IDENTIFIKASI DAN PERINGATAN DINI
DAERAH RAWAN ISPA PADA BALITA
Sri Redjeki1, Ariesta Damayanti2
1,2
Teknik Informatika, STMIK AKAKOM Yogyakarta
3
STMIK AKAKOM, Jl. Raya Janti 143 Karangjambe, Yogyakarta
1
[email protected], 2 [email protected]
Abstrak
Kasus kesakitan dan kematian akibat ISPA, khususnya ISPA bawah pada balita di negara berkembang mencapai 25%-50%. Setiap tahun terdapat 4 juta anak balita meninggal karena ISPA (terutama pneumonia dan bronkiolitis) di negara berkembang, sehingga memicu tinginya Angka Kematian Bayi. ISPA juga merupakan salah satu penyebab utama kunjungan pasien pada sarana kesehatan.
Untuk mengantisipasi peningkatan jumlah penderita ISPA diperlukan sistem yang dapat memberikan identifikasi serta peringatan dini terhadap wilayah mana yang jumlah penderita ISPA terbanyak. Identifikasi serta peringatan dini wilayah ini didasarkan pada hasil nilai prediksi penderita ISPA pada wilayah tertentu. Untuk memperoleh nilai prediksi yang akurat diperlukan beberapa parameter agar dapat menghasilkan nilai prediksi baik. Jaringan syaraf tiruan merupakan salah satu metode softcomputing yang mampu melakukan prediksi dengan baik. Algoritma jaringan syaraf tiruan yang digunakan pada penelitian ini menggunakan backpropagation.
Input sistem untuk prediksi menggunakan data sebanyak 102 data dengan variabel jumlah penduduk miskin, jumlah bayi lahir dibawah berat normal, jumlah imunisasi wajib, jumlah balita dengan gizi buruk sedangkan output sistem jumlah penderita ISPA Balita. Nilai prediksi yang dihasilkan oleh JST mempunyai akurasi sekitar 72%. Angka akurasi ini masih jauh dari sempurna, hal ini dapat dipengaruhi oleh beberapa faktor antara lain jumlah data yang untuk penelitian dan pemilihan parameter JST.
Kata kunci : Backpropagation, Balita, ISPA, JST, Prediksi, Bantul.
1. Pendahuluan
Infeksi Saluran Pernapasan Akut (ISPA) adalah penyakit infeksi yang menyerang salah satu bagian atau lebih dari saluran napas, mulai dari hidung (saluran atas) hingga alveoli (saluran bawah) termasuk jaringan adneksanya, seperti sinus, rongga telinga tengah, dan pleura Penyakit ini dikelompokkan menjadi ISPA atas seperti, batuk, pilek, faringitis, tonsillitis dan ISPA bawah misalnya, bronkitis, bronkiolitis, pneumonia. Resiko kematian pada ISPA bawah lebih besar dibandingkan kasus ISPA atas.
Penyakit ISPA di Indonesia merupakan masalah kesehatan utama, terutama karena masih tingginya angka penderita ISPA. Berdasarkan laporan World Health Organization (WHO) Tahun 2005 menyatakan kematian balita akibat pneumonia di seluruh dunia sekitar 19% atau berkisar 1,6–2,2 juta, di mana sekitar 70% terjadi di negara-negara berkembang terutama di Afrika dan Asia Tenggara. Dari data SEAMIC Health Statistic 2001 pneumonia
merupakan penyebab kematian nomor 6 di Indonesia, nomor 9 di Brunei, nomor 7 di Malaysia, nomor 3 di Singapura, nomor 6 di Thailand dan nomor 3 di Vietnam. Setiap tahun di perkirakan 4 juta anak balita meninggal karena ISPA (terutama pneumonia dan bronkiolitis) di negara berkembang , sehingga hal ini memicu tinginya Angka Kematian Bayi (AKB).
pada softcomputing yang sangat baik untuk melakukan prediksi yaitu jaringan saraf tiruan (artificial neural network). Jaringan saraf merupakan model komputasi yang bekerja seperti sistem saraf biologis saat berhubungan dengan dunia luar.
Berdasarkan latar belakang tersebut di atas, dapat dirumuskan suatu masalah bagaimana memanfaatkan metode Jaringan Saraf Tiruan untuk melakukan prediksi jumlah penderita ISPA sehingga dapat mengidentifikasi dan peringatan dini daerah rawan ISPA pada balita, dengan mengambil studi kasus di Kabupaten Bantul sehingga diharapkan dapat menjadi acuan bagi pihak-pihak yang terkait untuk melakukan tindakan pencegahan dan penanggulangan penyebaran ISPA.
Penelitian ini bertujuan untuk menerapkan metode backpropagation untuk melakukan prediksi dan hasil prediksi akan menjadi dasar untuk identifikasi serta peringatan dini daerah rawan ISPA pada balita di kabupaten Bantul.
Penelitian dari Identifikasi Daerah Rawan ISPA pada Balita ini diharapkan dapat memberikan manfaat secara langsung kepada pemerintah daerah Kabupaten Bantul pada umumnya dan tenaga medis pada khususnya untuk mengetahui sebaran daerah rawan ISPA pada balita beserta faktor resiko yang paling besar di setiap sebaran wilayah tersebut. Sehingga diharapkan dari data tersebut, pemerintah daerah dan tenaga medis dapat melakukan tindakan pencegahan dan penanggulangan untuk menekan angka penderita ISPA pada balita di Kabupaten Bantul
2. Tinjauan Pustaka
Penggunaan Jaringan Syaraf Tiruan dalam penyelesaian bidang medis telah banyak dilakukan, diantaranya untuk diagnosa gangguan saluran pernapasan [6], yang memberikan hasil ketepatan pengujian diagnosa mencapai 90%. JST secara luas juga telah digunakan dalam masalah identifikasi, salah satunya adalah dalam identifikasi scan iris mata untuk aplikasi sistem pengamanan brankas [5]. Pada aplikasi ini digunakan metode backpropagation untuk identifikasi pola iris mata seseorang yang nantinya digunakan untuk pengamanan brankas. Sistem ini dapat bekerja optimal pada range : learning rate (laju belajar) sebesar 15, jangkauan epoch (looping) sebanyak 100000 kali dengan toleransi error 0,001 dan momentum 0,1. Tingkat keberhasilan sistem dalam mengenali user adalah 80,1%.
Penelitian lain untuk identifikasi terutama yang menyangkut proses identifikasi wilayah atau daerah adalah identifikasi peta secara otomatis menggunakan konsep JST backpropagation [1]. Penelitian ini menggunakan JST backpropagation dengan citra peta wilayah sebagai masukan dan menghasilkan identifikasi otomatis pada peta,
sehingga dapat digunakan untuk mengenali kondisi suatu daerah secara otomatis. Hasil dari percobaan pada penelitian ini untuk tingkat ketelitian mencapai lebih dari 82%. Penelitian ini masih berupa pemodelan sehingga belum dikembangkan implementasi dari pemodelan tersebut.
Dari hasil penelitian yang telah dilakukan sebelumnya, dapat dinyatakan bahwa JST memiliki kemampuan yang cukup baik dalam proses diagnosa dan prediksi, karena dapat menghasilkan tingkat keakuratan lebih dari 80%. Oleh karena itu, pada penelitian kali ini digunakan metode JST untuk menghasilkan informasi yang akurat untuk digunakan pada identifikasi wilayah rawan ISPA pada balita. Hasil identifikasi wilayah tersebut nantinya akan digunakan sebagai acuan untuk memberikan peringatan dini daerah rawan ISPA pada balita di kabupaten Bantul sehingga diharapkan dapat membantu pemerintah daerah untuk memetakan solusi yang terbaik dalam rangka pencegahan dan penanggulangan penyebaran ISPA khususnya bagi balita yang nantinya juga dapat menekan angka kematian pada bayi dan balita.
2.1 Infeksi Saluran Pernapasan Akut
ISPA (Infeksi Saluran Pernapasan Akut) merupakan penyakit yang umum dijumpai pada balita dan anak-anak serta masih menduduki peringkat teratas sebagai penyebab kematian bayi di Indonesia. Dari Survei Konsumsi Rumah Tangga (SKRT) tahun 2001, diketahui bahwa 27,6% kematian bayi kurang dari satu tahun disebabkan oleh ISPA.
Faktor-faktor yang mempengaruhi tingginya kejadian ISPA pada anak dan balita yakni faktor
Faktor ekstrinsik berupa perumahan, sosial ekonomi dan pendidikan juga mempengaruhi kejadian ISPA [4].
2.2 Jaringan Syaraf Tiruan
Jaringan Saraf Tiruan (JST) merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan digunakan karena jaringan saraf tiruan ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran [3].
2.3 Algoritma Pembelajaran Backpropagation
Backpropagation merupakan algoritma pembelajaran terawasi yang menggunakan pola penyesuaian bobot untuk mencapai nilai kesalahan yang minimum untuk keluaran hasil prediksi yang nyata [2]. Gambar 1 menunjukkan arsitektur JST dengan algoritma backpropagation.
Gambar 1. Arsitektur Jaringan Multilayer Backpropagation Dengan Satu Hidden Layer
2.4 Mean Square Error (MSE)
Mean Square Error adalah fungsi kinerja yang sering digunakan untuk backpropagation yang dimana fungsi ini akan menngambil rata-rata kuadrat error yang terjadi antar output jaringan dan target. MSE dihitung sebagai berikut :
1. Hitung keluaran jaringan syaraf untuk masukan pertama aktivitas prediksi.
2. Hitung selisih antara nilai target dengan nilai keluaran prediksi.
3. Kuadratkan setiap selisih tersebut.
4. Jumlahkan semua kuadrat selisih dari tiap-tiap data pembelajaran dalam suatu epoh.
5. Bagi hasil penjumlahan tersebut dengan jumlah data pembelajaran.
Rumus Mean Square Error (MSE):
3. Metode Penelitian
Penelitian dilakukan pada Dinas Kesehatan Kabupaten Bantul. Sampel data yang diambil adalah medical record (data medis) bagian Kesehatan Ibu dan Anak Dinas Kesehatan pada tahun 2001 hingga tahun 2011. Sampel terdiri dari data balita 0 – 5 tahun di 27 puskesmas se-Kabupaten Bantul.
Selain pasangan data masukan keluaran akan terdapat proses pelatihan, beberapa hal yang diperlukan dalam proses pelatihan ANN antara lain : a. Pembagian data untuk pembelajaran dan
pengujian
Dari 150 data (Januari-Desember 2009) dibagi menjadi dua bagian:
- 100 data digunakan untuk pelatihan - 50 data digunakan untuk pengujian
b. Kriteria yang digunakan dalam penelitian ini terbagi menjadi beberapa bagian,yaitu kriteria kelahiran bayi dengan berat badan dibawah normal, balita yang tidak mendapat imunisasi wajib lengkap, status gizi balita buruk dan jumlah masyarakat miskin.
c. Penentuan arsitektur Jaringan saraf tiruan (JST) Untuk mendapatkan hasil prediksi yang maksimal pada saat latihan diperlukan arsitektur JST yang baik . Input terdiri dari 4 unit input, 3 unit hidden layer dan 1 unit output. Gambar rancangan arsitektur yang akan dibuat untuk sistem ini terlihat pada gambar 2.
X1 melakukan prediksi jumlah penderita ISPA Balita di Kabupaten Bantul.
Keterangan gambar :
X1 = jumlah bayi lahir dengan berat dibawah normal
X2 = jumlah bayi yang tidak mendapat imunisasi wajib lengkap
X3 = jumlah balita dengan status gizi buruk X4 = jumlah masyarakat miskin
Flowchart sistem untuk training dan testing data pada algoritma Backpropagation yang digunakan untuk identifikasi dan deteksi ISPA Balita terlihat pada gambar 3 dan gambar 4 dibawah ini :
Hasil bobot yang dihasilkan dari fase training akan digunakan untuk melakukan testing dan prediksi data penderita ISPA Balita.
Gambar 4. Flowchart Testing dan Prediksi JST
4. Hasil dan Pembahasan
Sistem yang dibangun untuk melakukan identifikasi dan deteksi dini penderita ISPA Balita di Kabupaten Bantul dibangun menggunakan algoritma yang ada di jaringan saraf tiruan yaitu Backpropagation. Hasil dari sebuah sistem yang di bangun menggunakan jaringan saraf tiruan sangat di pengaruhi oleh beberapa faktor antara lain : jumlah data yang digunakan pada hasil proses training dan pengambilan parameter JST. Beberapa parameter JST yang digunakan pada penelitian ini yaitu inisialisasi bobot awal, jumlah epoch, nilai MSE, jumlah unit pada hidden, fungsi aktivasi dan range bobot yang akan digunakan pada penelitian.
Tampilan sistem secara umum dapat dilihat pada gambar 5, sedangkan menu sistem untuk menampilkan data (upload data) yang akan digunakan pada pelatihan dapat dlihat pada gambar 5.2.
Gambar 5. Tampilan utama sistem
Gambar 6 Menu Upload Data
Data yang digunakan pada penelitian sebanyak 102 data dibagi menjadi 2 bagian yaitu 80% untuk data training (pelatihan) dan 20% data digunakan untuk testing (pengujian). Pada fase training digunakan nilai parameter yang berbeda-beda untuk mendapatkan hasil yang maksimal. Menu sistem untuk training dan testing terlihat pada gambar 7 dan gambar 8. Proses training pada JST ditunjukkan dengan adanya grafik perubahan nilai MSE (means square error) terhadap jumlah iterasi.
Gambar 7. Menu Training
Tabel 1. Hasil Akurasi Testing memberikan gambaran bahwa hasil akurasi terbaik dipengaruhi oleh parameter nilai learning rate, dimana semakin nilai learning rate-nya maka nilai akurasinya menjadi lebih baik. Dari hasil identifikasi 17 Kecamatan yang ada di Kabupaten Bantul daerah yang paling banyak balita terserang ISPA terlihat pada tabel 2.
Tabel 2. Hasil Prediksi ISPA tiap Kecamatan
Kecamatan
ISPA
Hasil JST
Dlingo
128 96,31725664
BBL
148 103,7782172
Pajangan
151
123,827878
Pundong
154 112,2602357
Kretek
158
115,050619
Srandakan
158 115,3725248
Sanden
159
116,185195
Sedayu
179 130,7887026
Piyungan
184 134,0785205
Imogiri
196 142,8111658
Pleret
207 151,1207988
Jetis
212
154,448583
Bantul
217 158,5471126
Pandak
237 173,1187905
Kasihan
244 177,9837979
Sewon
280 204,0585029
Banguntapan
358 261,0438584
5. Kesimpulan dan Saran
Dari uraian diatas dapat disimpulkan beberapa hal mengenai hasil penelitian ini, antara lain : a. Nilai learning rate yang semakin kecil akan
memberikan hasil akurasi yang cukup baik untuk prediksi data
b. Data historis yang digunakan pada prediksi akan memberikan pengaruh hasil yang cukup signifikan
c. Pemilihan variabel input JST yang tepat akan memberikan performance JST yang baik d. Jumlah presentasi testing dan training yang
digunakan pada JST juga mempengaruhi nilai prediksi.
e. Kecamatan yang angka penderita ISPA Balita terbesar ada dikecamatan Banguntapan. Untuk dapat memberikan hasil penelitian berikutnya lebih maksimal beberapa hal perlu dilakukan antara lain:
a. Perlu dilakukan pengujian variabel input sebelum digunakan pada JST
b. Menambah jumlah data historis
c. Memberikan analisa parameter performance JST selain nilai learning rate
d. Perlu menggabungkan metode Fuzzy dan Neural Nework untuk menghasilkan nilai prediksi yang lebih baik.
Daftar Pustaka:
[1] Erwin,A.H.,2004,Model Identifikasi Peta Secara Otomatis Menggunakan Konsep Jaringan Syaraf Tiruan Backpropagation, Media Informatika, Vol. 2, No. 1, Juni 2004, ISSN: 0854-4743,39-46 ,Yogyakarta.
[2] F. Suhandi, Krisna. 2009, Prediksi Harga Saham Dengan Pendekatan Artificial Neural Network Menggunakan Algoritma Backpropagation, viewed 26Agustus 2009.
[3] Kusumadewi,Sri., 2003,Artificial Intelligence (Teknik dan Aplikasinya), Graha Ilmu,Yogyakarta.
[4] Muluki,M., Analisis Faktor Risiko yang Berhubungan dengan Terjadinya Penyakit ISPA di Puskesmas Palanro Kecamatan Mallusetasi Kabupaten Barru Tahun 2002-200, 2003, Makasar.
[5] Syamsiar Fibri, Trendy., Puspita,Eru., Nur Iman,Budi., Gil,P.G. and Ambrosio,J.E.,2009, Sistem Identifikasi Scan Iris Mata Menggunakan JST Propagasi Balik untuk Aplikasi Sistem Pengamanan Brankas,Surabaya.
[6] Yuwono, Bambang., Rustamaji, C.Heru, Dani,Usamah.,2001, Diagnosa Gangguan Pernapasan Menggunakan Jaringan Syaraf Tiruan Backpropagation,Seminar Nasional Informatika 2011,1979-2328,Yogyakarta.
Biodata Penulis
Informatika lulus tahun 2002. Saat ini sebagai Staf Pengajar program studi Teknik Informatika
