Fakultas Ilmu Komputer
Universitas Brawijaya 2781
Peramalan Jumlah Kasus Penyakit Menggunakan
Jaringan Saraf Tiruan Backpropagation
(Studi Kasus Puskesmas Rogotrunan Lumajang)
Andika Harlan1 , Budi Darma Setiawan2, Marji3
1,2,3Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: 1andikaharlan@outlook.co.id, 2s.budidarma@ub.ac.id, 3marji@ub.ac.id
Abstrak
Perubahan jumlah kasus penyakit yang tidak menentu sangat berpengaruh pada usaha perbaikan kesehatan baik dalam hal ketersediaan obat, tepat sasarannya obat, obat rusak dan lain sebagainya. Mengetahui pola jumlah kasus penyakit sangat penting bagi beberapa aktivitas dan pekerjaan yang ada. Maka dari itu diperlukan peramalan jumlah kasus penyakit untuk mengetahui pola jumlah kasus penyakit yang akan mendatang. Salah satu metode peramalan berbasis jaringan saraf tiruan yang sering digunakan adalah Backpropagation. Penelitian ini bertujuan untuk melakukan peramalan jumlah kasus penyakit dengan menggunakan studi kasus puskesmas Rogotrunan, Lumajang dengan menggunakan metode Backpropagation.. Parameter Backpropagation yang diuji adalah jumlah data (n), alfa (α), dan jumlah iterasi (epoch). Peramalan jumlah kasus penyakit dengan data uji bulan Januari hingga Desember tahun 2016 yang dilakukan dengan menggunakan Backpropagation menghasilkan nilai MSE sebesar 115 serta tingkat keakuratan sebesar 0.0088.
Kata kunci: Peramalan, Jumlah kasus penyakit, Jaringan saraf tiruan, Backpropagation Abstract
Changes in the number of cases of disease is very influential on health improvement efforts both in terms of medicines availability, targeted medicines, damaged medicines and so forth. Knowing the pattern of the number of cases of disease is very important for some activities and jobs that exist. Therefore it is necessary to forecast the number of cases of disease to determine the pattern of the number of cases of disease in the future. One of the most common method of artificial neural network forecasting is Backpropagation. This study aims to forecast the number of cases of disease by using the case study of puskesmas Rogotrunan, Lumajang using Backpropagation method. Backpropagation
parameters tested are the amount of data (n), alpha (α), and the number of iterations (epoch).
Forecasting the number of disease on cases with test data from January to December of 2016 conducted using Backpropagation resulted in the value of MSE 115 and the accuracy of 0.0088.
Keywords: Forecasting, The Number of Cases of Disease, Artificial Neural-Network, Backpropagation
1. PENDAHULUAN
Kesehatan merupakan salah satu kebutuhan penting bagi setiap orang. Salah satu cara untuk menjaga kesehatan adalah dengan menjaga diri dari berbagai penyakit. Di Indonesia, berdasarkan Riset Kesehatan Dasar (riskesdas) tahun 2007 tercatat bahwa proporsi penyakit di Indonesia dibagi menjadi penyakit menular (28,1%), penyakit tidak menular (59,5%), gangguan maternal/perinatal (6%) dan cidera (6,5%) dari seluruh data penyakit (Depkes, 2012). Proporsi penyakit tersebut menunjukkan bahwa penyakit menular mengalami penurunan, dan penyakit tidak menular mengalami kenaikan
teknologi peramalan yang dapat memberikan hasil secara cepat dan akurat.
Peramalan dengan menerapkan jaringan saraf tiruan telah banyak dilakukan di berbagai bidang seperti (Bambang, et. al., 1999) pada penelitiannya yang memprediksi harga saham pada pasar modal di Indonesia dengan mengimplementasikan jaringan saraf tiruan feedforward, serta (Resmana, D.W., 1997) yang menggunakan jaringan saraf tiruan pada studi kasus peramalan nilai tukar valuta asing. Perkembangan jaringan saraf tiruan yang telah banyak diimplementasikan dalam berbagai kasus, melahirkan algoritma Backpropagation yang diperkenalkan oleh David Rumelhart dan James Mc Clelland (1986). Saat ini Backpropagation merupakan struktur jaringan saraf yang umum digunakan tidak terkecuali dalam studi kasus peramalan (Halim & Wibisono, 2000).
Algoritma Backpropagation menggunakan pendekatan algoritma steepest decent dan merupakan pengembangan dari algoritma least mean square yang dapat digunakan untuk melatih jaringan-jaringan yang memiliki beberapa layer (Hagan, M.T., 1996). Dalam kasus peramalan, Backpropagation telah banyak digunakan di berbagai bidang seperti pada bidang kesehatan, penelitian model Backpropagation neural network untuk peramalan kasus demam berdarah di D.I Yogyakarta oleh (Paramita Jati, S.P., 2013) merupakan salah satu contoh dari banyaknya implementasi jaringan saraf tiruan Backpropagation.
Didalam peramalan dalam berbagai bidang, data yang digunakan memiliki berbagai kriteria yang salah satunya adalah data runtun waktu (time series). Data runtun waktu (time series) merupakan suatu rangkaian pengamatan dalam penelitian berdasarkan urutan waktu kuantitatif dari satu ataupun kumpulan kejadian yang diambil dalam periode waktu tertentu (Hassun, S., 2012). Penggunaan jaringan saraf tiruan dalam mengolah data runtun waktu (time series) adalah implementasi yang baik, hal ini didukung oleh penelitian yang dilakukan oleh (Shabri, 2001) yang membandingkan neural network dengan box Jenkins model dalam melakukan time series forecasting. Dalam penelitian tersebut, Shabri membuktikan bahwa jaringan saraf tiruan/ neural network adalah salah satu metode alternatif yang menjanjikan. Berdasarkan ciri khas data runtun waktu (time series), peramalan berbasis time series dapat
diimplementasikan pada bebagai studi kasus yang memiliki data berbasis time series.
Pada penelitian ini akan dilakukan implementasi metode jaringan saraf tiruan Backpropagation pada studi kasus bidang kesehatan yaitu peramalan jumlah kasus penyakit yang merupakan data runtut waktu (time series) pada tahun 2012-2016. Hasil dari penelitian ini diharapkan dapat membantu dalam mendapatkan hasil peramalan jumlah kasus penyakit dengan cepat dan akurat.
2. DASAR TEORI 2.1 Penjelasan Dataset
Data yang digunakan pada penelitian ini adalah data jumlah kasus penyakit Demam Tifoid-Paratifoid dan Nasofaringitis akut yang didapatkan dari dataset dari LB1 (Laporan Bulanan 1) Puskesmas Rogotrunan kota Lumajang. Data yang digunakan dibagi menjadi dua bagian yaitu data training dan data testing. Data tersebut tersusun dari jumlah kasus penyakit per bulan dari tahun 2012 sampai 2016 dengan satuan jumlah kasus.
2.2 Peramalan
Peramalan (forecasting) merupakan suatu perhitungan ilmiah yang bertujuan untuk memprediksikan keadaan di masa yang akan datang dengan menggunakan data dan informasi pada masa lalu (Adam & Ebert, 1982). Peramalan telah banyak digunakan dalam berbagai bidang atau kasus, dikarenakan pentingnya mengetahui informasi dan data yang akan datang supaya dapat mempersiapkan sebelum terjadi. Luthfianto (2011) pada penelitiannya menyatakan bahwa peramalan merupakan salah satu faktor penting dalam mengambil keputusan pada organisasi bisnis serta dapat digunakan untuk melakukan perancanaan jangka panjang pada perusahaan atau instansi tertentu. Dalam melakukan peramalan, hasil yang didapatkan tidak selalu tepat sesuai dengan kenyataan. Salah satu cara untuk menentukan ukuran kesalahan secara statistik yaitu dengan Mean Squared Error (MSE) yang ditunjukkan pada Persamaan 1.
𝑀𝑆𝐸 =∑𝑛𝑡=1𝑒𝑡2
𝑛 (1)
Dimana:
𝑒𝑡 = nilai error pada periode t
2.3 Backpropagation
Backpropagation adalah salah satu algoritma pembelajaran yang umumnya diterapkan pada peramalan dan merupakan bagian dari jaringan saraf tiruan. Algoritma backpropagation biasa digunakan untuk peramalan (forecasting) dengan menggunakan perceptron yang memiliki banyak lapisan ( multi-layer). Perceptron tersebut nantinya digunakan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang terdapat pada lapisan tersembunyi (hidden layer) (Handayani, 2013). Backpropagation terdiri dari dua tahap yaitu umpan maju (feedforward) dan umpan mundur. Disaat tahapan umpan maju (feedforward) berjalan, setiap unit input akan menerima sinyal input yang selanjutnya akan meneruskan sinyal tersebut pada tiap-tiap hidden unit pada hidden layer.
2.3.1 Arsitektur Jaringan Backpropagation
Arsitektur jaringan algoritma backpropagation pada dasarnya tersusun dari beberapa layer, yaitu layer masukan (input layer), layer tersembunyi (hidden layer) serta layer keluaran (output layer). Cara kerja jaringan backpropagation adalah apabila masukan datang melalui input layer, maka masukan akan dipropagasikan melewati setiap layer yang ada di atasnya hingga menghasilkan keluaran (output) dari jaringan tersebut. Keluaran (output) tersebut kemudian dibandingkan dengan target keluaran (target output), sehingga akan menghasilkan jarak ketidakcocokan/ miss range antara keluaran (output) dan target keluaran (target output). Ketidakcocokan tersebut biasa disebut nilai error.
Selanjutnya jaringan akan melewatkan turunan dari error tersebut ke hidden layer dengan menggunakan bobot yang nilainya belum diubah. Kemudian setiap neuron pada hidden layer akan menghitung jumlah bobot dari error yang telah dipropagasikan sebelumnya. Setelah masing-masing neuron dari hidden layer dan output layer mendapatkan besar error, maka neuron tersebut akan mengubah nilai bobotnya untuk mengurangi nilai error. Proses ini akan berlangsung berulang-kali hingga error yang dihasilkan oleh jaringan tersebut mendekati nol (Giantara, 2013). Arsitektur jaringan backpropagation (Fausett, 1994) dapat dilihat pada Gambar 1
Gambar 1 Arsitektur Jaringan Backpropagation
2.3.2 Fungsi Aktivasi
Fungsi Aktivasi merupakan nilai keluaran (output) dari sebuah neuron yang ada pada level aktivasi tertentu berdasarkan nilai keluaran (output) dari pengombinasi linier. Fungsi ini nantinya digunakan untuk menentukan keluaran (output) suatu neuron. Pada penelitian ini, fungsi aktivasi yang digunakan adalah Binary Sigmoid. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Fungsi ini sering digunakan untuk jaringan syaraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Definisi fungsi sigmoid biner ditunjukkan pada Persamaan 2.
𝑦 = 𝑓(𝑥) =1+𝑒1−x (2) Dimana:
y=f(x) = sinyal output dari x
𝑒−x = eksponensial dari nilai -x
2.3.3 Tahapan Algoritma Backpropagation
Menurut Fausett (1994), tahapan-tahapan proses pada Backpropagation adalah sebagai berikut:
1. Inisialisasi Bobot dan Bias
Baik bobot maupun bias di inisialisasi awal secara acak dalam interval antara 0-1 atau -1
2. Melakukan Proses Feed-forward
Setiap input unit(Xi, i=1, …, n) menerima sinyal input Xi dan meneruskan sinyal tersebut pada seluruh unit pada hidden layer. Input yang digunakan adalan input pada data training.
Setiap hidden unit (Zj, j=1, …, p) akan menjumlahkan sinyal-sinyal input yang sudah berbobot, termasuk biasnya dengan menggunakan Persamaan 3.
z𝑖𝑛𝑗= 𝑣0𝑗+ ∑ 𝑥𝑖𝑣𝑖𝑗 𝑛
𝑖=1 (3)
Dimana:
𝑥𝑖 = input yang terdiri dari neuron
𝑣0𝑗 = bias pada lapisan tersembunyi
𝑣𝑖𝑗 = bobot pada lapisan tersembunyi Menggunakan fungsi aktivasi yang telah ditentukan yaitu menggunakan sigmoid biner untuk menghitung sinyal output dari hidden unit dengan Persamaan 4, kemudian mengirim sinyal output keseluruh unit pada unit output.
𝑍𝑗 = 𝑓(𝑧_𝑖𝑛𝑗) (4)
Setiap unit output (𝑦𝑘, 𝑘 = 1, … , 𝑚) akan menjumlahkan sinyal-sinyal input yang sudah berbobot, termasuk biasnya menggunakan Persamaan 5.
Menggunakan fungsi aktivasi yang telah ditentukan yaitu menggunakan sigmoid biner untuk menghitung sinyal output dari hidden unit dengan Persamaan 6, kemudian mengirim sinyal output keseluruh unit pada unit output.
𝑌𝑘 = 𝑓(𝑦_𝑖𝑛𝑘) (6)
3. Melakukan Propagasi Error (Backpropagation of error)
Setiap unit output (Yk, k=1, …, m)
menerima suatu target pattern (desired output) yang sesuai dengan input training pattern untuk dihitung kesalahan (error) antara target dengan output yang dihasilkan jaringan menggunakan Persamaan 7.
Menghitung delta perubahan bobot W_jk yang akan merubah bobot W_jk dengan
Menghitung delta perubahan bias W_0k yang akan merubah bias W_0k dengan
Menghitung faktor koreksi_in unit tersembunyi Menghitung faktor koreksi bobot unit tersembunyi Menghitung koreksi bobot lapisan tersembunyi
Menghitung koreksi bias lapisan tersembunyi
4. Menghitung Bobot dan Bias Baru
Menghitung bobot baru input layer ke lapisan tersembunyi
Dimana:
𝑣𝑖𝑗(𝑏𝑎𝑟𝑢) = bobot baru input layer ke lapisan tersembunyi
𝑣𝑖𝑗(𝑙𝑎𝑚𝑎) = bobot lama input layer ke lapisan tersembunyi
∆𝑣𝑖𝑗 = koreksi bobot lapisan tersembunyi
Menghitung bias baru input layer ke lapisan tersembunyi
𝑣0𝑗(𝑏𝑎𝑟𝑢) = 𝑣0𝑗(𝑙𝑎𝑚𝑎)+∆𝑣0𝑗 (15) Dimana:
𝑣0𝑗(𝑏𝑎𝑟𝑢) = bias baru input layer ke lapisan tersembunyi
𝑣0𝑗(𝑙𝑎𝑚𝑎)= bias lama input layer ke lapisan tersembunyi
∆𝑣0𝑗 = koreksi bias lapisan tersembunyi
Menghitung bobot baru lapisan tersembunyi ke lapisan keluaran
𝑤𝑗𝑘(𝑏𝑎𝑟𝑢) = 𝑤𝑗𝑘(𝑙𝑎𝑚𝑎)+∆𝑤𝑗𝑘 (16) Dimana:
𝑤𝑗𝑘(𝑏𝑎𝑟𝑢) = bobot baru lapisan tersembunyi ke lapisan keluaran
𝑤𝑗𝑘(𝑙𝑎𝑚𝑎) = bobot lama lapisan tersembunyi ke lapisan keluaran
∆𝑤𝑗𝑘 = koreksi bobot lapisan keluaran
Menghitung bias baru lapisan tersembunyi ke lapisan keluaran
𝑤0𝑘(𝑏𝑎𝑟𝑢) = 𝑤0𝑘(𝑙𝑎𝑚𝑎)+∆𝑤0𝑘 (17) Dimana:
𝑤0𝑘(𝑏𝑎𝑟𝑢) = bias baru lapisan tersembunyi ke lapisan keluaran
𝑤0𝑘(𝑙𝑎𝑚𝑎) = bias lama lapisan tersembunyi ke lapisan keluaran
∆𝑤0𝑘 = koreksi bias lapisan keluaran 5. Menghitung MSE (Mean Squared Error)
Tahap perhitungan feedforward, backpropagation dan bobot serta bias baru akan diulang terus hingga kondisi berhenti terpenuhi. Kondisi penghentian yang dipakai adalah jumlah iterasi maksimum atau error. Proses perhitungan kesalahan dan akurasi pada backpropagation dapat dilakukan dengan menggunakan perhitungan MSE (Bowerman et al., 1987 dalam Sungkawa, 2011) pada Persamaan 18.
𝑀𝑆𝐸 =𝑁1∑ (𝑡𝑁𝑖=1 𝑘− 𝑦𝑘)2 (18) Dimana,
MSE = perhitungan kesalahan mean squared error
𝑡𝑘 = data target
𝑦𝑘 = hasil keluaran pelatihan N = jumlah data
Pelatihan Backpropagation digunakan untuk mendapatkan tingkat keakuratan dari peramalan. Jika nilai asli MSE digunakan sebagai tingkat keakuratan maka keakuratan terbaik adalah nilai yang terkecil. Supaya nilai keakuratan terbaik dari Backpropagation tertinggi, maka digunakan perhitungan dengan Persamaan 19.
𝑇𝑖𝑛𝑔𝑘𝑎𝑡 𝐾𝑒𝑎𝑘𝑢𝑟𝑎𝑡𝑎𝑛 =1+𝑀𝑆𝐸1 (19)
3. PERANCANGAN DAN IMPLEMENTASI
Proses peramalan jumlah kasus penyakit menggunakan jaringan saraf tiruan Backpropagation ditunjukkan pada Gambar 2.
Gambar 2. Diagram Alir Proses Peramalan dengan Backpropagation
Gambar 3. Perancangan Arsitektur Jaringan
Langkah-langkah yang dilakukan dalam implementasi antara lain:
1. Implementasi jaringan saraf tiruan Backpropagation untuk peramalan jumlah kasus penyakit ke dalam bahasa pemrograman Java.
2. Output yang diperoleh berupa hasil peramalan, MSE dan tingkat keakuratan.
4. HASIL DAN PEMBAHASAN 4.1 Hasil dan Analisis Pengujian Jumlah
Data
Pengujian jumlah data ini bertujuan untuk mendapatkan jumlah data latih yang optimal. Dengan menggunakan data latih yang berubah-ubah sesuai masukan user, serta data uji yang tetap yaitu bulan Januari hingga Desember pada tahun 2016. Untuk melakukan pengujian jumlah data, diperlukan beberapa parameter yang telah ditentukan sebelumnya. Parameter alfa dan jumlah iterasi didapatkan dari pengujian awal yang dilakukan oleh penulis. Parameter yang digunakan untuk pengujian jumlah data adalah sebagai berikut:
• Alfa : 0.05
• Jumlah iterasi : 100000
Hasil pengujian jumlah data dapat dilihat pada Tabel 1.
Tabel 1. Hasil Pengujian Jumlah Data
Berdasarkan Tabel 1 didapatkan hasil tingkat keakuratan dari peramalan jumlah kasus
penyakit dengan menggunakan
Backpropagation. Hasil tingkat keakuratan tertinggi yang didapatkan adalah dengan panjang data sebanyak 6 dan jumlah data sebanyak 6 dengan rata-rata 0.003772. Hasil pengujian jumlah data dengan bentuk grafik garis dapat dilihat pada Gambar 4.
Gambar 4. Grafik Pengujian Jumlah Data
Berdasarkan Gambar 4, didapatkan bahwa jumlah data latih yang semakin banyak menunjukkan nilai tingkat keakuratan yang semakin buruk. Selain itu didapatkan juga bahwa panjang data sebanyak 6 lebih baik tingkat keakuratannya daripada panjang data 12. Hal tersebut disebabkan oleh data yang polanya tidak teratur. Semakin banyak data yang digunakan untuk data latih maka pola data yang tidak teratur semakin banyak pula. Hal tersebut mempengaruhi akurasi peramalan.
4.2 Hasil dan Analisis Pengujian Alfa
Pengujian parameter alfa ini bertujuan untuk mendapatkan nilai alfa (learning rate) yang optimal. Data latih yang digunakan sebanyak 6 data dengan panjang data 6, serta data uji yang tetap yaitu bulan Januari hingga Desember pada tahun 2016. Untuk melakukan pengujian alfa, diperlukan parameter lain yang telah ditentukan sebelumnya. Parameter jumlah data didapatkan dari pengujian diatas, dan parameter jumlah iterasi didapatkan dari pengujian awal yang dilakukan oleh penulis. Parameter yang digunakan untuk pengujian alfa adalah sebagai berikut:
Panjang Data
Jumlah Data
• Jumlah Data : 6
• Panjang Data : 6
• Jumlah iterasi : 100000
Hasil pengujian alfa dapat dilihat pada Tabel 2.
Tabel 2. Hasil Pengujian Alfa
Berdasarkan Tabel 2, didapatkan hasil tingkat keakuratan dari peramalan jumlah kasus
penyakit dengan menggunakan
Backpropagation. Hasil tingkat keakuratan tertinggi yang didapatkan adalah parameter alfa 0.05 dengan rata-rata 0.004936. Hasil pengujian parameter alfa dengan bentuk grafik garis dapat dilihat pada Gambar 5.
Gambar 5. Grafik Pengujian Alfa
Berdasarkan Gambar 5, didapatkan bahwa parameter alfa yang semakin besar nilainya menunjukkan tingkat keakuratan yang cenderung naik. Hal ini disebabkan oleh semakin besar nilai alfa, maka learning rate dari Backpropagation akan semakin cepat pula. Hasil pengujian menunjukkan bahwa nilai alfa terbaik atau yang paling optimal adalah 0.05.
4.3 Hasil dan Analisis Pengujian Jumlah Iterasi
Pengujian jumlah iterasi ini bertujuan untuk mendapatkan jumlah iterasi yang optimal. Data latih yang digunakan sebanyak 6 data dengan panjang data 6, serta data uji yang tetap yaitu bulan Januari hingga Desember pada tahun 2016. Untuk melakukan pengujian jumlah iterasi, diperlukan parameter lain yang telah ditentukan sebelumnya. Parameter jumlah data dan alfa didapatkan dari pengujian diatas. Parameter yang digunakan untuk pengujian jumlah iterasi adalah sebagai berikut:
• Jumlah Data : 6
• Panjang Data : 6
• Alfa : 0.05
Hasil pengujian jumlah iterasi dapat dilihat pada Tabel 3.
Tabel 3 Hasil Pengujian Jumlah Iterasi
Berdasarkan Tabel 3, didapatkan hasil tingkat keakuratan dari peramalan jumlah kasus
penyakit dengan menggunakan
Backpropagation. Hasil tingkat keakuratan tertinggi yang didapatkan adalah dengan jumlah iterasi sebanyak 100000 dengan rata-rata 0.003986. Hasil pengujian jumlah iterasi dengan bentuk grafik garis dapat dilihat pada Gambar 6.
Gambar 6. Grafik Pengujian Jumlah Iterasi Nilai Alfa Tingkat Keakuratan pada Percobaan ke-i Rata-rata
Keakuratan
1 2 3 4 5
0.0005 0.00203 0.00192 0.00198 0.00188 0.00196 0.001955
0.001 0.00193 0.00221 0.00243 0.00212 0.00181 0.002100
Tingkat Keakuratan pada Percobaan ke-i Rata-rata Keakuratan
1 2 3 4 5
1000 0.00203 0.00214 0.00204 0.00194 0.00188 0.002006
5000 0.00239 0.00307 0.00231 0.00345 0.00263 0.002772 10000 0.00218 0.00300 0.00539 0.00177 0.00277 0.003020
50000 0.00427 0.00219 0.00429 0.00398 0.00308 0.003562
100000 0.00233 0.00567 0.00316 0.00614 0.00263 0.003986
500000 0.00195 0.00243 0.00135 0.00257 0.00182 0.002024
1000000 0.00472 0.00228 0.00482 0.00218 0.00120 0.003040
5000000 0.00266 0.00558 0.00188 0.00342 0.00414 0.003536
10000000 0.00402 0.00394 0.00784 0.00265 0.00142 0.003975 50000000 0.00574 0.00395 0.00373 0.00224 0.00284 0.003701
Berdasarkan Gambar 6, didapatkan bahwa jumlah iterasi yang semakin banyak maka nilai tingkat keakuratan cenderung meningkat. Hasil pengujian menunjukkan bahwa jumlah iterasi paling optimal adalah sebanyak 100000 iterasi.
4.4 Analisis Hasil Pengujian
Berdasarkan hasil pengujian yang telah dilakukan sebelumnya, didapatkan parameter-parameter dengan nilai tingkat keakuratan terbaik. Pada pengujian jumlah data didapatkan jumlah data terbaik yaitu 6 dengan panjang data 6. Pada pengujian selanjutnya yaitu pengujian alfa didapatkan nilai parameter alfa terbaik yaitu 0.05. Pada pengujian terakhir yaitu pengujian jumlah iterasi didapatkan jumlah iterasi terbaik yaitu 100000 iterasi.
Untuk mengetahui tingkat keakuratan dari peramalan jumlah kasus penyakit menggunakan jaringan saraf tiruan Backpropagation, dilakukan percobaan dengan menggunakan parameter hasil pengujian yang paling optimal. Data uji yang digunakan adalah data pada tahun 2016 mulai Januari hingga Desember. Hasil terbaik yang didapatkan yaitu MSE sebesar 115 dengan tingkat keakuratan sebesar 0.0088. Hasil peramalan yang dilakukan dapat dilihat pada Gambar 7.
Gambar 7. Grafik Peramalan dengan Backpropagation
5. KESIMPULAN
Berdasarkan dari hasil penelitian mengenai peramalan jumlah kasus penyakit menggunakan
jaringan saraf tiruan Backpropagation, maka dapat diambil kesimpulan bahwa berdasarkan pengujian yang dilakukan menggunakan data jumlah kasus penyakit demam Tifoid-Paratifoid, didapatkan parameter paling optimal adalah jumlah data = 6 dengan panjang data = 6, alfa = 0.05, serta jumlah iterasi = 100000. Sehingga didapatkan nilai tingkat keakuratan dari peramalan tersebut yaitu 0.0088 dengan MSE = 115.
Berdasarkan hasil pengujian yang dilakukan, parameter jumlah data, alfa dan jumlah iterasi berpengaruh pada tingkat akurasi. Pada parameter jumlah data, semakin banyak dan panjang jumlah data latih maka tingkat akurasi semakin buruk. Hal ini disebabkan oleh pola data data latih yang tidak beraturan. Selanjutnya pada parameter alfa, nilai alfa semakin besar menunjukkan tingkat akurasi cenderung naik. Namun nilai alfa yang optimal tidak terdapat pada nilai alfa yang paling besar. Dan yang terakhir adalah parameter jumlah iterasi, hasil pengujian menunjukkan bahwa jumlah iterasi yang semakin banyak maka tingkat akurasi cenderung meningkat.
Penelitian ini masih memiliki banyak kekurangan. Kekurangan tersebut dapat diperbaiki sehingga dapat dilakukan penelitian yang lebih baik kedepannya. Saran yang dapat diberikan untuk penelitian selanjutnya yaitu diharapkan pada penelitian selanjutnya peramalan jumlah kasus penyakit menggunakan jaringan saraf tiruan Backpropagation dapat dioptimasi menggunakan algoritma optimasi yang ada. Hal ini karena hasil akurasi peramalan masih tergolong belum akurat, serta membutuhkan banyak iterasi.
Selain itu pada penelitian selanjutnya diharapkan digunakan data jumlah kasus penyakit yang memiliki pola tertentu dalam bentuk datanya. Dikarenakan data yang digunakan dalam penelitian ini memiliki pola yang tidak beraturan. Dan yang terakhir diharapkan pada penelitian selanjutnya parameter data latih serta data uji dapat lebih dinamis sesuai masukan pengguna, sehingga memiliki user experience yang lebih baik.
6. DAFTAR PUSTAKA
Abdellah, D. & Djamel, L., 2013. Forecasting the Algerian Load Peak Profile Using Time Series Model Based On Backpropagation Neural Networks. 4th International Conference on Power
Engineering, Energy and Electrical Drives, University of Constantine. Adam, E.E. & Ebert, R.J., 1982. Production and
Operation Management : Concepts, Models and Behaviors 2nd edition. Mishawaka : Prentice Hall Inc.
Baboo, S.S. & Shereef, I.K., 2010. An Efficient Weather Forecasting System using Artificial Neural Network. International Journal of Environmental Science and Development, Vol. 1, No. 4, ISSN: 2010-0264.
Bambang D.P., Budi, et.al., 1999. Teknik Jaringan Syaraf Tiruan Feedforward Untuk Prediksi Harga Saham pada Pasar Modal Indonesia. Jurnal Informatika, Vol.1 No.1 Mei 1999, hal. 33-37. Program Pascasarjana Peran Teknik Kendali, Institut Teknologi Bandung.
Fausett, Laurene V., 1994. Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. Prentice-Hall.
Giantara, Rangga. 2013. Pengenalan Pola Kelas Benang Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation. Universitas Diponegoro
Hagan, Martin T., et al, 1996. Neural Network Design. Boston: PWS Publishing Company.
Halim, S. & Wibisono, A.M., 2000. Penerapan Jaringan Saraf Tiruan Untuk Peramalan. Jurnal Teknik Industri, Vol. II. No.2, hal. 106-114, Universitas Kristen Petra. Handayani, Novita. 2013. Analisis Metode
Jaringan Syaraf Tiruan Backpropagation Untuk Pengenalan Sel Kanker Otak. Universitas Komputer Indonesia.
Hassun, S., 2012. Peramalan Data IHSG Menggunakan Fuzzy Time Series. IJCCS, Vol.6, No.2, pp. 79-88, Universitas Multimedia Nusantara.
Haviluddin & Alfred, R., 2015. A Genetic-Based Backpropagation Neural Network for Forecasting in Time-Series Data. 2015 International Conference on Science in Information Technology (ICSITech). Kemenkes RI, 2012. ISSN 2088-270X: Buletin
Jendela Data dan Informasi Kesehatan edisi Penyakit Tidak Menular. Jakarta: Kementrian Kesehatan Republik Indonesia.
Lee, Tsong Lin, 2003. Back-propagation neural network for long-term tidal predictions.
Department of Construction Technology, Leader University, Tainan 709, Taiwan. Luthfianto, R., Santoso, I., & Christiyono, Y.,
2011. Peramalan Jumlah Penumpang Kereta Api dengan Jaringan Saraf Tiruan Metode Perambatan Balik (Back Propagation). S1. Universitas Diponegoro.
Montgomery, D.C., Jennings, C.L. & Kulahci, M., 2008. Introduction to Time Series Analysis and Forecasting. Canada: John Wiley & Sons, Inc.
Muqtadiroh, F.A.,Syofiani, A.R. & Ramadhani, T.S., 2015. Analisis Peramalan Penjualan Semen non-Curah (ZAK) Pt Semen Indonesia (PERSERO) TBK Pada Area Jawa Timur. Seminar Nasional Teknologi. Newton, A.E., Routh, J.A., & Mahon, B.E., 2015. Typhoid & Paratyphoid Fever.
[Online] Tersedia di:
<https://wwwnc.cdc.gov/travel/yellowbo ok/2016/infectious-diseases-related-to-travel/typhoid-paratyphoid-fever>. [Diakses 08 Maret 2017].
OECD: Glossary of Statistical Terms, http://stats.oecd.org/glossary/about.asp, diakses 04 Maret 2017.
Paramita J., S.P., 2013. Model Backpropagation Neural Network untuk Peramalan Kasus Demam Berdarah di D.I Yogyakarta Rabkin, M., 2017. Chapter 17: Upper
Respiratory Infection. [Online] Tersedia di:
<http://www.medicineclinic.org/Ambulat orySyllabus4/NEW%20URI.htm>. [Diakses 08 Maret 2017].
Resmana, D.W., 1997. Prediksi Nilai Tukar Valuta Asing: Sebuah Studi Kasus Penggunaan Jaringan Syaraf Tiruan Untuk Peramalan, Edisi Pertama. Surabaya: Lembaga Penelitian dan Pengabdian Kepada Masyarakat Universitas Kristen Petra.
Shabri, A., 2001. Comparison of Time Series Forecasting Methods Using Neural Networks and Box-Jenkinds Model. Matematika, Jilid.17, No.1, hal.25-32. Universitas Teknologi Malaysia.
Masyarakat, Badan Litbang Kes, Kemenkes RI.
Soerjono, S., 2001. Manajemen Apoteker. Airlangga University Press. Surabaya. Sungkawa, I. & Megasari, R.T., 2011. Penerapan
Ukuran Ketepatan Nilai Ramalan Data Deret Waktu dalam Seleksi Model Peramalan Volume Penjualan PT. Satriamandiri Citramulia. ComTech, 2(2), pp.636-645.
Supranto J., 2000. Statistika Teori dan Aplikasi. Jakarta: Erlangga.
WHO, 2016. International Statistical Classification of Diseases and Related Health Problems 10th Revision. [Online]
Tersedia di:
<http://apps.who.int/classifications/icd10 /browse/2016/en>. [Diakses 08 Maret 2017].
WHO, 2017. International Classification of Diseases, Tenth Revision, Clinical Modification (ICD-10-CM). [Online]
Tersedia di:
<https://www.cdc.gov/nchs/icd/icd10cm. htm>. [Diakses 08 Maret 2017].
