdasarkan Survei Kesehatan Rumah Tangga (SKRT) 1992, penyakit TBC di Indonesia merupakan penyebab kematian nomor dua terbesar setelah penyakit jantung. Sebagian besar penderita TB paru berasal dari kelompok masyarakat usia produktif dan berpenghasilan rendah. Adanya wabah HIV/AIDS di seluruh dunia juga turut memengaruhi jumlah penderita TB paru, termasuk Asia Tenggara. Selain itu, peningkatan jumlah penderita TB juga dipengaruhi oleh industrialisasi, kemudahan transportasi, serta perubahan ekosistem. Dari hasil survei yang dilakukan oleh WHO didapatkan fakta bahwa kematian wanita akibat TB lebih besar daripada kematian akibat kehamilan dan persalinan.
Semenjak tahun 2000, TBC telah dinyatakan oleh WHO sebagai remerging disease karena angka kejadian TBC yang telah dinyatakan menurun pada tahun 1990-an kembali meningkat. Meskipun demikian, untuk kasus di Indonesia, angka TBC tidak pernah menurun bahkan cenderung meningkat. Hampir 10 tahun lamanya Indonesia menempati urutan ke-3 sedunia dalam hal jumlah penderita Tuberculosis (TBC). Baru pada tahun 2009 turun ke peringkat lima dan masuk
dalam milestone atau pencapaian kinerja satu tahun Kementerian Kesehatan. Berdasarkan Data Badan Kesehatan Dunia (WHO) pada tahun 2007, menyatakan jumlah penderita TBC di Indonesia sekitar 528 ribu atau berada di posisi tiga di dunia setelah India dan Cina. Laporan WHO pada tahun 2010, mencatat peringkat Indonesia menurun ke posisi empat dengan jumlah penderita TBC sebesar 450 ribu orang. Lima negara dengan jumlah terbesar kasus insiden pada tahun 2010 adalah India, Cina, Afrika Selatan, Indonesia, dan Pakistan (http://www. globalhealthfacts.org).
Tabel 1.1 Peringkat Penderita TBC di Dunia Tahun 2010 Peringkat Negara Jumlah Penderita TBC
1 India 2.300.000
2 Cina 1.000.000
3 Afrika Selatan 490.000
4 Indonesia 450.000
5 Pakistan 400.000
6 Bangladesh 330.000
7 Filipina 260.000
8 Kongo 220.000
8 Ethiopia 220.000
9 Nigeria 210.000
10 Myanmar 180.000
10 Vietnam 180.000
Menurut data dari Dinas Kesehatan kota Pekalongan tahun 2010, angka penemuan penderita TB dengan Basil Tahan Asam (BTA) (+) di kota Pekalongan tahun 2010 di 12 Puskesmas sebanyak 145 penderita (Case Detection Rate/ CDR 43,54%) meningkat dibandingkan tahun 2009 sebanyak 127 penderita (CDR 39,81%). Sedangkan angka penemuan kasus dari BKPM dan rumah sakit sebanyak 175 penderita (CDR 52,55%). Sehingga apabila digabungkan, maka pencapaian CDR tahun 2010 adalah sebesar 96,1% dan angka tersebut sudah di atas target nasional yaitu sebesar 70%.
Gambar 1.3 Grafik Angka Penemuan TB Paru Kota Pekalongan Tahun 2008-2010
meningkatkan kesembuhan sampai dengan 85%; serta (5) menekan angka putus berobat atau mangkir. Beberapa pelayanan unggulan yang disediakan oleh BKPM kota Pekalongan antara lain, (1) pelayanan klinik berhenti merokok yang bertujuan mengajak pasien untuk mengurangi faktor risiko penyakit paru kronik melalui konseling berhenti merokok dan (2) pelayanan klinik TB HIV-AIDS yang bertujuan membantu klien mengenali perilaku atau kegiatan yang dapat menjadi sarana penularan TB/ HIV, menyediakan informasi tentang HIV, testing HIV, pencegahan dan pengobatannya, serta memberikan dukungan moril untuk perubahan yang lebih sehat.
Berdasarkan hasil pengamatan Fausset (1994: 2), saat ini jaringan syaraf tiruan (JST) sangat menarik bagi para peneliti di berbagai bidang untuk alasan yang berbeda.
... electrical engineers find numerous applications in signal processing and control theory. Computer engineers are intrigued by potential for hardware to implement neural nets efficiently and by applications of neural nets robotics. Computer scientists find that neural nets show promise for difficult problems in areas such as artificial intelligence and pattern recognition. For applied mathematicians, neural nets are a powerful tool for modeling problems for which the explicit form of the relationships among certain variables is not known.
JST merupakan sistem pemrosesan informasi yang mempunyai penampilan karakteristik menyerupai jaringan syaraf biologi (Fausett, 1994: 3). JST adalah salah satu alternatif pemecahan masalah dan banyak diminati oleh para peneliti pada saat ini. Hal ini adalah karena keluwesan yang dimiliki oleh JST, baik dalam perancangan maupun penggunaannya. JST merupakan salah satu sistem pemrosesan yang dirancang dan dilatih untuk memiliki kemampuan seperti yang dimiliki oleh manusia dalam menyelesaikan persoalan yang rumit dengan melakukan proses belajar melalui perubahan bobot sinapsisnya. Jaringan syaraf menyimulasi struktur proses-proses otak (fungsi syaraf biologis) dan kemudian membawanya kepada perangkat lunak kelas baru yang dapat mengenali pola-pola yang kompleks serta belajar dari pengalaman-pengalaman masa lalu.
Banyak aplikasi-aplikasi yang telah dihasilkan seiring berkembangnya teknologi. Penelitian-penelitian tentang aplikasi penggunaan JST telah banyak dikaji dalam berbagai ilmu pengetahuan, misalnya di bidang kedokteran adalah Application of Neural Networks to the Interpretation of Laboratory Data in
dalam bidang ekonomi seperti Prediksi Harga Saham Menggunakan Jaringan Syaraf Tiruan Multilayer Feed Forward Network dengan Algoritma Backpropagation (Setiawan, 2008).
Berdasarkan permasalahan tersebut dan dengan perkembangan teknologi jaringan syaraf, muncul gagasan untuk membuat suatu sistem yang dapat mendeteksi dini penyakit TBC yang dapat bekerja dengan efektif.
Akan sangat membantu jika ada suatu alat untuk mendeteksi penyakit (TBC) pada pasien agar dapat dilakukan penanganan sedini mungkin. Untuk itu, pada penelitian ini dipelajari dan dicoba membuat aplikasi JST untuk mendeteksi penyakit (TBC). JST dalam mendiagnosis jenis penyakit menyimpan sejumlah data, yaitu informasi gejala-gejala yang terdapat pada pasien. Pelatihan jaringan dapat dipresentasikan dengan input yang terdiri atas serangkaian gejala yang diidap oleh penderita. Setelah itu, jaringan syaraf akan melatih input gejala tersebut, sehingga ditemukan suatu akibat dari gejala tersebut yaitu suspek atau tidaknya pasien mengidap Tuberculosis.
1.2
Perumusan Masalah
Berdasarkan permasalahan yang telah diuraikan pada bagian latar belakang, maka permasalahan yang timbul antara lain:
a. Bagaimana menciptakan suatu sistem yang dapat mendeteksi penyakit Tuberculosis (TBC) secara dini menggunakan model jaringan syaraf tiruan
b. Bagaimana tingkat akurasi sistem dalam mendeteksi suspek atau tidaknya pasien mengidap penyakit Tuberculosis (TBC) berdasarkan data-data yang ada?
1.3 Batasan Masalah
Agar dalam pembahasan skripsi ini tidak terlalu meluas, maka penulis mencantumkan pembatasan masalah sebagai berikut.
a. Penyakit Tuberculosis (TBC) yang dimaksud dalam penelitian ini adalah TBC paru.
b. Menciptakan suatu sistem untuk mendeteksi dini penyakit TBC berdasarkan gejala-gejala umum TBC dengan bantuan software Matlab R2009a.
c. Mengetahui pengaruh perubahan variasi jumlah neuron hidden layer dan learning rate dalam sistem terhadap tingkat akurasi pendeteksian.
d. Data yang digunakan dalam penelitian ini hanya diambil dari Balai Kesehatan Paru Masyarakat (BKPM) kota Pekalongan, Jawa Tengah.
1.4
Tujuan dan Manfaat
1.4.1 Tujuan Penulisan
Tujuan penulisan skripsi ini adalah:
a. Merancang suatu sistem yang dapat mendeteksi penyakit TBC secara dini supaya pasien mendapat pengobatan sedini mungkin dengan menggunakan jaringan syaraf tiruan backpropagation.
b. Mengetahui tingkat akurasi sistem dalam mendeteksi penyakit TBC.
1.4.2 Manfaat Penulisan
Manfaat yang bisa diperoleh dari penyusunan skripsi ini adalah: a. Bagi peneliti
1) Peneliti dapat membuat suatu sistem yang dapat mendeteksi penyakit TBC secara dini dengan jaringan syaraf tiruan backpropagation.
2) Peneliti dapat menentukan dan mengetahui arsitektur jaringan syaraf tiruan yang paling optimal untuk mendeteksi penyakit TBC.
3) Peneliti dapat mengetahui tingkat keakuratan sistem yang digunakan untuk mendeteksi penyakit TBC berdasarkan gejala-gejala yang ada pada pasien. b. Bagi Mahasiswa
Penelitian ini dapat memberikan inspirasi dan gagasan baru bagi mahasiswa untuk mengembangkan dan merancang aplikasi menggunakan JST yang nantinya dapat dimanfaatkan di berbagai bidang ilmu pengetahuan sehingga berguna dalam kehidupan sehari-hari.
c. Bagi instansi terkait
1.5
Sistematika Penulisan
Secara garis besar penulisan skripsi ini terdiri atas tiga bagian, yaitu bagian awal, bagian isi, dan bagian pokok, yang masing-masing diuraikan sebagai berikut.
1.5.1 Bagian Awal
Dalam penulisan skripsi ini, bagian awal berisi halaman judul, halaman pengesahan, motto dan persembahan, kata pengantar, abstrak, daftar isi, daftar tabel, daftar gambar, dan daftar lampiran.
1.5.2 Bagian Pokok
Bagian pokok dari penulisan skripsi ini adalah isi skripsi yang terdiri atas lima bab, yaitu:
(1) BAB I PENDAHULUAN
Berisi tentang latar belakang, perumusan masalah, batasan masalah, tujuan dan manfaat, serta sistematika penulisan skripsi.
(2) BAB II LANDASAN TEORI
Berisi tentang Tuberculosis, jaringan syaraf tiruan, Matrix Laboratory (Matlab), dan confusion matrix.
(3) BAB III METODE PENELITIAN
(4) BAB IV HASIL DAN PEMBAHASAN
Berisi tentang perancangan sistem deteksi dini penyakit TBC dengan metode jaringan syaraf tiruan backpropagation, pengambilan data, pengolahan data, pengukuran evaluasi unjuk kerja sistem, dan analisis hasil kerja sistem
(5) BAB V PENUTUP
Berisi simpulan hasil penelitian dan saran-saran peneliti.
1.5.3 Bagian Akhir
12
BAB 2
LANDASAN TEORI
2.1
Tuberculosis
(TBC)
Menurut Misnadiarly (2006: 11), penyakit TBC (Tuberkulosa) merupakan penyakit kronis (menahun) yang telah lama dikenal oleh masyarakat luas dan ditakuti karena menular. Pada 1882, Robert Kock secara meyakinkan telah dapat memberikan bukti bahwa TBC adalah suatu penyakit infeksi yang disebabkan oleh bakteri yang diberi nama Mycobacterium tuberculosis. Bakteri tersebut berwarna merah, berbentuk batang, dan tahan asam disebut Basil Tahan Asam (BTA). Orang yang pertama kali dapat membuktikan bahwa TBC adalah penyakit yang dapat ditularkan adalah Villemin yang hidup pada tahun 1827-1894. Menurut Robbins, sebagaimana dikutip oleh Misnadiarly (2006: 11), TBC adalah penyakit infeksi kronis yang disebabkan oleh Mycobacterium tuberculosis, dan biasa terdapat pada paru-paru, tetapi mungkin juga pada organ lain seperti kelenjar getah bening (nodus lymphaticus). Bakteri TBC yang masuk ke dalam kelenjar getah bening dapat menimbulkan peradangan pada kelenjar tersebut disertai perubahan struktur jaringan.
1. Batuk berdahak
Keluhan batuk timbul paling awal dan merupakan gangguan yang paling sering dikeluhkan. Jika penyakit TBC sudah cukup parah, maka batuk akan disertai dengan darah.
2. Sesak napas
Keluhan ini ditemukan bila kerusakan parenkim paru sudah luas atau karena ada hal lain yang menyertai, seperti efusi pleura (adanya cairan di dada), pneumothoraks (rongga pleura terisi udara), anemia, dan lain-lain. 3. Nyeri dada
Nyeri dada pada TBC termasuk nyeri pleuritik ringan (dada terinfeksi bakteri). Gejala ini timbul apabila sistem pernapasan di pleura terkena TBC. 4. Demam pada sore atau malam hari
Keluhan yang sering dijumpai dan biasanya timbul pada sore atau malam hari mirip demam influenza, hilang timbul, dan semakin lama semakin panjang serangannya, sedangkan masa bebas serangan semakin pendek.
5. Keluhan lain yang biasa timbul ialah keringat malam, anoreksia, penurunan berat badan, dan badan lemah (malaise). Timbulnya keluhan biasanya bersifat gradual muncul dalam beberapa minggu – bulan.
mendapat pengaruh besar dari daya tahan tubuh yang lemah atau menurun dan jumlah kuman yang memegang peranan penting dalam terjadinya infeksi TBC.
2.2
Jaringan Syaraf Tiruan (JST)
2.2.1 Sejarah Jaringan Syaraf Tiruan
Jaringan syaraf tiruan sederhana pertama kali diperkenalkan oleh McCulloch dan Pitts di tahun 1943. McCulloch dan Pitts menyimpulkan bahwa kombinasi beberapa neuron sederhana menjadi sebuah sistem neural akan meningkatkan kemampuan komputasinya. Bobot dalam jaringan yang diusulkan oleh McCulloch dan Pitts diatur untuk melakukan fungsi logika sederhana. Fungsi aktivasi yang dipakai adalah fungsi threshold. Tahun 1949, Hebb mencoba mengkaji proses belajar yang dilakukan oleh neuron. Teori ini dikenal sebagai Hebbian Law. Tahun 1958, Rosenblatt memperkenalkan dan mulai mengembangkan model jaringan yang disebut perceptron. Metode pelatihan diperkenalkan untuk mengoptimalkan hasil iterasinya.
Tahun 1982, Hopfield telah memperluas aplikasi JST untuk memecahkan masalah-masalah optimasi. Hopfield telah berhasil memperhitungkan fungsi energi ke dalam jaringan syaraf, yaitu agar jaringan memiliki kemampuan mengingat atau memperhitungkan suatu obyek dengan obyek yang pernah dikenal atau diingat sebelumnya (associative memory). Konfigurasi jaringan yang demikian dikenal sebagai recurrent network. Salah satu aplikasinya adalah Travelling Salesman Problem (TSP) (Puspitaningrum, 2006).
Pada tahun 1986, Rumelhart menciptakan suatu algoritma belajar yang dikenal sebagai propagasi balik (backpropagation). Bila algoritma ini diterapkan pada perceptron yang memiliki lapisan banyak (multi layer perceptron), maka dapat dibuktikan bahwa pemilahan pola-pola yang tidak linier dapat diselesaikan. Perkembangan JST yang ramai dibicarakan sejak tahun 1990-an adalah aplikasi model-model jaringan syaraf tiruan untuk menyelesaikan berbagai masalah di dunia nyata (Siang, 2009).
2.2.2 Definisi Jaringan Syaraf Tiruan
Jaringan syaraf tiruan (JST) didefinisikan sebagai suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan syaraf manusia (Hermawan, 2006). Beberapa istilah dalam JST yang sering ditemui adalah sebagai berikut.
b) Jaringan: kumpulan neuron yang saling terhubung dan membentuk lapisan. c) Lapisan tersembunyi (hidden layer): lapisan yang tidak secara langsung
berinteraksi dengan dunia luar. Lapisan ini memperluas kemampuan jaringan syaraf tiruan dalam menghadapi masalah-masalah yang kompleks.
d) Input: sebuah nilai input yang akan diproses menjadi nilai output. e) Output: solusi dari nilai input.
f) Bobot: nilai matematis dari sebuah koneksi antar-neuron.
g) Fungsi aktivasi: fungsi yang digunakan untuk meng-update nilai-nilai bobot per-iterasi dari semua nilai input.
h) Fungsi aktivasi sederhana adalah mengalikan input dengan bobotnya dan kemudian menjumlahkannya (disebut penjumlahan sigma) berbentuk linier atau tidak linier dan sigmoid.
i) Paradigma pembelajaran: bentuk pembelajaran, supervised learning, atau unsupervised learning.
Menurut Siang (2009:2), JST adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi, dengan asumsi bahwa a. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).
b. Sinyal dikirimkan di antara neuron-neuron melalui penghubung-penghubung. c. Penghubung antar-neuron memiliki bobot yang akan memperkuat atau
memperlemah sinyal.
diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang (threshold).
JST ditentukan oleh tiga hal, yaitu
(1) Pola hubungan antar-neuron (disebut arsitektur jaringan).
(2) Metode untuk menentukan bobot penghubung (disebut metode training/ learning/ algoritma).
(3) Fungsi aktivasi (fungsi transfer).
Neuron adalah unit pemroses informasi yang menjadi dasar dalam
pengoperasian jaringan syaraf tiruan (Siang, 2009:23). Neuron terdiri atas tiga elemen pembentuk sebagai berikut.
(1) Himpunan unit-unit yang dihubungkan dengan jalur koneksi.
(2) Suatu unit penjumlah yang akan menjumlahkan masukan-masukan sinyal yang sudah dikalikan dengan bobotnya.
(3) Fungsi aktivasi yang menentukan apakah sinyal dari input neuron akan diteruskan ke neuron lain ataukah tidak.
Neuron dalam jaringan syaraf tiruan sering diganti dengan istilah simpul.
2.2.3 Komponen Jaringan Syaraf Tiruan
Pada umumnya JST memiliki dua lapisan, yaitu input layer dan output layer. Tetapi pada perkembangannya, adapula JST yang memiliki satu lapisan lagi
yang terletak di antara input layer dan output layer. Lapisan ini disebut lapisan hidden layer. Menurut Halim et all. (2004: 12), berikut penjelasan mengenai
komponen JST.
2.2.3.1 Input Layer
Input layer berisi node-node yang masing-masing menyimpan sebuah nilai masukan yang tidak berubah pada fase latih dan hanya bisa berubah jika diberikan nilai masukan baru. Node pada lapisan ini tergantung pada banyaknya input dari suatu pola.
2.2.3.2 Hidden Layer
Lapisan ini tidak pernah muncul sehingga dinamakan hidden layer. Akan tetapi semua proses pada fase pelatihan dan fase pengenalan dijalankan di lapisan ini. Jumlah lapisan ini tergantung dari arsitektur yang akan dirancang, tetapi pada umumnya terdiri dari satu lapisan hidden layer.
2.2.3.3 Output Layer
Output layer berfungsi untuk menampilkan hasil perhitungan sistem oleh
fungsi aktivasi pada lapisan hidden layer berdasarkan input yang diterima.
2.2.4 Arsitektur Jaringan Syaraf Tiruan
bobot koneksi harus diubah agar pasangan masukan-keluaran yang diinginkan dapat tercapai. Dalam setiap perubahan harga bobot koneksi dapat dilakukan dengan berbagai cara, tergantung pada jenis algoritma pelatihan yang digunakan. Dengan mengatur besarnya nilai bobot ini diharapkan bahwa kinerja jaringan dalam mempelajari berbagai macam pola yang dinyatakan oleh setiap pasangan masukan-keluaran akan meningkat. Sebagai contoh, perhatikan neuron pada Gambar 2.1 berikut.
Gambar 2.1 Sebuah Sel Syaraf Tiruan
Pada Gambar 2.1 diperlihatkan sebuah sel syaraf tiruan sebagai elemen penghitung. Simpul menerima masukan dari neuron 1, 2, dan 3 dengan
bobot hubungan masing-masing adalah 1, 2, dan 3. Argumen fungsi aktivasi
adalah net masukan (kombinasi linear masukan dan bobotnya). Ketiga sinyal simpul yang ada dijumlahkan = 1 1+ 2 2+ 3 3. Besarnya sinyal yang
diterima oleh mengikuti fungsi aktivasi = ( ). Apabila nilai fungsi aktivasi cukup kuat, maka sinyal akan diteruskan. Nilai fungsi aktivasi (keluaran model jaringan) juga dapat dipakai sebagai dasar untuk merubah bobot (Hartono, 2012).
X2 X1
X3
Y W1
W2
Arsitektur jaringan syaraf tiruan digolongkan menjadi tiga model.
2.2.4.1 Jaringan Layer Tunggal
Dalam jaringan ini, sekumpulan input neuron dihubungkan langsung dengan sekumpulan output-nya, seperti Gambar 2.2.
Keterangan:
1, , : Nilai input ke 1 sampai
1, , : Nilai output hasil pembangkitan nilai input oleh suatu fungsi
aktivasi
: Bobot atau nilai
Pada Gambar 2.2 diperlihatkan bahwa arsitektur jaringan layer tunggal dengan buah masukan ( 1, 2, ) dan buah keluaran ( 1, 2, ). Dalam
[image:38.595.128.526.250.453.2]jaringan ini semua unit input dihubungkan dengan semua unit output. Tidak ada Gambar 2.2 Jaringan Layer Tunggal
Input Units Output Units
X1
Xi
Xn Y
m Yj Y1 W11
W1j W1m
Wi1
Wij
Wim Wn1 Wnj
unit input yang dihubungkan dengan unit input lainnya dan unit output-pun demikian.
2.2.4.2 Jaringan Layer Jamak
Keterangan:
1, , : Nilai input ke 1 sampai 1, , : Nilai dari neuron hidden layer
1, , : Nilai output hasil pembangkitan nilai input oleh suatu
fungsi aktivasi
, : Bobot atau nilai
Pada Gambar 2.3 memperlihatkan jaringan dengan buah unit masukan
( 1, 2,…, ), sebuah layer tersembunyi yang terdiri dari buah unit
( 1, 2,…, ) dan buah unit keluaran ( 1, 2,…, ). Jaringan layer jamak
[image:39.595.138.490.185.394.2]dapat menyelesaikan masalah yang lebih kompleks dibandingkan dengan layer tunggal, meskipun kadangkala proses pelatihan lebih kompleks dan lama.
Gambar 2.3 Jaringan Layer Jamak
Xi Xn Zp Zj Z1 Ym Yk Y1
X1 V
11 V1j V1p Vi1 Vij Vip Vn1 Vnj Vnp W11 W1k W1m Wj1 Wjk Wjm Wp1 Wpk Wpm
2.2.4.3 Jaringan Reccurent
Model jaringan recurrent mirip dengan jaringan layer tunggal ataupun ganda. Hanya saja, ada neuron output yang memberikan sinyal pada unit input (sering disebut feedback loop). Dengan kata lain, sinyal mengalir dua arah, yaitu maju dan mundur.
2.2.5 Backpropagation
Backpropagation merupakan salah satu dari metode pelatihan pada jaringan
syaraf, dimana ciri dari metode ini adalah meminimalkan error pada output yang dihasilkan oleh jaringan (Puspita & Eunike, 2007). Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan mengenali pola yang digunakan selama training serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama pelatihan (Siang, 2009: 97).
[image:40.595.155.496.253.393.2]Sebagian besar pelatihan untuk jaringan feedforward (umpan maju) menggunakan gradien dari fungsi aktivasi untuk menentukan bagaimana mengatur bobot-bobot dalam rangka meminimumkan kinerja. Gradien ini ditentukan dengan
Gambar 2.4 Jaringan Recurrent
A1
Ai Aj
Am
1
1
1
1
−
− −
−
−
Gambar 2.5 Arsitektur Backpropagation
menggunakan suatu teknik yang disebut backpropagation. Pada dasarnya, algoritma pelatihan standar backpropagation akan menggerakkan bobot dengan arah gradien negatif. Prinsip dasar dari algoritma backpropagation adalah memperbaiki bobot-bobot jaringan dengan arah yang membuat fungsi aktivasi menjadi turun dengan cepat.
Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih
layer tersembunyi (Siang, 2009: 98). Gambar 2.5 adalah arsitektur
back-propagation dengan buah masukan (ditambah sebuah bias), sebuah layer tersembunyi yang terdiri atas unit (ditambah sebuah bias), serta buah keluaran. Arsitektur jaringan ini disebut jaringan layer jamak.
merupakan bobot garis dari unit masukan ke unit layer tersembunyi ( 0 merupakan bobot garis yang menghubungkan bias di unit masukan ke unit layer
Z1 Zj
Yk Ym
1 Zp
1 X1 Xi Xn
Y1
V10 Vj0
Vp0
V11 Vj1
Vp1
V1i Vji
Vpi V1n
Vjn Vkn
W10 Wk0
Wm0 W11
Wk1
Wm1 W1j
Gambar 2.6 Fungsi Sigmoid Biner dengan range (0,1)
tersembunyi ). merupakan bobot dari layer tersembunyi ke unit keluaran ( 0 merupakan bobot dari bias di layer tersembunyi ke unit keluaran ).
2.2.6 Fungsi Aktivasi
Dalam backpropagation, fungsi aktivasi yang dipakai harus memenuhi beberapa syarat, yaitu kontinu, terdiferensial dengan mudah, dan merupakan fungsi yang tidak turun (Siang, 2009: 99). Fungsi aktivasi diharapkan jenuh (mendekati nilai-nilai maksimum dan minimum secara asimtot) (Puspitaningrum, 2006: 133).
Beberapa fungsi aktivasi dalam JST adalah sebagai berikut (Puspitaningrum, 2006: 133).
2.2.6.1 Fungsi Sigmoid Biner
Fungsi ini merupakan fungsi yang umum digunakan. Range-nya adalah
(0,1) dan didefinisikan sebagai berikut.
1 =
1
1 + −
dengan turunan
1′ = 1 (1− 1 )
2.2.6.2 Fungsi Sigmoid Bipolar
Fungsi sigmoid bipolar merupakan fungsi yang umum digunakan dan memiliki range (-1,1) yang didefinisikan sebagai
2 = 2 1 −1
dengan turunan
2′ =
1
2 1 + 2 1− 2
Fungsi sigmoid bipolar diilustrasikan sebagai berikut.
2.2.6.3 Fungsi Tangen Hiperbolik
Fungsi tangen hiperbolik didefinisikan sebagai
= −
−
+ −
dengan turunan
[image:43.595.244.401.311.484.2]′ = 1 + 1− .
2.2.7 Pelatihan Standar Backpropagation
Ada tiga fase pelatihan backpropagation, antara lain (Siang, 2009:100-101):
2.2.7.1 Fase 1, yaitu propagasi maju
Dalam propagasi maju, setiap sinyal masukan (= ) dipropagasikan ke layer tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari
setiap unit layer tersembunyi (= ) tersebut selanjutnya dipropagasikan maju lagi ke layer tersembunyi diatasnya menggunakan fungsi aktivasi, demikian seterusnya hingga menghasilkan keluaran jaringan(= ). Berikutnya, keluaran jaringan (= ) dibandingkan dengan target yang harus dicapai (= ). Selisih
− adalah kesalahan yang terjadi. Jika kesalahan ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan. Akan tetapi, apabila kesalahan masih lebih besar dari batas toleransinya, maka bobot setiap garis dalam jaringan akan dimodifikasi untuk mengurangi kesalahan yang terjadi.
2.2.7.2 Fase 2, yaitu propagasi mundur
2.2.7.3 Fase 3, yaitu perubahan bobot
Setelah semua faktor dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan bobot suatu garis didasarkan atas faktor neuron di layer atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke layer keluaran didasarkan atas yang ada di unit keluaran.
Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi. Umumnya, kondisi penghentian yang sering dipakai adalah jumlah iterasi atau kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan.
2.2.8 Algoritma Pelatihan
Menurut Siang (2009:102), algoritma pelatihan untuk jaringan dengan satu layer tersembunyi (dengan fungsi aktivasi sigmoid biner) adalah sebagai berikut.
Langkah 0 : Inisialisasi semua bobot dengan bilangan acak kecil.
Langkah 1 : Jika kondisi penghentian belum terpenuhi, lakukan langkah 2-9.
Langkah 2 : Untuk setiap pasang data pelatihan, lakukan langkah 3-8. Fase I : Propagasi Maju
Langkah 3 : Tiap unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi diatasnya.
Langkah 4 : Hitung semua keluaran di unit tersembunyi ( = 1,2,…, ).
_ = 0 +
=1
= _ = 1
Langkah 5 : Hitung semua keluaran jaringan di unit ( = 1,2,…, ).
_ = 0+
=1
= _ = 1
1 + − _
Fase II: Propagasi Mundur
Langkah 6 : Hitung faktor unit keluaran berdasarkan kesalahan di setiap unit keluaran = 1,2,…,
= − ′ _ = − 1−
merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layer di bawahnya (langkah 7).
Hitung suku perubahan bobot (yang akan dipakai nanti untuk merubah bobot ) dengan laju percepatan �.
∆ =� ; = 1,2,…, ; = 0,1,…,
Langkah 7 : Hitung faktor unit tersembunyi berdasarkan kesalahan di setiap unit tersembunyi ( = 1,2,…, )
_ =
=1
Faktor unit tersembunyi
= _ ′ _ = _ 1−
Hitung suku perubahan bobot (yang dipakai nanti untuk merubah bobot )
Fase III: Perubahan Bobot
Langkah 8 : Hitung semua perubahan bobot Perubahan bobot garis yang menuju ke unit keluaran
= +∆ , = 1,2,…, ; = 0,1,…,
Perubahan bobot garis yang menuju ke unit tersembunyi
= +∆ ( = 1,…, ; = 1,2,…, ).
Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk pengenalan pola. Dalam hal ini, hanya propagasi maju (langkah 4 dan 5) saja yang dipakai untuk menentukan keluaran jaringan. Apabila fungsi aktivasi yang dipakai bukan sigmoid biner, maka langkah 4 dan 5 harus disesuaikan. Demikian juga turunannya pada langkah 6 dan 7.
2.2.9 Mean Square Error (MSE)
Menurut Kusumadewi (2004: 116), dalam pelatihan dengan backpropagation sama halnya seperti pelatihan pada jaringan syaraf yang lain.
Pada jaringan feedforward (umpan maju), pelatihan dilakukan dalam rangka perhitungan bobot sehingga pada akhir pelatihan akan diperoleh bobot-bobot yang baik. Selama proses pelatihan, bobot-bobot diatur secara iteratif untuk meminimumkan error (kesalahan) yang terjadi. Kesalahan dihitung berdasarkan rata-rata kuadrat kesalahan (MSE). Rata-rata kuadrat kesalahan juga dijadikan dasar perhitungan unjuk kerja fungsi aktivasi.
Menurut Pratiwi (2011), pelatihan dilakukan berulang-ulang dan berhenti jika telah mencapai batas iterasi maksimum yang ditentukan dan nilai error kurang dari Mean Square Error. Semakin kecil nilai MSE, maka dapat dianggap bahwa arsitektur jaringan semakin baik, demikian sebaliknya.
2.3
Pengenalan Pola
Pengenalan pola dibedakan menjadi tiga, yaitu:
2.3.1 Deteksi
Deteksi adalah usaha untuk menemukan keberadaan, anggapan, atau kenyataan (Poerwadarminta, 2007). Deteksi umumnya berkaitan dengan segmentasi dan proses thresholding, misalnya dalam mendeteksi daun pada suatu gambar, maka benda yang berwarna hijau akan terdeteksi sebagai daun (Rupam, 2011).
2.3.2 Klasifikasi
Klasifikasi adalah proses menemukan sekumpulan model/ fungsi yang menjelaskan dan membedakan data ke dalam kelas-kelas tertentu dengan tujuan menggunakan model tersebut dalam menentukan kelas dari suatu obyek yang belum diketahui kelasnya (Maharani, 2009). Misalnya dalam pengklasifikasian mobil.
2.3.3 Pengenalan
Pengenalan pola bertujuan menentukan kelompok atau kategori pola berdasarkan ciri-ciri yang dimiliki oleh pola tersebut. Tujuan pengelompokan adalah untuk mengenali suatu objek dalam citra (Sari, 2010). Misalnya, dalam mengenali suatu wajah pada gambar, maka wajah akan dideteksi dan diproses untuk dibandingkan dengan database wajah yang dikenal sebelumnya untuk menentukan siapa orang tersebut.
2.4
Matrix Laboratory
(Matlab)
selanjutnya dapat diolah menjadi suatu informasi. Dalam skripsi ini, penulis menggunakan software Matrix Laboratory (Matlab) untuk mencari penyelesaian masalah pengenalan pola dari suatu data yang telah disiapkan.
Menurut Iqbal (2009), Matlab adalah sebuah bahasa dengan (high-performance) kinerja tinggi untuk komputasi masalah teknik. Matlab
mengintegrasikan komputasi, visualisasi, dan pemrograman dalam suatu model yang sangat mudah untuk pakai dimana masalah-masalah dan penyelesaiannya diekspresikan dalam notasi matematika yang familiar. Penggunaan Matlab meliputi bidang-bidang:
(1) matematika dan komputansi, (2) pembentukan algorithm, (3) akusisi data,
(4) pemodelan, simulasi, dan pembuatan prototype, (5) analisis data, eksplorasi, dan visualisasi,
(6) grafik keilmuan dan bidang rekayasa.
2.4.1 Jendela-jendela pada Matlab
Ada beberapa macam jendela yang tersedia dalam Matlab, yang dapat dijelaskan sebagai berikut.
2.4.1.1 Command Window/ Editor
Gambar 2.8 Matlab Command Window
Command window juga digunakan untuk memanggil tool Matlab seperti editor, debugger atau fungsi. Ciri dari jendela ini adalah adanya prompt (>>) yang
menyatakan Matlab siap menerima perintah. Perintah dapat berupa fungsi-fungsi pengaturan file (seperti perintah DOS/UNIX) maupun fungsi-fungsi bawaan atau toolbox Matlab sendiri. Berikut ini beberapa fungsi pengaturan file dalam Matlab.
dir/ls : digunakan untuk melihat isi dari sebuah direktori aktif; cd : digunakan untuk melakukan perpindahan dari direktori aktif; pwd : digunakan untuk melihat direktori yang sedang aktif;
mkdir : digunakan untuk membuat sebuah direktori;
what : digunakan untuk melihat nama file m dalam direktori aktif; who : digunakan untuk melihat variabel yang sedang aktif;
whos : digunakan untuk menampilkan nama setiap variabel; delete : digunakan untuk menghapus file;
clear : digunakan untuk menghapus variabel; clc : digunakan untuk membersihkan layar;
demo : digunakan untuk mencoba beberapa tampilan demo yang disediakan oleh Matlab.
2.4.1.2 Current Directory
Jendela ini menampilkan isi dari direktori kerja saat menggunakan Matlab. Direktori ini dapat diganti sesuai dengan tempat direktori kerja yang diinginkan. Default dari alamat direktori berada dalam folder works tempat program files
[image:52.595.194.433.306.444.2]Matlab berada.
Gambar 2.9 Matlab Current Directory
2.4.1.3 Command History
Jendela ini berfungsi untuk menyimpan perintah-perintah apa saja yang sebelumnya dilakukan oleh pengguna terhadap Matlab.
[image:52.595.190.436.561.705.2]2.4.1.4 Editor/ Debugger (Editor M-File/ Pencarian Kesalahan)
[image:53.595.192.434.251.393.2]Jendela ini merupakan tool yang disediakan oleh Matlab 5 ke atas. Berfungsi sebagai editorscript Matlab (M-file). Walaupun sebenarnya script ini untuk pemrograman Matlab, dapat saja menggunakan editor yang lain seperi notepad, wordpad bahkan Microssoft Word.
Gambar 2.11 Matlab Editor M-File
2.4.1.5 Figure Windows
Jendela ini adalah hasil visualisasi dari script Matlab, namun Matlab memberi kemudahan bagi programer untuk mengedit jendela ini sekaligus memberikan program khusus untuk itu. Sehingga jendela ini selain berfungsi sebagai visualisasi output dapat juga sekaligus menjadi media input yang interaktif.
[image:53.595.192.433.592.729.2]2.4.1.6 Workspace
Workspace berfungsi untuk menampilkan seluruh variabel-variabel yang
[image:54.595.195.431.306.442.2]sedang aktif pada saat pemakaian Matlab. Apabila variabel berupa data matriks berukuran besar maka pengguna dapat melihat isi dari seluruh data dengan melakukan double klik pada variabel tersebut. Matlab secara otomatis akan menampilkan jendela “array editor” yang berisikan data pada setiap variabel yang dipilih pengguna.
Gambar 2.13 Matlab Workspace
2.4.1.7 Matlab Help Window
Matlab menyediakan sistem help yang dapat diakses dengan perintah help. Misalnya, untuk memperoleh informasi mengenai fungsi elfun yaitu fungsi untuk trigonometri, eksponensial, compleks dan lain-lain.
[image:54.595.194.434.585.725.2]2.4.2 Kelengkapan pada Sistem Matlab
Sebagai sebuah sistem, Matlab tersusun dari lima bagian utama (Iqbal, 2009)
2.4.2.1 Development Environment
Merupakan sekumpulan perangkat dan fasilitas yang membantu untuk menggunakan fungsi-fungsi dan file-file Matlab. Beberapa perangkat ini merupakan sebuah graphical user interfaces (GUI). Termasuk didalamnya adalah Matlab desktop dan command window, command history, sebuah editor dan debugger, dan browsers untuk melihat help, workspace, files, dan search path.
2.4.2.2 MatlabMathematical Function Library
Merupakan sekumpulan algoritma komputasi mulai dari fungsi-fungsi dasar seperti: sum, sin, cos, dan complexarithmetic, sampai dengan fungsi-fungsi yang lebih kompleks seperti matrix inverse, matrix eigenvalues, bessel functions, dan fast fourier transforms.
2.4.2.3 MatlabLanguage
Merupakan suatu high-level matrix/ array language dengan control flow statements, functions, data structures, input/ output, dan fitur-fitur object-oriented
programming. Ini memungkinkan untuk melakukan kedua hal baik "pemrograman
2.4.2.4 Graphics
Matlab memiliki fasilitas untuk menampilkan vektor dan matriks sebagai suatu grafik. Di dalamnya melibatkan high-level functions (fungsi-fungsi tingkat tinggi) untuk visualisasi data dua dimensi dan data tiga dimensi, image processing, animation, dan presentation graphics. Ini juga melibatkan fungsi level rendah yang memungkinkan untuk memunculkan grafik mulai dari bentuk yang sederhana sampai dengan tingkatan graphical user interface pada aplikasi Matlab.
2.4.2.5 Matlab Application Program Interface (API)
Merupakan suatu library yang memungkinkan program yang telah Anda tulis dalam bahasa C dan Fortran mampu berinteraksi dengan Matlab. Ini melibatkan fasilitas untuk pemanggilan routines dari Matlab (dynamic linking), pemanggilan Matlab sebagai contoh computational engine dan untuk membaca dan menuliskan Mat-files.
2.4.3 GUIDE Matlab
Gambar 2.15 Tampilan GUIDE Matlab
2.4.3.1 Keunggulan GUIDE Matlab
GUIDE Matlab mempunyai kelebihan tersendiri dibandingkan dengan bahasa pemrograman lainnya, antara lain:
(1) GUIDE Matlab banyak digunakan dan cocok untuk aplikasi-aplikasi berorientasi sains, sehingga banyak peneliti dan mahasiswa menggunakan GUIDE Matlab untuk menyelesaikan riset atau tugas akhirnya.
(2) GUIDE Matlab mempunyai fungsi built-in yang siap digunakan dan pemakai tidak perlu repot membuatnya sendiri.
(3) Ukuran file, baik FIG-file maupun M-file yang dihasilkan relatif kecil.
(4) Kemampuan grafisnya cukup handal dan tidak kalah dibandingkan dengan bahasa pemrograman lainnya.
2.4.3.2 Komponen GUIDE Matlab
Untuk membuat sebuah user interface Matlab dengan fasilitas GUIDE harus mulai dengan membuat sebuah desain figure. Untuk membuat sebuah desain figure dapat memanfaatkan uicontrol (kontrol user interface). Beberapa uicontrol
2.4.3.2.1 Push Button
Push button merupakan jenis kontrol berupa tombol tekan yang akan
menghasilkan tindakan jika diklik, misalnya OK, Cancel, Hitung, Hapus, dan sebagainya. Untuk menampilkan tulisan pada push button, pengaturannya dapat melalui property inspector atau menggunakan klik kanan dan pilih property inspector. Selanjutnya, isilah tab string dengan label yang diinginkan.
2.4.3.2.2 Toggle Button
Toggle button menghasilkan efek yang hampir sama dengan push button.
Perbedaannya adalah saat push button ditekan, maka tombol akan kembali pada posisi semula jika tombol mouse dilepas, sedangkan pada toogle button, tombol tidak akan kembali pada posisi semula, kecuali jika menekannya kembali.
2.4.3.2.3 Radio Button
Radio button digunakan untuk memilih atau menandai satu pilihan dari beberapa pilihan yang ada. Misalnya, sewaktu akan dibuat aplikasi konversi suhu. Suhu awal dalam derajat Celcius diinputkan dan selanjutnya pilihan untuk mengonversi suhu Celcius ke Reamur, Fahrenheit, atau Kelvin.
2.4.3.2.4 Checkboxes
Kontrol checkboxes berguna jika terdapat beberapa pilihan mandiri atau tidak bergantung dengan pilihan-pilihan lainnya. Contoh aplikasi penggunaan checkboxes adalah saat pemilihan hobi. Karena hobi bisa lebih dari satu, maka
2.4.3.2.5 Edit Text
Kontrol edit text merupakan sebuah tempat yang memungkinkan untuk memasukkan atau memodifikasi text. String property berisi teks yang akan memunculkan pada kotak edit text. Kemudian, edit text bermanfaaat pula untuk menginputkan suatu data dari keyboard. Sebagai contoh, suatu aplikasi untuk menentukan luas dan keliling sebuah lingkaran. Input dan outputnya disajikan dari edit text.
2.4.3.2.6 Static Text
Kontrol static text akan menghasilkan teks bersifat statis (tetap), sehingga pemakai tidak dapat melakukan perubahan padanya. Pada static text, teks dapat diatur dengan beberapa fasilitas, antara lain jenis dan ukuran font, warna justifikasi (left, center, right), dan lain-lain. Semuanya juga dapat dimodifikasi melalui property inspector.
2.4.3.2.7 Slider
Slider berguna jika inputan nilai yang diinginkan tidak menggunakan keyboard, tetapi hanya dengan cara menggeser slider secara vertikal maupun
horizontal ke nilai yang kita inginkan. Dengan menggunakan slider, pemasukan nilai data dapat dilakukan secara lebih fleksibel karena nilai max, nilai min, serta sliderstep dapat diatur sendiri.
2.4.3.2.8 Frames
2.4.3.2.9 Listboxes
Kontrol listbox menampilkan semua daftar item yang terdapat pada string property dan item yang ada dapat dipilih satu atau lebih. Value property berisi
indeks yang dihubungkan dengan daftar item yang dapat dipilih. Jika item yang dipilih lebih dari satu, maka nilai yang dikirimkan merupakan sebuah vektor. Indeks-indeks item sebuah listbox merupakan bilangan bulat, dimana item pertama diberi indeks 0, item kedua diberi indeks 1, dan seterusnya.
2.4.3.2.10 Popup Menu
Popup menu berguna menampilkan daftar pilihan yang didefinisikan pada string property ketika mengklik tanda panah pada aplikasi dan memiliki fungsi
yang sama seperti radio button. Ketika tidak dibuka, popup menu hanya menampilkan satu item yang menjadi pilihan pertama pada string property. Popup menu sangat bermanfaat ketika sebuah pilihan tanpa jarak diberikan, tidak seperti
radio button.
2.4.3.2.11 Axes
Axes berguna untuk menampilkan sebuah grafik atau gambar (image). Axes
sebenarnya tidak masuk dalam uicontrol, tetapi axes dapat diprogram agar pemakai dapat berinteraksi dengan axes dan objek grafik yang ditampilkan melalui axes.
2.4.4 ToolboxBackpropagation di Matlab
Software Matlab mempunyai beberapa perintah yang dapat digunakan untuk
(1) newff : digunakan untuk membentuk jaringan syaraf dengan backpropagation;
(2) train : digunakan untuk melakukan pelatihan jaringan;
(3) sim : digunakan untuk melakukan output dari jaringan yang sudah dilatih;
(4) minmax : digunakan untuk mencari nilai minimum dan maksimum data input;
(5) trainParam : digunakan untuk menentukan parameter pelatihan jaringan seperti epoch, goal, learning rate, dan momentum coefisient (mc);
(6) tansig, logsig : parameter fungsi aktivasi dari suatu layer jaringan: tansig adalah fungsi aktivasi bipolar sigmoid dan logsig fungsi aktivasi binary sigmoid.
2.5
Confusion Matrix
Setelah dilakukan pemodelan data untuk klasifikasi, maka hal yang harus dikerjakan selanjutnya adalah menentukan seberapa besar tingkat akurasi sistem tersebut dalam mengenali data set pengujian.
besar tupel akan diwakili sepanjang diagonal dari confusion matrix, dari entri
��1,1 sampai entri �� , , dengan sisa entri yang mendekati nol. Tabel ini dapat
memiliki tambahan baris atau kolom untuk nilai total atau tingkat persentase per kelas.
Tabel 2.1 Contoh Confussion Matrix Kelas Prediksi Kelas Utama
Suspek TBC Negatif TBC Suspek TBC True Positive False Negative Negatif TBC False Positive True Negative
Diberikan dua kelas, yaitu tupel positif (tupel dari kelas utama, misalnya, suspek TBC) versus tupel negatif (misalnya, negatif TBC).
a. True positives mengacu pada tupel positif yang dikelompokkan dengan benar sebagai positif.
b. True negatives adalah tupel negatif yang dikelompokkan dengan benar sebagai negatif.
c. False positives adalah tupel negatif yang berlabel salah (misalnya, tupel kelas “negatif TBC” oleh pengelompok dikenali “suspek TBC”).
d. False negatives adalah tupel positif yang dilabelkan dengan salah (misalnya, tupel dari kelas “suspek TBC” tetapi pengelompok dikenali sebagai “negatif TBC”).
Sensitivitas dapat disebut sebagai angka positif benar (true positive) yaitu proporsi dari tupel positif yang dikenali dengan benar, sedangkan spesifisitas adalah angka negatif benar yaitu proporsi dari tupel negatif yang dikenali dengan benar. Ukuran ini didefinisikan sebagai berikut (Hermoza et all., 2011).
= _
= _
� = _
_ + _
Keterangan:
t_pos : jumlah dari positif benar (misalnya tupel “suspek TBC” yang dikelompokkan dengan benar);
pos : jumlah dari tupel positif (“suspek TBC”);
t_neg : jumlah dari negatif benar (misalnya tupel “negatif TBC ” yang dikelompokkan dengan benar);
neg : jumlah dari tupel negatif (“negatif TBC”);
46
BAB 3
METODE PENELITIAN
Pada penelitian ini metode atau langkah-langkah yang digunakan adalah sebagai berikut.
3.1
Studi Pustaka
Dalam studi pustaka ini digunakan sumber pustaka yang relevan yang digunakan untuk mengumpulkan informasi yang diperlukan dalam penelitian. Studi pustaka dengan mengumpulkan sumber pustaka yang dapat berupa buku, teks, makalah, dan sebagainya. Setelah sumber pustaka terkumpul dilanjutkan dengan penelaahan dari sumber pustaka tersebut. Pada akhirnya sumber pustaka itu dijadikan landasan untuk menganalisis permasalahan.
Dalam skripsi ini, perlu adanya studi pustaka yang berkaitan dengan permasalahan yang ada, yaitu tentang apa saja gejala-gejala umum penyakit TBC, jaringan syaraf tiruan backpropagation dan software Matlab yang akan dimanfaatkan untuk membantu menyelesaikan masalah yang ada.
3.2 Perumusan Masalah
untuk memberikan peringatan sedini mungkin berdasarkan pada data-data yang ada sebelumnya.
3.3 Pemecahan Masalah
3.3.1
Pengumpulan Data dan Pengolahan Data
Dalam perancangan sistem jaringan syaraf tiruan ini, variabel yang digunakan adalah gejala-gejala umum penyakit TBC yang meliputi batuk, sesak napas, nyeri dada, demam pada sore atau malam hari, penurunan nafsu makan, dan badan lemah (malaise). Sebagai outputnya merupakan prediksi seseorang suspek TBC atau tidak.
3.3.2
Perancangan, Pembuatan, dan Pengujian Sistem
3.3.2.1 Perancangan Sistem
Setelah data-data terkait gejala-gejala TBC telah diperoleh, langkah selanjutnya adalah merancang sistem deteksi penyakit TBC. Sistem deteksi penyakit TBC ini dirancang sebagai tahap awal untuk membuat sistem. Pada dasarnya tahap perancangan sistem ini merupakan kombinasi dari komponen-komponen perangkat lunak dan perangkat keras dari suatu sistem. Ada beberapa tahap yang dibuat dalam perancangan sistem ini adalah perancangan sistem pelatihan, arsitektur jaringan, dan perancangan sistem deteksi.
3.3.2.2 Pembuatan Sistem
Pembuatan sistem deteksi penyakit TBC ini menggunakan software Matlab. Software ini memiliki tools yang dapat memudahkan dalam proses pembuatan
program khususnya jaringan syaraf tiruan. Dalam pembuatan sistem tahap yang harus dilakukan mulai dari pembuatan desain program dengan menggunakan Grapics User Interface (GUI) kemudian dilanjutkan dengan melengkapi coding Matlab agar desain program bisa berfungsi.
3.3.2.3 Pengujian Sistem
Untuk melihat arsitektur jaringan yang paling efektif, dapat dilihat dari Mean Square Error (MSE) dari proses pelatihan serta melihat recognition rate
dari proses perhitungan dengan melihat hasil confusion matrix.
3.4
Penarikan Kesimpulan
50
BAB 4
HASIL DAN PEMBAHASAN
4.1
Hasil Penelitian
4.1.1 Tahap Pengambilan Data
Pada penelitian ini, dibuat sistem deteksi untuk mengetahui suspek atau tidaknya pasien menderita penyakit TBC di kota Pekalongan. Untuk membuatnya diperlukan data-data terkait gejala-gejala umum penyakit TBC yang meliputi batuk, sesak napas, nyeri dada, demam pada sore atau malam hari, penurunan nafsu makan, dan badan lemah (malaise). Data-data tersebut digunakan untuk melakukan pelatihan program dan sebagai data latih dan data uji untuk sistem. Sebagai outputnya merupakan prediksi seseorang suspek TBC atau tidak.
4.1.2 Pendefinisian Input dan Target
Data gejala-gejala yang dialami oleh pasien selanjutnya akan diolah oleh jaringan. Agar data dapat dikenali oleh jaringan, maka data harus direpresentasikan ke dalam bentuk numerik antara 0 sampai dengan 1, baik variabel maupun isinya yang merupakan masukan gejala penyakit TBC beserta kategori dan keluaran yang merupakan prediksi penyakit TBC. Hal ini dikarenakan jaringan menggunakan fungsi aktivasi sigmoid biner (logsig) yang rangenya dari 0 sampai 1. Nilai-nilai yang digunakan diperoleh berdasarkan
kategori dari masing-masing variabel selain juga untuk memudahkan mengingat dalam pendefinisiannya.
4.1.2.1 Pendefinisian Input
Gejala-gejala penyakit TBC diubah ke dalam variabel sedangkan kategori dari masing-masing gejala tersebut diubah ke bentuk numerik, yaitu:
a. Batuk ( 1) dengan kategori: Tidak batuk = 0 Batuk biasa = 0,25 Batuk berdahak = 0,5 Batuk lama = 0,75 Batuk berdarah = 1
b. Sesak napas ( 2) dengan kategori:
Tidak sesak = 0
Sedang = 0,5
c. Nyeri dada ( 3) dengan kategori:
Tidak nyeri = 0
Jarang = 0,5
Sering = 1
d. Demam pada sore atau malam hari ( 4) dengan kategori:
Tidak = 0
Kadang-kadang demam = 0,5 Demam agak panas = 0,75
Panas sekali = 1
e. Penurunan nafsu makan ( 5) dengan kategori:
Tidak turun = 0
Turun = 1
f. Badan lemah (malaise) ( 6) dengan kategori:
Tidak lemah = 0
Lemah = 1
4.1.2.2 Penetapan Target
Hasil yang ingin diperoleh pada tahap ini, yaitu terdeteksinya suatu nilai untuk memprediksi seseorang suspek TBC atau tidak. Hasil yang maksud adalah sebagai berikut.
Gambar
Dokumen terkait
Judul yang dipilih oleh Tim peneliti untuk Hibah Penelitian dan Pengabdian Pada Masyarakat Kemenristekdikti 2017 ini adalah “Rencana Kontinjensi Pengurangan Risiko Bencana
Dari data hasil percobaan didapat bahwa semakin besar kecepatan pengadukan yaitu pada 600 rpm maka CNSL yang didapat (Ca) akan semakin besar pada waktu ekstraksi
karena nilai signifikansi lebih kecil daro 0.05 maka model regresi dapat digunakan untuk memprediksi rasio pembayaran dividen atau dapat dikatakan bahwa variabel cash
Hasil penelitian yang juga terdapat perbedaan hasil dilakukan oleh Azlina (2012) yang menyatakan bahwa variabel kejelasan tujuan dan dukungan atasan memiliki pengaruh
Pengendali roda traktor ini menggunakan prinsip kopling-dog (dog clutch). Permasalahan yang terjadi pada prototipe traktor-tangan Polman Bandung adalah masih terjadinya
Berdasarkan riwayat pengobatan epilepsi yang dialami oleh anak pada laporan kasus ini, didapatkan anak mengalami kegagalan terapi dengan obat anti epilepsi lini pertama.
