162
“APLIKASI DIAGNOSA GANGGUAN LAMBUNG MELALUI CITRA IRIS MATA DENGAN JARINGAN SYARAF
TIRUAN PROPAGASI BALIK”
Yusfrizal
Universitas Potensi Utama
Jl. K.L.Yos Sudarso Km.6,5 No.3-A Medan (20241) E-mail : [email protected]
ABSTRAK
Aplikasi diagnosa gangguan lambung melalui iris mata dengan jaringan syaraf tiruan propagasi balik dibuat untuk mendiagnosa gangguan lambung dengan memanfaatkan media komputer. Aplikasi ini menggunakan jaringan syaraf tiruan propagasi balik dengan 3 lapisan (2 hidden layer dan 1 output layer). Dari hasil pembentukan JST Propagasi Balik dan pelatihan, jaringan yang terbentuk sudah dapat digunakan untuk mendiagnosa apakah seseorang terdapat gangguan lambung atau tidak, karena gradien garis hasil regresi linear bernilai 0.9777 (mendekati 1), titik perpotongan dengan sumbu y bernilai 0.0027 (mendekati 0) dan koefisien korelasi bernilai 0.996 (mendekati 1), menunjukkan hasil yang baik untuk kecocokan output jaringan dengan target. Dan dari hasil pengujian JST Propagasi balik dengan menggunakan data baru, untuk mendiagnosa citra iris mata kanan tingkat akurasi pengujian 90%. Dan untuk mendiagnosa citra iris mata kiri tingkat akurasi pengujian 80%.
Kata kunci: gangguan lambung, iris mata, jaringan syaraf tiruan, propagasi balik
ABSTRACT
The application for diagnosing gastric disorders through the iris of the eye with a back propagation artificial neural network is made to diagnose gastric disorders by utilizing computer media. This application uses a back propagation neural network with 3 layers (2 hidden layers and 1 output layer). From the results of the formation of Back propagation ANN and training, the network formed can be used to diagnose whether a person has gastric disorders or not, because the gradient of the linear regression result is 0.9777 (close to 1), the point of intersection with the y-axis is 0.0027 (close to 0) and the correlation coefficient is 0.996 (close to 1), indicating a good result for matching the network output to the target. And from the results of the back propagation ANN testing using new data, to diagnose the right iris image the test accuracy rate is 90%. And to diagnose the image of the iris of the left eye, the test accuracy rate is 80%.
Keywords: gastric disorders, iris, artificial neural network, back propagation
I. PENDAHULUAN
Lambung merupakan organ yang cukup rentan cidera atau terluka. Salah satu faktor yang dapat memicu gangguan kesehatan pada lambung di antaranya asam lambung meningkat [1]. Peningkatan asam
lambung dalam tubuh bisa mengakibatkan gangguan kesehatan lambung.
Meningkatnya asam lambung bisa disebabkan dari banyak hal, baik pola makan maupun pola hidup yang tidak sehat. Pola makan itu sendiri bisa terdiri
163 dari banyak hal mulai frekuensi makan
dalam sehari, jumlah makanan yang dikonsumsi, jenis makanan, serta ketepatan waktu makan [2].
Jika satu di antara faktor tersebut tidak menjadi perhatian serius, maka bisa memicu kenaikan asam lambung yang akhirnya akan mengganggu kinerja lambung. Apalagi bila orang bersangkutan pernah menderita penyakit lambung.
Keteledoran menjalani pola hidup, diet ketat, faktor lingkungan dan stres dapat memunculkan gangguan kesehatan lambung. Kita sering mengabaikan kesehatan dan jika telah memasuki tingkat keparahan baru melakukan pemeriksaan dan pengobatan [3].
Iridologi adalah suatu ilmu yang mempelajari tanda-tanda yang terdapat pada struktur jaringan iris mata sebagai refleksi kondisi dari berbagai organ tubuh dan sistem yang ada di dalam tubuh manusia [4]. Pada ilmu iridologi kita dapat melihat apakah seseorang sedang mengalami gangguan atau tidak di dalam tubuh dengan melihat matanya. Dengan cara memeriksa tanda-tanda iris mata kondisi jaringan, organ dan sistem dalam tubuh dapat diketahui sebelum gejala klinis suatu penyakit yang dialami seseorang dapat terdiagnosa. Iridologi hanya dipakai oleh orang-orang tertentu yang telah mengerti tentang ilmu iridologi.
Terdapat dua teknik yang dilakukan oleh dokter pakar iridologi untuk memeriksa iris mata pasiennya, yaitu teknik manual dan teknik konvensional [4]. Teknik manual adalah dengan cara memanfaatkan kaca pembesar dan tabel yang harus diisi oleh pendiagnosa selama proses berlangsung. Teknik konvensional adalah dengan cara mengambil gambar iris mata menggunakan kamera digital. Hasil gambar tersebut diperbesar dan ditampilkan di suatu monitor menggunakan komputer maupun TV monitor dan seorang ahli atau pakar iridologi akan memberikan komentar berdasarkan ilmu yang dimilikinya [4].
Putri Permanansyah Wijayanti, dkk (2017) dalam penelitiannya menghasilkan diagnosa iris mata mausia dapat menunjukkan keadaan organ tubuh.
Adanya gangguan atau penurunan fungsi organ tubuh direfleksikan pada iris mata dalam bentuk perubahan struktur anyaman serabut saraf iris mata yang dikenal dengan iridologi [5]. Iridologi merupakan ilmu pengetahuan yang didasarkan pada analisis susunan iris mata. Penelitian ini bertujuan merancang suatu sistem diagnosa citra iris mata menggunakan metode Region of Interest. Sebagai masukannya menggunakan citra iris mata kanan.
Keluaran dari sistem diagnosa ada dua yaitu kondisi saraf normal dan cincin saraf.
Dalam penelitian ini menggunakan 20 citra iris mata dan program dapat mengenali 16 citra iris mata, sehingga program memiliki tingkat keakuratan sebesar 80% [4].
Dewi Ayu Lestari dalam penelitiannya mengenai Aplikasi Pendeteksi Penyakit Lambung Menggunakan Metode Forward Chaining (2018) menghasilkan aplikasi berbasis web yang didukung dengan metode forward chaining, diharapkan dapat mempermudah orang untuk mencegah penyakit lambung serta kesehatan lambungnya dan memberikan informasi awal tentang penyakit lambung. Untuk mendeteksian penyakit lambung sangatlah mudah karena aplikasi ini sudah di design semudah mungkin untuk pengguna, dengan cara menjawab pertanyaan seputar gejala fisik yang dirasakan oleh tubuh pengguna. Dengan adanya aplikasi ini diharapkan dapat membangun kesadaran diri akan pentingnya kesehatan lambung dan mempermudah mendiagnosa penyakit lambung sedari awal sehingga tidak akan sampai menjadi penyakit yang lambung yang lebih parah lagi [6].
B. Herawan Hayadi, dkk (2021) dalam penelitiannya mengenai Model Peramalan Artificial Neural Network pada Peserta KB Aktif Jalur Pemerintahan menggunakan Artificial Neural Network
164 Back-Propagation menghasilkan model
prediksi dengan memanfaatkan Artificial Neural Network (ANN) pada peserta KB aktif jalur pemerintahan untuk melihat laju pertumbuhan penduduk ke depannya dalam rentang waktu tertentu guna mempermudah pemerintah dalam membuat rancangan perencanaan ke depannya [7]. Dataset yang digunakan yakni peserta KB aktif di Kota Pematangsiantar bulan agustus 2019 januari 2020. Pengujian dilakuan dengan bantuan software matlab dengan menguji 5 model arsitektur (try error) yakni model 4- 5-1; model 4-7-1; model 4-8-5-1; dan model 4-9-7-1. Hasil analisis diperoleh bahwa model arsitektur 4-8-5-1 merupakan yang terbaik dan dijadikan acuan untuk meramalkan peserta KB aktif pada jalur pemerintah dengan tingkat akurasi sebesar 71% (terbaik dari 4 model arsitektur lainnya). Model ANN tersebut dapat diimpementasikan untuk melakukan prediksi terhadap peserta KB aktif jalur pemerintahan sehingga pemerintah dapat melakukan rancangan untuk ke depannya [7].
2. METODOLOGI
Langkah pertama dalam menyelesaikan masalah adalah dengan mendefinisikan terlebih dahulu ruang lingkup permasalahan tersebut atau domain untuk permasalahan yang akan diselesaikan. Hal ini juga berlaku untuk pemprograman Artificial Intelligence (AI).
Definisi yang populer lainnya dari AI adalah bahwa “AI menjadikan komputer berakting dan bergaya seperti halnya para artis berakting di bioskop” [8].
Penggunaan sistem mendiagnosa gangguan lambung dengan menggunakan citra iris mata agar mengetahui apakah seseorang terdapat gangguan lambung atau tidak, dengan menggunakan iris mata.
Untuk mewujudkannya, dibuatlah kerangka berfikir sebagai berikut:
Gambar 1. Kerangka Berfikir
Adapun kerangka berfikir dalam penelitian ini adalah :
1. Identifikasi Masalah, adalah tahap awal dari penyusunan penelitian ini.
Masalah yang diidentifikasi adalah bagaimana menentukan organ yang terdapat gangguan lambung atau tidak melalui iris mata [9].
2. Studi Pustaka, dilakukan untuk melengkapi pengetahuan dasar yang dimiliki peneliti sehingga dapat menyelesaikan penelitian ini [10].
3. Akusisi Data, berfungsi untuk pengambil data sebagai bahan baku penelitian dengan cara pemotretan citra iris mata orang yang terdapat gangguan lambung dan orang yang tidak terdapat gangguan lambung.
4. Pra-proses, merupakan langkah berikutnya dimana citra yang sudah difoto kemudian diproses pada perangkat lunak pra-proses. Hal ini dilakukan untuk mendapatkan ciri dari citra yang akan digunakan dalam proses pembentukan jaringan maupun pelatihan.
5. Pembentukan Jaringan
Backpropagation dan Pelatihan, setelah melalui tahap pra-proses, data pelatihan digunakan untuk membentuk jaringan yang akan digunakan untuk pengujian.
165 6. Pengujian, jika jaringan telah
terbentuk, aplikasi ini sudah dapat dipergunakan untuk pengujian data baru.
7. JST Propagasi Balik, pada proses pelatihan dan pengujian klasifikasi digunakan untuk jaringan syaraf tiruan propagasi balik.
Dalam penelitian ini dibutuhkan perangkat keras dan perangkat lunak yang mendukung yaitu :
1. Perangkat Keras (Hardware)
Untuk membangun sistem perangkat lunak, perangkat keras yang dipergunakan adalah:
a. Laptop dengan Processor CoreI3 b. RAM DDR3 4Gb
c. Harddisk 500 Gb 2. Perangkat Lunak (Software)
Sedangkan kebutuhan software untuk membangun aplikasi diagnosa gangguan lambung melalui citra iris mata dengan menggunakan JST Propagasi balik, penulis menggunakan:
a. Sistem Operasi Microsoft Windows 10, sebagai sistem operasi yang mendukung aplikasi- aplikasi pemrograman yang berbasis windows.
b. MATLAB Programming, bahasa pemrograman sebagai media untuk berinteraksi antara manusia denan komputer dan dibuat agar semakin cepat dan mudah. Matlab dikembangkan sebagai bahasa pemrograman sekaligus alat visualisasi yang menawarkan banyak kemampuan untuk menyelesaikan berbagai kasus yang berhubungan langsung dengan disiplin keilmuan matematika, seperti bidang rekayasa teknik, fisika, statistika, komputasi dan modelling. Penulis menggunakan bahasa pemrograman ini dikarenakan Matlab adalah bahasa pemrograman level tinggi yang dikhususkan untuk komputasi teknis, mudah digunakan dan
mengintegrasikan kemampuan komputasi, visualisasi dan pemrograman dalam sebuah lingkungan yang tunggal. Matlab memberikan sistem interaktif yang menggunakan konsep array atau matriks sebagai standar variabel elemennya tanpa membutuhkan pendeklarasian array seperti pada bahasa lainnya. GUIDE matlab cocok digunakan untuk aplikasi- aplikasi berorientasi sains untuk penelitian ini dan kemampuan grafisnya cukup handal dan tidak kalah dibandingkan dengan bahasa pemrograman lainnya.
c. Adobe Photoshop CS3, menyediakan tool-tool yang terintegrasi dan tertata secara praktis untuk menciptakan dan menghasilkan karya dalam bentuk vektor dan teks dan dapat ditransfer menjadi image yang berdasarkan pixels untuk mendapatkan efek desain yang lebih sempurna.
Software ini dipergunakan pada aplikasi ini untuk memotong citra mata simetris agar mempermudah analisa citra.
Ada beberapa pra proses tahapan untuk mengenali citra iris mata yaitu : 1. Proses Pemotongan (Cropping) Citra
Mata, pada pra-proses pemotongan citra iris mata adalah proses awal yang dilakukan. Pemotongan ini berfungsi untuk mengambil bagian iris mata agar dapat diproses ke tahap selanjutnya dan membuat citra mata menjadi simetris. Pemotongan ini menggunakan software Photoshop CS3.
2. Proses Perubahan Citra Mata RGB menjadi Citra Mata Grayscale, pada tahap pra-proses ke dua ini adalah merubah citra mata RGB yang telah melalui proses pemotongan kita ubah menjadi citra mata Grayscale. Agar citra dapat diproses pada proses
166 selanjutnya. Syntax progam yang
digunakan adalah : citra=data1;
citragray=rgb2gray(citra);
3. Proses Peningkatan Kualitas Citra, pada tahap pra-proses ke tiga adalah peningkatan kualitas citra. Citra yang telah mengalami proses perubahan tipe citra dan pemotongan citra akan merubah intensitas maupun histogram suatu citra, oleh karena itu kita harus meningkatkan intensitas dan histogram dari citra tersebut agar informasi yang dimiliki citra dapat diterima dengan jelas. Syntax progam yang digunakan adalah :
citraintensitas=histeq(citragray);
4. Proses Perubahan Citra Mata Polar Menjadi Persegi Panjang. pada tahap pra-proses ke empat ini adalah proses perubahan citra polar menjadi persegi panjang. Jika kita tetap ingin menganalisa dengan bentuk citra polar alangkah sulitnya proses analisa yang akan dijalankan aplikasi ini. Proses ini memudahkan aplikasi ini untuk menganalisa area bagian lambung.
Karena pada lingkar wilayah iridologi, area lambung berada di lingkar wilayah 1, melingkari bagian pupil.
Syntax progam yang digunakan adalah:
citrapersegi=histeq(citraintensitas,0,1, 600,900);
5. Proses Pengambilan Area Iris Mata, pada tahap pra-proses ke lima ini adalah proses pengambilan area Iris Mata. Setelah citra melalui proses perubahan citra mata polar menjadi persegi panjang, citra iris mata baru dapat kita ambil untuk proses pengambilan area lambung. Syntax progam yang digunakan adalah : citrairis=imcrop;
6. Proses Penskalaan Ukuran Citra Iris Mata, pada tahap pra-proses ke enam ini adalah proses penskalaan ukuran citra. Poses ini bertujuan untuk menyamakan ukuran citra agar mempermudah proses penganalisaan
citra mata. Syntax progam yang digunakan adalah :
citraukuran=imresze(citrairis,[320 150],’bicubic’);
7. Proses Pengambilan Area Lambung secara otomatis, pada tahap pra-proses ke tujuh ini adalah proses pengambilan area lambung. Syntax progam yang digunakan adalah :
citralambung= citraukuran (1:40 , : );
8. Proses Pendeteksian Tepi Canny, pada tahap pra-proses ke delapan ini adalah pendeteksian tepi canny. Agar mendapatkan ciri kita harus merubah citra menjadi citra biner. Syntax progam yang digunakan adalah : citracanny= edge (citralambung ,’canny’);
9. Proses Save ke Folder Pra-Proses Mata Kanan atau Mata Kiri, setelah tahap diatas dilalui akan menghasilkan citra biner yang berukuran 40 x 160 pixels yang secara otomatis akan disimpan
pada folder PRA-
PROSES_MATA_KANAN atau
MATA_KIRI. Syntax progam yang digunakan adalah :
imwrite=(citracanny,fullfile(‘PRA- PROSES MATA
KANAN’,nama_file1));
Adapun tahapan pembentukan jaringan syaraf tiruan propagasi balik dan pelatihan ini bertujuan untuk mengambil ciri dari masing-masing citra yang akan digunakan untuk membentuk model jaringan. Pada tahap pelatihan ini dilakukan masukkan beberapa macam iris mata yang dilatih untuk membentuk model jaringan. 80 Citra iris mata yang dilatih akan dibagi menjadi dua kelompok bagian yaitu kelompok terdapat gangguan lambung dan tidak terdapat gangguan lambung yang nantinya akan dipergunakan dalam tahap pengujian. Pada awal pelatihan akan dimasukkan 40 citra iris mata yang terdapat gangguan lambung dan 40 citra iris mata yang tidak terdapat gangguann lambung. Dari masing-masing kelompok terdapat gangguan lambung,
167 terdiri dari 20 citra mata kanan dan 20 citra
mata kiri. Sedangkan untuk kelompok tidak terdapat gangguan lambung, terdiri dari 20 citra mata kanan dan 20 citra mata kiri. Dalam pengelompokkan ini masing- masing kelompok diberikan suatu inisialisasi berupa nilai. Untuk kelompok terdapat gangguan lambung diberi nilai 1 dan yang tidak terdapat gangguan diberi nilai 0.
Gambar 2. Pengelompokkan Citra Iris Mata
Langkah – langkah dalam pembentukan pola jaringan syaraf tiruan propagasi balik dan pelatihan ini adalah sebagai berikut:
1. Dalam pembuatan jaringan syaraf tiruan propagasi balik ini, pertama yang harus dilakukan adalah mempersiapkan input yang akan kita gunakan dalam penelitian ini. Data input yang dipergunakan telah melalui tahap pra-proses terlebih dahulu agar kita mendapatkan ciri dari setiap citra.
Setelah citra diproses pada tahap pra- proses, citra harus dapat dibaca agar dapat dipergunakan dalam pembuatan jaringan syaraf tiruan propagasi balik.
2. Mengubah ukuran matriks X yang berukuran PxQ, maka kita dapat merubah matriks tersebut menjadi matriks Y yang berukuran NxM dimana PxQ = NxM, dengan ukuran kolom. Syntax yang dipergunakan adalah reshape(X,N,M). Penulis mempergunakan syntax ini untuk merubah ukuran matriks 40 x 150 pixels menjadi matriks yang berukuran 1 x 6000 pixels dimana 40 x 150 pixels
= 1 x 6000 pixels, dengan ukuran kolom.
3. Prosedur pengajaran jaringan yang akan kita pergunakan yaitu supervised learning (pengajaran yang menggunakan target). Sehingga aturan ini memerlukan pasangan output untuk setiap input yang akan diajarkan. Kita harus membuat data target sesuai dengan data input yang ada. Jumlah data input = jumlah data target. Data yang dipergunakan penulis dalam pelatihan ini adalah 40 data input mata kanan dan 40 data target mata kanan.
Target akan diklasifikasi menjadi dua kelompok, yaitu: kelompok terdapat gangguan lambung dan kelompok tidak terdapat gangguan lambung.
Setiap kelompok kita beri inisialisasi berupa nilai, kelompok terdapat gangguan lambung kita beri nilai 1 dan yang tidak terdapat gangguan lambung kita beri nilai 0.
4. Data input telah berupa matriks 1 x 6000 untuk setiap datanya, sedangkan data target masih berupa matriks 1 x 40.
5. Memasangkan data input dan data output menjadi 1 matriks MxN (40 x 6001) agar dapat diproses lebih lanjut.
6. Sebelum membangun jaringan terlebih dahulu kita harus menormalisasikan data dengan bantuan mean dan deviasi standar.
7. Kita harus membangun arsitektur jaringan, tidak ada aturan yang baku dalam membangun arsitektur jaringan.
Arsitektur jaringan yang sering digunakan oleh algoritma back propagation adalah jaringan feedforward dengan banyak lapisan.
Penulis akan membangun jaringan feedforward net dengan 3 lapisan (2 hidden layer dan 1 output layer).
Lapisan pertama terdiri dari 8 neuron dengan fungsi aktivasi tansig, lapisan kedua terdiri dari 4 neuron dengan fungsi aktivasi logsig Sedangkan lapisan ketiga hanya berisi 1 neuron
168 dengan fungsi aktivasi purelin dan
fungsi pelatihan jaringan yang dipergunakan adalah traingcgp. Penulis membuat gambar Jaringan syaraf Tiruan yang akan dibangun untuk membentuk pola jaringan syaraf tiruan propagasi balik yang akan dipergunakan dalam aplikasi ini dapat kita lihat pada gambar berikut :
Gambar 3. Jaringan syaraf Tiruan Umpan Maju dengan 2 Lapisan Tersembunyi
8. Untuk melihat bobot-bobot awal (input, lapisan, dan bias) untuk jaringan ini.
9. Sebelum melakukan pelatihan, kita tetapkan terlebih dahulu parameter- parameter yang akan dipergunakan.
Kita harus set maksimum epoh (=1500), kinerja tujuan (=10³ ), ־ learning rate (Ir=0.01), serta jumlah epoh yang akan ditampilkan (=5).
Penulis terapkan dalam program yang akan dibuat.
10. Perhitungan gradient dan perbaikan nilai bobot-bobot dilakukan setelah pengoperasian semua input data. Untuk menggunakan pelatihan dengan menggunakan batch mode.
11. Fungsi diatas menggunakan objek jaringan, kumpulan data input dan target sebagai input pelatihan dan akan menghasilkan objek jaringan terlatih, bobot akhir dan informasi selama pelatihan (epoh dan fungsi kinerja) sebagai nilai output.
12. Melihat Bobot-bobot akhir (input, lapisan, dan bias) untuk jaringan ini.
13. Kemudian hasilnya akan disimulasikan dengan input yang sama dengan input pelatihan. Output hasil simulasi akan disimpan dengan vektor an.
14. Cari selisih antara target (T) dengan output jaringan (an).
15. Analisa Hasil Pelatihan, kinerja suatu jaringan syaraf setelah dilakukan pelatihan dapat diukur dengan melihat error hasil pelatihan, validasi, dan testing terhadap sekumpulan data input baru. Salah satu yang dapat dilakukan evaluasi ini adalah dengan mengunakan analisis regresi terhadap respon jaringan dan target yang diharapkan.
16. Dan untuk menampilkan hasil perbandingan secara grafis antara target dan output jaringan, menggunakan syntax plot(X,Y,S).
menggambar grafik Y terhadap X, dengan atribut S yang merupakan string karakter yang menunjukkan warna, tipe titik dan tipe garis.
3. HASIL DAN PEMBAHASAN
Ada beberapa hasil dan pembahasan pada penelitian ini yaitu:
1. Hasil Pemotretan Citra Mata
Bahan baku penelitian yang akan dipergunakan dalam aplikasi ini adalah 100 citra mata. Untuk pembentukan jaringan dan pelatihan jaringan digunakan 20 citra mata kanan terdapat gangguan lambung, 20 citra mata kiri terdapat gangguan lambung, 20 citra mata kanan tidak terdapat gangguan lambung dan 20 citra mata kiri tidak terdapat gangguan lambung. Dan untuk pengujian jaringan kita pergunakan 5 citra mata kanan terdapat gangguan lambung, 5 citra mata kiri terdapat gangguan lambung, 5 citra mata kanan tidak terdapat gangguan lambung dan 5 citra mata kiri tidak terdapat gangguan lambung.
2. Hasil Pra-Proses
169 Percobaan yang telah dilakukan adalah
tahap pra-proses yang meliputi pemotongan citra iris mata menjadi simetris, merubah citra mata RGB menjadi citra mata Grayscale, citra mata ditingkatkan kualitasnya, merubah citra mata polar menjadi citra mata persegi panjang pengambilan area iris mata secara manual, penskalaan ukuran citra iris mata, pengambilan area lambung secara otomatis dan pendeteksian tepi canny untuk mendapatkan ciri dari setiap iris mata.
Dan kita dapat melihat hasil tahap pra- proses yang berisi 20 citra mata kanan terdapat gangguan lambung, 20 citra mata kanan tidak terdapat gangguan lambung, 20 citra mata kiri terdapat gangguan lambung dan 20 citra mata kiri tidak terdapat gangguan lambung.
3. Hasil Pembentukan Jaringan Propagasi Balik dan Pelatihan
Pada pengujian ini dilakukan dengan memasukkan citra iris mata yang baru. Citra iris mata yang baru terdiri dari 20 macam citra iris mata. Dari 20 citra iris mata tersebut terdiri dari 10 citra iris mata terdapat gangguan lambung dan 10 citra iris mata tidak terdapat gangguan lambung.
Proses pengujian ini dengan melihat hasil diagnosa menggunakan aplikasi bedasarkan jaringan syaraf tiruan yang telah dibuat berdasarkan pelatihan pada data-data citra iris mata.
Dari hasil pengujian ini dapat diketahui dari data-data citra iris mata yang baru, apakah masuk ke dalam kelompok terdapat gangguan lambung atau tidak. Dengan adanya pengujian citra iris mata yang baru ini dapat diketahui tingkat keakurasian jaringan yang telah dibuat dari masing-masing citra iris mata terdapat gangguan lambung atau citra iris mata tidak terdapat gangguan lambung. Berikut ini adalah 8 macam citra iris mata yang digunakan untuk pengujian.
Tabel 1. Hasil Pengujian Data Mata Kanan
Tabel 2. Hasil Pengujian Data Mata Kiri
170 Gambar 4. Layar Menu Pra-Proses
Gambar 5. Layar Menu Gambar Iridologi Mata
Gambar 6. Layar Menu Demo Aplikasi
Dari hasil penelitian yang telah penulis lakukan dari berbagai algoritma perubahan bobot, penulis menggunakan algoritma perubahan bobot “Traincgp”
karena hasil pembentukan JST Propagasi Balik sudah dapat terbentuk dengan Σepoh
= 9, dan fungsi kinerja (MSE= 0.00787091
< 0.01). Pelatihan JST Propagasi Balik menghasilkan nilai bobot akhir input, bobot akhir bias input, bobot akhir lapisan1, hasil Bobot akhir lapisan 2 dan bobot akhir bias lapisan 2. Nilai-nilai bobot tersebut dipergunakan untuk
171 pengujian data baru.
Dari hasil pembentukan JST Propagasi Balik dan pelatihan, jaringan yang terbentuk sudah dapat digunakan untuk mendiagnosa apakah seseorang terdapat gangguan lambung atau tidak, karena gradien garis hasil regresi linear bernilai 0.9777 (mendekati 1), titik perpotongan dengan sumbu y bernilai 0.0027 (mendekati 0) dan koefisien korelasi bernilai 0.996 (mendekati 1), menunjukkan hasil yang baik untuk kecocokan output jaringan dengan target.
Dan dari hasil pengujian JST Propagasi balik dengan menggunakan data baru, untuk mendiagnosa citra iris mata kanan tingkat akurasi pengujian 90%. Dan untuk mendiagnosa citra iris mata kiri tingkat akurasi pengujian 80%.
4. KESIMPULAN
Beberapa kesimpulan yang dapat diambil dari hasil penelitian yang telah penulis lakukan untuk mendiagnosa gangguan lambung melalui citra iris mata dengan jaringan syaraf tiruan propagasi balik adalah :
1. Walaupun memiliki warna mata yang berbeda, susunan iris mata manusia sama. Warna iris mata orang Asia berwarna coklat tua ataupun coklat muda.
2. Mata katarak tidak dapat didiagnosa dikarenakan tertutup oleh selaput.
3. Setiap penyakit dapat diketahui lebih awal dengan menggunakan pola iris mata, untuk dapat mencegah bertambah parahnya gangguan.
4. Mempermudah orang awam dalam mendiagnosa gangguan lambung.
Karena dengan aplikasi ini. Pengguna tidak dituntut untuk mengerti tentang ilmu yang diterapkan dalam aplikasi ini, dengan hanya mengetahui cara penggunaan aplikasi ini pengguna dapat mendiagnosa dengan cara yang aman dan mudah.
5. SARAN
Adapun saran dari penelitian ini adalah sebagai berikut :
1. Dalam proses pemotretan citra mata yang penulis lakukan masih terdapat kekurangan tentang pencahayaan.
Terasa agak panas karena lampu tambahan yang digunakan pada pemotretan citra mata. Sebaiknya dimodifikasi lampu, agar tidak terasa panas lagi.
2. Aplikasi dilanjutkan sampai dengan dapat mendiagnosa ke seluruh bagian iris mata.
3. Data yang dipergunakan untuk pembuatan JST Propagasi balik dan pelatihan sebaiknya diperbanyak lagi agar pengenalan pola lebih akurat.
4. Aplikasi yang dibuat ini masih berupa prototype, sebaiknya dibangun pada pemrograman lainnya.
DAFTAR PUSTAKA
[1] S. Permana and N. D. Nugraha,
“Perancangan Media Edukasi Dispepsia Untuk Kesehatan Lambung Terhadap Remaja Di Kota Bandung,” eProceedings Art Des., vol. 7, no. 2, 2020.
[2] B. F. F. Ajjah, T. Mamfaluti, and T.
R. I. Putra, “Hubungan Pola Makan
Dengan Terjadinya
Gastroesophageal Reflux Disease (Gerd),” J. Nutr. Coll., vol. 9, no. 3, pp. 169–179, 2020.
[3] S. S. Fandinata And I. Ernawati, Management Terapi Pada Penyakit Degeneratif. Penerbit Graniti, 2020.
[4] P. P. Wijayanti, N. Dengen, and U.
Hairah, “Diagnosa Gangguan Saraf Melalui Citra Iris Mata Dengan Metode Region Of Interest,” in Prosiding Seminar Ilmu Komputer dan Teknologi Informasi, 2017, vol.
2, no. 1.
[5] K. Phonna, Z. K. Simbolon, and M.
Mahdi, “Deteksi Gangguan Lambung Melalui Citra Iris Mata Menggunakan Metode Jaringan Syaraf Tiruan Perceptron,” J.
172 Teknol. Rekayasa Inf. dan Komput.,
vol. 3, no. 2, 2020.
[6] D. A. Y. U. Lestari, “Aplikasi Pendeteksi Penyakit Lambung Menggunakan Metode Forward Chaining.” Universitas Teknologi Yogyakarta, 2018.
[7] B. H. Hayadi, I. G. I. Sudipa, and A.
P. Windarto, “Model Peramalan Artificial Neural Network pada Peserta KB Aktif Jalur Pemerintahan menggunakan Artificial Neural Network Back- Propagation,” MATRIK J.
Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 21, no. 1, pp. 11–20, 2021.
[8] B. H. Hayadi, “Visualisasi Konsep Umum Sistem Pakar Berbasis Multimedia,” RJOCS (Riau J.
Comput. Sci., vol. 3, no. 1, pp. 17–
22, 2017.
[9] H. Hendrawan, A. Harris, E.
Rasywir, and Y. Pratama, “Sistem Pakar Diagnosis Penyakit Tanaman Karet dengan Metode Fuzzy Mamdani Berbasis Web,” J. MEDIA Inform. BUDIDARMA, vol. 4, no. 4, pp. 1225–1234, 2020.
[10] B. Yanto, L. Fimawahib, A.
Supriyanto, B. H. Hayadi, and R. R.
Pratama, “Klasifikasi Tekstur Kematangan Buah Jeruk Manis Berdasarkan Tingkat Kecerahan Warna dengan Metode Deep Learning Convolutional Neural Network,” INOVTEK Polbeng-Seri Inform., vol. 6, no. 2, pp. 259–268, 2021.
