Volvo Sihombing
J. Informatika AMIK-LB Vol.4 No.2/Mei/2016
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;
[email protected]
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
rekomendasi WHO tahun 2013 menyatakan
I. PENDAHULUAN
pemeriksaan Xpert MTB/RIF dapat digunakan
TBC ( Tubercolosis) merupakan penyakit
untuk mendiagnosis TB MDR pada anak, dan
yang mematikan dan menular. Penyakit TBC
dapat digunakan untuk mendiagnosis TB pada
merupakan
kesehatan
anak ada beberapa kondisi tertentu yaitu
masyarakat di Indonesia. Menurut [1] 2013
tersedianya teknologi ini memperkirakan setiap
penyakit TBC merupakan penyebab kematian
tahun terjadi 583.000 kasus baru TBC dengan
nomor tiga setelah penyakit kardiovaskuler dan
kematian sekitar 140.000. Tuberculosis primer
penyakit saluran pernafasan pada semua
pada anak kurang membahayakan masyarakat
kelompok umur. WHO mendukung Xpert
karena kebanyakan tidak menular, tetapi bagi
MTB/RIF
telah
anak itu sendiri cukup berbahaya oleh karena
mengeluarkan rekomendasi pada tahun 2011
dapat timbul TBC ekstra thorakal yang sering
untuk menggunakan Xpert MTB/RIF. Update
kali
masalah
pada
tahun
utama
2010
dan
27
menjadi
penyebab kematian
atau
Volvo Sihombing
J. Informatika AMIK-LB Vol.4 No.2/Mei/2016
menimbulkan cacat. Metode Perceptron ini
Tuberkulosis merupakan penyakit infeksi sistemik/umum dan khusus. Gejala umum/sistemik dan khusus.
cukup ampuh untuk mengenali gejala – gejala fisik pada anak dengan menggunakan pola
Tabel I. Gejala umum dan khusus
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 Dari diagnosis TB Anak ini yang Epidemilogi rangkaian
Tuberkulosis
gambaran
informasi
nantinya akan ditransformasi kedalam bentuk
adalah
matematis
yang
dengan
menggunakan
Metode
Perceptron
menjelaskan beberapa hal terkait orang, waktu dan lingkungan. Tuberculosis adalah penyakit menular langsung yang disebabkan oleh kuman
III.
[1]TB(Mycobacterium tuberculosis). Besaran
Jaringan Syaraf Tiruan (JST) adalah salah satu cabang ilmu bidang kecerdasan buatan[2].
masalah TB anak berusia kurang dari 15 tahun adalah 40-50%, seperti pada gambar I jumlah
METODE PENELITIAN
a. Gambar II Fungsi aktivasi Biner Perceptron[3]
populasi TB Anak.
sebuah neuron akan mengolah N input (x1, x2, 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.
... , xN) yang masing-masing memiliki bobot wl, w2, ... , wN dan bobot bias b, dengan rumus : N
a b xi wi i 1
a. Diagnosis TB Anak 28
Volvo Sihombing
J. Informatika AMIK-LB Vol.4 No.2/Mei/2016
b. Fungsi Threshold (Batas ambang)
18 19 20
1 y≥0 0y<0
f(y) =
fungsi ini menentukan batas ambang antara target dengan keluaran jaringan.
1 1 0
1 0 0
0 1 1
1 0 1
0 1 0
1 1 1
0 1 0
0 0 0
1 1 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 X X X X X X X X Tar en 1 2 3 4 5 6 7 8 get Ke1 1 1 1 0 1 1 0 1 1 1 1 0 1 0 0 0 0 0 2 1 0 1 0 0 0 0 0 0 3 1 1 0 1 0 1 0 0 1 4 0 0 1 1 0 0 0 1 0 5 0 0 1 1 0 1 0 0 0 6 0 1 0 0 1 1 0 0 0 7 0 0 1 0 1 1 1 0 1 8 1 0 1 0 1 1 1 0 1 9 0 10 1 0 1 0 0 1 0 0 1 0 0 1 0 1 0 1 1 11 0 12 0 1 0 0 1 0 0 1 1 13 1 0 1 0 0 1 1 1 0 14 0 0 0 0 0 1 1 1 0 15 0 0 0 0 0 1 1 0
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:
Nilai error yang dihasilkan pada tabel IV. Pasi en Ke1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
X 1
X 2
X 3
X 4
X 5
X 6
X 7
X 8
Tar get
1 1 1 1 0 0 0 0 1 1 1 0 1 0 0 1 0
1 1 0 1 0 0 1 0 0 0 0 1 0 0 0 1 1
1 0 1 0 1 1 0 1 1 1 0 0 1 0 0 0 0
1 1 0 1 1 1 0 0 0 0 1 0 0 0 0 1 0
0 0 0 0 0 0 1 1 1 0 0 1 0 0 0 0 1
1 0 0 1 0 1 1 1 1 1 1 0 1 1 1 1 0
1 0 0 0 0 0 0 1 1 0 0 0 1 1 1 0 0
0 0 0 0 1 0 0 0 0 0 1 1 1 1 0 0 1
1 0 0 1 0 0 0 1 1 0 1 0 1 0 0 1 0
T a r 1 g e t
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 0 o r
1
1
0
1
1
1
0
0
1
0
1
0
1
1
Parameter- parameter yang digunakan dalam data pelatihan : -
29
Jumlah sampel : 15 data Unit input :8
Volvo Sihombing
-
J. Informatika AMIK-LB Vol.4 No.2/Mei/2016
Unit output : 1 Iterasi /epoch : 100 Bias :1
Kesimpulan dalam penelitian ini sebagai berikut : a. Hasil output yang didapat dari 20
Pada tahapan ini pada iterasi ke 7
sampel data dengan pengenalan pola
pengenalan pola sudah ditemukan dengan
60%
keakurasian 0.60 atau 60% untuk data pelatihan
mengidentifikasi penyakit TB Primer
sampai 100%.
pada anak.
Tahap pengujian pada tabel V.
sampai
100%
dalam
b. Semakain banyak jumlah data yang
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
semakin
4
0
0
1
0
1
0
0
1
penyakakit.
5
0
1
0
1
0
0
1
0
dilatih dan diuji semakin akurat dalam mengidentifikasi penyakit TB Primer pada anak. c. Semakin besar nilai dari performance baik
mengenali
pola
Saran dalam penelitian ini sebagai berikut : a. Diharapkan
dengan
adanya
penelitian ini dapat dikembangkan
Sehingga menghasilkan output seperti berikut :
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. Proses pengujian dalam penelitian ini akan
c. Dapat dikembangkan lagi dengan
diuji berdasarkan pada tabel V. Output belum
metode
diketahui sehingga untuk mendapatkan nilai
Pakar.
Backprogation,
Sistem
output atau target dapat di bandingkan dengan DAFTAR PUSTAKA
nilai target atau bobot akhir dari pelatihan. hasil nya adalah 10110.
Lingkungan., D. P. (2013). Petunjuk Teknis Manajemen TB Anak. Jakarta: Kemenkes RI.
V. KESIMPULAN DAN SARAN
30
Volvo Sihombing
J. Informatika AMIK-LB Vol.4 No.2/Mei/2016
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.
31
