JIKOMSI [Jurnal Ilmu Komputer dan Sistem Informasi] E-ISSN : Vol.3 No.3, September-Maret 2021, pp

(1)

Vol.3 No.3, September-Maret 2021, pp 109-117

Sri Wahyuni1_{, R. Fanry Siahaan}2_{[Jaringan Saraf Tiruan Untuk Memprediksi Tingkat Penyebab}

Kematian Dari Sepuluh Peringkat Penyakit Terbesar Dengan Algoritma Backpropagation]

109

Jaringan Saraf Tiruan Untuk Memprediksi Tingkat Penyebab

Kematian Dari Sepuluh Peringkat Penyakit Terbesar Dengan

Algoritma Backpropagation

Sri Wahyuni

a,1

_{, R. Fanry Siahaan}

b,2

a,b _{STMIK Pelita Nusantara, Jl. Lintas Sumatera, Lubuk Pakam, 20551, Indonesia}

1_{sriewahyuni070769@gmail.com}_;2_{rfanry@gmail.com}

I. Pendahuluan

Kesehatan merupakan anugerah terbesar pemberian dari Yang Maha Kuasa kepada umat manusia. Pada dasarnya sehat dikelompokkan ke dalam dua bagian yaitu sehat jasmani dan sehat rohani, sehat jasmani juga dikelompokkan menjadi tiga bagian yaitu benar-benar sehat, sehat bermasalah dan benar-benar sakit [1][2]. Ragam penyakit fisik yang banyak diderita oleh masyarakat Indonesia antara lain stroke, hipertensi, jantung koroner, tuberkolosis (TBC) dan beberapa penyakit kronis lainnya. Penyakit tersebut disebut penyakit dengan tingkat intensitas kematian yang tinggi sebab hingga saat ini dunia kesehatan belum dapat memberikan solusi terhadapt penyakit tersebut secara menyeluruh [3][4].

Pusat Kesehatan Masyarakat (Puskesmas) Lubuk Pakam adalah salah satu instansi pemerintah yang melayani masyarakat dalam bidang kesehatan dan saat ini telah banyak berkontribusi dalam menangani dan melayani masyarakat dalam penyembuhan penyakit yang diderita oleh masyarakat mulai dari penyakit yang bersifat kronis hingga jenis penyakit yang dianggap tidak berbahaya. Untuk mengetahui jumlah setiap pasien yang berkunjung ke puskesmas lubuk pakam maka diterapkan pelaporan data pasien dalam jangka waktu per bulan. INFORMASI ARTIKEL A B S T R A K Kata Kunci: Prediksi_1 Penyakit_2 Puskesmas_3 Jaringan saraf tiruan _4 Backpropagation _5

Penelitian ini merupakan sebuah penerapan jaringan saraf tiruan dengan penggunaan metode backpropagation yang berdasar pada 10 penyakit pasien dengan tingkat kematian tertinggi di Puskesmas Lubuk Pakam, yaitu DBD, TBC, bronkopneumonia, pneumonia, stroke, hipertensi, jantung koroner, demam tifoid, diare, dan asma dari bulan Juli hingga bulan Desember tahun 2017, 2018, dan 2019. Dari penelitian ini diperoleh hasil dengan tingkat akurasi sebesar 58% sehingga penelitian ini dapat memberikan informasi berapa persen kematian akan penyakit yang diderita oleh pasien serta dapat mengurangi kesalahan petugas dalam pendataan penyakit pasien.

Keywords: Prediction_1 Deseseas_2 Puskesmas_3

Artificial neural networks _4 Backpropagation _5

ABSTRACT

This research is an application of artificial neural networks using the backpropagation method based on 10 patient diseases with the highest mortality rates at Lubuk Pakam Health Center, namely DBD, tuberculosis, bronchopneumonia, pneumonia, stroke, hypertension, coronary heart disease, typhoid fever, diarrhea, and asthma from July to December 2017, 2018, and 2019. From this study an application was found that can show the death rate suffered by patients with high accuracy. So that this study can provide information on what percentage of deaths will be the disease suffered by patients and can reduce officers' errors in data collection of patient diseases.

(2)

Sri Wahyuni1_{, R. Fanry Siahaan}2_{[Jaringan Saraf Tiruan Untuk Memprediksi Tingkat Penyebab} Kematian Dari Sepuluh Peringkat Penyakit Terbesar Dengan Algoritma Backpropagation]

110

Jumlah pasien yang berkunjung maupun banyaknya penyakit yang diderita oleh pasien sehingga PuskesmasLubuk Pakam tidak dapat memprediksi persediaan obat jenis penyakit mana yang lebih dominan dalam memprediksi penyakit dengan intensitas kematian yang tinggi [5].

Dalam penelitian ini digunakan Jaringan Syaraf Tiruan dengan metode Backpropagation untuk memprediksi jenis penyakit terbesar dalam mengukur tingkat kematian pasien di Puskesmas Lubuk Pakam [6].

II. Metode

Metodologi penelitian adalah langkah dan prosedur yang akan dilakukan dalam pengumpulan data atau informasi guna memecahkan permasalahan dan menguji hipotesis penelitian. Tujuan dari penelitian ini adalah untuk membuat model aturan pola dan prediksi Indeks Penyakit Pasien (IPP) menggunakan Jaringan Saraf Tiruan dengan metode Backpropagation sebagai pedoman pengambilan keputusan yang lebih baik dengan output berupa pola dan prediksi Indeks Penyakit Pasien (IPP).

Identifikasi Masalah

Studi Pustaka (Jurnal, Prosiding, Buku tentang

Jaringan Syaraf Tiruan)

Mengumpulkan Data

Pra Proses Menentukan Pola

Menguji Hasil Pengolahan Pola

Memprediksi Evaluasi Hasil

Gambar 1. Kerangka Penelitian

Data yang digunakan dalam penelitian ini adalah daftar penyakit pasien selama bulan juli 2017 sampai dengan desember 2019. Data tersebut merupakan data indeks penyakit pasien yang bersumber dari puskesmas lubuk pakam. Tabel 1 adalah Indeks Penyakit bulan juli 2019 berdasarkan jenis penyakit.

Tabel 1. Indeks Penyakit Pasien bulan Juli 2019 No Jenis Penyakit Indeks 1 Demam Berdarah Dengue 10,33 2 Tuberkolosis (TBC) 42,00 3 Bronkopneumonia 30,33 4 Pneumonia 73,17 5 Stroke 49,17 6 Hipertensi 480,17 7 Jantung Koroner 23,00 8 Demam Tifoid 36,33 9 Diare 14,17 10 Asma 14,17 Rata-rata 83,37

III. Hasil dan Pembahasan

Rata-rata indeks yang didapat dari 10 jenis penyakit seperti yang diperlihatkan pada Tabel 1 akan digunakan sebagai data pelatihan dan juga data pengujian. Pada tabel 2 berikut adalah data Indeks Penyakit Pasien (IPP) tersebut.

Tabel 2. Indeks Penyakit Pasien yang digunakan

Tahun

Indeks Penyakit Pasien

(3)

111

2017 10,44 9,28 10,95 10,02 7,44 6,71

2018 10,33 9,27 10,59 8,83 7,53 7,38

2019 7,72 8,28 8,77 8,91 8,88 8,12

Arsitektur Jaringan

Pada penelitian ini data yang digunakan sebagai pelatihan adalah dataset tahun 2017 dengan target dataset tahun 2018. Kemudian dataset tahun 2018 yang telah menjadi target tadi, dijadikan menjadi data pelatihan dengan target dataset tahun 2019, dibagi menjadi 6 pola dengan sistem perputaran. Fungsi aktivasi yang digunakan adalah fungsi sigmoid dengan ukuran rentang nilai antara 0 dan 1.

Gambar 2. Arsitektur JST Indeks Penyakit Pasien (IPP) Keterangan :

X1 – X6 : Data masukan (input layer) b (warna merah) : Bias

Vij : Bobot ke simpul hidden Wij : Bobot ke simpul output Z1 – Z6 : Hidden Layer

Y : Hasil Keluaran (output)

Penelitian menggunakan fungsi aktivasi sigmoid biner maka data yang akan diteliti terlebih dahulu dinormalisasi dalam interval [0, 1] karena data yang digunakan bernilai positif. Selain itu juga terkait fungsi aktivasi yang diberikan yaitu sigmoid biner. Fungsi sigmoid adalah fungsi asimtotik (tidak pernah mencapai 0 ataupun 1), maka transformasi data dilakukan pada interval yang lebih kecil yaitu [0.1; 0.8], ditunjukkan dengan persamaan berikut:

Dari data input pada Tabel 2, dijelaskan bahwa dataset Indeks Penyakit Pasien berdasarkan jenis penyakit Tahun 2017-2018 digunakan sebagai data pelatihan (training), sedangkan dataset Indeks Penyakit Pasien berdasarkan jenis penyakit Tahun 2018-2019 digunakan sebagai data pengujian (testing). Data yang disajikan adalah data bulan Juli sampai dengan bulan Desember tiap tahunnya.

Jika semua data telah terpenuhi maka data akan dikonversikan dan akan dibagi menjadi dua bagian yaitu sebagai data pelatihan dan data pengujian. Data pelatihan akan digunakan untuk proses pelatihan jaringan sedangkan data pengujian digunakan untuk menguji jaringan. Hasil dari proses pelatihan jaringan akan digunakan untuk proses pengujian, hasil dari proses pengujian dapat diketahui berdasarkan nilai akurasi dan Mean Squared Error (MSE).

Sebelum diproses, data dinormalisasi terlebih dahulu agar keluaran jaringan sesuai dengan fungsi aktivasi yang digunakan yaitu fungsi aktivasi signoid biner dan fungsi aktivasi signoid bipolar. Fungsi aktivasi dalam backpropagation harus memenuhi beberapa syarat yaitu: kontinu, terdiferensial dengan mudah dan fungsi yang tidak turun. Sehingga fungsi yang sering digunakan adalah fungsi signoid biner yang memiliki range (0,1) dan signoid bipolar yang memiliki range (-1,1).

(4)

112

Normalisasi data yang akan dilakukan adalah mengubah data Indeks Penyakit Pasien berdasarkan jenis penyakit yaitu dengan membuat suatu pola arsitektur terbaik menggunakan Jaringan Syaraf Tiruan dengan backpropogation. Berikut akan dijabarkan normalisasi data dalam proses prediksi berdasarkan tabel 3.

Tabel 3. Data Awal Pelatihan Tahun 2017-2018

Data Data Input Target

Juli Agustus September Oktober November Desember

Pola 1 10,44 9,28 10,95 10,02 7,44 6,71 10,33 Pola 2 9,28 10,95 10,02 7,44 6,71 10,33 9,27 Pola 3 10,95 10,02 7,44 6,71 10,33, 9,27 10,59 Pola 4 10,02 7,44 6,71 10,33 9,27 10,59 8,83 Pola 5 7,44 6,71 10,33 9,27 10,59 8,83 7,53 Pola 6 6,71 10,33 9,27 10,59 8,83 7,53 7,38

Dengan menggunakan fungsi sigmoid biner maka akan di dapat data normalisasi sebagai berikut : 𝑥′₌0,8(10,44−6,71)

10,95−6,71 + 0,1

Maka akan didapatkan hasil Normalisasi pola 1 untuk bulan Januari 0,228846. Begitu seterusnya untuk semua data, di normalisasi dengan menggunakan fungsi yang sama. Hasil normalisasinya seperti pada tabel 4 berikut.

Tabel 4. Hasil Normalisasi Data Pelatihan Tahun 2017-2018

Data

Input

Target

Juli Agustus September Oktober November Desember

Pola 1 0,80377 0,58491 0,90000 0,72453 0,23774 0,10000 0,78302 Pola 2 0,58491 0,90000 0,72453 0,23774 0,10000 0,78302 0,58302 Pola 3 0,90000 0,72453 0,23774 0,10000 0,78302 0,58302 0,83208 Pola 4 0,72453 0,23774 0,10000 0,78302 0,58302 0,83208 0,50000 Pola 5 0,23774 0,10000 0,78302 0,58302 0,83208 0,50000 0,25472 Pola 6 0,10000 0,78302 0,58302 0,83208 0,50000 0,25472 0,22642

Proses normalisasi dengan cara yang sama dilakukan pada data indeks penyakit pasien tahun 2018-2019 pada tabel 8.

Tabel 5. Data Awal Pengujian Tahun 2018-2019 Dengan Menggunakan Rotasi Putar

Data Input Target

Juli Agustus September Oktober November Desember

Pola 7 10,33 9,27 10,59 8,83 7,53 7,38 7,72 Pola 8 9,27 10,59 8,83 7,53 7,38 7,72 8,28 Pola 9 10,59 8,83 7,53 7,38 7,72 8,28 8,77 Pola 10 8,83 7,53 7,38 7,72 8,28 8,77 8,91 Pola 11 7,53 7,38 7,72 8,28 8,77 8,91 8,88 Pola 12 7,38 7,72 8,28 8,77 8,91 8,88 8,12

(5)

113

Tabel 6. Hasil Normalisasi Data Pengujian Tahun 2018-2019

Data Input Target

Juli Agustus September Oktober November Desember

Pola 7 0,83520 0,57103 0,90000 0,46137 0,13738 0,10000 0,18474 Pola 8 0,57103 0,90000 0,46137 0,13738 0,10000 0,18474 0,32430 Pola 9 0,90000 0,46137 0,13738 0,10000 0,18474 0,32430 0,44642 Pola 10 0,46137 0,13738 0,10000 0,18474 0,32430 0,44642 0,48131 Pola 11 0,13738 0,10000 0,18474 0,32430 0,44642 0,48131 0,47383 Pola 12 0,10000 0,18474 0,32430 0,44642 0,48131 0,47383 0,28442 Untuk melakukan pengujian data terhadap tabel 6 diatas sebagai berikut

Langkah 0

Inisialisasi semua bobot dengan bilangan acak kecil.

Table 7. Bobot Dari Layar Masukan Ke Layar Tersembunyi = Vji

Z1 Z2 Z3 Z4 Z5 Z6 X1 0,2 0,3 0,1 0,5 -0,3 -0,1 X2 -0,4 -0,2 0,3 0,3 -0,4 0,6 X3 0,5 0,1 -0,3 -0,4 -0,1 0,3 X4 0,3 0,6 -0,1 0,1 0,5 -0,3 X5 -0,4 0,3 0,4 -0,1 -0,2 0,3 X6 0,2 -0,4 0,2 -0,4 0,1 -0,2 b -0,2 0,5 -0,4 0,6 0,2 0,5

Table 8. Bobot Dari Layar Masukan Ke Layar Tersembunyi = Wkj

Y Z1 0,5 Z2 0,2 Z3 0,3 Z4 -0,4 Z5 -0,1 Z6 0,1 B1 0,4 Langkah 1

Jika kondisi penghentian belum terpenuhi, lakukan langkah 2 sampai dengan 9 Langkah 2

Untuk setiap pasang data pelatihan, lakukan langkah 3 sampai dengan 8 Fase I: Propagasi Maju

Langkah 3

Tiap unit masukkan menerima sinyal dan meneruskannya ke unit tersembunyi Langkah 4

Hitung semua keluaran di unit tersembunyi Zj (j = 1, 2, ... , p) : Znetj= Vj0+ ∑ XiVji 𝑝 𝑗=1 Znet1 = V10+ ∑ XiVji= 2 𝑗=1 V10+ X1V11+ X2V12 … XiVji = -0,2 + (0,2*0,2) + (0,5*-0,4) + (-0,4*0,5) + (0,1*0,3) + (0,3*-0,4) + (-0,2*0,2) + (-0,4*-0,3) + (-0,1*-0,4) + (0,5*0,3) + (0,3*0,1) + (0,6*0,5) + (-0,3*-0,3) = 0,04 Znet2 = V10+ ∑ XiVji= 2 𝑗=1 V10+ X1V21+ X2V22 … XiVji = 0,5 + (0,2*0,3) + (0,5*-0,2) + ... + (-0,3*-0,1) = 0,74

(6)

114

Znet3 = V10+ ∑ XiVji= 2 𝑗=1 V10+ X1V31+ X2V32 … XiVji = -0,4 + (0,2*0,1) + (0,5*0,3) + ... + (-0,3*0,4) = 0,70 Znet4 = V10+ ∑ XiVji= 2 𝑗=1 V10+ X1V41+ X2V42 … XiVji = 0,6 + (0,2*0,5) + (0,5*0,3) + ... + (-0,3*0,2) = 1,29 Znet5 = V10+ ∑ XiVji= 2 𝑗=1 V10+ X1V51+ X2V52 … XiVji = 0,2 + (0,2*0,3) + (0,5*0,4) + ... + (-0,3*0,3) = 0,20 Znet6 = V10+ ∑ XiVji= 2 𝑗=1 V10+ X1V61+ X2V62 … XiVji = 0,5 + (0,2*-0,1) + (0,5*0,6) + ... + (-0,3*0,6) = 0,47 𝑍𝑗 = 𝑓 (𝑍𝑛𝑒𝑡𝑗) = 1 1 + 𝑒−𝑧_𝑛𝑒𝑡𝑗 𝑍1 = 𝑓 (𝑍𝑛𝑒𝑡1) = 1 1 + 𝑒−𝑧_𝑛𝑒𝑡1 = 1 1 + 𝑒0,04= 0,51 𝑍2 = 𝑓 (𝑍𝑛𝑒𝑡2) = 1 1 + 𝑒−𝑧_𝑛𝑒𝑡2= 1 1 + 𝑒0,74= 0,68 𝑍3 = 𝑓 (𝑍𝑛𝑒𝑡3) = 1 1 + 𝑒−𝑧_𝑛𝑒𝑡3= 1 1 + 𝑒−0,7= 0,33 𝑍4 = 𝑓 (𝑍𝑛𝑒𝑡3) = 1 1 + 𝑒−𝑧_𝑛𝑒𝑡3= 1 1 + 𝑒1,29= 0,78 𝑍5 = 𝑓 (𝑍𝑛𝑒𝑡3) = 1 1 + 𝑒−𝑧_𝑛𝑒𝑡3= 1 1 + 𝑒−0,20= 0,45 𝑍6 = 𝑓 (𝑍𝑛𝑒𝑡3) = 1 1 + 𝑒−𝑧_𝑛𝑒𝑡3= 1 1 + 𝑒0,47= 0,62 Langkah 5

Hitung semua jaringan di unit keluaran (Yk) Ynetk= Wk0+ ∑ ZiWkj 𝑝 𝑗=1 Ynet1 = W10+ ∑ ZjWkj= p 𝑗=1 W10+ Z1W11+ Z2W12+ Z3W13 … ZjWkj = 0,3 + (0,51*0,5) + (0,68*0,2) + (0,33*0,3) + (0,78*-0,4) + (0,45*-0,1) + (0,62*0,1) + (0,37*-0,2) + (0,37*-0,4) + (0,50*0,6) * (0,73*-0,3) + (0,62*0,4) + (0,27*-0,2) = 0,54 𝑌𝑘 = 𝑓 (𝑌𝑛𝑒𝑡𝑘) = 1 1 + 𝑒−𝑌𝑛𝑒𝑡𝑘 = 1 1 + 𝑒0,54= 0,63 Fase II : Propagasi Mundur

Langkah 6

δk = (tk-Yk) f’’ (Ynetk) = (tk-Yk) Yk(1-Yk) = (0-0,54) * 0,54 * (1-0,54) = -0,14

δk merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layer dibawahnya (langkah 7). Suku perubahan bobot Wkj (dengan α = 0,2)

ΔWkj= α k zj ΔW10= α 0 (1) = 0,2 . (-0,14). (1) = -0,03 ΔW11= α 1 (z1) = 0,2 . (-0,14) . (0,51) = -0,01 ΔW12= α 2 (z2) = 0,2 . (-0,14) . (0,68) = -0,02 ΔW13= α 3 (z3) = 0,2 . (-0,14) . (0,33) = -0,01 ΔW14= α 4 (z3) = 0,2 . (-0,14) . (0,78) = -0,02

(7)

115

ΔW15= α 5 (z3) = 0,2 . (-0,14) . (0,45) = -0,01 ΔW16= α 6 (z3) = 0,2 . (-0,14) . (0,62) = -0,02 ΔW17= α 7 (z3) = 0,2 . (-0,14) . (0,37) = -0,01 ΔW18= α 8 (z3) = 0,2 . (-0,14) . (0,37) = -0,01 ΔW19= α 9 (z3) = 0,2 . (-0,14) . (0,50) = -0,01 ΔW20= α 10 (z3) = 0,2 . (-0,14) . (0,73) = -0,02 ΔW21= α 11 (z3) = 0,2 . (-0,14) . (0,62) = -0,02 ΔW22= α 12 (z3) = 0,2 . (-0,14) . (0,27) = -0,01 Langkah 7

Hitung penjumlahan kesalahan dari unit tersembunyi ( = δ ) δnetj= ∑ δkWkj

𝑚

𝑘=1

Karena jaringan hanya memiliki sebuah unit keluaran maka δnetj = δ Wij δnet1 = δk.W11 = (-0,14) . (-0,01) = 0,0014 δnet2 = δk.W12 = (-0,14) . (-0,02) = 0,0028 δnet3 = δk.W13 = (-0,14) . (-0,01) = 0,0014 δnet4 = δk.W14 = (-0,14) . (-0,02) = 0,0028 δnet5 = δk.W15 = (-0,14) . (-0,01) = 0,0014 δnet6 = δk.W16 = (-0,14) . (-0,02) = 0,0028 Faktor kesalahan  di unit tersembunyi : j = netj f’(Znetj) = net Zj (1-Zj)

1 = net1 Z1 (1-Z1) = 0,0014.(0,51).(1-(0,55)) = 0,0003 2 = net2 Z2 (1-Z2) = 0,0028.(0,68).(1-(0,67)) = 0,0006 3 = net3 Z3 (1-Z3) = 0,0014.(0,33).(1-(0,52)) = 0,0003 4 = net4 Z4 (1-Z3) = 0,0028.(0,78).(1-(0,52)) = 0,0005 5 = net5 Z5 (1-Z3) = 0,0014.(0,45).(1-(0,52)) = 0,0003 6 = net6 Z6 (1-Z3) = 0,0028.(0,62).(1-(0,52)) = 0,0007 Suku perubahan bobot ke unit tersembunyi : ΔVji = α jxi

Tabel 9. Suku Perubahan Bobot Ke Unit Tersembunyi

Z1 Z2 Z3 Z4 Z5 Z6 X1 0,0 0,0 0,0 0,0 0,0 0,0 X2 0,0 0,0 0,0 0,0 0,0 0,0 X3 0,0 0,0 0,0 0,0 0,0 0,0 X4 0,0 0,0 0,0 0,0 0,0 0,0 X5 0,0 0,0 0,0 0,0 0,0 0,0 X6 0,0 0,0 0,0 0,0 0,0 0,0 B1 0,0 0,0 0,0 0,0 0,0 0,0

Fase III : Perubahan Bobot Langkah 8

Hitung semua perubahan bobot. Perubahan bobot unit keluaran : Wkj (baru) = Wkj (lama) + ΔWkj

Tabel 10. Perubahan Bobot Unit Keluaran Y Wkj (lama) Wkj (baru) Z1 0,5 -0,01 0,49 Z2 0,2 -0,02 0,22 Z3 0,3 -0,01 0,31 Z4 -0,4 -0,02 -0,38 Z5 -0,1 -0,01 -0,09 Z6 0,1 -0,02 0,12 B1 0,3 -0,03 0,33

(8)

116

Tabel 11. Perubahan Bobot Tersembunyi

Z1 Z2 Z3 Z4 Z5 Z6 Z7 Z8 Z9 Z10 Z11 Z12 X1 0,2 0,3 0,1 0,5 -0,3 -0,1 0,4 0,2 0,3 0,6 -0,3 -0,1 X2 -0,4 -0,2 0,3 0,3 -0,4 0,6 0,1 -0,2 -0,4 0,5 -0,3 -0,1 X3 0,5 0,1 -0,3 -0,4 -0,1 0,3 0,6 0,3 -0,2 0,6 0,2 0,5 X4 0,3 0,6 -0,1 0,1 0,5 -0,3 -0,1 0,4 0,2 0,3 0,6 -0,3 X5 -0,4 0,3 0,4 -0,1 -0,2 0,3 -0,3 -0,4 0,5 0,1 0,3 0,1 X6 0,2 -0,4 0,2 -0,4 0,1 -0,2 -0,1 0,5 -0,4 -0,3 0,6 0,2 B1 -0,2 0,5 -0,4 0,6 0,2 0,5 -0,4 -0,1 0,3 0,2 0,3 -0,3

Pelatihan dan pengujian data dengan backpropagation pada tahap ini menggunakan arsitektur jaringan 12-6-1. Maksudnya, layer masukkan menggunakan 12 Neuron, layer tersembunyi 6 neuron serta 1 neuron layer keluaran. Dapat dilihat pada tabel 11 dibawah ini.

Tabel 10 Akurasi Data Pelatihan Arsitektur 12-6-1

Bulan _Pola _Target _Output _Error _SSE _Hasil

1 Pola 1 0,76492 0,56840 0,19652 0,0386204029 Salah 2 Pola 2 0,41482 0,55370 -0,13888 0,0192883857 Salah 3 Pola 3 0,34700 0,38260 -0,03560 0,0012672128 Benar 4 Pola 4 0,32164 0,45200 -0,13036 0,0169936649 Salah 5 Pola 5 0,55596 0,60800 -0,05204 0,0027080153 Benar 6 Pola 6 0,82502 0,80470 0,02032 0,0004127898 Benar 7 Pola 7 0,74176 0,84670 -0,10494 0,0110115010 Salah 8 Pola 8 0,66568 0,73310 -0,06742 0,0045456125 Benar 9 Pola 9 0,55651 0,49940 0,05711 0,0032618662 Benar 10 Pola 10 0,59400 0,54990 0,04410 0,0019451747 Benar 11 Pola 11 0,64197 0,64240 -0,00043 0,0000001840 Benar 12 Pola 12 0,90000 0,75880 0,14120 0,0199374400 Salah Jumlah SSE 0,1199922499 MSE 0,0099993542 58%

Pola 1 s/d 12 adalah pola yang dipakai dalam data pelatihan. Nilai Target diperoleh dari tabel data pelatihan. MSE diperoleh dari : Jumlah SSE / 12 (jumlah data). Hasil bernilai Benar apabila nilai SSE <= 0,01. 0,01 adalah target error dari pelatihan backpropagation. Akurasi (%) diperoleh dari : Jumlah Benar / 12 * 100 dengan tingkat akurasi pelatihan sebesar 58%

IV. Kesimpulan

Dari pembahasan pada bab-bab sebelumnya, beberapa berikut ini kesimpulan yang dapat disimpulkan bahwa dalam menerapkan metode jaringan syaraf tiruan dengan algoritma backpropagation dalam memprediksi tingkat kematian di Puskesma Lubuk Pakam dengan hasil sebesar 58%.

(9)

117

Daftar Pustaka

[1] Aji Sudarsono, “Jaringan Syaraf Tiruan untuk Memprediksi Laju Pertumbuhan Penduduk Menggunakan Metode”, Media Infotama, 2016.

[2] Fachrudin P. dan Agus Naba, “Jariingan Syaraf Tiruan dan Certainty Factor”, Neural Networks, 2015. [3] Panca Raharjo, “Pengenalan Ekspresi Wajah Berbasis Filter Gabor dan Backpropagation Neural

Network,” Jurnal EECCIS, 2010.

[4] Seng Hansun, “Peramalan Data IHSG Menggunakan Metode Backpropagation”, Jurnal Ultimatics, 2013. [5] I Wayan Suartika, “Klasifikasi Citra Menggunakan Convolutional Neural Network (Cnn) Pada Caltech

101”, Jurnal Teknologi, 2014

[6] E. Prasetyo. “Data Mining : Konsep dan Aplikasi Menggunakan Matlab”, Journal of Chemical Information and Modelling, 2013.