PERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA
DENGAN MENGGUNAKAN METODE BACKPROPAGATION
Fahmi Hasobaran Dalimunthe
Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma Medan Jl. Sisimangaraja No.338 Simpang Limun Medan
http : //www.stmik-budidarma.ac.id // Email :Fahmidalimunthe1@gmail.com
ABSTRAK
Metode pembelajaran backpropagation banyak digunakan untuk penyelesaian suatu masalah berkaitan dengan identifikasi, prediksi, dan pengenalan pola. Salah satu pengaplikasian metode backpropagation adalah pada bidang medis, yaitu sistem untuk mengidentifikasi sebuah penyakit. Penyakit yang diidentifikasi menggunakan metode backpropagation merupakan penyakit yang memiliki gejala yang bias antara satu dan yang lainnya yang menjadikan penyakit sulit untuk dibedakan. Penyakit mata menular memiliki gejala yang sangat bias antara jenis yang satu dengan yang lainnya, menyebabkan jenis-jenis penyakit mata menular sulit untuk diidentifikasi.Metode backpropagation diimplementasikan pada kasus penyakit mata menular untuk mengidentifikasi jenis penyakit mata menular berdasarkan gejala-gejala yang ditimbulkan oleh penyakit, gejala yang didapatkan kemudian disusun menjadi 19 buah variabel masukan. Pada metode backpropagation gejala-gejala yang ditimbulkan digunakan sebagai sinyal input yang akan dihitung sedemikian hingga didapatkan hasil berupa penyakit yang teridentifikasi. Adapun jenis penyakit mata menular yang diidentifikasi adalah penyakit Konjungtivitis, Keratokongjutivitis Vernalis, Endoftalmitis, Selulitis Orbitalis, Trakoma, Blefaritis, dan Ulkus Kornea.
Kata Kunci : JST, Penyakit Mata
1. Pendahuluan
1.1 Latar Belakang Masalah
Jaringan syaraf tiruan merupakan salah satu cabang dari AI (Artificial Intellegence), adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Istilah buatan ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. Metode backpropagation merupakan salah satu metode yang digunakan dalam pembelajaran dari algoritma jaringan syaraf tiruan. Metode
backpropagation memiliki tingkat keakuratan yang tinggi karena proses pelatihan yang dilakukan secara berulang-ulang sehingga menghasilkan nilai yang memiliki kesalahan yang sangat kecil. Metode pembelajaran backpropagation banyak digunakan untuk penyelesaian suatu masalah berkaitan dengan identifikasi, prediksi, dan pengenalan pola.
Salah satu penggunaan metode backpropagation
adalah dalam analisis medikal, seperti pengidentifikasian suatu penyakit yang memiliki gejala yang bias antara jenis yang satu dengan yang lainya. Hal ini telah dibuktikan pada jurnal “Aplikasi jaringan syaraf tiruan untuk memprediksi penyakit saluran pernafasan dengan metode backpropagation”
karya Novi Indah Pradasari, F.Trias Pontia W, dan Dedi Triyanto. Pada jurnal ini, metode
backpropagation digunakan untuk memprediksi penyakit saluran pernafasan berdasarkan gejala penyakit yang disusun menjadi 12 buah variabel masukan. Target keluaran sistem berupa jenis penyakit saluran pernafasan yang teridentifikasi oleh sistem, sistem memiliki batasan penyakit yang dapat
diidentifikasi sebanyak lima buah penyakit yaitu penyakit Asma, ISPA, Pneumonia, Bronkhitis, Sinusitis, dan Tuberkulosis. Penelitian ini mendapatkan kesimpulan bahwa metode
backpropagation dapat digunakan untuk memprediksi penyakit saluran pernafasan dengan keakuratan 91,66% yang diperoleh dari pelatihan 96 data dan pengujian 24 data menggunakan dua buah hidden layer, target error sebesar 0,0001, dan
learning rate sebesar 0,1.
Penyakit mata menular memiliki gejala yang hampir mirip antara jenis yang satu dan yang lainya. Gejala-gejala yang ditimbulkan penyakit mata menular dapat berjumlah tiga sampai lima gejala setiap jenis penyakitnya, jumlah ini merupakan jumlah yang sangat sedikit. Suatu penyakit akan sangat mudah diidentifikasi apabila memiliki gejala yang berbeda, akan tetapi gejala yang ditimbulkan penyakit mata menular sangat bias antara jenis penyakit satu dan lainnya. Penyakit mata menular menjadi sulit untuk diidentifikasi karena minimnya gejala yang ditimbulkan dan banyaknya gejala yang mirip.
Metode backpropagation diimplementasikan pada kasus penyakit mata menular untuk mengidentifikasi jenis penyakit mata menular berdasarkan gejala-gejala yang ditimbulkan oleh penyakit. Pada metode backpropagation gejala-gejala yang ditimbulkan digunakan sebagai sinyal input yang akan dihitung sedemikian hingga didapatkan hasil berupa penyakit yang teridentifikasi. Adapun jenis penyakit mata menular yang diidentifikasi adalah penyakit Konjungtivitis, Keratokonjutivitis Vernalis, Endoftalmitis, Selulitis Orbitalis, Trakoma, Blefaritis,
gejala yang hampir sama seperti mata merah, gatal, nyeri, berair, dan lain-lain. Dari masalah yang telah dijelaskan, maka perlunya dilakukan analisis performansi metode backpropagation untuk mengetahui akurasi dan mendapatkan parameter yang optimal dari metode backpropagation dalam mengidentifikasi penyakit mata menular.
1.2 Perumusan Masalah
Berdasarkan latar belakang masalah yang telah diuraikan, maka rumusan masalah pada penelitian ini adalah :
1. Bagaimana menganalisis performansi berupa akurasi dan mendapatkan parameter yang optimal dari algoritma jaringan syaraf tiruan dengan metode Backpropagation
2. Bagaimana mengidentifikasi penyakit mata menular berdasarkan gejala-gejala yang dialami oleh penderita penyakit mata menular dengan menggunakan metode backpropagation
3. Bagaimana merancang suatu aplikasi yang mengidentifikasi penyakit mata menular dengan cepat dan tepat dengan menggunakan bahasa pemrograman Visual Basic 2008
1.3 Batasan Masalah
Batasan masalah bertujuan untuk memudahkan perancangan dan menghindari meluasnya permasalahan, adapun batasan masalah pada penulisan skripsi ini yaitu :
1. Data yang menjadi masukan adalah gejala yang dialami oleh penderita penyakit mata menular seperti mata merah, gatal , berair dan lain-lain. Data ini kemudian diolah menjadi 19 gejala atau
variable masukan sistem.
2. Masing-masing variable diberi nilai 0 bila tidak terjadi gejala dan 1 bila terjadi gejala pada penderita.
3. Minimal batasan gejala yang harus dipilih oleh
user untuk mendeteksi penyakit mata menular adalah empat buah gejala yang diderita oleh penderita. Jika kurang dari empat buah gejala, maka sistem tidak bisa mengidentifikasi penyakit mata menular tersebut.
4. Keluaran sistem yang diharapkan berupa hasil identifikasi terserang penyakit mata menular dengan jenis penyakit Konjungtivitis, Keratokonjutivitis Vernalis, Endoftalmitis, Selulitis Orbitalis, Trakoma, Blefaritis, dan
Ulkus Kornea.
5. Bahasa pemrograman yang digunakan adalah Visual Basic 2008
1.4 Tujuan Dan Manfaat 1.4.1 Tujuan Penelitian
Adapun tujuan yang akan dicapai dalam penelitian adalah :
1. Untuk mengetahui performansi berupa akurasi dan parameter yang optimal dari algoritma jaringan syaraf tiruan dengan
metode backpropagation yang
diimplementasikan pada sistem pengidentifikasi penyakit mata menular. 2. Untuk mengidentifikasi penyakit mata
menular berdasarkan gejala- gejala yang dialami oleh penderita penyakit mata
3. Untuk merancanga suatu aplikasi yang mampu mendeteksi penyakit mata menular dengan cepat dan akurat
1.4.2 Manfaat Penelitian
Adapun manfaat dari penelitian ini adalah : 1. Untuk menganalisis performansi algoritma
jaringan syaraf tiruan dengan metode Backpropagation yang diimplementasikan pada sistem pengidentifikasi penyakit mata menular. 2. Untuk memudahkan para user dalam
mengidentifikasi penyakit mata menular sejak dini.
2. Landasan Teori 2.1 Kecerdasan Buatan
Kecerdasan Buatan atau artificial intelligence
merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan manusia.
2.1.1 Sejarah Kecerdasan Buatan
Istilah AI (Artificial Intelligence) yang dapat diartikan sebagai kecerdasan buatan, pertama kali dikemukakan pada tahun1956 di konferensi Darthmouth.
2.1.2 Jaringan Syaraf Tiruan
Jaringan syaraf tiruan merupakan salah satu cabang dari AI (Artificial Intellegence), adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia.
2.2 JST Backpropagation
Perambatan galat mundur (Backpropagation) merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma bacpropagation
menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward).
Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu. Pada saat perambatan maju, neuron-neuron
diaktifkan dengan menggunakan fungsi aktivasi sigmoid.
� = 1 1 + −�
2.3 Penyakit Mata Menular
yang sedang menderita penyakit mata menular ini.
3. Analisa Dan Perancangan 3.1 Analisis Masalah
Salah satu penggunaan metode backpropagation
adalah dalam analisis medikal, seperti pengidentifikasian suatu penyakit yang memiliki gejala yang bias antara jenis yang satu dengan yang lainya.
3.2 Analisis Metode
Metode backpropagation adalah salah satu metode pembelajaran dari jaringan syaraf tiruan. Metode ini memiliki tingkat error yang sangat kecil, karena metode ini dapat memperkecil tingkat error
dengan cara menyesuaikan perbedaan output dan target yang diinginkan.
Gambar : 1
Arsitektur jaringan metode backpropagation pada pengidentifikasi penyakit mata menular Keterangan :
X i : Lapisan Input terdiri dari 19 neuron V ij : Bobot pada lapisan tersembunyi. Z j: Lapisan Tersembunyi terdiri dari 10 neuron
W jk: Bobot pada lapisan keluaran. V0j: Bias pada lapisan tersembunyi W: Bias pada lapisan keluaran. i : Variabel yang mewakili input layer j : Variabel yang mewakili hidden layer
k : Variabel yang mewakili output layer n : Jumlah neuron dalam suatu lapisan. Y0k : Lapisan Output terdiri dari 3 neuron 1 k : Konstanta bias.
Berikut ini adalah variabel pelatihan yang akan digunakan pada analisis metode pada contoh kasus ini. Jumlah neuron pada hidden layer = 10
Learning Rate ( ) = 0.1
Batas Epoch = 50000 Target Error = 0.01
Pada langkah ini, sinyal input diterima dari pola yang dijadikan data uji. Sebagai contoh, data uji menggunakan data pasien yang menderita penyakit konjungtivitis dengan gejala mata merah (X1), mata terasa perih (X3), mata terasa gatal (X4), mata berair (X5), mata mengeluarkan kotoran(belekan) (X6), serta penglihatan kabur (X7).
Sinyal input
Tabel 1: Sinyal input untuk gejala penyakit konjungtivitis
Target output
Tabel 2: Target output untuk penyakit konjungtivitis
Inisialisasi ini dilakukan dengan memberi nilai acak terkecil antara 0,0 hingga 0,9 ke seluruh bobot dan bias.
V11= 0.2643 V01=0.4356 W11=0.4543 W01=0.3242
Hitung bobot dan bias input layer ke hidden layer
dari analisis metode ini.
Zin1 = 0.4356 + (1 x 0.2643) + (0 x 0.3623) + (1 x 0.1385) + (1 x 0.4643) +
(1 x 0.6537) + (1 x 0.8933) + (1 x 0.6512) + (0 x 0.8246) + (0 x 0.2319) +
(0 x 0.5634) + (0 x 0.1745) + (0 x 0.9127) + (0 x 0.5246) + (0 x 0.5524) +
(0 x 0.7623) + (0 x 0.6723) + (0 x 0.2342) + (0 x 0.9248) + (0 x 0.3494)
=3.5009
Hitung aktivasi bobot dan bias input layer ke hidden layer dari analisis metode ini.
1=
1
1 + � −3.5009 =
1
1 + 0.030170217
= 1
1.030170217= 0.970713367
Hitung bobot dan bias hidden layer ke output layer
dari analisis metode ini.
Yjn1 = 0.3242 + (0.970713367 x 0.4543) +
(0.974032527 x 0.7645) + (0.950329616 x 0.2324) + (0.954034115 x 0.6575) + (0.950395657 x 0.1232) + (0.979411113 x 0.3425) + (0.930603697 x 0.2478) + (0.986094941 x 0.4358) + (0.975209696 x 0.4368) + (0.953562601 x 0.6573)
= 4.523606098
Hitung aktivasi bobot dan bias input layer ke hidden layer dari analisis metode ini.
1=
1
1 + � −4.523606098 =
1
1 + 0.010849825
= 1
1.010849825= 0.9892666
= (0 - 0.98926663) x 0.98926663x (1 - 0.98926663) = -0.010504196
Hitung koreksi bias hidden layer ke output layer dari analisis metode ini.
Δw11= 0.1 x 0.010504196 x 0.970713367 = -0.001019656 !
Δw01= 0.1 x -0.010504196 = -0.0010504196
4. Algoritma Dan Implementasi 4.1 Algoritma
Algoritma merupakan langkah-langkah maupun urutan bertahap dan spesifik dari suatu masalah untuk menganalisa serta menjelaskan urutan dan hubungan antara kegiatan-kegiatan yang akan ditempuh untuk memecahakan dan menyelesaikan suatu permasalahan sehingga tercapai tujuan yang diinginkan. Adapun algoritma yang dipaparkan pada bab ini merupakan algoritma yang diimplementasikan dalam program.
4.1.1 Algoritma Metode Backpropagation
Adapun algoritma dari system ini yaitu dengan menggunakan algoritma backpropagation. Adapun algoritma tersebut dapat dilihat dibawah ini
Input : i ← Jumlah hidden layer
: n ← Learning rate : y ← Batas epoch : j ← Target error
Output : Zj← hasil penyisipan
Proses : Input Xi← jumlah data pelatihan Input Vij← sinya input
Input Voj← target output
=� + =19 � =1
= 1
1 + � −�_
4.2 Implementasi
Tahap implementasi merupakan tahap pembuatan perangkat lunak, tahap lanjut dari tahap perancangan. Tahap yang dilakukan untuk menerjemahkan perancangan berdasarkan hasil analisis dalam bahasa yang dimengerti oleh komputer serta penerapan perangkat lunak pada keadaan yang sebenarnya.
4.2.2 Skenario Pengujian 1
Pada pengujian skenario 1, pengujian metode
backpropagation dilakukan dengan mengubah nilai jumlah hidden layer dari nilai 1 hingga 10, sedangkan ketiga variabel lainnya diisi dengan nilai yang sama. Berikut ini adalah nilai variabel yang digunakan pada skenario pengujian 1.
Jumlah neuron pada hidden layer = 1, 2, 3, 4, 5, 6, 7, 8, 9, 10
Learning Rate ( ) = 0.1 Batas Epoch = 3000 Target Error = 0.025
1. Hidden Layer dengan 1 Neuron
Pengujian ini dimulai dengan neuron pada
hidden layer yang berjumlah 1, hasil dari pengujian ini dapat dilihat pada gambar 2
Gambar : 2
Pengujian Backpropagation dengan 1 neuron pada hidden layer
Pada pengujian dengan menggunakan 1 neuron
pada hidden layer menjadikan laju pembelajaran tergolong lambat, karena pada epoch ke 3000 nilai error masih belum mencapai target error.
Rata-rata Akurasi yang didapat dari pengujian ini sebesar 25.714%. Hasil akurasi yang didapat pada setiap fold dapat dilihat pada tabel 1
Tabel 1: Hasil pengujian hidden layer dengan 1 neuron
Fold Akurasi
1 28%
2 28%
3 14%
4 28%
5 28%
6 14%
7 28%
8 28%
9 28%
10 28%
Rata –Rata Akurasi 25,714%
1. Hidden Layer dengan 2 Neuron
Pengujian selanjutnya jumlah neuron pada
hidden layer diubah menjadi 2, hasil dari pengujian ini dapat dilihat pada gambar 3
Gambar : 3
Pengujian Backpropagation dengan 2 neuron pada hidden layer
Pada pengujian dengan menggunakan 2 neuron
pembelajaran masih tergolong lambat, karena pada epoch ke 3000 nilai error masih belum mencapai target error, namun terdapat peningkatan rata-rata akurasi. Rata-rata Akurasi yang didapat dari pengujian ini sebesar 75%. Hasil akurasi yang didapat pada setiap fold dapat dilihat pada tabel 2
Tabel : 2 Hasil pengujian hidden layer dengan 2 neuron
Fold Akurasi
1 78%
2 78%
3 71%
4 78%
5 71%
6 64%
7 78%
8 57%
9 71%
10 71%
Rata –Rata Akurasi 75%
2. Hidden Layer dengan 3 Neuron
Pengujian selanjutnya jumlah neuron pada
hidden layer diubah menjadi 3, hasil dari pengujian ini dapat dilihat pada gambar 4
Gambar : 4
Pengujian Backpropagation dengan 3 neuron pada hidden layer
Pada pengujian dengan menggunakan 3 neuron pada
hidden layer terjadi peningkatan laju pembelajaran, namun pembelajaran masih tergolong lambat karena pada epoch ke 3000 nilai error masihbelum mencapai target error. Ratarata Akurasi yang didapat dari pengujian ini sebesar 85%. Hasil akurasi yang didapat pada setiap fold dapat dilihat pada tabel 3.
Tabel 3 : Hasil pengujian hidden layer dengan 3 neuron
Fold Akurasi
1 92%
2 92%
3 71%
4 92%
5 85%
6 57%
7 78%
8 92%
9 92%
10 92%
Rata –Rata Akurasi 85%
5. Kesimpulan Dan Saran 5.1 Kesimpulan
Berdasarkan hasil yang didapat dalam penelitiaan, maka disimpulkan bahwa
1. Metode backpropagation yang
diimplementasikan ke dasistem pengidentifikasi penyakit mata menular memiliki akurasi tertinggi se90.714%%.
2. Parameter yang optimal digunakan untuk mencapai tingkat akura90.714%% adalah dengan menggunakan 1 hidden layer dengan 4 buah
nelearning rate bernilai 0.05, batas epoch sebesar 3000, dan target error se0,025.
5.2 Saran
Berdasarkan hasil dari penelitian, maka dapat diberikan saran-saran yaitu :
1. penambahan dataset yang digunakan dalam penelitian, karena semakin beragam dataset yang digunakan maka semakin baik juga metode
backpropagation dalam prediksinya.
2. Pada penelitian selanjutnya diharapkan dapat membandingkan beberapa metode sehingga dapat hasil yang lebih maksimal.
Daftar Pustaka
1) Adi Nugroho, 2010, Nugroho Adi. Rekayasa Perangkat Lunak Berorientasi Objek Dengan Metode USDP. Yogyakarta: Andi
2) American Academy of Ophthalmology. External Disease and Cornea. BSSC, section 8, 2007 – 2008
3) Indrajani, S.Kom, MM. 2011. Perancangan Basis Data Dalam Allin1. Elex Media. Komputindo. Jakarta
4) Jogiyanto, Hartono. Analisis dan Desain Sistem Informasi, Edisi III. Yogyakarta: ANDI.2008 5) Kusumadewi, S., Artificial Intelligence (Teknik
dan Aplikasinya), Yogyakarta: Graha Ilmu, 2003 6) Priyanto, Rahmat., 2009, Langsung Bisa Visual
Basic.Net 2008, Penerbit ANDI, Yogyakarta 7) Suyanto. 2011.Artificial Intelligence, Revisi ed.
Bandung: Informatika