EXPERT SYSTEM DIAGNOSA JENIS PENYAKIT GIGI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Komang Aryasa

Komang, Expert System Diagnosa Jenis…81

EXPERT SYSTEM DIAGNOSA JENIS PENYAKIT GIGI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION

Komang Aryasa STMIK Dipanegara Makassar, Jl. Perintis Kemerdekaan Km.9 Telp (0411) 587194 Email : [email protected]

ABSTRACT The object of the research was to make an intelligent system application towards the dental disease types of irritation pulp, hypermia pulp, acute pulpitis and periodentitis apicalis, and ginggivity by applying the artificial neural network with the backpropagation learning method. The system used the data patterns of the disease symptoms which were investigated in the Dental Clinic Section, Daya General Hospital, Makassar. The number of samples of the data patterns used was 11 samples with the output targets of 000 (irritation pulp), 001 (hypermia pulp), 010 (acute pulpitis), 011 (periodentitis apicalis), and 100 (ginggivity). The training process was by the ANN backpropagation with the input parameters of target error = 0.01, learning rate = 0.1, and maximum epoch = 50,000. The training process stopped on the epoch of 17,328 with 0.0099 RMSE. The result of the research indicates that out of 100 data samples trained, all the data patterns (100%) are recognized by the system. The test is carried out by taking 50 data samples that have never been trained, the result reveals that 45 out of 50 (90%) data tested can be recognized by the system. Keywords: Expert system, Artificial Neural Network, Backpropagation, disease.

ABSTRAK Penelitian ini bertujuan merancang aplikasi sistem cerdas terhadap jenis penyakit gigi Iritation Pulpa, Hypermia Pulpa, Pulpitis Akut dan Periodentitia Apicalis dan Ginggivitas dengan menerapkan jaringan saraf tiruan dengan metode pembelajaran backpropagation. Pada perancangan Sistem ini menggunakan pola data gejala penyakit yang diteliti di Rumah Sakit Daya Makassar Bagian Polik Gigi. Jumlah sampel data gejala yang digunakan adalah 11 sampel dengan target output 000 (Iritatio Pulpa), 001(Hypermia Pulpa), 010 (Pulpitis Akut), 011 ( Periodentitis Apicalis) dan 100 (Ginggivitas). proses pelatihan dengan algoritma JST Bacpropagation dengan parameter input Target error = 0.01, Learning Rate = 0.1dan Maksimum Epoch = 50000. Proses pelatihan ini berhenti pada epoch 17328 dengan RMSE 0.0099. Hasil penelitian menunjukan bahwa dari 100 sampel data yang dilatih, seluruh pola data (100 %) data dikenali oleh sistem. Pengujian dilakukan dengan mengambil 50 sampel data yang belum pernah dilatih hasil menunjukan bahwa 45 dari 50 (90 %) data yang diuji dapat dikenali oleh system Kata Kunci : Expert System, Jaringan Saraf Tiruan, BackPropagation, penyakit

PENDAHULUAN Di bidang kedokteran, perananan dokter dalam mendiagnosa penyakit pada pasien harus membutuhkan ketelitian dari jenis penyakit yang diderita yang dapat menyebabkan efek timbulnya penyakit yang lain, apalagi jenis penyakit semakin81 berkembang dari waktu ke waktu. Hal ini

82. CSRID Journal, Vol.4 No.2 Juni 2012, Hal. 81 - 95

menuntut para dokter, harus mengikuti perkembangan terbaru tentang jenis penyakit beserta cara penanganannya yang harus membutuhkan waktu yang lama jika dilakukan secara konvensional. Untuk itu pada penelitian ini, akan dibuat suatu sistem cerdas (Expert System) yang mengunakan teknik komputasi jaringan saraf tiruan untuk mendiagnosa jenis penyakit gigi. Teknik komputasi jaringan saraf tiruan dalam mendiagnosa jenis penyakit gigi ini merupakan sebuah memori yang menyimpan sejumlah data, meliputi informasi pada gejala, diagnosis dan informasi lain sebagai suatu perawatan untuk hal-hal tertentu yang berhubungan dengan penyakit gigi. Pelatihan jaringan dapat dipresentasikan dengan input yang terdiri dari serangkaian gejala yang diderita oleh pasien. Setelah itu jaringan syaraf akan melatih input gejala tersebut dengan algoritma backpropagation, sehingga ditemukan suatu akibat dari gejala tersebut yaitu jenis penyakit gigi. Adapun pokok permasalahan dalam penelitian ini : 1. Bagaimana merancang suatu perangkat lunak Jaringan Saraf tiruan dengan metode pembelajaran backpropagation yang mengindikasikan bahwa seseorang telah terserang penyakit gigi. 2. Bagaimana sistem mampu mengidentifikasi pola data penyakit gigi kedalam empat jenis penyakit yaitu Irritation Pulpa, Hupermia Pulpa, Pulpitis Akut dan Periodentitia Apicalis dan ginggivitas. Ruang Lingkup dibatasi pada : 1. Melakukan akuisisi pengetahuan pakar dengan wawancara menggunakan metode diskusi dan deskripsi masalah tentang penyakit gigi. 2. Data masukan yang diidentifikasi adalah berupa data gejala penyakit gigi Irritation Pulpa, Hupermia Pulpa, Pulpitis Akut dan Periodentitia Apicalis dan gignggivitas dalam bentuk fuzzy 3. Metode Pembelajaran yang digunakan adalah BackPropagation 4. Sasaran pengguna program ini adalah paramedis gigi. 5. Melakukan uji coba system Tujuan Penelitian ini adalah membuat aplikasi sistem cerdas terhadap jenis penyakit gigi Irritation Pulpa, Hupermia Pulpa, Pulpitis Akut dan Periodentitia Apicalis dengan menerapkan jaringan saraf tiruan dengan metode pembelajaran backpropagation. Penelitian ini diharapkan dapat memberikan manfaat dalam hal: 1. Dari hasil penelitian ini diharapkan dapat membantu dokter untuk mengidentifikasi varian penyakit gigi pada pasien secara akurat sehingga membantu dalam diagnosis dan penanganan lanjut terhadap pasien. 2. Mengetahui prinsip kerja Jaringan Saraf Tiruan yang diaplikasikan dalam sebuah bahasa pemrograman. 3. Menambah fleksibilitas sinkronisasi antara dunia informatika dan kedokteran.

TINJAUAN PUSTAKA Expert System (Sistem Pakar) Menurut Kusrini (2008:3) sistem pakar adalah aplikasi berbasis komputer yang digunakan untuk menyelesaikan masalah sebagaimana yang dipikirkan oleh pakar [01]. Pengertian lain menurut Anita Desiani & Muhammad (2006:227) sistem pakar adalah sistem yang berbasis pengetahuan, yaitu sistem yang meniru penalaran dari seorang pakar dalam bidang tertertu [02]. Pakar yang dimaksud disini adalah orang yang mempunyai keahlian khusus yang dapat diselesaikan oleh orang awam. Sebagai contoh, dokter adalah seorang pakar yang mampu mendiagnosis penyakit yang diderita pasien serta dapat memberikan penatalaksanaan terhadap penyakit tersebut. Tidak semua orang dapat mengambil keputusan mengenai diagnosis dan memberikan penatalaksanaan suatu penyakit. Menurut Turban (Muhammad Arhami, 2005:233) sistem pakar disusun oleh dua bagian utama, yaitu lingkungan pengembangan (develepment environment) dan lingkungan konsultasi (consultation environment). Lingkungan pengembangan sistem pakar digunakan untuk memasukkan pengetahuan pakar ke dalam lingkungan sistem pakar, sedangkan lingkungan


konsultasi digunakan oleh pengguna yang bukan pakar dalam memperoleh pengetahuan pakar. Komponen-komponen sistem pakar dalam kedua bagian tersebut dapat dilihat dalam Gambar 1 yaitu user interface (antarmuka pengguna), basis pengetahuan, akuisisi pengetahuan, mesin inferensi, workplace, fasilitas penjelasan, perbaikan pengetahuan[03].

Gambar 1. Struktur Sistem Pakar

Penyakit Gigi Pengertian dari suatu penyakit adalah keadaan tidak normal pada badan atau minda yang menyebabkan ketidakselesaan, disfungsi, atau tekanan/stres kepada orang yang terbabit atau berhubung rapat dengannya. Sedangkan untuk pengertian sakit gigi adalah rasa nyeri pada gigi. Walaupun amat jarang terjadi, bahaya yang datang bisa berakibat fatal. Beberapa jenis penyakit gigi adalah sebagai berikut : Iritatio Pulpa, Hypermia Pulpa, Pulpitis Akut, Periodentitis Apicalis, Ginggivitas dan sebagainya Jaringan Saraf Tiruan Jaringan saraf tiruan (JST) atau neural network adalah suatu metode komputasi yang meniru sistem jaringan saraf biologis. Metode ini menggunakan elemen perhitungan non-linier dasar yang disebut neuron yang diorganisasikan sebagai jaringan yang saling berhubungan, sehingga mirip dengan jaringan saraf manusia. Jaringan saraf tiruan dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran[06], [07]. JST menyerupai otak manusia dalam dua hal, yaitu: 1. Pengetahuan diperoleh jaringan melalui proses belajar. 2. Kekuatan hubungan antar sel syaraf (neuron) yang dikenal sebagai bobot bobot sinaptik digunakan untuk menyimpan pengetahuan. JST ditentukan oleh 3 hal [03] : 1. Pola hubungan antar neuron (disebut arsitektur jaringan). 2. Metode untuk menentukan bobot penghubung (disebut metode training/learning). 3. Fungsi aktivasi, yaitu fungsi yang digunakan untuk menentukan keluaran suatu neuron. Satu sel syaraf terdiri dari tiga bagian, yaitu: fungsi penjumlah (summing function), fungsi aktivasi (activation function), dan keluaran (output), seperti terlihat pada gambar 2 dibawah ini.

Gambar 2. Model Neuron


Algoritma BackPropagation Langkah 0: Inisialisasi bobot (setiap bobot diberi nilai acak antara 0 - 1) Langkah 1: Selama kondisi berhenti belum terpenuhi lakukan langkah 2-3 Langkah 2: Lakukan Langkah 3-13 sebanyak jumlah pelatihan yang diinginkan Langkah 3: Untuk output layer dan setiap hidden layer lakukan langkah 4-13 Langkah 4: Hitung input setiap node pada hidden layer n

z _ in j

xi * wij i 1

dimana: z_inj = jumlah total input untuk node ke-j n = jumlah node pada hidden layer sebelumnya, untuk hidden layer yang pertama n adalah jumlah node input xi = nilai node ke-i yang dikeluarkan oleh hidden layer sebelumnya, untuk hidden layer yang pertama xi adalah input yang diterima oleh sistem wij= bobot yang menghubungkan antara node ke-i dan node ke-j Langkah 5: Hitung output setiap node pada hidden layer dengan fungsi aktivasi

z j f ( z _ in j ) dimana: zj = output dari node ke-j

1 1 exp( x)

f ( x)

Langkah 6: Hitung input setiap node pada output layer n

y _ ink

z j * w jk j 1

dimana: y_ink = jumlah total input untuk node ke-k n = jumlah node pada hidden layer sebelum output layer wjk= bobot yang menghubungkan antara node ke-j dan node ke-k Langkah 7: Hitung output pada setiap node pada output layer

y k f ( z _ in j ) dimana: yk = output dari node ke-k Langkah 8: Hitung error setiap node pada output layer dengan fungsi deaktivasi (t k y k ) * f ' ( y _ ink ) k dimana:

= error pada node ke-k tk = target ke-k k

f ' ( x)

f ( x)[1 f ( x)]

Langkah 9: Hitung perubahan bobot pada setiap node pada setiap hidden layer

w jk dimana:

*

k

w jk = perubahan bobot yang menghubungkan node ke-j dan node ke-k

= learning rate yang merupakan nilai antara 0 – 1. Langkah 10: Hitung error setiap node pada output layer dengan fungsi deaktivasi n j

(

k

* w jk ) * f ' ( z _ ink )

k 1

dimana:

j

= error pada node ke-j

Langkah 11: Hitung perubahan bobot pada setiap node pada setiap hidden layer wij * j

wij = perubahan bobot yang menghubungkan node ke-j dan node ke-k Langkah 12: Update bobot pada setiap node pada output layer dimana:


w jk (new) w jk (old ) w jk Langkah 13: Update bobot pada setiap node pada setiap hidden layer wij (new) wij (old ) wij Prosedur Pengujian Setelah pelatihan, jaringan saraf backpropagation diaplikasikan dengan hanya menggunakan tahap perambatan maju dari algoritma pelatihan. Prosedur aplikasinya adalah sebagai berikut: Langkah 0 : Inisialisasi bobot (dari algoritma pelatihan). Langkah 1 : Untuk tiap vector masukan, lakukan langkah 2-4. Langkah 2 : for i = 1,…, n : atur aktivasi unit masukan xi . Langkah 3 : for j = 1,…, p : n

z _ in j

xi * wij i 1

z j f ( z _ in j ) Langkah 4 : for k = 1,…, m : n

y _ ink

z j * w jk j 1

y k f ( z _ in j ) Langkah 5: Jika yk ≥ 0,5 maka yk = 1, else yk = 0. METODOLOGI PENELITIAN Jenis Penelitian yang dilakukan penulis dalam penelitian ini adalah penelitian eksperimental yaitu merancang suatu system pakar menggunakan JST BackPropagation. Data diperoleh dari hasil diagnosa dokter dan wawancara langsung dengan pakar gigi (dokter gigi) seperti data gejala dan penyakit yang mengindikasikan seorang terserang suatu jenis penyakit gigi serta data pengobatannya yang akan diambil pada Rumah Sakit Umum Daya Kota Makassar bagian Polik Gigi. Pengujian sistem yang digunakan adalah Pengujian black box, dimana pengujian ini berfokus pada persyaratan fungsional perangkat lunak, dengan demikian pengujian memungkinkan perekayasa perangkat lunak mendapatkan serangkaian kondisi input yang sepenuhnya menggunakan semua persyaratan fungsional untuk suatu program” (Roger S. Pressman, Phd, 2002) [05].

HASIL PENELITIAN Blok Diagram Sistem Secara umum proses diagnosa dan tatalaksana penyakit gigi dapat digambarkan dalam blok diagram berikut: PASIEN

Kesimpulan Penyakit

Pemeriksaan Klinis : Data Gejala Penyakit

Pengujian

Terapi dan TataLaksana Penyakit Gigi

Gambar 3. Blok Diagram Sistem Diagnosa Penyakit Gigi

Tranformasi Data (Fuzzification)

JST Backpropagation


Perancangan Sistem Pengguna sistem adalah dekter namun sistem dapat juga digunakan oleh praktisi kesehatan lainnya seperti perawat gigi. Dokter dibantu dalam pengambilan keputusan mendiagnosa jenis penyakit gigi dari analisis kebutuhan maka akan dirancang suatu aplikasi yang mengacu pada sistem pakar sebagai berikut : Pemakai

Fakta Gejala Penyakit Basis Pengetahuan: Fakta dan Pola

Knowledge engineer

Kesimpulan

Interface

Pakar Metode Inferensi

DataBase Perbaikan Pengetahuan Pelatihan JST BackPropagtion

Aksi yang direkomendasikan

Data Pelatihan

Gambar 4. Model Sistem Diagnosa

Diagram Konteks Pada diagram konteks di bawah ini menggambarkan secara umum aliran darimana data yang masuk ke sistem dan data apa yang dihasilkan dari sistem dan kemana sistem mengirimkan data atau informasi. Adapun entitas-entitas yang merupakan komunitas luar yang berkomunikasi dengan sistem ada dua yaitu : Pasien dan user(dokter). Data Pengujian Data Pelatihan Data Fuzzufication Pola Gejala Penyakit

a User (Dokter)

Info. Fuzzification Info. Pelatihan Info. Pengujian

0 Diagnosa Penyakit Gigi dengan JST

Data Pasien Gejala Penyakit

b Pasien

Hasil Diagnosa TataLaksana Penyakit

Gambar 5. Diagram Konteks

Data Flow Diagram (DFD) Dari diagram konteks di atas, aliran data yang ada pada sistem digambarkan dengan lebih rinci menggunakan Data Flow Diagram sebagai berikut :


1.

DFD Level 1 Sistem Diagnosa Penyakit Gigi T Gejala Penyakit &Penyakit

Info. Fuzzification Info. Pelatihan Info. Pengujian

a

1 Diagnosa Penyakit Gigi dengan JST

User (Dokter)

T Pasien

Pola data gejala penyakit

Data Pasien

Hasil Diagnosa TataLaksana Penyakit Data Pengujian Data Pelatihan Data Fuzzufication Tabel Pola Gejala Penyakit

b Pasien

Data Pasien Gejala Penyakit

Gambar 6. DFD Level 1 Sistem Diagnosa Penyakit Gigi

2. DFD Level 2 Prose Proses JST T Gejala Penyakit &Penyakit

Pola Gejala Penyakit

Pola data gejala penyakit

1.1

a User (Dokter)

Pola Gejala Penyakit Info. FuzzyFikasi

Tranformasi/Fuzzyfikasi

1.2

Data Fuzzyfikasi

Tranformasi/Fuzzyfikasi

1.3

Data Pelatihan

Pelatihan

Info Pelatihan Bobot T Pasien

1.4 Data Pasien

Diagnosa Data Pengujian

Info Pengujian

Hasil Diagnosa TataLaksana Penyakit

b Pasien Data Pasien Gejala Penyakit

Gambar 7. DFD Level 2 Proses JST


3.

DFD Level 2 Prose Proses Diagnosa T_bobot

T Pasien

1.4.1 Bobot

Data Pasien

Data Pengujian

a

User/Dokter

Diagnosa

Gejala Penyakit

b Info. Pengujian

Hasil Diagnosa

Pasien

Gambar 8. DFD Level 3 Proses Diagnosa

Implematasi JST BackPropagation Proses perhitungan deteksi jenis penyakit gigi ini dilakukan setelah perolehan data-data gejala klinis dari pakar gigi. Masukan sistem atau input yang dapat dimengerti oleh program adalah 11 variabel yang mampu menghasilkan diagnosa jenis penyakit gigi khususnya pada penyakit Iritatio Pulpa, hyperemia Pulpa, Pulpitis Akut, Periodentitis Apicalis dan Ginggivitas yang harus diinisialisasi terlebih dahulu. 1. Merasakan sesuatu jika diberi rangsangan panas atau dingin 2. Rasa sakit jika digunakan mengunyah 3. Rasa sakit dipersendian rahang 4. Merasakan sesuatu jika disentuh 5. Terjadi pendarahan pada gusi 6. Gigi terasa ngilu 7. Gigi terasa goyang 8. Gigi berlubang 9. Terjadi sondasi 10. Demam 11. Terjadi pekusi Dalam proses diagnosa gigi langkah pertama dilakukan adalah mengidentifikasi gejala subjektif dan gejala objektif. Gejala subjektif adalah suatu gejala yang bersifat umum yang memiliki nilai pasti apakah “YA” atau “TIDAK”, sedangkan gejala objektif adalah gejala yang ditentukan oleh pengujian dan observasi oleh para medis, sehingga nilai dari gejala ini tergantung dari hasil pengujian dari objek gigi yang diderita. Untuk variabel yang nilainya tidak bersifat pasti maka nilai variabel ini akan dilakukan proses fuzzyfikasi sehingga output dari nilai variabel ini menghasilkan interval antara 0 samapi 1. Output yang dihasilkan sistem ini adalah jenis penyakit gigi yaitu Iritatio Pulpa, hyperemia Pulpa, Pulpitis Akut, Periodentitis Apicalis dan Ginggivitas. Berdasarkan input dari 11 variabel tersebut dibutuhkan 3 node output. Hasil output yang diinginkan berupa nilai seperti terlihat pada tabel 1 berikut : Tabel 1. Nilai Target Output

No 1 2 3 4 5

Nilai Target (Biner) 000 001 010 011 100

Nama Penyakit IIritatio Pulpa hyperemia Pulpa Pulpitis Akut Periodentitis APC Gingivitas


Desain Arsitektur JST Backpropagation Jaringan saraf terdiri dari 3 lapisan, yaitu lapisan masukan/input terdiri atas variable masukan 11 unit sel saraf, lapisan tersembunyi terdiri atas 6 unit sel saraf dan lapisan keluaran / output terdiri atas 3 sel saraf. Lapisan masukan dugunakan untuk menampung 11 variabel yaitu x 1 sampai dengan x11, sedangkan 3 lapisan keluaran digunakan untuk mempresentasikan pengelompokan pola, nilai 000 untuk iritatio pulpa, nilai 001 untuk hyperemia pulpa, nilai 010 untuk pulpitis akut, nilai 011 untuk periodentitis apicalis dan nilai 100 untuk ginggivitas

X1

X2

X3

X11

V1 1

V11 11

bv

b 0 10

b 0 1

Z1

W 11

Z2

Z3

W 13

bw W 12

Z6

W 31 W 23 W 21 W 22

W 61 W 33 W 32 W 62 W 63

b 03 b 02 b 01

Y1

Y2

Y3 Keterangan : X1...X11 = Z1...Z11 = Y1....Y3 = V11...V111 =

Node Input pada Lapisan Input Node pada lapisan tersembunyi Node output pada lapisan output Bobot dari lapisan input ke lapisan tersembunyi W11...W111= Bobot dari lapisan tersembunyi ke lapisan outpur Bv = Bias dari lapisan input ke lapisan tersembunyi Bw = Bias dari lapisan tersembunyi ke lapisan output

Gambar 9. Arsitektur jaringan JST Backpropagation Untuk Diagnosa Penyakit gigi

Alur Proses JST Backpropagtion Arsitektur JST dengan metode backpropagation pada sistem yang akan dibangun adalah arsitektur JST berlapisan banyak yang terdiri dari lapisan masukan (layer input) dimana jumlah neuron pada lapisan input sebanyak 11 yang ditentukan pada jumlah gejala penyakit yang di identifikasi, satu lapisan tersembunyi (layer hidden) , untuk menentukan jumlah neuron pada hidden layer digunakan formula sebagai berikut : Keterangan : Nh = Jumlah Neuron Hidden Ni = Jumlah Neuron Input No = Jumlah Neuron Output Misalkan jumlah neuron pada layer input sebanyak 11 dan jumlah neuron pada layer output sebanyak 3 maka Neuron hidden dapat dihitung sebagai berikut :   Nh = 5,74 dibulatkan keatas menjadi 6 sehingga jumlah neuron pada lapisan tersembunyi yang digunakan sebanyak 6 neuron, dan satu lapisan keluaran (layer output) yang menggunakan 3 neuron output. Penghubung setiap lapisan adalah bobot. Nilai bobot yang digunakan dengan membangkitkan bilangan random yang cukup kecil (random - 0.5) Sistem akan memberikan nilai random pada setiap bobot di lapisan input maupun bias pada lapisan input dan bobot lapisan output serta bias pada lapisan output. Secara umum alur proses JST, Proses Training backpropagation dan diagnosa dapat dilihat pada gambar 10 dan 11 dibawah ini.


Mulai Input Gejala Penjakit

Tranformasi/ Fuzzyfikasi

Training FeadForward

Tidak

Target Error Tercapai ?

Ya

Koreksi Bobot dan Bias Jaringan

Selesai

Gambar 10. Flowchart Alur Proses JST Mulai

Penentuan Parameter : Target Orror, Learning Rate dan Max Epoch Inisialisasi Bobot Random Kecil V,W, BiasV, BiasV Hitung Pada Simpul Hidden dan Output n

z _ in j

xi * wij i 1

n

y _ ink

z j * w jk j 1

Hitung Error E=(t-y)2

k

Hitung Delta Error (t k yk ) * f ' ( y _ ink ) n

j

(

k

* w jk ) * f ' ( z _ ink )

k 1

Koreksi Pembobot w jk * k

wij

Ya

*

j

Masih Ada Data ?

Tidak

(Erros
Ya

Simpan Ditabel bobot

Selesai

Gambar 11. Flowchart Alur Proses JST

Tidak


Hasil Pengujian Pengujian dilakukan dengan dua tahap yaitu pengujian terhadap data yang akan dilatikan yaitu 100 sampel data dan pengujian pada data baru sebanyak 50 sampel yang belum pernah dilatihkan. Pengujian terhadap data yang akan dilatihkan dengan target error 0.01, learning rate 0.1, maximum epoch 50000 menghasilkan RMSE 0.0099 pada epoch 17328, berikut data hasil pelatihan Proses pelatihan dilakukan dengan menginput parameter pelatihan yaitu target error, learning rate dan maksimum epoch, setelah parameter ini dinputkan dilanjutkan dengan mengklik tombol learning. Learning ini akan menginisialisasi bobot-bobot jaringan yang telah ditentukan sebelumnya, proses pelatihan akan berhenti jika RMSE <= target error atau telah mencapai maksimum epoch yang telah ditentukan pada parameter input. Hasil pelatihan dengan parameter input target error = 0.01, learning rate = 0.1 dan maksimum epoch 50000 maka proses pelatihan akan mencapi konvergen pada iterasi 17328 dengan RMSE 0.0099999830 ditunjukan pada gambar 12 dibawah ini:

Gambar 12. Hasil Pelatihan

Adapun hasil lengkap pengujian terhadap 100 data yang telah dilatih adalah ditunjukan pada gambar 13 sebagai berikut :

Gambar 13. Hasil Pengujian Data Yang dilatihkan


Bobot antara lapisan input dan lapisan tersembunyi akhir (V) dan bias antara lapisan input dan lapisan tersembunyi akhir setelah iterasi ke 17328 seperti terlihat pada gambar 14 berikut ini :

Gambar 14. Bobot Antara Lapisan Input dan Lapisan Tersembunyi Akhir

Bobot akhir lapisan tersembunyi ke lapisan output (w), dan bias akhir lapisan tersembunyi ke lapisan output (w0), terlihat pada gambar 15

Gambar 15. Bobot Akhir Dan Bias Akhir Lapisan Hidden Kelapisan Output


Setelah dilakukan pembelajaran terhadap pola-pola yang dilatih seperti pada table 2 diatas menunjukan bahwa pelatihan yang dilakukan oleh jaringan saraf tiruan mencapai hasil 100 % karena output pelatihan yang ditampilkan oleh sistem (network output) sesuai dengan target yang ditentukan. Gambar 16 adalah contoh implementasi pengujian yang dilakukan terhadap pola nilai yang ikut dilatih.

Gambar 16. Hasil Testing Terhadap Nilai Untuk Data Kasus 000 (Iritatio Pulpa)

Proses pengobatan dilakukan dengan menekan tombol Pengobatan seperti yang nampak pada gambar 14 diatas, berikut adalah contoh penaganan dari kasus 000(Iritattio Pulpa) sebagai berikut :

Gambar 17. Hasil Pengobatan

Setelah seluruh data yang dilatihkan dikenali, jaringan kemudian diuji dengan 50 data baru yang belum pernah dilatihkan. Hal ini berfungsi untuk menguji seberapa besar jaringan mengenali data baru. Hasil pengujian terhadap data baru adalah sebagai berikut :


Gambar 15 Hasil Pengujian 50 data baru

Gambar 18. Hasil Pengobatan

Ket : *** = Tidak dikenali Gambar 15 yang berbentuk tabel diatas berisi 50 pola data gejala penyakit dengan 11 gejala penyakit yang mengidentifikasikan nama penyakit masing-masing pola yang deberikan oleh dokter gigi , dimana pola ini belum pernah dilatih oleh system. Dari 50 data baru yang diuji tampak bahwa 45 data (90 %) sesuai dengan target sementara 5 data ( 10 %) tidak sesuai dengan target, hal ini disebabkan karna output target dari data pelatihan tidak sesuai dengan output hasil pelatihan, oleh karna itu dibutuhkan data pelatihan yang cukup banyak dan tidak ada data yang tidak dikenali.

KESIMPULAN Setelah proses pengujian data pelatihan dan pengujian data baru didapat beberapa kesimpulan sebagai berikut: 1. Metode JST Backpropagation dapat digunakan untuk melakukan pendeteksian suatu jenis penyakit, gangguan, maupun kasus yang memiliki data masa lalu, dan dengan menggunakan metode Backpropagation, target output yang diinginkan lebih mendekati ketepatan dalam malakukan pengujian, karena terjadi penyesuaian nilai bobot dan bias yang semakin baik pada proses pelatihan 2. Dari 100 data pelatihan sistem dapat mengenali seluruh pola data (100%) dari target output yang telah ditentukan 3. Dari pengujian 50 data baru JST menghasilkan tingkat akurasi mendiagnosa jenis penyakit sebesar 90 %. 4. Proses diagnosa seorang dokter secara konvensional sangat bergantung pada daya ingat dari ilmu yang telah dipelajari dan pengalaman dokter dalam mendiagnosa penyakit gigi. Proses diagnosa dari sistem ini mampu menyimpan seluruh pola data yang pernah diajarkan yang lebih unggul dalam hal menyimpan data-data yang pernah dilatihkan dari seorang dokter. DAFTAR RUJUKAN Anita Desiani, Muhammad, 2006, “Konsep Kecerdasan Buatan”, Andi Offset, Yogyakarta. Jong Jek Siang, M.Sc, Drs. (2004). Jaringan Saraf Tiruan &Pemrogramannya Menggunakan Matlab. Penerbit Andi. Yogyakarta..


Kusrini, 2008, “Aplikasi Sistem Pakar”, Andi Offset, Yogyakarta. Muhammad, 2005, “Konsep Dasar Sistem Pakar”, Andi Offset, Yogyakarta. Pressman, Roger S., 2002, Rekayasa Perangkat Lunak Pendekatan Praktisi (Buku Satu), Andi Offset, Yogyakarta. Yani, Eli. (2005). Pengantar Jaringan Saraf Tiruan. Artikel kuliah.http://ivan.siregar.biz/courseware/CG2_NeuralNetwork_Algorithm.pdf (Akses 02 Nopember 2010) [Setyaningrum Ratih, Kemampuan Expert System - Anfis Untuk Diagnosa Kesehatan Pekerja Industri Dan Mencari Solusinya, Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007) Yogyakarta, 16 Juni 2007

EXPERT SYSTEM DIAGNOSA JENIS PENYAKIT GIGI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Komang Aryasa

Recommend Documents