27
PENERAPAN METODE PERCEPTRON MENGIDENTIFIKASI PENYAKIT TUBERCULOSIS ( TBC ) PRIMER PADA ANAK
( STUDI KASUS PUSKESMAS BAGAN BATU, KAB.ROKAN HILIR, RIAU ) Oleh :
VOLVO SIHOMBING
Dosen Prodi Manajemen Informatika, AMIK Labuhanbatu Rantauprapat, Medan; volvo_choky@yahoo.com
Abstract
Based on the data from healty ministry of Republic of Indonesia in 2013 said Tuberculosis disease for children now is growing so fast. This TBC is not “contaminate” but still dangerous for the children itself. Perceptron method is the best method in Artificial Intelligence system it can be used in identifying the pattern very well, because this Perceptron method has the learning process that can generate the convergent weight so the output value equal to target every single input. The way to determine the inputs for testing is used the criteria “identified and disidentified”, so that in this research applying JST will really helpful doctor in diagnosing early properly, because the result of real diagnosing is really helpful in decreasing the contaminated of Primary TBC. The accuracy with 15 samples of training data produce 60%, while the testing data proving 100% that this method can identify the disease pattern.
Keywords: Perceptron, Single Layer, Neural Network, Primer Tubercolosis
I. PENDAHULUAN
TBC ( Tubercolosis) merupakan penyakit yang mematikan dan menular. Penyakit TBC merupakan masalah utama kesehatan masyarakat di Indonesia. Menurut [1] 2013 penyakit TBC merupakan penyebab kematian nomor tiga setelah penyakit kardiovaskuler dan penyakit saluran pernafasan pada semua kelompok umur. WHO mendukung Xpert MTB/RIF pada tahun 2010 dan telah mengeluarkan rekomendasi pada tahun 2011 untuk menggunakan Xpert MTB/RIF. Update
rekomendasi WHO tahun 2013 menyatakan pemeriksaan Xpert MTB/RIF dapat digunakan untuk mendiagnosis TB MDR pada anak, dan dapat digunakan untuk mendiagnosis TB pada anak ada beberapa kondisi tertentu yaitu tersedianya teknologi ini memperkirakan setiap tahun terjadi 583.000 kasus baru TBC dengan kematian sekitar 140.000. Tuberculosis primer pada anak kurang membahayakan masyarakat karena kebanyakan tidak menular, tetapi bagi anak itu sendiri cukup berbahaya oleh karena dapat timbul TBC ekstra thorakal yang sering kali menjadi penyebab kematian atau
28 menimbulkan cacat. Metode Perceptron ini cukup ampuh untuk mengenali gejala – gejala fisik pada anak dengan menggunakan pola khusus dan perhitungan matematis yang akan dibuat untuk proses sample dan testing. Selain itu jaringan syaraf tiruan dengan metode perceptron dapat menciptakan suatu pola pengetahuan melalui pengaturan dan pembelajaran sehingga kemampuan ini dapat mengidentifikasi TBC Primer pada anak.
II. DASAR TEORI
Epidemilogi Tuberkulosis adalah rangkaian gambaran informasi yang menjelaskan beberapa hal terkait orang, waktu dan lingkungan. Tuberculosis adalah penyakit menular langsung yang disebabkan oleh kuman [1]TB(Mycobacterium tuberculosis). Besaran masalah TB anak berusia kurang dari 15 tahun adalah 40-50%, seperti pada gambar I jumlah populasi TB Anak.
Gambar 1. Jumlah populasi berdasarkan usia. Sekurang-kurang nya 500.00 anak menderita TB setiap tahun, 200 anak meninggal setiap hari didunia, 700 anak meninggal setiap tahun akibat TB.
a. Diagnosis TB Anak
Tuberkulosis merupakan penyakit infeksi sistemik/umum dan khusus. Gejala umum/sistemik dan khusus.
Tabel I. Gejala umum dan khusus
Dari diagnosis TB Anak ini yang nantinya akan ditransformasi kedalam bentuk matematis dengan menggunakan Metode
Perceptron
III. METODE PENELITIAN
Jaringan Syaraf Tiruan (JST) adalah salah satu cabang ilmu bidang kecerdasan buatan[2].
a. Gambar II Fungsi aktivasi Biner Perceptron[3]
sebuah neuron akan mengolah N input (x1, x2, ... , xN) yang masing-masing memiliki bobot wl,
w2, ... , wN dan bobot bias b, dengan rumus :
N i i iw x b a 129 b. Fungsi Threshold (Batas ambang)
f(y) = 1 y ≥ 0
0 y < 0
fungsi ini menentukan batas ambang antara target dengan keluaran jaringan.
c. Gambar III Model Arsitektur JST Perceptron
IV. HASIL DAN PEMBAHASAN
Data yang dikumpulkan 20 sampel data dalam penelitian ini. Data mentah akan ditransformasi kedalam bentuk biner 0 dan 1. Data mentah sebagai berikut tabel II:
Pasi en Ke- X 1 X 2 X 3 X 4 X 5 X 6 X 7 X 8 Tar get 1 1 1 1 1 0 1 1 0 1 2 1 1 0 1 0 0 0 0 0 3 1 0 1 0 0 0 0 0 0 4 1 1 0 1 0 1 0 0 1 5 0 0 1 1 0 0 0 1 0 6 0 0 1 1 0 1 0 0 0 7 0 1 0 0 1 1 0 0 0 8 0 0 1 0 1 1 1 0 1 9 1 0 1 0 1 1 1 0 1 10 1 0 1 0 0 1 0 0 0 11 1 0 0 1 0 1 0 1 1 12 0 1 0 0 1 0 0 1 0 13 1 0 1 0 0 1 1 1 1 14 0 0 0 0 0 1 1 1 0 15 0 0 0 0 0 1 1 0 0 16 1 1 0 1 0 1 0 0 1 17 0 1 0 0 1 0 0 1 0 18 1 1 0 1 0 1 0 0 1 19 1 0 1 0 1 1 1 0 1 20 0 0 1 1 0 1 0 0 0
15 data sebagai data pelatihan, 5 sebagai data pengujian. Untuk nilai variabel Gejala A s/d H berupa variabel X1 s/d X8. Data pasien yang digunakan adalah pasien yang memiliki ada gejala dan tidak ada gejala. Jika bernilai +=1, jika =0. Tabel III Data Pelatihan.
Pasi en Ke- X 1 X 2 X 3 X 4 X 5 X 6 X 7 X 8 Tar get 1 1 1 1 1 0 1 1 0 1 2 1 1 0 1 0 0 0 0 0 3 1 0 1 0 0 0 0 0 0 4 1 1 0 1 0 1 0 0 1 5 0 0 1 1 0 0 0 1 0 6 0 0 1 1 0 1 0 0 0 7 0 1 0 0 1 1 0 0 0 8 0 0 1 0 1 1 1 0 1 9 1 0 1 0 1 1 1 0 1 10 1 0 1 0 0 1 0 0 0 11 1 0 0 1 0 1 0 1 1 12 0 1 0 0 1 0 0 1 0 13 1 0 1 0 0 1 1 1 1 14 0 0 0 0 0 1 1 1 0 15 0 0 0 0 0 1 1 0 0
Nilai error yang dihasilkan pada tabel IV.
T a r g e t 1 0 0 1 0 0 0 1 1 0 1 0 1 0 0 A 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 e r r o r 0 -1 -1 0 -1 -1 -1 0 0 -1 0 -1 0 -1 -1
Parameter- parameter yang digunakan dalam data pelatihan :
- Jumlah sampel : 15 data - Unit input : 8
30 - Unit output : 1
- Iterasi /epoch : 100 - Bias : 1
Pada tahapan ini pada iterasi ke 7 pengenalan pola sudah ditemukan dengan keakurasian 0.60 atau 60% untuk data pelatihan sampai 100%.
Tahap pengujian pada tabel V.
Pasien Ke- X1 X2 X3 X4 X5 X6 X7 X8 Output 1 1 0 1 1 0 1 0 1 2 1 1 1 0 0 1 1 1 3 0 0 0 1 1 0 0 0 4 0 0 1 0 1 0 0 1 5 0 1 0 1 0 0 1 0
Sehingga menghasilkan output seperti berikut :
Proses pengujian dalam penelitian ini akan diuji berdasarkan pada tabel V. Output belum diketahui sehingga untuk mendapatkan nilai
output atau target dapat di bandingkan dengan
nilai target atau bobot akhir dari pelatihan. hasil nya adalah 10110.
V. KESIMPULAN DAN SARAN
Kesimpulan dalam penelitian ini sebagai berikut :
a. Hasil output yang didapat dari 20 sampel data dengan pengenalan pola 60% sampai 100% dalam mengidentifikasi penyakit TB Primer pada anak.
b. Semakain banyak jumlah data yang dilatih dan diuji semakin akurat dalam mengidentifikasi penyakit TB Primer pada anak.
c. Semakin besar nilai dari performance semakin baik mengenali pola penyakakit.
Saran dalam penelitian ini sebagai berikut : a. Diharapkan dengan adanya penelitian ini dapat dikembangkan dengan parameter – parameter yang lain, sehingga data yang diuji dapat lebih akurat.
b. Diharapkan dengan adanya penelitian ini dapat di kembangkan lagi jenis penyakit TBC pada anak seperti TBC Milier, TBC Tulang, TBC Jantung dan yang sejenisnya. c. Dapat dikembangkan lagi dengan
metode Backprogation, Sistem Pakar.
DAFTAR PUSTAKA
Lingkungan., D. P. (2013). Petunjuk Teknis Manajemen TB Anak. Jakarta: Kemenkes RI.
31 Khan, R. A. (2014). Neural Network:Business
Aplication. The Aplication Journal Science & Techonology , 234-239.
Kusumadewi, S. (2004). Membangun Jaringan Syaraf Tiruan Menggunakan Ma. Yogyakarta: Graha Ilmu.
