Jurnal Teknika
ISSN : 2085 - 0859
Fakultas Teknik Universitas Islam Lamongan
Volume 1 No.2 Tahun 2009
Syaifudin Ramadhani1 Urifatun Anis2 1)
&2)Dosen Jurusan Teknik Informatika Fakultas Teknik Universitas Islam email :
[email protected];
[email protected]
Abstract The Diabetes mellitus is a disease incidence rate is quite high in many countries and is one of the diseases of public health problems. In dealing with diabetes, people with diabetes mellitus would expect in a doctor to get service in accordance with the type of illness suffered by a different doctor with the diagnosis that a person exposed to the disease type I are included in type II. So that will happen either in action prescriptions received.So that the system needed a tool that can classify patients with accurate patient data is handled with type I or type II.In this case the classification is processed using neural networks with backpropagation method, with a maximal epoch 1000, obtained classification error of 0.0001; percentage classification of 99.9998% and computation time by 3 seconds. Keyword : Artificial Neural Network, Diabetes Mellitus, Backpropagation, Classification 1. PENDAHULUAN Di Indonesia bermunculan penyakit berbahaya yang menyerang masyarakat. Penyakit-penyakit tersebut di antaranya, strok, jantung, paru-paru, ginjal, dan diabetes milletus. Penyakit diabetes merupakan salah satu penyakit berbahaya yang ditandai dengan kenaikan kadar gula dalam darah yang akan mengalir ke jaringan di seluruh tubuh. Diabetes mellitus merupakan suatu keadaan hiperglikemik kronis dan perlahan namun pasti akan merusak jaringan dalam tubuh jika tidak ditangani secara tepat dan serius, yang akhirnya berbagai macam komplikasi kronis terjadi pada mata, ginjal, saraf, dan pembuluh darah (Arief, 2001: 580 ). Diabetes mellitus merupakan penyakit yangangka kejadiannya cukup tinggi di berbagai negara dan merupakan salahsatu penyakit yang menjadi masalah kesehatan masyarakat. Pengidap diabetes mellitus di Indonesia pada tahun 2007 mencapai sekitar 24 juta jiwa, dan mencapai lebih dari 180 juta jiwa di dunia. Dari jumlah ini diperkirakan akan terus mengalami peningkatan. Indonesia menempati urutan ke-4 denganjumlah penderita diabetesmellitus terbanyak di dunia setelah India,Cina,dan Amerika Serikat. Jumlah pasien diabetesmellitus rawat inap dan rawat jalan dirumah sakit menempati urutanpertama dari seluruh penyakit endokrin dan 4% wanita hamil menderita Diabetes Mellitus Gestasional. Dalam menangani masalah penyakit diabetes, para pengidap diabetes mellitus akan berharap pada seorang dokter untuk mendapatkan pelayanan sesuai dengan tipe penyakit yang
diderita. Kerap terjadi bahwa seseorang terkena penyakit tipe I dimasukkan dalam tipe II. Sehingga dalam penangannya akan terjadi salah dalam pemberian resep yang diterima. Hal ini menuntut seorang dokter harus semakin jeli dalam melakukan klasifikasi pasien dalam tipe atau kelas penyakit. Pengklasifikasian yang dilakukan kebanyakan dengan menggunakan cara yang manual, yaitu setelah dilakukan pengecekan secara fisik, dan tes kadar gula seseorang langsung dikatagorikan diabetes dalam tipe. Pengklasifikasian dalam bentuk yang sederhana ini masih belum bisa menjawab permasalahan yang besar. Dimana jumlah pasien yang cukup besar akan semakin merumitkan dalam mengklasifikasikanpenyakit tersebut. Terkadang terjadipengvonisan bahwa semua pasien tergolong jenis tipe ke II dikarenakan dokter sering merata-rata bahwa pasien yang hadir adalah kebanyakan tipe II. Dalam mengklasifikasikan penyakit diabetes mellitus dalam jumlah yang besar memerlukan metode yang baik, cepat dan akurat. Salah satu manfaatnya adalah mempermudah memprosentasikan banyak pasien pada tipetipenya. Jaringan syaraf tiruan merupakan sistem pemroses informasi mirip dengan jaringan Biologi yang diimplementasikan dengan menggunakan program komputer. Dalam penelitian ini diusulkan jaringan syaraf tiruan back Propagation, karena metode ini terkenal cukup bagus dan mampu melakukan pengelompokan data berdasarkan sifat atribut
29
Jurnal Teknika
ISSN : 2085 - 0859
Fakultas Teknik Universitas Islam Lamongan
yang dimiliki oleh sekelompok besar data. Karenanya peneliti mengambil judul “Klasifikasi Penyakit Kencing Manis (Diabetes Mellitus) menggunakan Jaringan Syaraf Tiruan dengan metode Backpropagation”. 2. ANALISA PERMASALAHAN Semakin meningkatnya jumlah penderita penyakit Diabetes Mellitusyang ada di sebuah daerah khususnya di Jawa Timurmembuat daerah tersebut diharapkan dapat mengatasi permasalahan tentang penanganan oleh dokter terhadap pasien apakah diberikan penanganan dengan suntik insulin atau dengan tindakan lain yang dapat secara tepat diberikan kepada pasien. Untuk mengatasi hal tersebut, diambil sampel data dari dokter spesialis pada sebuah rumah sakit didaerah tersebut. Dengan melihat data pendataan pasien dari beberapa parameter yang menjadi input pada sistem, dimana parameter tersebut dijadikan dasar untuk mempermudah dalam mengklasifikasikan data para pasien apakah data dari tahun ke tahun tersebut dapat dijadikan solusi tentang penanganan pasien tersebut. Data yang diambil sebanyak 431 data dengan dua tipe jenis klasifikasi (2 kelas). Adapun proses sistem yang dapat mengklasifikasikan data tersebut : INPUT Data penderita kencing manis (431 data)
PROSES Tahap Training
Tahap Testing
Volume 1 No.2 Tahun 2009
mencapai 0 ataupun 1(Siang, JJ, 2005).Rumus yang digunakan pada proses iniadalah:
Keterangan : X’ = Data yang telah di normalisasi X = Data yang belum dinormalisasi a = Data terkecil b = Data terbesar 3.1 Tahap Penelitian Tahap ini adalah proses pengenalan pola– poladata yang telah di normalisasi agar sistem dapatmenentukan bobot–bobot yang dapat memetakanantara data input dengan data target output yangdiinginkan.
Gambar 2. Proses Pelatihan Input yang digunakan adalah data penderita diabetes mellitus sebanyak 431 data dengan rincian 84 data dengan klasifikasi kelas 1 dan sisa data dengan klasifikasi kelas 2. Dan untuk targetnya menggunakan data ke-1 untuk kelas 1 dan data ke-85 untuk kelas 2. Alur proses pelatihan dapat dilihat pada gambar 3.2 :
OUTPUT Data hasil Klasifikasi penyakit Diabetes Mellitus
Gambar 1. Gambaran umum sistem 3. NORMALISASI DATA Normalisasi data adalah proses pengubahandata pengangguran asli menjadi data yang range nyaantara 0,1 dan 0,9 karena fungsi aktivasi yangdigunakan adalah fungsi sigmoid biner yang nilaifungsi tersebut tidak pernah
30
Jurnal Teknika Fakultas Teknik Universitas Islam Lamongan
ISSN : 2085 - 0859 Volume 1 No.2 Tahun 2009
δk Faktor koreksi error untuk bobot wjk δj Faktor koreksi error untuk bobot vij m Momentum
Gambar 3. Proses Pelatihan Notasi yang digunakan dalam algoritma pelatihan: x Data training input x = (x1,…,xi,…,xn) t Data training untuk target output t = (t1,…,tk,…,tm) α Learning rate yaitu parameter untuk mengontrol perubahan bobot selamapelatihan. Semakin besar learning rate,maka jaringan syaraf tiruan akan semakincepat belajar tetapi hasilnya kurangakurat. Semakin kecil learning rate,maka jaringan syaraf tiruan akan semakinlambat belajar tetapi hasilnya lebih akurat. Xi Unit input ke-i Zj Hidden unit ke-j Yk Unit output ke-k v0j Bias untuk hidden unit ke-j vij Bobot antara unit input ke-i dengan hidden unit ke-j w0k Bias untuk unit output ke-k Wjk Bobot antara hidden unit ke-j dengan unitoutput ke-k
Step 1: Inisialisasi, Inisialisasi nilai bobot danbias dapat diset dengan sembarang angka (acak)antara -0.5 dan 0.5 Inisialisasi learning rate,maksimal iterasi dan toleransi error Step 2: Lakukan selama stopping condition masih belum terpenuhi. Untuk menentukanstoppingcondition dengan menggunakan maksimal iterasiatau toleransi error. Jika iterasi sudah melebihimaksimal iterasi maka pelatihan dihentikan. Jikamenggunakan toleransi error dengan metode MeanAbsolute Persentage Error (MAPE),bila nilaiMAPE kurang dari atau sama dengan toleransi errormaka pelatihan dihentikan. Step 3: Setiap unit input (Xi, i = 1,...,n) menerima sinyal input dan menyebarkannya padaseluruh hidden unit Step 4: Setiap hidden unit (Zj, j = 1,...,p) akanmenghitung sinyal-sinyal input dengan bobot danbiasnya. n
z _ in j 0 j xi ij
(2)
i 1
Kemudian dengan menggunakan fungsi aktivasiyang telah ditentukan diperoleh sinyal output darihidden unit tersebut. zj = f ( z_inj )(3) Step 5: Setiap unit output (Yk, k = 1,...,m) akan menghitung sinyal-sinyal dari hidden unitdengan bobot dan biasnya. p
y _ ink w0 k z j w jk (4) j 1
kemudian dengan menggunakan fungsi aktivasiyang telah ditentukan diperoleh sinyal output dariunit output tersebut. y k f ( y _ ink ) (5) Step 6: Dihitung kesalahan antara targetoutput dengan output yang dihasilkan menggunakan metode Mean Absolute Persentage Error dengan persamaan 6. Jika masih belum memenuhi syarat, dilakukanpenghitungan faktor koreksi error (δk).
31
Jurnal Teknika
ISSN : 2085 - 0859
Fakultas Teknik Universitas Islam Lamongan
Volume 1 No.2 Tahun 2009
k (t k y k ) f ' ( y _ ink ) (6) Faktor koreksi error digunakan menghitungkoreksi error (ΛWjk) memperbaharui Wjk. w jk k z j (7)
untuk untuk
Step 7: Setiap hidden unit (Zj, j = 1,...,p) akanmenghitung bobot yang dikirimkan output unit, Jikakondisi iterasi pertama yang rumus yang digunakan
Gambar 4. Blok Diagram Tahap Pengujian Mulai
m
_ in j k w jk
(8)
k 1
Kemudian hasilnya dikalikan dengan turunan darifungsi aktivasi untuk mendapatkan faktor koreksierror j _ in j f ' ( z _ in j ) (9)
ij j xi (10)
Input data pasien penderita penyakit Diabetes Mellitus
Normalisasi
Ambil bobot terbaik
Pada iterasi kedua dan selanjutnya m
_ in j k w jk
(11)
Feedforward
k 1
Kemudian hasilnya dikalikan dengan turunan darifungsi aktivasi untuk mendapatkan faktor koreksierror δj = δ_inj f’(z_inj) (12) ΛVij = (m δj-1) +(α δj xi ) * (1-m) (13) Step 8: Setiap unit output (Yk, k = 1,...,m) akan memperbaharui bobotnya dari setiap hiddenunit. Wjk(baru) = Wjk(lama) + ΛWjk (14) Demikian pula setiap hidden unit (Zj, j = 1,...,p) akanmemperbaharui bobotnya dari setiap unit input. Vij(baru) = Vij(lama) + ΛVij (15) Step 9: Memeriksa stopping condition. 3.2 Tahap Pengujian Setelah bobot yang terbaik pada tahappelatihan didapat, maka nilai pembobot tersebutdigunakan untuk mengolah data masukan untukmenghasilkan keluaran yang sesuai. Hal inidigunakan untuk menguji apakah JST dapat bekerjadengan baik yaitu dapat memprediksi pola data yangtelah dilatihkan dengan tingkat kesalahan yang kecil.
Simpan Output Training
View hasil klasifikasi
Selesai
Gambar 5. Alur Proses Pengujian Jaringan Syaraf Tiruan Notasi yang digunakan dalam algoritma pengujian: XiUnit input ke-i ZjHidden unit ke-j YkUnit output ke-k v0jBias untuk hidden unit ke-j vijBobot antara unit input ke-i dengan hiddenunit ke-j w0kBias untuk unit output ke-k WjkBobot antara hidden unit ke-j dengan unitoutput ke-k Step 1: Inisialisasi, Inisialisasi nilai bobot danbias sesuai dengan bobot yang dihasilkan padaproses pelatihan. Step 2: Setiap unit input (Xi, i = 1,...,n)menyebarkan sinyal input pada seluruh hidden unit.
32
Jurnal Teknika
ISSN : 2085 - 0859
Fakultas Teknik Universitas Islam Lamongan
Step 3: Setiap hidden unit (Zj, j = 1,...,p) akanmenghitung sinyal-sinyal input dengan bobot danbiasnya.
Volume 1 No.2 Tahun 2009
4.2 Form Backpropagation
Penelusuran
dengan
n
z _ in j 0 j xi ij (16) i 1
Kemudian dengan menggunakan fungsi aktivasiyang telah ditentukan diperoleh sinyal output darihidden unit tersebut. zj = f(z_inj)
(17)
Step 4: Setiap unit output (Yk, k = 1,...,m) akan menghitung sinyal-sinyal dari hidden unitdengan bobot dan biasnya.
Gambar 7. Form pemrosesan dengan Backpropagation
p
y _ ink w0 k z j w jk (18) j 1
Kemudian dengan menggunakan fungsi aktivasiyang telah ditentukan diperoleh sinyal output dariunit output tersebut. yk = f(y_ink)
Dalam form ini, data yang sudah dinormalisasi akan di proses menggunakan metode backpropagation training dan testing dan dihasilkan bobot terbaru sebanyak 431 data dengan epoch tertentu dan error klasisikasi, persentase klasifikasi dan waktu komputasinya.
(19) 4.3 Form Hasil Grafik
4. IMPLEMENTASI Berikut ini adalah penjelasan langkahlangkahpenggunaan program beserta fasilitasfasilitas yangdisediakan dalam aplikasi prediksi denganmenggunakan Jaringan Syaraf Tiruan. 4.1 Form Load Data
Gambar 8. Form hasil grafik Dalam form ini, data hasil pemrosesan dengan backpropagation ditampilkan dalam bentuk grafik, sehingga informasi dantingkat kevalidan hasil pemrosesan metode dapat diujikan. Gambar 6. Form load data Form ini berfungai untuk meload data dari dan menormalisasikan datanya sehingga dihasilkan data biner dengan kategori khusus untuk tiap variabelnya.
5. KESIMPULAN Hasil dari implementasi dan evaluasi sistem klasifikasi menggunakan Jaringan Syaraf Tiruan dengan metodeBackpropagation, maka dapat diambilkesimpulan sebagai berikut:
33
Jurnal Teknika Fakultas Teknik Universitas Islam Lamongan
ISSN : 2085 - 0859 Volume 1 No.2 Tahun 2009
1. Aplikasi klasifikasi dengan menggunakanJaringan Syaraf Tiruan dapat dijadikan salahsatu solusi untuk menetukan tindakan apa yang paling tepat untuk menangani pasien penderita Diabetes Mellitus. 2. Dalam implementasinya, output yang dihasilkan adalah dalam bentuk angka yang menunjukkan hasil klasifikasi sebagai solusi dalam penanganan pasien Diabetes Mellitus. 3. Konfigurasi parameter untuk pelatihan sistem klasifikasi menggunakan Jaringan Syaraf Tiruanterbaik yang didapat dari hasil percobaanmenghasilkan konfigurasi jumlah hidden node 50; nilai learning rate 0,15; epoch max. 1000; error klasifikasi 0,0001; persentase klasifikasi 99,9998 % dan waktu komputasi sebesar 3 detik.
PUSTAKA [1] Agung, Rachmad, 2005, Tugas Akhir AplikasiPengenalan Pola Tanda Tangan MenggunakanMetode Backpropagation Neural NetworkUntuk Keamanan Transaksi Perbankan,STIKOM, Surabaya. [2] Aritonang R. Lerbin R, 2002, Peramalan Bisnis,Ghalia Indonesia. Jakarta. [3]
Fausett, L, 1994, Fundamentals of NeuralNetwork, Prentice-Hall Inc, New Jersey.
[4]
Kurniadi, A, 2000, Pemrograman MicrosoftVisual Basic 6, PT Elex Media Komputindo,Jakarta.
[5] Kosko, Bart., 1992. Neural Networks and FuzzySystem, Prentice-Hall Inc, Engelwood Cliffs,New Jersey. [6]http://id.wikipedia.org/wiki/Diabetes_mellitus, tanggal akses : 1 Januari 2011
34