DIAGNOSA PENYAKIT HEPATITIS MENGGUNAKAN APLIKASI JARINGAN SARAF TIRUAN DENGAN
MENGGUNAKAN METODE PERCEPTRON
Fenny Sinaga
Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl.Sisimangaraja No.338 Simpang Limun Medan
ABSTRAK
Hepatitis yang menggunakan adanya suatu peradangan yang dapat melukai Pada bagian organ hati,Penyakit ini yang sangat membahayakan karena adanya organ yang dapat merusak pada kesehatan tubuh secara menyeluruh. Jaringan saraf tiruan buatan merupakan salah satu metode komputasi yang meniru cara kerja saraf otak manusia.Keunggulan metode ini dibandingkan dengan metode lain yaitu kemampuan belajar dan memecahkan hubungan yang rumit,yang sulit dideskripsikan antara data masukan dan data keluaran.
Perceptron merupakan salah metode pembelajaran terawasi (Supervisi Learning Method) dalam jaringan saraf buatan.Umunya,perceptron digunakan untuk mengklarifikasikan diagnose dari penyakit hepatitis.Algoritma yang digunakan oleh aturan perceptron ini akan mengatur parameter-parameter bebasnya melalui proses pembelajaran.
Kata Kunci : Penyakit Hepatitis A,B,C,D,E Jaringan Saraf Tiruan,Metode Perceptron.
1. Pendahuluan
Hepatitis yang merupakan adanya suatu peradangan yang dapat melukai pada bagian organ hati. Penyakit ini yang sangat membahayakan karena adanya organ yang dapat merusak pada kesehatan tubuh secara menyeluruh. Racun yang sedarah dan kemudian dengan mudahnya akan merusak dan mengenai pada organ tubuh dan menyerang hati maka pada keadaan tersebut maka hati akan berada pada keadaan yang tidak baik.
Penyakit hepatitis yaitu penyakit yang dengan mudahnya menular melalui virus yang dapat membuat penderita demam dan dapat terjadinya peradangan serta dengan mudahnya akan merusak sel sel organ hati dan organ tubuh.
Penyakit radang hati (hepatitis) yang biasanya dikategorikan sebagai penyakit yang akut dan kronis. Masa penderita penyakit hepatitis akut biasanya sangat singkat tidak akan berlangsung dalam waktu yang lama dan bisa sembuh dalam beberapa minggu tanpa efek yang berkelanjutan.
Sedangkan penderita penyakit hepatitis kronis akan berlangsung dalam waktu yang sangat lama (bertahun tahun).
Hepatitis adalah jenis penyakit yang bisa dialami oleh siapapun dan bisa dialami akibat adanya infeksi virus. Penyakit hepatitis merupakan penyakit yang bisa dialami oleh adanya virus yang masuk dan menginfeksi pada organ tubuh. Penyakit hepatitis merupakan penyakit yang sering terjadi karena bisa di sebabkan oleh pola hidup yang kurang menjaga kebersihan sehingga bisa menyebabkan infeksi virus. Infeksi virus penyakit hepatitis bisa menjadi dari penderita penyakit
hepatitis sehingga menular secara langsung atau pun dengan melalui perantara seperti benda.
Jaringan saraf tiruan buatan merupakan salah satu metode komputasi yang meniru cara kerja saraf otak manusia. Keunggulan metode ini dibandingkan dengan metode lain yaitu kemampuan belajar dan memecahkan hubungan yang rumit, yang sulit dideskripsikan antara data masukan dan data keluaran. Hal ini dimungkinkan karena pengetahuan yang ada pada jaringan saraf buatan tidak diprogram, tetapi di\latih berdasarkan informasi yang diterimanya
.“Dari hasil penelitian dan pengujian jaringan saraf tiruan perceptron dapat mengenali pola dengan rata- rata 72,25 % dengan persentase terendah yaitu 50,75% dan persentasi tertinggi yaitu 92,65%
dengan persentase cukup baik tersebut, sistem dapat digunakan untuk mengenali citra objek sederhana”
(Ardi Pujiyanta, Program Studi Teknik Informatika, Fakultas Teknik Industri Universitas ahmad Dahlan Yogyakarta)Berbagai algoritma pelatihan jaringan saraf buatan untuk pengenalan pola telah dikembangan, salah satunya adalah perceptron.
Perceptron merupakan salah metode pembelajaran terawasi (Supervisi Learning Method) dalam jaringan saraf buatan. Umumnya, perceptron digunakan untuk mengklarifikasikan diagnosa dari penyakit hepatitis. Algoritma yang digunakan oleh aturan perceptron ini akan mengatur parameter- parameter bebasnya melalui proses pembelajaran.
1.2 Perumusan Masalah
Adapun Permasalahan yang akan dibahas adalah sebagai berikut:
1. Bagaimana penentuan karakteria penyakit hepatitis?
2. Bagaimana menerapkan metode perceptron untuk mendiagnosa penyakit hepatitis?
3. Bagaimana merancang aplikasi untuk mendiagnosa penyakit hepatitis dengan menerapkan metode perceptron?
1.3 Batasan Masalah
Agar menghasilkan tulisan yang fokus dan pembahasan yang tidak terlalu luas dari pokok permasalahan maka penulis membatasi masalah sebagai berikut :
1. Penyakit yang diagnosa adalah hepatitis 2. Adapun gejala-gejalanya adalah sebagai
berikut : Warna kekuningan pada kulit atau putih mata, Air seni berwarna kecoklatan seperti teh, Berat badan berkurang drastis dan Kurang nafsu makan.
3. Menggunakan aplikasi Matlab sebagai penguji.
1.4 Tujuan dan Manfaat Penelitian
Adapun tujuan dari penelitian yang dilakukan adalah sebagai berikut :
1. Mengenali gejala-gejala yang ada pada penderita.
2. Menerapkan aturan-aturan yang ada pada metode perceptron .
3. Merancang aplikasi dengan menerapkan metode perceptron.
2.Landasan Teori 2.1 Diagnosa
Proses diagnosis merupakan perpaduan dari aktifitas intelektual dan manipulatif. Menurut Handayani dan Sutikno (2008), diagnosis sendiri didefinisikan sebagai suatu proses penting pemberian nama dan pengklasifikasian penyakit- penyakit pasien, yang menunjukkan kemungkinan nasib pasien dan yang mengarahkan pada pengobatan tertentu. Diagnosis sebagaimana halnya dengan penelitian-penelitian ilmiah, didasarkan atas metode hipotesis.
2.2 Perangkat Lunak
Perangkat lunak pada dasarnya berperan ganda. Perangkat lunak merupakan suatu produk dan merupakan wahana untuk mengantarkan suatu produk. Sebagai suatu produk, perangkat lunak menghantarkan suatu potensi yang dibentuk oleh perangkat keras komputer atau lebih luas lagi menghantarkan potensi yang dibentuk komputer yang dapat diakses oleh perangkat keras yang bersifat lokal.
2.3 Jaringan Saraf tiruan
Dalam beberapa dekade, ilmu pengetahuan dan teknologi mempunyai tujuan mengembangkan mesin cerdas dengan sejumlah elemen sederhana.
Selama tahun 1940, para peneliti yang ingin menduplikasikan otak manusia, telah mengembangkan model neuron biologis dan sistim interaksi dalam perangkat keras sederhana. Pada tahun 1950 sampai dengan 1960, sekelompok peneliti mengkombinasikan sifat biologis dan psikologis untuk menghasilkan jaringan saraf tiruan (JST) pertama kali (Lanny W. Pandjaitan, 2007).
2.4 Arsitektur Jaringan Saraf Tiruan
Sering kali sangat tepat memvisualisasikan neuron sebagai lapisan. Umumnya, neuron-neuron pada lapisan yang sama berkelakuan sama. Faktor kunci untuk menentukan perilaku dari sebuah neuron adalah dengan fungsi aktivasinya dan pola koneksi dengan neuron yang lain sehinggah neuron dapat mengirim dan menerima sinyal.
2.5 Kecedasan Buatan
Alan Turing, seorang pionir AI dan ahli matematika Inggris melakukan percobaan pada tahun 1950 yang dinamakan Turing Test. Turing (Turing Test) yaitu sebuah komputer melalui terminalnya ditempatkan pada jarak jauh. Di ujung yang satu ada terminal dengan software AI dan diujung lain ada sebuah terminal dengan seorang operator.
2.6 Metode Perceptron
Tahun 1940-an, para ilmuan menemukan bahwa psikologi otak sama dengan model pemrosesan yang dilakukan oleh komputer. Tahun 1943, McCullochdan Pitts merancang model formal yang pertama kali sebagai perhitungan dasar neuron. Tahun 1954, Farleydan Clark mensetup model-model untuk relasi adaptif stimulus-respon dalam jaringan random. Tahun 1958, Rosenblatt mengembangkan konsep dasar tentang perception untuk klasifikasi pola. Tahun 1960, Widrowdan Hoff mengembangkan ADALINE yang dilatih dengan pembelajaran Least Mean Square (LMS).
Tahun 1974, Werbos memperkenalkan algoritma backpropagation. Tahun 1975, Littledan Shaw menggambarkan jaringan saraf dengan probabilistik. Tahun 1982, Kohonen mengembangkan metode pembelajaran jaringan saraf yang tidak terawasi untuk pemetaan. Tahun 1982, Grossberg mengembangkan teori jaringan.
Tahun 1982, Hopfield mengembangkan jaringan saraf reccurent. Tahun 1985, algoritma pembelajaran dengan mensin Boltzmann. Tahun 1987, Kosko mengembangkan jaringan Adaptive Bidirectional Associative Memory (BAM). Tahun 1988, dikembangkan fungsi radial bebas.
Algoritma yang digunakan oleh aturan perceptron ini akan mengatur parameter-parameter bebasnya melalui proses pembelajaran. Fungsi aktivasi dibuat sedemikian rupa sehingga terjadi pembatasan antara daerah positif dan daerah negatif.
Gambar 2.1 : Pembelajaran Perceptron Langkah – langkah metode perceptron
Pada awalnya bobot dibuat kecil untuk menjaga jangan sampai terjadi perbedaan yang sangat besar dengan target. Bobot awal adalah dibuat random, umumnya dalam interval [-0.5 – 0.5] Keluaran adalah proses jumlah perkalian antara masukan dengan bobot.
Jika terjadi perbedaan antara keluaran dengan target, e(k) = a(k) – t(k), k = iterasi ke- 1, 2, 3, maka: Bobot diupdate/diatur sedikit demi sedikit untuk mendapatkan keluaran yang sesuai dengan target
w(k+1) = w(k) + Δw(k) 1. Inisialisasi Awal
Mengatur bobot w1, w2, ..., wn interval [-0.5 – 0.5], mengatur bias/threshold b, mengatur kec pembelajaran ŋ, fungsi aktivasi
2. Menghitung keluaran
Mengaktifkan perceptron dengan memakai masukan p1(k), p2(k), ..., pi(k) dan target yang dikehendaki t(k). Hitunglah output aktual pada iterasi ke-k = 1
3. Menghitung error
e(k) = t(k) – a(k) t(k) = target,a(t)=keluaran perceptron
4. Mengatur Bobot
Mengupdate bobot perceptron wi(k+1) = wi(k) + Δwi(k)
w(k+1) bobot baru w(k) bobot yg lalu Δwi(p) adalah pengkoreksian bobot pada iterasi
k, yang dihitung dengan:
Δwi(p) = ŋ x pi(k) x e(k) 5. Pengulangan
Naikkan iterasi k dengan 1 (k=k+1), kembalilah ke langkah ke dua dan ulangi proses sampai keluaran=target or mendekati target.
2.7 Hepatitis
Hepatitis adalah peradangan pada hati yang disebabkan oleh berbagai sebab seperti bakteri, virus, proses autoinum, obat obatan, pelemakan, alkohol dan zat berbahaya lainnya. Bakteri,virus
dan parasit merupakan penyebab infeksi terbanyak diantara penyebab infeksi tersebut.
2.7.1 Hepatitis A
Penyakit Hepatitis A terdiri dari beberapa bagian yaitu adalah sebagai berikut:
1. Etiologi.
Penyebab penyakit adalah hepatitis A (VHA), termaksud famili pirocnaviridae berukuran 27 nanometer,genus hepatovirus yang dikenal sebagai enterovirus 72,mempunyai 1 serotype dan 4 genotype,merupakan RAN virus.Virus Hepatitis A bersifat termostabil tahan asam dan tahan terhadap empedu.Virus ini diketahui dapat bertahan hidup dalam suhu ruangan selama lebih dari 1 bulan.
2. Cara Penularan
Virus Hepatitis A ditularkan secara fecal- oral.Virus ini masuk kedalam saluran pencernaan melalui makanan dan minuman yang tercemar tinja penderita VHA.Virus kemudaian masuk ke hati melalui predaran darah untuk selanjutnyamenginvasi sel-sel hati(hepatosit),dan melakukan replikasi di hepatosit. Jumlah virus yang tinggi dapat ditemukan dalam tinja penderita sejak 3 hari sebelum muncul gejala hingga 1-2 minggu setelah munculnyya gejala kuning pada penderita. Ekskresi virus melalui tinja pernah dilaporkan mencapai 6 bulanpada bayi dan anak.
3. Cara Penularan
Virus Hepatitis A ditularkan secara fecal- oral.Virus ini masuk kedalam saluran pencernaan melalui makanan dan minuman yang tercemar tinja penderita VHA.Virus kemudaian masuk ke hati melalui predaran darah untuk selanjutnyamenginvasi sel-sel hati(hepatosit),dan melakukan replikasi di hepatosit. Jumlah virus yang tinggi dapat ditemukan dalam tinja penderita sejak 3 hari sebelum muncul gejala hingga 1-2 minggu setelah munculnyya gejala kuning pada penderita. Ekskresi virus melalui tinja pernah dilaporkan mencapai 6 bulanpada bayi dan anak 4. Masa Inkubasi
Masa inkubasi 15-50 hari,rata rata 28-30 hari.
5. Diagnosis
Disamping gejala dan tanda klinis yang kadang tidak mucul,diagnosis Hepatitis A dapat ditegakkan berdasarkan hasil pemeriksaan IgM- antiVHA serum penderita.
6. Pencegahan
Hepatitis A memang sering kali tidak berbahaya,namun lamanya masa penyembuhan dapat memberikan kerugian ekonomi dan sosial.
Penyakit ini juga tidak memiliki pengobatan spesifikyang dapat mengurangi lama penyakit, sehingga dalam penatalaksanaan Hepatiitis A, tindakan pencegahan adalah yang paling
diutamakan. Pencegahan Hepatitis A dapat dilakukan baik dengan pencegahan non spesifik (perubahan perilaku) maupun dengan pencegahan spesifik (imunisasi).
2.8 Flowchart
Flowchart adalah bentuk penyajian grafis yang menggambarkan solusi langkah demi langkah terhadap suatu permasalahan, flowchart memiliki kelebihan sebagai komunikasi yang andal, hanya menggunakan sedikit simbol yang mudah dipahami oleh siapa saja (Kadir, Abdul, Pengenalan Algoritma Pendekatan secara Visual dan Interaktif menggunakan Raptor, 2013, h.20).
2.8.2 UML (Unified Modeling Language) (Menurut Adi Nugroho 2010) UML (Unified Modeling Language) adalah bahasa pemodelan untuk sistem atau perangkat lunak yang berparadigma, berorientasi objek. Pemodelan (modeling) digunakan untuk penyederhanaan permasalahan–permasalahan yang kompleks sedemikian rupa sehingga lebih mudah dipelajari dan dipahami.
Beberapa jenis-jenis dari UML (Unified Modeling Language)
1. Use Case Diagram
Use case diagram adalah abstraksi dari interaksi antara system dan actor, gambar dari beberapa atau seluruh aktor dan use case dengan tujuan mengenali interaksi mereka dalam suatu sistem.
2. Activity Diagram.
Menggambarkan rangkaian aliran dari aktivitas, digunakan untuk mendeskripsikan aktifitas yang dibentuk dalam suatu operasi sehingga dapat juga digunakan untuk aktifitas lainnya seperti use caseatau interaksi.
3. Diagram Kelas (class diagram)
Diagram Kelas (class diagram) adalah dekripsi kelompok obyek-obyek dengan property, perilaku (operasi) dan relasi yang sama.
Sehingga dengan adanya class diagram dapat memberikan pandangan global atas sebuah system.
4. Sequence Diagram
Sequence diagram menjelaskan interaksi objek yang disusun berdasarkan urutan waktu.
2.9 Matlab
Matlab (Matrikx Laboratory) adalah sebuah program untuk analisi dan komputasi numeric, merupakan suatu bahasa pemrograman matematika lanjutan yang dibentuk dengan dasar pemikiran menggunakan sifat dan bentuk matriks. Pada awalnya, program ini merupakan interface untuk koleksi rutin-rutin numeric proyek LINPACK dan EISPACK, dikembangkan menggunakan bahasa FORTRAN. Namun sekarang, program ini merupakan produk komersial dari perusahaan
Mathwork, Inc. yang dalam perkembangan selanjutnya dikembangkan menggunakan bahasa C++ dan Assembler (terutama untuk fungsi-fungsi Matlab).
1. Matlab Desktop
Matlab desktop pada umumnya terdiri dari 5 sub window diantaranya adalah command windows, workspace browser, current directory window, command history window dan figure windows yang digunakan untuk menampilkan grafik.
Gambar 2.3. Jendela Dekstop Matlab Sumber: Wahana Komputer,2013,21
2. Matlab Editor perhitungan konvolusi secara grafis
Matlab editor digunakan untuk membuat dan mengedit M-file.matlab editor juga digunakan untuk menyimpan, melihat file dan melakukan plot grafik.
Gambar 2.4. Matlab Editor Sumber : Wahana Komputer,2013,21 3. Help System
Help system memiliki sebuah browser khusus yang menangani help. Dokumen help direseprentasikan dalam sebuah dokumen HTML yang terorganisir.
Gambar 2.5. Matlab Help System Sumber : Wahana Komputer,2013,21
3. Analisa dan Pembahasan 3.1 Analisis Penyakit Hepatitis
Perceptron juga termasuk salah satu bentuk jaringan saraf yang sederhana. Perceptron biasanya digunakan untuk mengklasifikasikan suatu pola tertentu yang sering dikenal dengan pemisahan secara linear. Sesuai dengan karakteristik jaringan saraf tiruan, pada dasarnya perceptron memiliki kecendrungan yang sama dengan jenis jaringan saraf tiruan yang lainnya, namun setiap jenis memiliki karakteristik masing-masing, seperti halnya single layer jaringan saraf tiruan, biasanya hanya digunakan untuk memberikan solusi yang sifatnya hanya sederhana saja.
Perceptron pada jaringan saraf tiruan dengan satu lapisan memiliki bobot yang bisa diatur dan suatu nilai ambang(treshold). Algoritma yang digunakan oleh aturan ini akan mengatur parameter-parameter bebasnya melalui proses pembelajaran. Nilai threshold pada fungsi aktivasi adalah non negatif. Fungsi aktivasi ini dibuat sedemikian rupa sehingga terjadi pembatasan antara daerah positif dan daerah negatif.
3.2 Kriteria Penyakit
Masalah-masalah yang dapat diselesaikan dengan perangkat lunak ini adalah nantinya antara lain dan diperlukan sistem yang dapat dijadikan sebagai pendukung keputusan dalam pendiagnosaan melalui kriteria-kriteria sebagai berikut:
1. Warna kekuningan pada kulit atau putih mata.
2. Air seni berwarna kecoklatan seperti teh.
3. Berat badan berkurang drastis dan 4. Kurang nafsu makan.
Dimana sistem ini nantinya menghasilkan 3 buah parameter output yaitu :
1. Fase Awal(Belum Tampak Kuning) 2. Fase Kuning
3. Fase Penyembuan
Input yang mempengaruhi output ada 4 buah parameter yaitu :
1. Pemeriksaan Darah 2. Tes Fungsi Hati
3. Tes Serologi Pertanda Virus 4. Pemeriksaan Air Seni
Diperlukan sistem yang dapat dijadikan sebagai pendukung keputusan dalam menentukan diagnosis klasifikasi derajat Hepatitis, dimana sistem ini nantinya menghasilkan 4 parameter output klasifikasi derajat Hepatitis yaitu :
1. Hepatitis A 2. Hepatitis B 3. Hepatitis C 4. Hepatitis D
3.2.1 Perancangan Metode Perceptron Pada perancangan model untuk JST terdiri dari 3 rancangan pokok yaitu :
1. Penetapan masukan
2. Penetapan keluaran 3. Arsitektur Jaringan
3.2.2 Penetapan Masukan
Adapun penetapan masukan jaringan syaraf tiruan untuk prediksi keputusan medis pada penyakit demam berdarah dengue adalah sebagai berikut :
1. Masukan JST Ketepatan Diagnosis Fase Hepatitis terdiri dari :
a. X1 (Pemeriksaan Darah) b. X2 (Tes Fungsi Hati )
c. X3 (Tes Serologi Pertanda Virus ) d. X4 (Pemeriksaan Air Seni )
2. Masukan JST Ketepatan Waktu Dalam Meminta Pertolongan Dokter terdiri dari : a. X1 (Gejala)
b. X2 (Pengobatan Awal) c. X3 (Perawatan Medis)
3.2.3 Penetapan Keluaran
Adapun penetapan masukan jaringan syaraf tiruan untuk prediksi keputusan medis pada penyakit demam berdarah dengue adalah sebagai berikut :
1. Keluaran JST Ketepatan Diagnosis Fase Hepatitis terdiri dari :
a. Y1 (Fase Awal) b. Y2 (Fase kuning) c. Y3 (Fase penyembuhan)
2. Keluaran JST Ketepatan Diagnosis Klasifikasi Derajat Hepatitis terdiri dari :
a. Y1 (Hepatitis A) b. Y2 (Hepatitis B) c. Y3 (Hepatitis C) d. Y4 (Hepatitis D) e. Y5 (Hepatitis E)
3.2.4 Proses Pelatihan
Proses Pelatihan ini diawali input maksimum epoch, α ( learning rate) dan target Error selanjutnya boot awal input ke hidden, bias ke hidden, hidden ke output dan biaas ke output di masukkan dengan nilai random dengan nilai -0,5 sampai dengan 0,5. Setelah tahap assign bobot awal, tahap selajutnya adalah membuka data pelatihan, dimana data pelatihan ini merupakan keputusan diagnosis dokter terdahulu dan saran dokter terhadap waktu yang tepat untuk meminta pertolongan dokter terlebih dahulu. Data pelatihan dapat diinputkan menggunakan fasilitas input data pembelajaran pada program aplikasi.
Tahap berikutnya adalah peng-assign-an epoch.
Setelah tahap tersebut, maka ada tes percabangan yang mempunyai 2 kondisi sebagai berikut : 1. Inisialisasi Awal
Mengatur bobot w1, w2, ..., wn interval [-0.5 – 0.5], mengatur bias/threshold b, mengatur kec pembelajaran ŋ, fungsi aktivasi
2. Menghitung keluaran
Mengaktifkan perceptron dengan memakai masukan p1(k), p2(k), ..., pi(k) dan target yang dikehendaki t(k). Hitunglah output aktual pada iterasi ke-k = 1
3. Menghitung error
e(k) = t(k) – a(k) t(k) = target, a(t)=keluaran perceptron
4. Mengatur Bobot
5. Mengupdate bobot perceptron wi(k+1) = wi(k) + Δwi(k)
w(k+1) bobot baru w(k) bobot yg lalu Δwi(p) adalah pengkoreksian bobot pada iterasi k, yang dihitung dengan:
Δwi(p) = ŋ x pi(k) x e(k) 6. Pengulangan
Naikkan iterasi k dengan 1 (k=k+1), kembalilah ke langkah ke dua dan ulangi proses sampai keluaran=target or mendekati target.
Pada tahap ini Setiap unit keluaran yk
menerima target pola tk. Dimana pola tersebut dapat dilihat pada tabel berikut :
Tabel 3.1 Tabel Pola Output JST Ketepatan Diagnosis Fase Hepatitis
Tabel 3.2 Tabel Pola Output JST Hasil Diagnosa Fase Hepatitis
3.2.5 Proses Pengujian
Untuk memahami kemampuan JST memprediksi keputusan medis yang akan diambil dilakukan proses pengujian. Setelah dilakukan proses pembelajaran diasumsikan sudah terbentuk jaringan syaraf yang mempunyai pengetahuan yang cukup sehingga mampu menghasilkan keluaran yang benar jika diberi masukan baru. Untuk pengujian JST keputusan dalam diagnosa fase hepatitis pada skripsi ini telah disediakan data untuk diagnosa pada penyakit hepatitis. Data yang digunakan untuk percobaan tersebut terdiri dari :
Adapun Variabel (representasi masukan ) untuk menampung gejala klinis (input) = p , adalah sebagai berikut :
Masukan biner dan keluaran biopolar dan gunakan α = 1 dan treshold (Ø) = 0 untuk fase diagnosis Hepatitis yang terdiri dari :
X1 = Fase Awal X2 = Fase Kuning X3 = Fase Penyembuhan
Eppoch 1
Masukan T ar ge t
N e t
y(
n et )
Perubahan Bobot
Perubahan Bobot X
1 X 2
X 3 1 T
Δ w 1
Δ w 2
Δ w 3
Δ b
w 1
w 2
w 3 b 1 1 0 1 -1 0 0
- 1
- 1 0
- 1
- 1
- 1 0
- 1 1 0 1 1 1
-
2 -1 1 0 1 1 0
- 1 1 0 1 1 0 1 -1 0 0
- 1
- 1 0
- 1
- 1
- 2 1 0
1 0 1 1 1 0 0 1 0 1 1 0
- 2 2 1
Eppoch 2
Masukan T ar ge t
N e t
y(
n et )
Perubahan Bobot
Perubahan Bobot
X 1
X 2
X 3 1 T
Δ w 1
Δ w 2
Δ w 3
Δ b
w 1
w 2
w 3 b 1 1 0 1 -1
-
1 -1 0 0 0 0 0
- 2 2 1
1 0 1 1 1 3 1 0 0 0 0 0
- 2 2 1 1 1 0 1 -1
-
1 -1 0 0 0 0 0
- 2 2 1
1 0 1 1 1 3 1 0 0 0
- 1 0
- 2 2 0
Eppoch 3
Masukan T a r g et
N e t
y ( n e t)
Perubahan Bobot
Perubahan Bobot X
1 X 2
X 3 1 T
Δ w 1
Δ w 2
Δ w 3
Δ b w1
w 2
w 3 b 1 1 0 1 -1
- 2
-
1 0 0 0 0 0
- 2 2 0
1 0 1 1 1 2 1 0 0 0 0 0
- 2 2 0 1 1 0 1 -1
- 2
-
1 0 0 0 0 0
- 2 2 0
1 0 1 1 1 2 1 0 0 0
- 1 0
- 2 2 1
Eppoch 4
Masukan T ar g et
N e t
y ( n et )
Perubahan Bobot
Perubahan Bobot X
1 X 2
X 3 1 T
Δ w 1
Δ w 2
Δ w 3
Δ b
w 1
w 2
w 3 b 1 1 0 1 -1
- 1
-
1 0 0 0 0 0
- 2 2 1
1 0 1 1 1 3 1 0 0 0 0 0
- 2 2 1 1 1 0 1 -1
- 1
-
1 0 0 0 0 0
- 2 2 1
1 0 1 1 1 3 1 0 0 0 0 0
- 2 2 1
Pada pengujian diagnosa fase hepatitis terdapat nilai eppoch 2 atau 2 iterasi
Masukan biner dan keluaran biopolar dan gunakan α = 1 dan treshold (Ø) = 0 untuk fase diagnosis Hasil Hepatitis yang terdiri dari :
X1 = Hepatitis A X2 = Hepatitis B X3 = Hepatitis C
Berikut perhitungan nilai eppoch dari metode perceptron yang disajikan pada tabel berikut ini : Eppoch 1
Masukan T ar g et
N e t
y ( n et )
Perubahan Bobot
Perubahan Bobot X
1 X 2
X 3 1 T
Δ w 1
Δ w 2
Δ w 3
Δ b
w 1
w 2
w 3 b
1 0 1 1 1 0 0 1 0 1 1 1 0 1 1
0 1 1 1 -1 2 1 0
- 1
- 1
- 1 1
- 1 0 0
1 0 1 1 1 1 1 1 0 1 1 2
- 1 1 0 0 1 1 1 -1
- 1
- 1 0
- 1
- 1
- 1 2
- 2 0
- 1
Eppoch 2
Masukan T ar g et
N e t
y ( n et )
Perubahan Bobot
Perubahan Bobot X
1 X 2
X 3 1 T
Δ w 1
Δ w 2
Δ w 3
Δ b
w 1
w 2
w 3 b 1 0 1 1 1
-
1 1 0 0 0 0 2
- 2 0
- 1 0 1 1 1 -1
- 3
-
1 0 0 0
- 1 2
- 2 0
- 2
1 0 1 1 1 0 0 0 0 0 1 2
- 2 0
- 1 0 1 1 1 -1
- 3
-
1 0 0 0
- 1 2
- 2 0
- 2
Eppoch 3
Masukan T ar g et
N e t
y ( n et )
Perubahan Bobot
Perubahan Bobot X
1 X 2
X 3 1 T
Δ w 1
Δ w 2
Δ w 3
Δ b
w 1
w 2
w 3 b
1 0 1 1 1 0 0 0 0 0 0 2
- 2 0
- 2 0 1 1 1 -1
- 4
-
1 0 0 0
- 1 2
- 2 0
- 3 1 0 1 1 1
- 1
-
1 0 0 0 0 2
- 2 0
- 3
0 1 1 1 -1 1 1 0 0 0
- 1 2
- 2 0
- 4
Eppoch 4
Masukan T ar g et
N e t
y ( n et )
Perubahan Bobot
Perubahan Bobot X
1 X 2
X 3 1 T
Δ w 1
Δ w 2
Δ w 3
Δ b
w 1
w 2
w 3 b
1 0 1 1 1 0 0 0 0 0 0 2
- 2 0
- 2 0 1 1 1 -1
- 4
-
1 0 0 0 0 2
- 2 0
- 2
1 0 1 1 1 0 0 0 0 0 0 2
- 2 0
- 2 0 1 1 1 -1
- 4
-
1 0 0 0
- 1 2
- 2 0
- 3
Eppoch 5
Masukan T ar g et
N e t
y ( n et )
Perubahan Bobot
Perubahan Bobot X
1 X 2
X 3 1 T
Δ w 1
Δ w 2
Δ w 3
Δ b
w 1
w 2
w 3 b
1 0 1 1 1 0 0 0 0 0 0 2
- 2 0
- 2 0 1 1 1 -1
- 4
-
1 0 0 0 0 2
- 2 0
- 2
1 0 1 1 1 0 0 0 0 0 0 2
- 2 0
- 2
0 1 1 1 -1 - 4
-
1 0 0 0
- 1 2
- 2 0
- 3
Eppoch 6
Masukan T ar g et
N e t
y ( n et )
Perubahan Bobot
Perubahan Bobot X
1 X 2
X 3 1 T
Δ w 1
Δ w 2
Δ w 3
Δ b
w 1
w 2
w 3 b
1 0 1 1 1 1 1 0 0 0
- 1 2
- 2 0
- 2 0 1 1 1 -1
- 4
-
1 0 0 0 1 2
- 2 0
- 1
1 0 1 1 1 2 1 0 0 0 1 2
- 2 0 0 0 1 1 1 -1
- 3
-
1 0 0 0
- 1 2
- 2 0
- 1
Dari tabel di atas diperoleh bobot baru yaitu w1=2, w2=-2, w3=0, dan b=-1. Dari hasil di atas diketahui bahwa nilai y f(net) sudah sesuai dengan eppoch 6 dan sesuai dengan target yang diharapkan.
Berdasarkan nilai eppoch tersebut dipastikan bahwa penderita menghidap penyakit hepatitis.
3.3 Perancangan Sistem
Pemodelan kebutuhan sistem dengan pemodelan UML(unfield modeling language) mencakup user diagram, activity diagram, sequence diagram, dan class diagram.
3.3.1 Use case diagram
Use case diagram menggambarkan fungsionalitas yang diharapkan dari sebuah sistem, kebutuhan sistem dari sudut pandang user, dan hubungan antar use case dengan actor. Pada diagram use case dibawah ini, ada dua factor yang berperan, yaitu admin dan user. Pada admin ada 2 use case yaitu pelatihan dan pengujian.
Gambar : Use Case Diagram
3.3.2 Class diagram
Class diagram menggambarkan keadaan atribut dari masing-masing proses yang terdapat pada sistem, yaitu pelatihan dan pengujian. Pada proses pelatihan terdapat empat atribut, yaitu pola, target, laju pemahaman, dan fungsi aktivasi.
Gambar : Class Diagram
3.3.3 Flowchart Diagnosa Hepatitis
Langkah awal dalam melakukan perancangan sistem yaitu dengan melakukanperancangan flowchart sistem atau biasa disebut bagan alur konsep awal sistem. Setelah melakukan perancangan flowchart sistem dan langkah seterusnya adalah perancangan antar muka sistem (interface sistem). Flowchart memiliki fungsi untuk memudahkan proses pengecekan terhadap sistem yang ingin dirancang.
Pada gambar dibawah ini dapat dilihat flowchart untuk diagnosa penyakit hepatitis dengan menggunakan metode perceptron.
Gambar : Flowchart Sistem
3.3.4 Perancangan Form
Adapun form yang digunakan dalam program aplikasi JST ini adalah sebagai berikut :
1. Form Fase Hepatitis
Gambar : Form Fase Hepatitis 2. Form Klasifikasi Hepatitis
Gambar : Fase Diagnosa Klasifikasi Hepatitis 3. Form Hasil Diagnosa Hepatitis
Gambar : Fase Hasil
4. Algoritma dan Implementasi 4.1 Algoritma
Algoritma adalah langkah-langkah dalam menyelesaikan suatu masalah atau urutan dari suatu pekerjaan secara bertahap dan spesifik dari setiap program yang merupakan jalan program itu sendiri.
Algoritma digunakan untuk menganalisa serta menjelaskan urutan dan hubungan antara kegiatan- kegiatanyang ditempuh serta menyelesaikan suatu permasalahan sehingga dapat tercapai suatu tujuan.
Berikut adalah skema dari metode mean filtering untuk mereduksi noise pada citra. Pseudocode adalah cara genetik untuk menerangkan suatu algoritma tanpa menggunakan bahasa pemrogramam tertentu. Sebagaimana namanya Pseudo code tidak dapat dieksekusi langsung pada
komputer. Tetapi merupakan model dan harus diubah menjadi kode pemrograman yang sebenarnya, dan ditulis sama detailnya. Pseudo code, secara alamiahdapat terdiri dari berbagai bentuk, walaupun banyak meminjam tata cara penulisan dari bahasa pemrograman populer (seperti C, atau Fotran). Bahasa natural yang digunakan pada detail yang kurang penting.
4.2 Metode Perceptron
Adapun langkah-langkah penerapan jaringan saraf tiruan pada penyakit hepatitis adalah sebagai berikut :
Input :
Inisialisasi Awal w1, w2, ... wn bobot [-0,5 – 0,5] interval b bias/threshold Menghitung keluaran
p1(k), p2(k), ..., pi(k) masukan t(k) target
iterasi ke-k = 1 output e(k) error
e(k) : = t(k) – a(k) t(k) target
a(t)keluaran perceptron
Mengupdate bobot perceptron w(k+1) bobot baru
w(k) bobot yg lalu
wi(k+1) := wi(k) + Δwi(k) Δwi(p) iterasi k Δwi(p) := ŋ x pi(k) x e(k) Pengulangan
1 (k=k+1)
Keluaran :=target
4.3 Spesifikasi Perangkat Keras Dan Perangkat Lunak
Standart program ini dijalankan dengan menggunakan perangkat keras (Hardware) yang direkomendasikan adalah sebagai berikut :
1. Prosesor Intel(R) Core(TM) i5-3210M CPU
@ 2.50 GHz 2. RAM 2.0GB
3. Harddisk 416 GB, dengan freespace 2 GB 4. Monitor dengan resolusi 1366 x 768 pixel 5. Keyboard dan Mouse
Adapun perangkat lunak (software) yang direkomendasikan untuk menjalankan aplikasi ini adalah adalah lingkungan system operasi Microsoft Windows NT/2000/XP.
4.4 Implementasi Sistem
Pada bab ini penulis akan mengimplementasikan penerapan metode perceptron untuk mendiagnosa penyakit hepatits, yang telah dianalisis dan telah dirancang sebelumnya dengan menggunakan bahasa Pemrograman Matlab 2010 yang merupakan tools yang dapat dibuat untuk aplikasi jaringan saraf
tiruan, percobaan program ini dijalankan dengan menggunakan Windows Xp. Yang mana PC tersebut perlu untuk disimulasikan dengan menginstal komponen windows serta komponen Matlab 2010.
Sebelum memulai untuk membahas program jaringan syaraf tiruan, penulis membuat deskripsi singkat dari program ini.
4.5 Tampilan Menu Utama
Adapun tampilan dari penerapan metode perceptron untuk mengurangi noise pada citra dapat dilihat dari tampilan berikut ini :
Gambar 4.1: Tampilan Program Utama
4.6 Tampilan Keluar Program
Ini merupakan tampilan dari menu program, yang keluar dari program jaringan saraf tiruan tersebut, ketika tombol Keluar diklik maka akan muncul perintah untuk keluar, jika user klik ya maka program akan diakhiri, dan jika user klik tidak maka program keluar tidak dilakukan.
Gambar 4.4: Tampilan Keluar Program
5. Kesimpulan dan Saran 5.1 Kesimpulan
Berdasarkan analisa dan pembahasan yang dilakukan, maka dapat disimpulkan sebagai berikut :
1. Diagnosa penyakit hepatitis dapat dilihat berdasarkan gejala-gejala yang diderita oleh penderita .
2. Penerapan metode perceptron dalam mendiagnosa penyakit hepatitis dengan menghitung nilai eppoch dari setiap gejala agar sesuai dengan target yang diharapkan.
3. Diagnosa penyakit hepatitis dengan menggunakan metode perceptron, terdapat nilai eppoch sebanyak 6.
4. Hasil diagnosa penyakit hepatitis tergantung dari jumlah eppoch yang didapat.
5.2 Saran
Beberapa saran untuk pengembangan dan perbaikan diantaranya adalah sebagai berikut:
1. Pada penelitian selanjutnya diharapkan pelatihan dan pengujian lebih diperbanyak dan nilai laju pembelajaran dimodifikasi sedemikian rupa untuk dapat dilihat pengaruhnya sehingga diperoleh pendiagnosaan yang tepat dengan tingkat keakurasian yang tinggi.
2. Nilai eppoch dapat lebih maksimal hasilnya dari sebelumnya.
3. Sistem dapat dikembangkan lagi menjadi yang lebih baik lagi dan mudah untuk digunakan dan mendapatkan hasil yang terbaik.
Daftar Pustaka
1. Handayani dan Sutikno (2008), “Diagnosis”.
2. Ardi Pujiyanta” Universitas ahmad Dahlan Yogyakarta”.
3. Roger S. Pressman, 2012
4. Lanny W. Pandjaitan, 2007 ” jaringan saraf tiruan “
5. Sekarwati ,2004 “komputasi biologis “ 6. Rich and knight Kecerdasan buatan “ artificial
intelligence”
7. Siggit Pamungkas, 2003 “saraf motor pada jaringan saraf biologis “
