! " # $ #%! ! # #
# & '%#
& & ! ( )# )" #
*+,-+.*+.
/
/
0
1
/ 1 / 1
/ 1 / 1
1
1
% / !' !! %' % ) % 4 %!! 5 5#
6 7 %#& 6 7 %' '%# %
"( )# )" #
*+,-+.*+.
/
/
/
/
/
1
1
0
1
Judul :
Nama : Andri Ridya Putra
NIM : 015314014
Mata Kuliah : Tugas Akhir Kode : TIF 402
Semester : Ganjil Tahun Akademik: 2006/2007
Fakultas : Teknik
Program Studi : Teknik Informatika
Telah diperiksa dan disetujui Di Yogyakarta
Pada tanggal : 21 Mei 2007
Dosen Pembimbing
Dengan ini saya sebagai penulis tugas akhir menyatakan dengan sesungguhnya bahwa skripsi yang saya tulis ini tidak memuat karya atau bagian karya orang lain, kecuali pemikiran, metode atau hasil penelitian orang lain yang diambil disebutkan dengan jelas sebagai acuan.
Yogyakarta, Mei 2007
Salah satu cabang dari AI adalah
atau jaringan syaraf tiruan. Jaringan syaraf tiruan merupakan sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel syaraf biologi di dalam otak. Dalam hal ini dapat digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi nonlinier, klasifikasi data, dan non parametrik atau sebagai sebuah simulasi dari korelasi model syaraf biologi. Salah satu bidang terapan AI
merupakan bidang kedokteran dan khusus dalam hal ini adalah dalam pengobatan penyakit, kemampuan untuk mendeteksi jenis penyakit tertentu untuk kemudian ditentukan jenis obat Cina (ramuan ) yang digunakan pada manusia.
Hasil terapan ini dapat dipergunakan untuk membantu mempercepat memilih
jenis obat bagi pasien yang membutuhkan ramuan ini dengan cara
mengembangkan jaringan syaraf tiruan dengan
I One of the branch of AI (Artificial Intelligence) is Artificial Neural Networks (ANN) or artificial nerve network. Artificial Nerve network is computing system where operation and architecture inspired from knowledge concerning biological nerve cell in brain. In this case can be described as by mathematical model and computing for the function of non linier aproksimasi, data classification, and cluster of regresi the non parametrik or as a simulations of correlation model biological nerve. One of the area of terapan AI ( Artificial Intelligence) is doctor area and special in this case is in medication of disease, ability to detect selected disease type to is later; then determined by type medicine Chinese ( ingredient of Tianshi) used at human being.
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Kuasa yang telah melimpahkan berkat6Nya sehingga penulis dapat menyelesaikan Laporan Tugas Akhir ini. Penulisan tugas akhir ini ditujukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana Teknik Jurusan Teknik Informatika.
Terselesaikannya penulisan tugas akhir ini tidak lepas dari peran serta beberapa pihak, baik secara langsung maupun secara tidak langsung. Oleh karena itu, penulis ingin menyampaikan terima kasih kepada pihak6pihak yang telah ikut membantu dalam penulisan tugas akhir ini, baik dalam memberikan bimbingan, petunjuk, kerjasama, kritikan, maupun saran, antara lain kepada:
1. Bapak Drs. J.J, Siang,M.Sc, selaku Dosen Pembimbing, yang telah banyak
membantu terutama dalam memberikan bimbingan, dukungan, dan
penyediaan sarana yang mendukung, sehingga penulis dapat menyelesaikan laporan tugas akhir ini.
2. Ibu Agnes Maria Polina, S.Kom., M.Sc., selaku Ketua Jurusan Teknik Informatika Universitas Sanata Dharma.
3. Ibu Ridowati Gunawan, S.Kom., M.T., dan Bapak H.Agung Hernawan, S.T, selaku panitia penguji pada ujian pendadaran penulis.
Bele, terima kasih atas seluruh bantuannya menjelang dan pada saat pendadaran.
5. Kedua orang tua penulis, budhe penulis serta kakak dan adik penulis, yang selalu mendoakan, memberikan semangat dan dorongan kepada penulis untuk dapat menyelesaikan penulisan laporan tugas akhir ini.
6. Teman6teman Jurusan Teknik Informatika Angkatan 2001 (A dan B) yang telah berjuang bersama.
7. Teman6teman di Fakultas Ilmu Budaya Universitas Gadjah Mada Yogyakarta yang banyak memberikan motifasi (Dr.Ida Rochani Adi, S.U., Mas Erwin, Mas Hananto, Mbak Tutik, Mbak Jatu, Agit dan Sari).
8. Mas Erwin dan Mas Hananto yang banyak memberikan ilmu nya yang sangat berharga bagi penulis terutama dalam hal Teknologi Komputer.
9. Rosanto Adi selaku Asisten Direktur Utama Rosalia Indah Group yang memberikan kesempatan bagi penulis dalam menyelesaikan tulisan ini.
10. Teman6teman kerja di Rosalia Indah Tour and Travel Solo yang banyak membantu dalam memberikan dorongan dalam menyelesaikan tulisan ini. 11. Dan seluruh pihak yang telah ikut ambil bagian dalam penyelesaian laporan
Seperti kata pepatah, “Tak ada gading yang tak retak”, maka penulis menyadari segala keterbatasan dalam menyelesaikan laporan tugas akhir ini. Oleh karena itu, penulis ingin menyampaikan mohon maaf apabila terdapat kesalahan dan kekurangan. Untuk itu, penulis mengharapkan kritik dan saran yang membangun dari seluruh pihak yang membutuhkan laporan tugas akhir ini.
Semoga laporan tugas akhir ini dapat memberikan manfaat bagi siapa saja yang membutuhkannya. Atas segala perhatiannya dan kerjasamanya, penulis ucapkan terima kasih.
Yogyakarta, 31 Mei 2007 Andri Ridya Putra
/
Halaman Judul...ii
Halaman Persetujuan………..iii
Halaman Pengesahan………..iv
Halaman Pernyataan………....v
Halaman Persembahan………vi
Halaman Motto………...vii
Abstraksi...viii
Abstract...ix
Kata Pengantar………...x
Daftar isi...xiii
Daftar Gambar...xvi
Daftat Tabel...xvii
BAB I Pendahuluan ……….1
1.1 Latar Belakang Masalah………....1
1.2 Rumusan Masalah..………...2
1.3 Batasan Masalah.……….………..3
1.4 Tujuan Penulisan...………4
1.5 Manfaat Penuliasan...5
1.6 Metodologi Penelitian .……….5
1.7 Sistematika Penulisan………....7
BAB II Landasan Teori………9
2.2 Jaringan Syaraf Tiruan..…..……….13
2.3 ADALINE ...17
2.4 MADALINE ...21
2.5 PENYAKIT PADA MANUSIA...26
2.6 DFD ! ...31
2.7 Bagan Alir """"""...……….32
BAB III Analisa dan Perancangan Sistem...35
3.1 Metoda Analisis...35
3.2 Sistem Deteksi Penyakit...35
3.3 Analisis Kebutuhan ...35
3.4 Metoda Perancangan sistem ...42
BAB IV Implementasi Sistem dan Analisa Hasil………...59
4.1 Lingkungan Implementasi Perangkat Lunak...59
4.2 Lingkungan Implementasi Perangkat Keras...59
4.3 Implementasi Data Base...60
4.4 Implementasi Antarmuka ...63
BAB V Penutup...73
5.1 Kesimpulan...73
5.2 Saran...73
DAFTAR PUSTAKA...74
/
4 # # 5 1 !
2.1. Syaraf Biologi 12
2.2. Arsitektur ADALINE 19
2.3. Arsitektur MADALINE 21
3.1. Diagram Konteks Sistem Deteksi Penyakit 44
3.2 Flowchart proses Pelatihan 45
3.3. Rancangan Antar Muka Menu Utama 52
3.4. Rancangan Antar Muka Login 53
3.5. Rancangan Antar Muka Server Conection 53
3.6. Rancangan Antar Muka Daftar Gejala 54
3.7. Rancangan Antar Muka Daftar Penyakit 55
3.8. Rancangan Antar Muka Konfigurasi Jaringan Neuron 56
3.9. Rancangan Antar Muka Proses Pembelajaran 56
3.10. Rancangan Antar Muka Pengujian 57
3.11. Rancangan Antar Muka Manajemen User 58
4.1. Relasi Antar Tabel 62
4.2. Tampilan Halaman User Interface 63
4.3. Tampilan Halaman Login 64
4.4. Tampilan Halaman Server Conection 65
4.5. Tampilan Halaman Login tidak berhasil 65
4.6. Tampilan Halaman Daftar Gejala 66
4.7. Tampilan Pesan Peringatan Hapus Data 67
4.8. Tampilan Halaman Daftar Penyakit 67
4.9. Tampilan Halaman Konfigurasi Jaringan Neuron 69
4.10. Tampilan Halaman Proses Pembelajaran 70
4.11. Tampilan Halaman Management User 71
/
4 ! # 5 1 !
2.1. Notasi DFD Dasar 31
2.2. Simbol6simbol pada bagan alir program 33
2.3 Lanjutan Simbol6simbol pada bagan alir program 34
3.1. Struktur Tabel Bobot 47
3.2. Struktur Tabel Gejala 48
3.3. Struktur Tabel Pemodelan 48
3.4. Struktur Tabel Penyakit 49
3.5. Struktur Tabel User 50
1
+8+8 # ! 5 & !
Di era perkembangan teknologi informasi sekarang ini komputer bukan lagi digunakan untuk membantu pekerjaan manusia, tetapi sudah merupakan pengganti peran manusia dalam pekerjaan rutinitasnya, sehingga diharapkan peran sumber daya manusia dapat terbatas dalam menyelesaikan suatu pekerjaan tertentu. Dalam perkembangannya banyak pakar melakukan uji coba untuk menciptakan suatu sistem komputer yang dapat diakui lebih cepat, teliti, dan akurat dibandingkan dengan manusia, hal inilah yang mendorong lahirnya teknologi AI
"
Salah satu cabang dari AI adalah
atau jaringan syaraf tiruan. Jaringan syaraf tiruan merupakan sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel syaraf biologi di dalam otak. Dalam hal ini dapat digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi nonlinier, klasifikasi data, dan non parametrik atau sebagai sebuah simulasi dari korelasi model syaraf biologi. Salah satu bidang terapan AI
Hasil terapan ini dapat dipergunakan untuk membantu mempercepat memilih
jenis obat bagi pasien yang membutuhkan ramuan ini dengan cara
mengembangkan jaringan syaraf tiruan dengan
. Jaringan syaraf tiruan dengan dicetuskan oleh Widrow dan Hoff(1960), pada dasarnya menggunakan aktivasi bipolar (1 atau 61) untuk sinyal input dan target output dimana bobot dalam koneksi yang berasal dari unit input
ke mempunyai bias, bobot yang ada dalam suatu koneksi di suatu
jaringan dapat diatur dan fungsi aktivasinya selalu 1.1Aturan pembelajaran akan meminimalisasi rata6rata kesalahan yang terjadi antara aktivasi dengan nilai target. Dengan demikian algoritma ini dapat digunakan untuk menentukan jenis6 jenis ramuan Obat Cina (Produk ) dari suatu gejala6gejala penyakit yang telah ditentukan. Input yang menuju ke jaringan ini adalah berupa gejala6gejala penyakit dan outputnya adalah berupa ramuan apa yang harus digunakan untuk mengobatinya.
+828 & & !
+8-8 & & !
Batasan masalah yang digunakan dalam tugas akhir ini adalah :
1. Penelitian ini hanya membahas proses deteksi beberapa jenis penyakit pada manusia untuk semua usia pasien.
2. Adapun jenis penyakit yang akan dideteksi antara lain: asma, asam urat, diabetes, hipertensi (darah tinggi), anemia, malaria, TBC, stroke, maag dan migren.
3. Input yang diperlukan dalam proses ini adalah gejala6gejala klinis yang dominan dalam penegakan diagnosis.
4. Variabel yang digunakan sebagai input untuk mendeteksi penyakit infeksi pada manusia adalah :
a. Alergi b. Batuk. c. Pilek/bersin. d. Berkeringat e. Lemas.
f. Napsu makan berkurang. g. Mual dan atau muntah. h. Kaki/tangan Kesemutan i. Pegal/ngilu.
j. Sakit kepala/pusing k. Nyeri
m. Mudah lelah .
5. Arsitektur jaringan syaraf yang digunakan adalah
! )" Data yang digunakan untuk pelatihan input adalah data catatan medis pasien yang menderita penyakit asma, asam urat, diabetes, hipertensi (darah tinggi), anemia, malaria, TBC, stroke, maag dan migren di RSU Brayat Minulya Solo.
6. Bahasa pemrograman yang dipakai untuk mendeteksi penyakit pada manusia dengan penerapan model jaringan syaraf tiruan adalah dengan menggunakan Borland Delphi 7.0 dan MySQL sebagai databasenya.
+8.8 !
Tujuan penelitian dalam tugas akhir ini adalah:
1. Merancang dan membangun sistem jaringan syaraf tiruan untuk mendeteksi beberapa jenis penyakit pada manusia serta obat apa saja yang diperlukan untuk mengobati penyalit tersebut berdasarkan data medis yang ada.
2. Mengetahui apakah jaringan syaraf tiruan dapat menerima input selain data pelatihan dan melihat bagaimana hasilnya.
3. Mampu membantu masyarakat umum agar dapat secara dini mengetahui penyakit yang sedang dideritanya sehingga mampu mengambil tindakan preventif sebelum ditangani oleh ahlinya.
+8,8 ' !
Adapun manfaat yang diperoleh dari penelitian ini antara lain :
1. Dengan jaringan syaraf tiruan dapat dikembangkan suatu alternatif dalam menentukan diagnosa penyakit, seperti : asma, asam urat, diabetes, hipertensi (darah tinggi), anemia, malaria, TBC, stroke, maag dan migren, sehingga dapat segera diketahui langkah pencegahannya.
2. Mengetahui perancangan jaringan syaraf tiruan untuk penyakit asma, asam urat, diabetes, hipertensi (darah tinggi), anemia, malaria, TBC, stroke, maag dan migren.
3. Memudahkan untuk menentukan diagnosa penyakit6penyakit tersebut diatas.
+898 %)%!%5 !
+898+8 %)%!%5 5 $ !
1. Pengamatan #$ "
Yaitu suatu metode dimana penyusun mengadakan pengamatan langsung berdasarkan sumber6sumber umum yang ada yaitu pada sub. bagian catatan rekam medis RSU Brayat Minulya Solo
2. Wawancara .
Metode ini dilakukan dengan melakukan tanya jawab langsung pada dokter atau narasumber lain dengan berlandaskan pada tujuan penelitian
3. Literatur / Kepustakaan.
Merupakan pengumpulan data melalui studi literatur (kepustakaan) yang ada hubungannya dengan penyusunan laporan tugas akhir ini.
+89828 %)%!%5 5 4 5 &
Metode yang digunakan pada pengembangan sistem atau perangkat lunak adalah :
1. Analisis dan Rekayasa Sistem.
Dalam menganalisis sistem secara efektif maka perlu ditetapkan tujuan perancangan dan segala sesuatu yang dibutuhkan dalam perancangan.
2. Analisis Kebutuhan.
3. Perancangan "
Perancangan yang dilakukan untuk mendesain model yang diinginkan, yaitu perancangan arsitektur jaringan syaraf, perancangan proses aliran data, perancangan basis data dan perancangan antarmuka.
4. Implementasi.
Implementasi yang dilakukan untuk menerjemahkan perancangan ke dalam bahasa pemrograman, dalam hal ini Borland Delphi 7.0.
5. Testing (uji coba).
Uji coba terhadap sistem dilakukan secara keseluruhan.
+838 & ! &
Adapun sistematika dalam penulisan tugas akhir ini adalah sebagai berikut:
BAB I : PENDAHULUAN
Meliputi Latar Belakang Masalah, Perumusan Masalah, Batasan Masalah, Tujuan Penelitian, Manfaat Penelitian, Metodologi Penelitian yang dilakukan serta Sistematika Penulisan dalam penyusunan laporan.
BAB II : LANDASAN TEORI
Dalam bab ini menjelaskan mengenai teori 6 teori yang menjadi dasar di dalam penelitian, yaitu Jaringan Syaraf Biologis,
Jaringan Syaraf Tiruan, , Pengertian Penyakit dan
pembagiannya, Diagram Alir Data / ! (DFD),
BAB III : ANALISIS DAN PERANCANGAN.
Dalam bab ini menjelaskan mengenai Metode Analisis, Sistem Deteksi Penyakit, Analisis Kebutuhan, dan Metode Perancangan Sistem.
BAB IV : IMPLEMENTASI.
Bab ini berisi pembahasan dari hasil pembuatan program sistem deteksi jenis penyakit infeksi tropis pada manusia, kemudian dianalisis untuk diambil kesimpulan.
BAB V : PENUTUP.
28+8 # 5 " # ' %!%5 &
Sistem syaraf, bersama6sama dengan sistem endokrin, mengurus atau memelihara sebagian besar pengaturan fungsi tubuh. Sejak pembentukannya, sistem syaraf ini mempunyai sifat6sifat mengatur yang sangat kompleks dan khusus. Sistem syaraf menerima berjuta6juta rangsangan informasi yang berasal dari bermacam6macam organ sensorik dan kesemuanya ini bersatu untuk dapat menentukan respon yang akan diberikan oleh tubuh. Disamping sebagai inspirasi awal dari jaringan syaraf tiruan, sistem syaraf biologis memberikan ciri6ciri yang memiliki keuntungan komputasi yang jelas. Pengalaman sensorik ini dapat menimbulkan reaksi yang berlangsung dengan segera, atau ingatan yang terbentuk dapat disimpan di dalam otak dan selanjutnya dapat membantu menentukan reaksi tubuh yang bagaimana yang akan dikeluarkan di masa yang akan datang (Santoso, 2000).
Syaraf biologis memiliki tiga jenis komponen yang merupakan perhatian khusus dalam memahami tentang jaringan syaraf tiruan, yaitu dendrit, soma dan akson. Dendrit adalah bagian yang menerima banyak sinyal dari syaraf lainnya. Sinyal ini adalah impuls elektris yang dikirimkan melalui sebuah
sinyal6sinyal yang baru saja masuk dengan cara yang sama seperti aksi bobot pada sebuah jaringan syaraf tiruan.
Soma atau badan sel, menjumlahkan sinyal6sinyal yang baru saja masuk. Ketika input yang cukup diterima, selnya disulut inilah yang mengirimkan sinyal atas akson ke sel lainnya. Sering diperkirakan bahwa sebuah sel, baik disulut atau tidak, pada waktu sesaat, sinyal yang dikirimkan dapat diperlakukan sebagai $ (berpasangan). Akan tetapi frekuensi penyulutan berbeda6beda dan dapat dipandang sebagai sinyal dengan ! yang lebih besar atau lebih kecil. Ini disesuaikan dengan melihat pada setiap tahap atau langkah waktu yang berlainan dan menjumlahkan semua aktifitas (sinyal diterima atau sinyal dikirimkan) pada titik khusus pada waktu tertentu.
Pengiriman sinyal dari syaraf khusus dikerjakan oleh aksi potensial yang dihasilkan dari kosentrasi ion6ion yang berbeda pada salah satu sisi dari lapisan akson syaraf (“ ! % dari otak). Ion6ion yang paling banyak dilibatkan
secara langsung adalah !, !dan e.
Syaraf biologis umum digambarkan pada gambar 2.1, bersama dengan akson dari dua syaraf lainnya (syaraf yang dapat menerima sinyal) dan dendrit untuk dua syaraf lainnya (syaraf yang dapat mengirimkan sinyal). Beberapa ciri6 ciri elemen pemrosesan dari jaringan syaraf tiruan diberikan dari sifat syaraf biologis, yaitu (Fausett, 1994) :
1. Elemen pemrosesan menerima banyak sinyal.
4. Dalam keadaan yang tepat (input yang cukup), syaraf mentransmisikan sebuah tunggal.
5. Output dari syaraf khusus mungkin menuju ke banyak syaraf lainnya (cabang6 cabang akson).
Ciri6ciri lainnya dari jaringan syaraf tiruan yang diberikan oleh syaraf biologis adalah :
1. Pemrosesan informasi adalah lokal/setempat (meskipun pengertian lain dari transmisi, seperti aksi dari hormon, mungkin memberikan pengertian kontrol proses keseluruhan).
2. Memori dibagi atas :
a. Memori jangka panjang terletak pada sinapsis syaraf atau bobot.
b. Memori jangka pendek disesuaikan untuk sinyal yang dikirim oleh syaraf.
3. Kekuatan sipnasis mungkin dapat dimodifikasi oleh
pengalaman.
4. ! untuk sipnasis dapat menjadi pemicu/pembangkit atau
penghalang.
dapat memberi toleransi kerusakan untuk sistem syaraf itu sendiri. manusia dilahirkan dengan syaraf sebanyak 100 milyar. Sebagian besar berada dalam otak, dan banyak yang tidak dapat digantikan ketika sel6sel syaraf tersebut telah mati. Walaupun syaraf biologis terus6menerus hilang, manusia tetap berlanjut untuk belajar. Bahkan dalan kasus kehilangan sel syaraf yang parah, syaraf6syaraf lain dapat sewaktu6waktu dilatih untuk mengambil alih fungsi dari sel6sel yang rusak. Dengan cara yang sama, jaringan syaraf tiruan dapat didesain untuk mengabaikan kerusakan kecil pada jaringan, dan jaringan dapat dilatih kembali dalam kasus6 kasus kerusakan yang berarti (misalnya kehilangan data dan beberapa hubungan).
4 # 28+8 " # ' 4 %!%5
Walaupun bagi penggunaan jaringan syaraf tiruan tidak diharapkan untuk dapat memodelkan sistem syaraf biologis, namun mencoba untuk mencapai kemungkinan memodelkan jaringan syaraf biologis secara lebih logis/masuk akal dapat membawa kepada perbaikan ciri6ciri komputasional. Satu contoh adalah
penggunaan dari syaraf, sebagaimana ini ditemukan pada syaraf
Sifat dasar secara topologi dari peta ini mempunyai keuntungan komputasional, bahkan dalam aplikasi dimana struktur unit output sendiri tidak signifikan.
Para peneliti lain telah menemukan bahwa pengelompokkan dari syaraf tiruan optimal secara komputasional dapat disamakan dengan kumpulan syaraf biologis.
2828 # 5 " # ' #
Jaringan syaraf tiruan disebut juga *+ %, *- !
% atau *. $ . % serta *- %"
Sistem ini merupakan suatu model komputer yang mengambil prinsip kerja syaraf otak manusia. Jaringan syaraf tiruan tersusun dari sejumlah besar elemen yang melakukan kegiatan analog dengan fungsi6fungsi biologis neuron yang paling elementer. Elemen6elemen ini terorganisasir sebagaimana layaknya anatomi otak, walaupun tidak persis. Jaringan syaraf tiruan dapat belajar dari pengalaman, melakukan generalisasi dari contoh6contoh yang diperoleh dan mengabstraksi karakteristik esensial input bahkan data yang tidak relevan (Fausett, 1994).
Jaringan syaraf tiruan beroperasi secara langsung dengan angka sehingga data yang tidak numerik harus diubah menjadi data numerik. Jaringan syaraf tiruan
dikenal sebagai model ! karena tidak memerlukan model matematis
dari permasalahan yang dihadapi, dikenal juga sebagai kotak hitam + + &
Jaringan syaraf tiruan diimplementasikan untuk pemecahan masalah komputasi seperti yang dilakukan oleh otak manusia seperti pengenalan pola, pengambilan keputusan, kendali penggerak dan banyak lagi seperti prediksi kebangkrutan pada perusahaan, sebagai suatu mekanisme untuk mengakusisi pengetahuan untuk sistem pakar seperti pada peramalan stok market dengan hasil yang akurat. Pada dasarnya, kebanyakan aplikasi jaringan syaraf tiruan termasuk ke dalam 5 kategori berikut (Haykin, 1994) :
1. Prediksi, menggunakan nilai input untuk memprediksi beberapa output. Contohnya memilih barang terbaik dalam market, peramalan cuaca, identifikasi seorang penderita penyakit kanker, dan lain sebagainya.
2. Klasifikasi, menggunakan nilai input untuk menentukan klasifikasi. Contohnya, adalah input dari huruf ‘A’.
3. Asosiasi data, pada dasarnya seperti klasifikasi, tetapi juga dapat mengenali data yang berisikan kesalahan. Contohnya, tidak hanya identifikasi karakter yang di scan tetapi identifikasi kapan scanner tidak bekerja sebagaimana mestinya.
4. - ) ,menganalisa input6input sehingga pengelompokkan
hubungan dapat di simpulkan.
5. , menghaluskan sebuah sinyal input. Contohnya,
menghilangkan bunyi pada sinyal telepon.
1. Kemampuan mengakusisi pengetahuan walaupun dalam kondisi adanya gangguan dan ketidakpastian. Hal ini dikarenakan jaringan syaraf tiruan mampu melakukan generalisasi, abstraksi, dan ekstrasi terhadap properti statistik dari data.
0" Kemampuan merepresentasikan pengetahuan secara fleksibel. Jaringan syaraf tiruan dapat menciptakan sendiri representasi melalui pengaturan diri sendiri
atau kemampuan belajar ) "
3. Kemampuan mentolerir suatu distorsi 1 " Dimana gangguan kecil pada data dapat dianggap hanya (guncangan) belaka.
4. Kemampuan memproses pengetahuan secara efisien karena memakai sistem paralel, maka waktu yang diperlukan untuk mengoperasikannya menjadi lebih singkat.
5. Kemampuan untuk memperoleh pengetahuan melalui pembelajaran dari pengalaman.
2828+8 % & $ & # # 5 " # ' # 8
Ide dasar jaringan syaraf tiruan adalah konsep belajar. Jaringan6jaringan belajar melakukan generalisasi karakteristik tingkah laku obyek. Jika dilihat dari sudut pandang manusia, hal ini sama seperti bagaimana manusia belajar sesuatu. Manusia mengenal obyek dengan mengatur otak untuk menggolongkan atau melakukan generalisasi terhadap obyek6obyek tersebut. Manusia menyimpan ilmu pengetahuannya ke dalam otak yang berisikan sinapsis, , dan lainnya. Jaringan syaraf menyimpan ilmu pengetahuannya dalam nilai bobot sambungan (seperti sinapsis dalam otak manusia) dan elemen6elemen ( ) yang menghasilkan keluaran.
Untuk dapat menyelesaikan suatu permasalahan, jaringan syaraf tiruan memerlukan algoritma belajar, yaitu bagaimana sebuah konfigurasi jaringan syaraf tiruan dapat dilatih untuk mempelajari data historis yang ada. Dengan pelatihan ini, pengetahuan yang terdapat pada data dapat diserap dan direpresentasikan oleh harga6harga bobot koneksinya. Ada dua jenis algoritma belajar :
a. Pembelajaran Terawasi '
Metode pembelajaran pada jaringan syaraf disebut terawasi jika output yang diharapkan telah diketahui sebelumnya. Contoh : 2 , 3
2 (GDR) atau algoritma $ , dan algoritma
4 5 ) (LVQ).
Metode pembelajaran yang tak terawasi ini tidak memerlukan target output.
Contoh : Kohonen dan Carpenter(3 $ 2
(ART), dan- ! !.
282828 % ' 5 # & # 5 " # ' #
Menurut strukturnya, jaringan syaraf dapat dibagi kedalam 2 jenis :
1. .
Sinyal mengalir dari lapisan masukan, lapisan tersembunyi sampai lapisan luaran. Setiap simpul dihubungkan dengan simpul lainnya yang berada di atas dan di bawahnya, tetapi tidak dengan simpul yang berada pada lapisan yang
sama. Contoh : . (MLP), 4 5 )
45 , - $ - (CMAC) ,
3 7 (GMDH) .
2. 2 .
Sinyal mengalir dua arah: maju dan mundur. 2 memiliki
memori dinamik: luaran6luaran yang berasal dari masukan, sama baiknya seperti masukan dan luaran sebelumnya. Contoh : Hopfield , Elman
, dan Jordan .
ADALINE dapat diatur. ADALINE mempunyai bias, dimana bobot yang ada dalam suatu koneksi di suatu jaringan dapat diatur dan fungsi aktivasinya selalu 1.
Secara umum, ADALINE dapat dilatih dengan menggunakan
seperti LMS ( '/ ) atau aturan Widrow dan Hoff. Aturan atau
algoritma ADALINE juga digunakan untuk jaringan satu lapisan dengan beberapa unit input. ADALINE hanya mempunyai satu unit output.
Aturan pembelajaran akan meminimalisasi rata6rata kesalahan yang terjadi dengan nilai target. Hal ini akan mengijinkan jaringan untuk melanjutkan pembelajaran pada semua pelatihan, bahkan sesudah nilai output yang benar dihasilkan (jika sebuah fungsi diterapkan) untuk beberapa pola.
Sesudah pelatihan, jika jaringan itu sedang digunakan untuk klasifikasi pola, dimana output yang dikehendaki, baik +1 atau 61, sebuah fungsi dapat diterapkan kedalam jaringan input untuk memperoleh aktivasi. Jika input jaringan ke ADALINE lebih besar daripada atau sama dengan 0, nilai aktivasinya akan diset menjadi 1, dan jika tidak, nilai aktivasinya sama dengan 61.
4 # 2828 #& #
Beberapa ADALINE yang menerima input yang sama dapat dikombinasikan dalam jaringan satu lapisan, dideskripsikan untuk . Jika ADALINE dalam jaringan satu lapisan ini dikombinasikan, maka dari ADALINE akan berubah menjadi input untuk ADALINE yang lain, sehingga jaringan akan berubah menjadi jaringan banyak lapisan. Kondisi semacam ini akan mempengaruhi dalam penentuan sebuah bobot, karena didalam menentukan bobot akan sangat sulit.
28-8+8 !5%# !
Sebuah algoritma untuk pelatihan ADALINE adalah sebagai berikut : Langkah 1 : inisialisasi bobot (biasanya menggunakan nilai acak). Set
α
a. Untuk pelatihan masing6masing pasangan s dan t, kerjakan : (1) Set aktivasi untuk unit input, i = 1….n
& =
(2) Hitung input jaringan ke unit output
∑
b. Tes untuk kondisi berhenti. Jika bobot yang paling besar berubah pada langkah a, lebih kecil dibandingkan pada toleransi yang ditetapkan, maka perhitungan bobot bias bisa dihentikan, kalau tidak, dilanjutkan.
28-828 $! &
Sesudah pelatihan, sebuah unit ADALINE dapat digunakan untuk
mengklasifikasikan pola input. Jika nilai target bersifat bivalen (polar atau biner), fungsi step dapat diterapkan pada fungsi aktivasi untuk unit bipolar. Prosedur dariu fungsi step yang diterapkan pada target bipolar adalah sebagai berikut: Langkah 1 : inisialisasi bobot
a. Set aktivasi unit input untuk x
∑
+ =$ &
_
b. Fungsi aktivasi yang berlaku adalah
− =
1 1
jika
0 _
0 _
< ≥
diatur dalam jaringan banyak lapisan. Contoh yang diberikan oleh PERCEPTION dan DELTA RULE untuk beberapa unit output, keduanya mengindikasikan tidak ada perubahan dalam proses pelatihan jika beberapa unit ADALINE dikombinasikan dalam jaringan satu lapisan. Arsitektur MADALINE dapat pada gambar 2.3. berikut :
4 # 28-8 #& # ) 5 2 " 5 #& 4 " ) & % $
Dari gambar diatas dapat dijelaskan bahwa 2 unit output yang tersembunyi dari ADALINE, yaitu z1 dan z2 yang ditentukan dengan sinyal yang berasal dari
penerapan sebuah fungsi ke unit input jaringan. Kemudian y adalah fungsi nonlinear dari input vector (x1 , x2). Penggunaan unit yang tersembunyi
yaitu z1 dan z2 adalah untuk memberikan kemampuan komputansi yang tidak
ditemukan pada jaringan satu lapisan, tetapi juga mempersulit proses pelatihan.
28.8+8 !5%# !
Algoritma yang digunakan untuk pelatihan MADALINE ada 2, yaitu MRI dan MRII. Dalam algoritma MRI, ditentukan bobot adalah v1 dan v2. Unit output y
akan bernilai 1 bila sinyal yang diterima dari z1dan z2adalah 1dan unit output y
akan bernilai 61 bila sinyal yang diterima dari z1dan z2adalah 61. dengan kata
lain, unit y melakukan fungsi logika OR pada suatu sinyal yang diterima dari z1
dan z2. Bobot pada y adalah
4 , dengan bias adalah
2 1
3 = $ . Bobot pada ADALINE pertama yang tersembunyi yaitu w11 dam w21, dan bobot
pada ADALINE kedua yang tersembunyi yaitu w12 dam w22disesuaikan dengan
algoritmanya. Algoritma pelatihan pada MADALINE MRI adalah sebagai berikut:
Langkah 0 : Tentukan fungsi aktivasi untuk masing6masing unit z1,z2 dan y
yaitu :
Langkah 2 : selama kondisi berhenti bernnilai salah, maka lakukan langkah6 langkah berikut :
a. Untuk masing6masing pasangan bipolar s dan t,
b. Set aktivasi unit input : & =
c. Hitung input jaringan untuk masing6masing unit ADALINE yang tersembunyi
d. Tentukan output dari masing6masing unit ADALINE yang
)
e. Tentukan output jaringan
)
f. Tentukan kesalahan dan perbaiki bobot: Jika t = y, tidak ada perubahan perbaikan bobot Jika tidak, kerjakan :
Jika t – 1, maka perbaiki bobot pada zi
Unit input terdekat 0
)
Jika t = 61, maka perbaiki bobot semua unit zkbernilai positif
g. Tes kondisi berhenti. Jika perubahan bobot telah berhenti atau jika angka maksimum pada literasi perbaikan bobot telah dilakukan, kondisi berhenti bernilai benar, kalau tidak, lanjutkan.
Dalam algoritma MR II, ditentukan bobot adalah v1 dan v2, sedangkan bias
adalah b3dan unit output yaitu y. Unit output y akan bernilai 1 bila sinyal yang
diterima dari z1dan z2adalah 1dan unit output y akan bernilai 61 bila sinyal yang
diterima dari z1dan z2adalah 61. dengan kata lain, unit y melakukan fungsi logika
OR pada suatu sinyal yang diterima dari z1dan z2.
Bobot pada y adalah 2
4 , dengan bias adalah 2 1
3 = $ .
Bobot pada ADALINE pertama yang tersembunyi yaitu w11 dam w21, dan
bobot pada ADALINE kedua yang tersembunyi yaitu w12 dam w22 disesuaikan
dengan algoritmanya. Algoritma pelatihan pada MADALINE MRI adalah sebagai berikut:
Langkah 0 : Tentukan fungsi aktivasi untuk masing6masing unit z1,z2 dan y
yaitu :
Langkah 1 : inisialisasi bobot (biasanya menggunakan nilai atau angka yang kecil dan acak). Set α dengan nilai kecil
a. Untuk masing6masing pasangan bipolar s dan t,
b. Set aktivasi unit input : & =
c. Hitung input jaringan untuk masing6masing unit ADALINE yang tersembunyi
d. Tentukan output dari masing6masing unti ADALINE yang tersembunyi :
e. Tentukan output jaringan
)
f. Tentukan kesalahan dan perbaiki bobot:
Jika t ≠ y, lakukan langkah 1 dan langkah 2 untuk masing6 masing unit tersembunyi, dimana input jaringan terdekat sama dengan 0 (misalnya antara 60,25 sampai 0,25)
(1) Ubahlah unit output (dari _1 menjadi 61)
(2) Hitung ulang respon jaringan (gunakan delta rule untuk menghitung ulang)
28,8 " ) & 28,8+8
A ! adalah suatu gejala yang ditimbulkan oleh kelainan saluran pernapasan yang menyebabkan peningkatan kepekaan terhadap rangsangan dari lingkungan. Pemicu kejadian ini dapat berupa kelelahan pikiran (gangguan emosi), kelelahan jasmani, perubahan lingkungan hidup yang tidak diharapkan (cuaca, temperature, dan lain sebagainya), infeksi saluran pernapasan dan reaksi alergi dari bahan yang terhirup atau dimakan. Tingkat kepekaan saluran pernapasanini diawali dari gejala ringan (pilek/bersin atau batuk yang sering berulang/kambuh) sampai dengan gejala yang berat, berupa serangan asma.
Sekitar 50% gejala ini akan sembuh dengan sendirinya, walaupun pada suatu saat gejala ini akan muncul lagi pada tingkat yang lebih berat. Keadaan ini dikenal sebagai asma.
28,828 4 &
Nama lengkap penyakit ini adalah $ ! , yaitu suatu gangguan dari kelenjar . Menurut perkiraan medis, diabetes tidak bisa disembuhkan, tetapi bias dikontrol dengan pengobatan seumur hidup (Medi Media, 1999). Penyakit diabetes dibagi menjadi 2. Tipe I adalah diabetes yang tergantung
kepada insulin ( ) yang biasa terjadi pada anak6anak, dan
pengobatannya memerlukan suntikan insulin. Tipe II ( )
Penyebab penyakit ini belum bias dipastikan, namun biasanya disebabkan oleh faktor keturunan serta rusaknya kelenjar pankreas.
28,8-8 1 $ # &
Hipertensi atau tekanan darah tinggi adalah tekanan darah yang terbaca
dimana 1 diatas 140/90 mmHg. Menurut kalangan kedokteran,
keadaan ini tidak bias disembuhkan, tetapi dapat dikontrol dengan pola hidup sehat dan obat6obatan. Namun menurut Clifford C. Andersin MD, obat6obatan untuk hipertensi pada hakikatnya hanya sekedar meringankan, bukan menyembuhkan.
28,8.8
Anemia adalah keadaan yang disebabkan oleh rendahnya kadar ! $
(Hb) darah. Semua Hb yang terdapat didalam mengalami penurunan
konsentrasi dibawah nilai normal, sehingga penderita mengalami sakit kepala, pusing, mudah lelah, dan mata berkunang6kunang. Selain karena penurunan konsentrasi Hb, penyakit ini bisa juga disebabkan oleh faktor keturunan, ataupun sel asal rusak karena pengaruh obat6obatan tipe tertentu.
28,8,8 ! #
Malaria adalah suatu infeksi sel darah merah oleh ! !. Malaria
disebabkan melalui gigitan nyamuk betina , transfusi darah yang
penderita. Setelah digunakan obat6obatan dan insektisida, malaria jarang ditemukan di Amerika dan negara berkembang lainnya, tetapi infeksi ini masih sering terjadi di negara6negara tropis. Terdapat 4 spesies parasit malaria, yaitu : (1) . ! ! &, (2) . ! ! # , (3) . ! ! !, dan
(4) . ! ! . Semuanya dapat menginfeksi manusia dan
menyebabkan malaria. . ! ! ! merupakan penyebab infeksi
terbanyak dan paling berbahaya. Gejala biasanya mulai timbul dalam waktu 10635 hari setelah parasit masuk ke dalam tubuh manusia melalui gigitan nyamuk. Gejala awal seringkali berupa demam ringan yang hilang timbul, sakit kepala, sakit otot dan mengigil, bersamaan dengan perasaan tidak enak badan ! "
Gejala ini berlangsung selama 263 hari dan sering diduga sebagai gejala flu. Gejala berikutnya dan pola penyakitnya pada keempat jenis malaria ini berbeda. Pada malaria !bisa terjadi kelainan fungsi otak, yaitu suatu komplikasi yang disebut malaria serebral. Malaria serebral bisa berakibat fatal. Pada malaria
28,898
TBC adalah penyakit menular yang disebabkan oleh ! $ !
!$ . Selain terdapat di paru6paru, bakteri ini juga dijumpai di beberapa organ diseluruh tubuh, antara lain : usus dan kelenjar limfa (kelenjar getah bening, tulang kulit, otak, ginjal, dan lain6lain) kemungkinan seseorang tertular sangat tinggi, terutama pada daerah yang berpenduduk padat. Gejala umum pada penderita TBC adalah suhu badan naik hingga 390 – 410C, kehilangan nafsu makan, batuk yang berkepanjangan, berat badan menurun, dan lain sebagainya. Bagi penderita dianjurkan minumm susu dan makanan bergizi setiap hari, istirahat yang cukup, melakukan pernapasan di tempat yang bersih dan segar serta menghindari hal6hal yang dapat menimbulkan stress.
28,838 #% ) #
28,8:8 5
Dalam keadaan normal, dinding lambung biasanya dilindungi oleh lapisan mukosa terhadap pengaruh asam dan enzim yang biasanya terdapat didalam cairan lambung. Bila karena suatu sebab lapisan selaput lender (! ) robek, maka asam lambung akan merusak lapisan dinding lambung dan menyebabkan tukak (luka) dengan garis tengan beberapa sentimeter. Keadaan inilah yang disebut dengan maag/sakit lambung.
Penyebab penyakit ini belum diketahui secara pasti, namun kebiasaan merokok, minum minuman keras, tekanan batin, makan tidak teratur serta stress diduga dapat menyebabkan pembentukan luka pada lambung.
28,8;8 5#
Migren diduga akibat fenomena dari pembuluh darah yang tidak normal. Mekanisme yang sebenarnya belum diketahui dengan jelas. Biasanya, wanita lebih banyak mengalami migren bila dibandingkan dengan pria. Gejala umum yang umum adalah kepala berdenyut dan biasanya hanya pada satu sisi, mual, ingin muntah, serta sensitif terhadap cahaya dan bunyi.
2898 5# ! # <
Diagram Alir Data / ! (DFD) adalah sebuah teknik grafis
yang menggambarkan aliran informasi dan trnsformasi yang diaplikasikan pada saat data bergerak dari input menjadi output. DFD juga dikenal sebagai grafik aliran data atau$ $$ (Pressman, 2002). DFD tingkat 0 yang disebut juga dengan model sistem fundamentasi atau diagram konteks, merepresentasikan seluruh elemen sistem sebagai sebuah $ $$ tunggal dengan data input dan output yang ditunjukkan oleh anak panah yang masuk dan keluar secara berurutan. Proses tambahan $ $$ dan jalur aliran informasi direpresentasikan pada saat DFD tingkat 0 dipartisi untuk mengungkapkan detail yang lebih. Setiap proses yang direpresentasikan pada tingkat 1 merupakan subfungsi dari seluruh sistem yang digambarkan di dalam model konteks. Notasi dasar yang digunakan untuk menciptakan suatu DFD adalah sebagai berikut :
4 ! 28+Notasi DFD Dasar
% % & < 4%! # 5
1 Untuk merepresentasikan sebuah entitas eksternal,
informasi yang dihasilkan perangkat lunak
2 Sebuah proses atau transformasi yang
diaplikasikan ke data (atau kontrol) dan mengubahnya dengan berbagai macam cara.
3 Melambangkan satu atau lebih data
4 Penyimpanan data atau informasi tersimpan yang
digunakan oleh perangkat lunak
2838 5 ! #
Bagan alir adalah bagan yang menunjukkan alir di
dalam program atau prosedur sistem secara logika (Jogiyanto, 1990). Pada waktu akan menggambarkan suatu bagan alir, analis sistem atau pemrogram dapat mengikuti pedoman6pedoman sebagai berikut :
1. Bagan alir sebaiknya digambarkan dari atas ke bawah dan mulai dari bagian kiri dari suatu halaman.
2. Kegiatan di dalam bagan alir harus ditunjukkan dengan jelas.
4. Masing6masing kegiatan di dalam bagan alir sebaiknya digunakan suatu kata yang mewakili suatu pekerjaan, misalnya : “persiapkan” dokumen, “hitung” gaji.
5. Masing6masing kegiatan di dalam bagan alir harus di dalam urutan yang semestinya.
6. Kegiatan yang terpotong dan akan disambung di tempat lain harus ditunjukkan dengan jelas menggunakan simbol penghubung.
7. Gunakanlah simbol6simbol bagan alir yang standar. 8.
4 ! 2828Simbol6simbol pada bagan alir program
% % & < 4%! # 5
1 Simbol input / output
Digunakan untuk mewakili data input/output.
2 Simbol Proses
Digunakan untuk mewakili suatu proses.
3 Simbol Penghubung
4 Simbol garis alir.
Digunakan untuk menunjukkan arus dari proses.
5 Simbol keputusan
Digunakan untuk suatu penyelesaian kondisi di dalam program.
4 ! 28-8Lanjutan Simbol6simbol pada bagan alir program
% % & < 4%! # 5
6 Simbol keputusan
Digunakan untuk menunjukkan suatu operasi yang rinciannya ditunjukkan ditempat lain
7 Simbol persiapan
Digunakan untuk memberikan nilai awal suatu besaran
8 Simbol titik terminal
akhir dari suatu proses
9 Simbol Display
Digunakan untuk menampilkan output pada layar tampilan /monitor
28:8 %#! ) !$ 38*
Borland Delphi 7.0 merupakan program aplikasi desktop yang berbasis Object Basic dan merupakan cara yang paling sederhana untuk membangun aplikasi desktop. Lingkungan Delphi ditata dalam bentuk yang sangat menarik.
! ! (IDE) adalah sebuah lingkungan di mana
tools yang diperlukan untuk desain, menjalankan dan mengetes sebuah aplikasi disajikan dan terhubung dengan baik sehingga memudahkan pengembangan
program. IDE terdiri dari 9 , - ! . , $ , !
, - - & . Integrasi ini memberikan kemudahan dalam mengembangkan aplikasi yang kompleks.
:" 9
Main window adalah bagian utama dari IDE. Main window mempunyai semua fungsi utama dari program6program Windows lainnya. Main window
dibagi menjadi tiga bagian yaitu menu utama, $ , ! .
dipakai untuk melakukan beberapa operasi pada menu utama dengan sebuah
klik tunggal. - ! adalah $ dengan ketinggian ganda,
yang berisi dengan semua komponennya.
0" !
! memungkinkan untuk merancang aplikasi windows dengan
cara memilih komponen dari ! dan meletakkannya dalam
form.
;" #$8
#$8 untuk mengubah dari setiap item, disamping itu
untuk mengontrol tindakan yang diambil jika terjadi .
<"
-Jendela ini dipakai untuk menuliskan program. VB mempunyai fasilitas untuk memudahkan menemukan kesalahan, kerangka program sehingga tidak perlu menuliskan seluruh program.
=" - &
-8+8 %) ! & &
Metode analisis yang akan digunakan pada sistem deteksi penyakit adalah
metode analisis dengan pendekatan terstruktur lengkap
dengan alat yang berupa jenis komponen yang dibutuhkan dan teknik yaitu metode dan fungsi6fungsi yang dibutuhkan dalam pengembangan sistem sehingga hasil analisis akan menghasilkan sistem yang terstrukturnya dapat didefinisikan dengan baik dan jelas.
Sistem ini menggunakan diagram alir data ( !/ DFD) untuk
menggambarkan aliran datanya dan bagan alir data untuk representasi grafis yang menggambarkan setiap langkah yang akan dilakukan dalam suatu proses yaitu proses pelatihan dan proses pengujian pada sistem deteksi penyakit pada manusia.
-828 & & "
membantu dalam proses diagnosa jenis penyakit. Proses pendeteksian jenis penyakit ini didasarkan pada gejala6gejala klinis yang ada.
-8-8 ! & & 4
Analisis kebutuhan merupakan analisis yang dibutuhkan dalam membuat sistem deteksi jenis penyakit pada manusia yang berupa input, output, fungsi6 fungsi yang dibutuhkan dan antarmuka yang diinginkan.
-8-8+8 $
Input atau masukan dari sistem deteksi jenis penyakit pada manusia harus memperhatikan inisialisasi data input dan penetapan input.
1. Inisialisasi Data Input
Pada tahap ini, data yang dibutuhkan adalah catatan gejala penyakit yang dirasakan pasien. Data dari catatan pasien tersebut sebelum diimplementasikan menjadi sebuah masukan/input yang dapat dimengerti oleh program maka harus diinisialisasi terlebih dahulu. Dari hasil pengambilan data pada catatan medis pasien RSU Brayat Minulya Solo, diambil 13 variabel yang mampu menegakkan diagnosa asma, diabetes, hipertensi (darah tinggi), anemia, malaria, TBC, stroke, maag dan migren adalah :
4. Berkeringat.
5. Lemas/badan lemah. 6. Napsu makan berkurang. 7. Mual dan atau muntah 8. Kesemutan.
9. Pegal/ngilu.
10. Sakit kepala/pusing. 11. Nyeri.
12. Demam. 13. Mudah lelah
Setelah ditentukan variabel6variabel yang dominan dalam penegakan diagnosa asma, diabetes, hipertensi (darah tinggi), anemia, malaria, TBC, stroke, maag dan migren, maka harus ditentukan nilai dari variabel6variabel tersebut. Untuk pemberian nilai dari masing6masing variabel digunakan derajat dari tiap variabel jika dimungkinkan. Nilai yang diberikan berkisar antara 61 sampai 1, tergantung dari kasusnya per variabel. Hasil selengkapnya :
2. Batuk. Angka 61 jika tidak batuk, jika batuk diberi nilai : a. Nilai 60,5 jika batuk dalam waktu 1 – 2 hari.
b. Nilai 0 jika batuk selama 3 – 5 hari. c. Nilai 0,5 jika batuk selama 6 – 7 hari. d. Nilai 1 jika batuk lebih dari seminggu.
3. Pilek/bersin., angka 61 jika tidak pilek/bersin, jika pilek/bersin diberi nilai : a. Nilai 60,5 jika kadang6kadang bersin.
b. Nilai 0 jika bersin6bersin selama 1 – 2 hari (kadang6kadang). c. Nilai 0,5 jika pilek/bersin selama lebih dari 3 hari.
4. Berkeringat. Angka 61 jika tidak berkeringat, jika berkeringat diberi nilai : a. Nilai 60,5 jika kadang6kadang berkeringat.
b. Nilai 0 jika sering berkeringat.
5. Lemas/badan lemah, angka 61 jika tidak lemas, jika lemas, diberi nilai : a. Nilai 60,5 jika kadang6kadang lemas.
b. Nilai 0 jika mendadak badan terasa lemas. c. Nilai 0,5 jika badan sering lemas.
6. Nafsu makan berkurang angka 61 jika napsu makan tetap (tidak berkurang, jika berkurang, diberi nilai:
7. Mual dan atau muntah, angka 61 jika tidak mual/muntah. Jika mual/muntah, diberi nilai :
a. Nilai 60,25 jika kadang6kadang mual. b. Nilai 0 jika sering merasa mual. c. Nilai 0,5 jika kadang muntah. d. Nilai 1 jika sering muntah.
8. Kesemutan, angka 61 jika tidak kesemutan. Jika kesemutan, diberi nilai : a. Nilai 60,5 jika kesemutan pada bagian kaki.
b. Nilai 0 jika kesemutan pada bagian tangan. c. Nilai 0,5 jika kesemutan pada bagian tubuh.
9. Pegal/ngilu, angka 61 jika tidak pegal/ngilu. Jika pegal/ngilu, diberi angka : a. Nilai 60,5 jika kadang terasa pegal/ngilu.
b. Nilai 0,5 jika sering teraa pegal/ngilu.
10. Sakit kepala/pusing. Angka 61 jika tidak sakit kepala/pusing. Jika pusing, diberi angka :
a. Nilai 60,5 jika kadang6kadang pusing. b. Nilai 0,5 jika sering pusing.
c. Nilai 1 jika sakit kepala tak tertahankan.
11. Nyeri. Angka 61 jika tidak nyeri, jika nyeri, diberi angka : a. Nilai 60,25 jika nyeri pada tubuh bagian bawah. b. Nilai 0 jika nyeri pada perut.
c. Nilai 0,75 jika nyeri pada kepala.
12. Demam. Diberi nilai 61 jika tidak demam, jika demam diberi nilai : a. Nilai 60,5 jika kadang6kadang demam (hilang6timbul).
b. Nilai 0 jika agak demam (demam tetapi temperatur tidak terlalu tinggi). c. Nilai 0,75 jika demam (disertai panas badan sampai keluar keringat tanpa
adanya aktivitas).
d. Nilai 1 jika demam tinggi (kadang sampai mengalami kejang6kejang). 13. Mudah lelah. Jika tidak mudah lelah diberi nilai 61, jika mudah lelah diberi
nilai :
a. Nilai 60,5 jika kadang merasa lelah.
b. Nilai 0 jika dengan kegiatan berat, badan terasa lelah. c. Nilai 0,75 jika dengan kegiatan ringan, badan terasa lelah. d. Nilai 1 jika sering merasa lelah tanpa sebab.
Setelah ditentukan nilai untuk tiap variabel, selanjutnya gejala6gejala klinis yang terdapat pada semua variabel diganti dengan nilai6nilai yang telah ditentukan.
2. Penetapan Input
Dalam masalah ini, untuk mendeteksi jenis penyakit diperlukan data yang diambil dari catatan rekam medis pasien yang didalamnya terdapat gejala6gejala klinis yang dapat menegakkan diagnosa asma, diabetes, hipertensi (darah tinggi), anemia, malaria, TBC, stroke, maag dan migren
mewakili gejala klinis tiap gangguan) setelah melalui normalisasi data. Dari 13 variabel inilah yang menjadi input. Variabel input selengkapnya :
X1 = Alergi.
X2 = Batuk.
X3 = Pilek/bersin.
X4 = Berkeringat
X5 = Badan lemah/mudah lemah
X6 = Napsu makan berkurang
X7 = Mual/muntah
X8 = Pegal/ngilu
X9 = Kesemutan
X10= Sakit kepala/pusing
X11= Nyeri
X12= Demam
X13= Mudah Lelah
-8-828 $
-8-8-8 / 5& =' 5& " 5 4
Fungsi6fungsi yang harus ditangani oleh sistem deteksi jenis penyakit ini adalah menerima masukan data gejala, masukan data pelatihan, melakukan pelatihan dan pengujian.
-8-8.8 # " 5 5
Sistem deteksi jenis penyakit pada manusia ini akan diakses oleh user dengan tingkat kemampuan menggunakan komputer yang berbeda. Untuk itu diperlukan antarmuka yang dapat dimengerti dan mudah digunakan oleh pengguna dengan berbagai tingkat kemampuan dalam menggunakan komputer. Kriteria tersebut dapat dipenuhi dengan menggunakan antarmuka berbasis windows yaitu sistem menu yang diharapkan dapat menjadi lebih mudah dimengerti oleh semua pengguna baik pemula maupun mahir dalam menggunakan sistem ini.
-8.8 %) # 6 5 &
Perancangan perangkat lunak merupakan tahap selanjutnya dalam pembuatan perangkat lunak setelah tahap analisa. Tujuan perancangan sistem deteksi jenis penyakit ini adalah untuk membangun suatu sistem sederhana yang memiliki kemampuan untuk memproses data diagnosa penyakit dengan menggunakan sistem jaringan syaraf tiruan.
!1 . Untuk proses perhitungan pelatihan dan pengujian
menggunakan bagan alir dalam perancangannya.
-8.8+8 5# ! #
Pada tahap perancangan sistem, penggunaan sistem notasi sangat membantu dalam komunikasi dengan pemakai sistem untuk memahami secara logika. Diagram yang menggunakan notasi untuk menggambarkan arus data sistem
adalah diagram arus data ! " Dengan menggunakan alat desain
Gambar 3.1. Diagram Konteks Sistem Deteksi Penyakit
-8.828 5 ! #
Bagan alir merupakan representasi grafik yang menggambarkan
setiap langkah yang akan dilakukan dalam suatu proses seperti proses
perhitungan. Dalam penelitian ini bagan alir akan menjelaskan
Gambar 3.2. Flowchart proses pelatihan
-8.8-8 !5%# !
tersembunyi (z) bernilai 1. Sebaliknya, jika salah satu atau keduanya bernilai 61 maka keluarannya (Y) akan bernilai 61. Dengan kata lain, unit Y membentuk fungsi logika “atau” dengan masukan dari unit tersembunyi (z). Algoritma pelatihan ADALINE mula6mula untuk pola masukan dan target bipolar adalah sebagai berikut :
1. Inisialisasi semua bobot dan bias dengan bilangan acak kecil 2. Inisialisasi laju pemahaman (α) dengan bilangan kecil
3. Jika perubahan bobot < toleransi, tampilkan hasil. Namun jika perubahan bobot > toleransi, lakukan :
a) Set aktivasi unit masukan & = untuk semua i
b) Hitung net input untuk setiap unit tersembunyi ADALINE ()1,)2,...,) )
c) Hitung keluaran setiap unit tersembunyi dengan menggunakan fungsi aktivasi bipolar
d) Tentukan keluaran jaringan
e) Hitung error dan perubahan bobot
Jika y = target, maka tidak dilakukan perubahan bobot Jika y ≠ target lakukan perubahan bobot
-8.8.8 # 6 5 & &
Basis Data merupakan himpunan kelompok data yang saling berhubungan yang diorganisasi sedemikian rupa tanpa pengulangan ( ) yang tidak perlu agar kelak dapat dimanfaatkan kembali dengan cepat dan mudah untuk memenuhi berbagai kebutuhan. Perancangan basis data disebut juga sebagai pemetaan model data. Pada tahap pengembangan (development) setiap tabel diletakkan satu field cadangan (reserved) yang sewaktu6waktu dapat digunakan apabila diperlukan. Perancangan basis data pada Sistem Deteksi Jenis Penyakit Pada Manusia adalah sebagai berikut :
1. Tabel Bobot
Tabel bobot berfungsi untuk menyimpan bobot hasil training untuk setiap gejala penyakit.
Tabel 3.1. Struktur Tabel Bobot
% / !) $ # # 5
1 bbtId bigint 20 ID Bobot
Penyakit
3 bbtNilai text Nilai Bobot
4 reserved bigint 20
2. Tabel Gejala
Tabel gejala berfungsi untuk menyimpan gejala penyakit serta keterangan penyakitnya.
Tabel 3.2. Struktur Tabel Gejala
% / !) $ # # 5
1 gjId bigint 20 ID Gejala
2 gjNama varchar 100 Nama Gejala
3 gjKeterangan text Keterangan
Gejala
4 reserved bigint 20
3. Tabel Pemodelan
Pada tabel pemodelan ini disimpan id penyakit, nilai penyakit (bernilai 61 atau 1) dan config bipolar yang berisi nilai gejala6gejala (bernilai 61 atau 1).
Tabel 3.3. Struktur Tabel Pemodelan
% / !) $ # # 5
Detail
2 pmIdPenyakit bigint 20 Nama Gejala
Detail
3 pmNilaiPenyakit bigint 20 Nilai Gejala
4 pmConfigBipolar text ID Gejala
5 reserved bigint 20
4. Tabel Penyakit
Tabel penyakit ini berfungsi untuk menyimpan nama6nama penyakit yang disertai dangan data obat, pencegahan dan ramuan Tianshi.
Tabel 3.4. Struktur Tabel Penyakit
% / !) $ # # 5
1 penyId bigint 20 ID Penyakit
2 penyNama varchar 100 Nama
Penyakit
3 penyObat text Nama Obat
4 penyPencegahan text Cara
Pencegahan
5 penyRamuanTianshi text Nama
Ramuan Tianshi
5. Tabel User
Tabel user berfungsi untuk menyimpan nama lengkap, user login, user password, status aktif serta group dari seorang user.
Tabel 3.5. Struktur Tabel User
% / !) $ # # 5
1 usrId bigint 20 ID User
2 usrNamaDetil varchar 100 Nama Detail
User
3 usrNamaLogin varchar 50 Login User
4 usrPassword varchar 100 Password User
5 usrStatusAktif tinyint 1 Status Aktif
6 usrIdGroupUser bigint 20 Id Group User
7 reserved1 bigint 20
8 reserved2 bigint 20
6. Tabel User_Group
Tabel user_group berfungsi untuk menyimpan nama group dan keterangan dari user untuk kemudahan hak akses.
Tabel 3.6. Struktur Tabel User_Group
% / !) $ # # 5
1 usrgId bigint 20 ID User Group
Group
3 usrgKeterangan text Keterangan
User Group
4 reserved1 bigint 20
5 reserved2 bigint 20
-8.8,8 # 6 5 # &
Antarmuka sistem merupakan perantara komunikasi antara sistem dengan r, antarmuka harus sesuai dengan sistem yang akan dijalankan oleh . Rancangan antarmuka masukan pada sistem deteksi jenis penyakit pada manusia adalah terdiri dari , menu utama, deteksi penyakit yang meliputi pelatihan dan pengujian, perubahan data pelatihan, ganti password pakar.
1. Rancangan Antarmuka Menu Utama
pengguna pakar. Rancangan antarmuka menu utama seperti terlihat pada gambar 3.3.
4 # -8-8 Rancangan Antarmuka Menu Utama
2. Rancangan Antarmuka
Rancangan antarmuka merupakan kotak isian sebagai autentifikasi pengguna ke dalam sistem. Hal ini dilakukan agar terjadi pemilahan yang jelas antar para pengguna yang masuk ke sistem. Pemilihan ini biasanya dilakukan
dengan menggunakan kategori pengguna, ! dan . Rancangan
4 # -8.8Rancangan Antarmuka Login
Rancangan antarmuka merupakan kotak isian sebagai fungsi
untuk mengeset database dan protocol yang dipilih. Dan juga untuk melakukan pengesetan username dan password untuk koneksinya. Hal ini perlu dilakukan
untuk pengaksesan ke database. Rancangan antarmuka seperti
terlihat pada gambar 3.5.
3. Rancangan Antarmuka Daftar Gejala
Rancangan antarmuka daftar gejala merupakan antarmuka untuk melakukan penambahan gejala penyakit dan keterangannya. Rancangan antarmuka daftar gejala seperti terlihat pada gambar 3.6.
4 # -898 Rancangan Antarmuka Daftar Gejala
4. Rancangan Antarmuka Daftar Penyakit
4 # -838 Rancangan Antarmuka Daftar Penyakit
5. Rancangan Antarmuka Konfigurasi Jaringan Neuron
4 # -8:8 Rancangan Antarmuka Konfigurasi Jaringan Neuron
6. Rancangan Antarmuka Proses Pembelajaran
Rancangan antarmuka training atau pelatihan merupakan antarmuka untuk melakukan pelatihan jaringan syaraf tiruan. Rancangan antarmuka training atau pelatihan seperti terlihat pada gambar 3.9.
7. Rancangan Antarmuka Pengujian Diagnosa
Rancangan antarmuka pengujian digunakan untuk memasukkan gejala yang dirasakan pengguna kemudian melakukan pengujian untuk mengetahui jenis penyakit yang diderita. Rancangan antarmuka pengujian terdiri dari 13 combobox untuk gejala penyakit, 13 label untuk gejala penyakit, 1 label hasil nama penyakit & kemungkinan menderita (Y/T), dan 3 label nama penyakit, obat dan pencegahan. Rancangan antarmuka pengujian seperti terlihat pada gambar 3.10.
8. Rancangan Antarmuka Manajemen User
Rancangan antarmuka manajemen user digunakan untuk menambah, mengedit dan menghapus user. Dalam hal ini diatur dalam tiga level, yaitu user, pakar, dan administrator. Rancangan antarmuka manajemen user seperti terlihat pada gambar 3.11.
0
Implementasi merupakan tahap pengkodean dari hasil perancangan. Pada bab ini akan dilakukan pengimplementasian sistem berdasarkan analisa dan rancangan yang telah dibuat pada bab6bab sebelumnya.
.8+8 5 5 $! & # 5
Perangkat lunak yang digunakan dalam implementasi sistem adalah sebagai berikut:
a. Sistem Operasi : Windows XP
b. $ : MySQL
c. Pengembangan Perangkat Lunak :
' : Borland Delphi 7.0
- ! : GridPack 7, SuiPack 5.2, TMS Sofware 2,
Zeos DBO 6.1.5.
.828 5 5 $! & # 5 # &
Perangkat keras yang digunakan dalam implementasi sistem adalah sebagai berikut:
c. Hardisk 40 GB.
d. Monitor SVGA dengan resolusi 800 x 600.
.8-8 $! & !
$ yang digunakan dalam pengimplementasian sistem ini adalah dengan menggunakan MySQL"
Pembuatan $ pada '5 dapat dilakukan dengan dua cara. Cara
pertama dengan menggunakan DOS dan cara kedua dengan menggunakan
'5 > . Dalam sistem ini $ dibuat dengan menggunakan'5 > . Adapun sintaks dalam pembuatan tabel6tabel tersebut adalah :
! " #
$ % ! " #
%& '()%*+,"-%."/ %/- 01#
23& 32
)(4 &56 % *' %7* & #
/)%5&% &56 %
* 81 ,(& ,$ " 9
* 4 81 ,$
,
81 :1:
4)* 5). -%. *
%,+*,%0* 6 %'5$ & / 5) %&0 ;#
23& ! 32
)(4 &56 % *' %7* & ! #
/)%5&% &56 % !
!* 81 ,(& ,$ " 9
!, 9 ;11 ,(& ,$ ::
!-81 :1:
4)* 5). -%. !*
Relasi antar tabel dalam database tersebut seperti tampilan berikut :
Gambar 4.1. Relasi Antar Tabel
23& " 32
)(4 &56 % *' %7* & " #
/)%5&% &56 % "
* 81 ,(& ,$ " 9
, 9 ;11 ,(& ,$ ::
-; 81 :1:
8 81 :1:
4)* 5). -%. *
%,+*,%0* 6 %'5$ & / 5) %&0 ;#
.8.8 $! & #
Antarmuka merupakan tampilan yang nantinya akan berinteraksi langsung dengan pengguna. Antar6muka Sistem Deteksi Jenis Penyakit Pada Manusia sebagai berikut:
1 !
Antarmuka menu utama merupakan antarmuka untuk memilih menu mana yang akan dijalankan. Kategori pengguna sangat berpengaruh dalam menggunakan fasilitas menu dalam sistem ini. Halaman antarmuka menu utama seperti terlihat pada gambar 4.2.
1 ! ) & # &
Pada halaman administrasi ini hanya dapat diakses oleh admin dan pakar, yang memiliki hak untuk manipulasi data gejala penyakit, manipulasi data penyakit, mengkonfigurasi jaringan neuron, melakukan training terhadap data gejala dan penyakit, melakukan pengujian diagnosa serta melakukan manajemen user. Untuk halaman pengujian diagnosa bisa diakses oleh semua pengguna (admin, pakar dan user).
+8 $ ! 1 ! %5 > #? # % 6 %
Halaman login merupakan halaman pertama untuk dapat mengakses ke halaman sesuai dengan hak penggunanya. Ada tiga tingkatan untuk hak akses pengguna, yaitu : user, pakar, dan admin. Tampilan dari halaman login adalah sebagai berikut :
Gambar 4.3. Tampilan Halaman Login
Gambar 4.4. Tampilan Halaman Server Connection (Data Base)
Apabila dalam proses login tidak berhasil dilakukan, karena ada kesalahan username atau password atau setting data base connection yang salah, maka akan keluar pesan peringatan untuk kembali mengulang login. Tampilan pesan peringatan seperti gambar berikut ini :
Gambar 4.5. Tampilan Halaman Login Tidak Berhasil
28 $ ! 1 ! ' # !
data gejala. Halaman ini hanya untuk hak akses pakar dan admin. Tampilan halaman daftar gejala sebagai berikut :
Gambar 4.6. Tampilan Halaman Daftar Gejala
Gambar 4.7. Tampilan Pesan Peringatan Hapus Data
-8 $ ! 1 ! ' # "
Halaman daftar penyakit berfungsi untuk melakukan manipulasi (menambah, mengubah dan menghapus) data penyakit dan juga mendata pencegahan penyakit serta obat untuk penyakit tersebut. Tampilan halaman daftar penyakit sebagai berikut :
Seorang pakar atau admin dapat melakukan manipulasi data penyakit. Untuk melakukan pengeditan dan penghapusan data, dapat melakukan klik kanan untuk mengubah atau menghapus data penyakit tersebut. Akan muncul pesan peringatan apabila terjadi penghapusan data penyakit. Tampilan pesan peringatan dapat dilihat pada gambar 4.7.
.8 $ ! 1 ! % ' 5 # & # 5 #%
Halaman konfigurasi jaringan neuron ini berfungsi untuk melakukan konfigurasi pada jenis6jenis gejala pada penyakit yang diberi nilai bipolar (1 dan 61).
Gambar 4.9. Tampilan Halaman Konfigurasi Jaringan Neuron
,8 $ ! 1 ! #%& & 4 ! #
Pada halaman proses training atau pembelajaran ini, terjadi iterasi dari proses training untuk mendapatkan bobot masukan suatu penyakit. Variabel
input pada proses pembelajaran ini yaitu : nama penyakit, ,
Gambar 4.10. Tampilan Halaman Proses Pembelajaran
98 $ ! 1 ! & #
Halaman manajemen berfungsi untuk menambah, mengedit, menghapus serta memberikan hak akses untuk user. Role pengguna dalam aplikasi ini ada tiga, yaitu user, pakar dan admin.
Untuk user hanya dapat melakukan aktivitas diagnosa penyakit.
Untuk pakar dan admin dapat melakukan semua aktivitas, seperti mendata gejala, mendata penyakit, melakukan konfigurasi neuron, melakukan training serta melakukan diagnosa.
Gambar 4.11. Tampilan Halaman Manajemen User
1 ! & #
Halaman untuk user hanya meliputi halaman login, halaman daftar pengguna, serta halaman pengujian diagnosa. Administrator masih meliputi halaman user.
38 $ ! 1 ! 5 5 %&
0
38+8 & $ !
Berdasarkan pembahasan perancangan Sistem Deteksi Jenis Penyakit Pada Manusia ini, maka secara garis besar dapat ditarik kesimpulan sebagai berikut:
1. Dengan menggunakan sistem ini maka seseorang dapat mengetahui jenis6jenis penyakit dengan memasukkan data6data gejala penyakitnya. 2. Sistem ini dapat membantu seseorang dalam mendiagnosa banyak penyakit, karena dalam sistem ini memiliki kemampuan menyimpan jenis dan gejala penyakit dalam jumlah yang banyak.
3. Aplikasi ini diharapkan dapat membantu dalam memberikan keputusan kepada seseorang berupa obat alternatif yang harus dilakukannya.
3828 #
Masukan maupun saran untuk pengembangan lebih lanjut untuk sistem ini sangat dibutuhkan, berikut beberapa masukan dan saran yang dapat dipertimbangkan :
1. Untuk arahan kedepannya, sistem aplikasi ini memiliki data6data jenis dan gejala penyakit yang lebih lengkap, sehingga kemanfaatan sistem ini dapat berlangsung secara berkelanjutan.
mempermudah para pengguna yang masih awam terhadap aplikasi komputer.
3. Pada sistem aplikasi ini untuk tujuan ke depannya diharapkan dapat berintegrasi dengan sistem aplikasi lain, seperti aplikasi berbasiskan web, sehingga interaksi para pengguna tidak dibatasi oleh ruang. 4. Metode yang dikembangkan pada sistem ini masih bersifat dasar,
/
[KRI04] Kristanto, A. ? ' @ , !
. Yogyakarta: Gava Media, 2004.
[JEN05] Jenny, Sr. + 8 . . . Yogyakarta: Sahabat Setia,
2005.
[UTO05] Utomo, P. . A . $ '
"Jakarta: Rineka Cipta, 2005.
[KUS04] Kusumadewi, Sri. !$ ? '
+ B- @. Yogyakarta: Graha
Ilmu, 2004.
[SIA04] Siang, J. J. ? ' C . ! !
+. Yogyakarta: Penerbit Andi, 2004.
[KUS03] Kusumadewi, Sri. .
unit ufrmConfNeuron; interface
uses
Windows, Messages, SysUtils, Variants, Classes, Graphics, Controls, Forms, Dialogs, ExtCtrls, SUIForm, ufraFooter, StdCtrls, SUIButton, DBCtrls, SUIDBCtrls, SUISideChannel, Grids, BaseGrid, AdvGrid, JvLabel, uGejala, uPenyakit,
SUIComboBox, uPemodelan, Menus, SUIPopupMenu, SUIEdit; type
TfrmConfNeuron = class(TForm) suiForm1: TsuiForm;
procedure FormClose(Sender: TObject; var Action: TCloseAction); procedure FormDestroy(Sender: TObject);
procedure fraFooter1btnCloseClick(Sender: TObject); procedure lblRefreshClick(Sender: TObject);
procedure FormCreate(Sender: TObject);
procedure gridGejalaCheckBoxClick(Sender: TObject; ACol, ARow: Integer; State: Boolean);
procedure btnTambahClick(Sender: TObject); procedure btnCancelClick(Sender: TObject); procedure Delete1Click(Sender: TObject); private
procedure TampilListGejala(); procedure SetComboPenyakit(); procedure TampilListPemodelan(); public
{ Public declarations } end;
uses udmMain, uGTSUICommonDlg; {$R *.dfm}
procedure TfrmConfNeuron.FormClose(Sender: TObject; var Action: TCloseAction);
begin
action := caFree; end;
procedure TfrmConfNeuron.FormDestroy(Sender: TObject); begin
frmConfNeuron := nil; end;
procedure TfrmConfNeuron.fraFooter1btnCloseClick(Sender: TObject); begin
Close; end;
procedure TfrmConfNeuron.TampilListGejala; var i: integer;
begin i := 0;
gridGejala.Clear;
First;
gridGejala.ColCount := 3; gridGejala.Cells[0,i] := 'No.';
gridGejala.Cells[2,i] := 'Nama Gejala'; i := 1;
while not Eof do begin
gridGejala.RowCount := i + 1; gridGejala.Cells[0,i] := inttostr(i);
gridGejala.AddCheckBox(1,i,false,false);
gridGejala.Cells[2,i] := FieldByName('namagejala').AsString; gridGejala.Cells[5,i] := FieldByName('idgejala').AsString; gridGejala.Cells[6,i] := '';
i := i + 1; Next; end;
gridGejala.AutoSize := true; end;
end;
procedure TfrmConfNeuron.lblRefreshClick(Sender: TObject); begin
if not assigned(penyakit) then penyakit := TPenyakit.Create; penyakit.GetListPenyakit; with dmMain.qrSelect do begin
while not Eof do begin
cbPenyakit.AddItem(FieldByName('namapenyakit').AsString, self); Next;
edtNilai.Text := ''; end;
procedure TfrmConfNeuron.FormCreate(Sender: TObject); begin
TampilListPemodelan; lblRefreshClick(self); end;
procedure TfrmConfNeuron.gridGejalaCheckBoxClick(Sender: TObject; ACol, ARow: Integer; State: Boolean);
begin
if (ACol = 1) then begin
if (gridGejala.Cells[6,ARow] = 'Y') then begin
gridGejala.SetCheckBoxState(1,ARow,FALSE); gridGejala.Cells[6,ARow] := '';
end else begin
gridGejala.SetCheckBoxState(1,ARow,TRUE); gridGejala.Cells[6,ARow] := 'Y';
end; end; end;
procedure TfrmConfNeuron.TampilListPemodelan; var i: integer;
begin i := 0; grid.Clear;
if not assigned(pemodelan) then pemodelan := TPemodelan.Create; pemodelan.GetListPemodelan; with dmMain.qrSelect do begin
First;
grid.ColCount := 4; grid.Cells[0,i] := 'No.';
while not Eof do begin
grid.RowCount := i + 1; grid.Cells[0,i] := inttostr(i);
grid.Cells[1,i] := FieldByName('namapenyakit').AsString; grid.Cells[2,i] := FieldByName('nilaipenyakit').AsString; grid.Cells[3,i] := FieldByName('configbipolar').AsString; grid.Cells[4,i] := FieldByName('idpemodelan').AsString; grid.Cells[5,i] := FieldByName('idpenyakit').AsString; i := i + 1;
Next; end;
grid.AutoSize := true; end;
end;
procedure TfrmConfNeuron.btnTambahClick(Sender: TObject); var
i, idPenyakit: integer; bipolar: string; success: boolean; begin
if (Trim(cbPenyakit.Text) <> '') and (edtNilai.Text <> '') then begin
// get idpenyakit
if not assigned(penyakit) then penyakit := TPenyakit.Create;
idPenyakit := penyakit.GetIdPenyakit(cbPenyakit.Text); // create configurasi bipolar
bipolar := '';
for i := 1 to gridGejala.RowCount61 do begin
if (gridGejala.Cells[6,i] = 'Y') then begin
if (i=1) then
bipolar := bipolar + '1' else