Basis Data .1 Defenisi Basis Data

Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009 43 Gambar 2.10 Notasi proses dalam DAD d. Simpanan data Simpanan data merupakan simpanan dari data yang dapat berupa file basis data sistem komputer, arsip atau catatan manual, table acuan manual, agenda atau buku dan lain-lain. Simpanan data disimbolkan dengan sepasang garis horizontal pararel yang tertutup disalah satu ujungnya. Gambar 2.11 Notasi simpanan data dalam DAD 2.5 Basis Data 2.5.1 Defenisi Basis Data Elmasri, R., B. Navathe dan Shamkant, mendefinisikan bahwa basis data mempuyai arti : a. Basis Data merupakan penyajian suatu aspek dari dunia nyata. Misalnya basis data perbankan, perpustakan, pertanahan dan sebagainya. b. Basis Data perlu dirancang, dibangun dan data dikumpulkan untuk suatu tujuan. Basis data dapat digunakan oleh beberapa pemakai dan beberapa aplikasi yang sesuai dengan kepentingan pemakai. Pada awalnya sistem pemrosesan data dimulai dari sistem pemrosesan manual berbasis kertas. Sistem pemrosesan data dengan tingkat dasar. Apabila data diproses dengan cara ini maka sulit sekali untuk diurutkan berdasarkan kategori yang diinginkan, apabila data berjumlah besar. Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009 44

2.5.2 SQL Structured Query Language

Structured Query Language SQL merupakan bahasa standar atau non-prosedural yang tidak menyediakan struktur pemrograman tradisional, untuk query yang meliputi perintah untuk menyimpan informasi serta untuk mengambilnya dengan cepat, memelihara, mengatur akses-akses ke database dan mengolah relasi antar database [Petroutsos E., 2002]. Perintah dalam metode SQL antara select, insert, update : Tabel 2.4 Perintah Dasar SQL Perintah a. SELECT b. INSERT c. UPDATE Penggunaan Digunakan untuk menampilkan dan memilih suatu data dengan kondisi tertentu : Syntax : SELECT daftar_field FROM nama_table IN nama_basis_data WHERE kondisi_pencarian GROUP BY daftar_field HAVING group_kriteria ORDER BY daftar_field Digunakan untuk memasukan satu baris sata ke dalam table atau memasukkan satu buah record secara satu per satu. Syntacx : INSERT INTO nama_tabel kolom1, kolom2,.. VALUES Nilai 1, Nilai2,… Digunakan untuk mengganti satu atau beberapa buah data yang telah ada di dalam database. Syntacx : UPDATE nama_table SET kolom1 = nilai WHERE kondisi

2.5.3 Model Data Relasional

Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009 45 Model ini menggunakan sekumpulan tebel berdimensi dua, dengan masing-masing relasi tersusun atau baris dan atribut. Relasi dirancang sedemikian rupa sehingga dapat menghilangkan kemubaziran data dan menggunakan kunci tamu untuk berhubungan dengan relasi lain. Pada model relasi-relasi hubungan antara table direlasikan dengan kunci utama dari masing-masing table. Kemungkinan relasi antar table dalam file basis data adalah : a. One to One Hubungan antar table satu dengan yang lainnya adalah satu banding satu bila satu record yang ada pada satu entitytable hanya punya satu relasi pada table lainnya. b. One to Many Hubungan antara table pertama dengan table kedua adalah berbanding satu dan dapat pula dibalik satu banding banyak. c. Many to many Hubungan antara table pertama dengan table kedua adalah banyak dibanding banyak.

2.5.4 Normalisasi

Proses mengubah relasi menjadi bentuk normal disebut dengan normalisasi Kroenke, David M., menurut Kroenke normalisasi adalah proses untuk mengubah suatu relasi yang memiliki masalah tertentu ke dalam dua buah relasi atau lebih Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009 46 yang tidak memiliki masalah tersebut. Proses ini dilakukan dengan memecah relasi menjadi dua atau relasi yang lebih kecil dengan jumlah atribut yang lebih kecil sehingga menjadi bentuk normal. Relasi tidak berada pada bentuk normal akan mengakibatkan masalah sewaktu pemakaian, antara lain adanya redudansi data dan anomali. Anomali adalah proses pada basis data yang memberikan efek samping yang tidak diharapkan misalnya menyebabkan ketidakkonsistensian data atau membuat sesuatu data menjadi hilang ketika data lain dihapus. 2. Primary Key Kunci Primer Kunci primer adalah kunci kandidat yang dipilih sebagai kunci utama untuk mengidentifikasikan baris dalam table. 3. Alternate Key Kunc i Alternatif Kunci alternatif adalah semua kunci kandidat yang tidak bertindak sebagai kunci. 4. Foreign Key Kunci Tamu Kunci tamu adalah sembarang atribut yang menunjuk ke kunci primer pada table lain. b. Ketergantungan Fungsi Functional Dependency Ketergantungan Fungsi adalah macam dependensi yang banyak diulas pada literatur basis data. Ketergantungan kunci didefinisikan sebagai berikut : Suatu atribut Y mempunyai dependasi fungsional terhadap atribut X jika dan hanya jika setiap nilai X berhubungan dengan nilai Y. Tahapan dalam proses normalisasi dari bentuk pertama hingga bentuk normal ketiga adalah sebagai berikut : Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009 47 a. Bentuk Normal Pertama 1NF Bentuk normal pertama 1NF diberikan pada table yang belum ternormalisasi, atau table yang memiliki atribut berulang. Relasi dikatakan dalam bentuk normal pertama jika dan hanya jika setiap atribut bernilai tunggal untuk setiap baris. Relasi yang memenuhi bentuk normal pertama biasanya memiliki masalah yang disebabkan karena redudansi data. b. Bentuk Normal Kedua 2NF Relasi dalam bentuk normal kedua jika dan hanya jika berada dalam bentuk normal pertama dan semua atribut bukan kunci atribut yang bukan merupakan kunci primer memiliki dependensi sepenuhnya terhadap kunci primer. Dalam ungkapan yang lebih praktis bentuk normal kedua mensyaratkan setiap atribut bergantung pada kunci primer. c. Bentuk Normal Ketiga 3NF Suatu relasi berada dalam bentuk ketiga jika berada dalam bentuk normal kedua dan setiap atribut bukan kunci tidak memiliki dependensi transitif terhadap kunci primer. Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009 48 BAB III ANALISIS DAN PERANCANGAN SISTEM Metode yang digunakan untuk mengembangkan perangkat lunak pada skipsi ini adalah metode sekuensial linear model air terjun waterfall. Pada metode waterfall terdapat 5 tahap, yaitu analisis data dan identifikasi kebutuhan sistem, rancang sistem, implementasi, pengujian, dan perawatan. Analisis dan Identifikasi Sistem Analisis Masalah Masalah-masalah yang dapat diselesaikan dengan perangkat lunak ini nantinya antara lain : a. Diperlukan sebuah sistem yang dapat dijadikan sebagai pendukung keputusan dalam pendiagnosaan klasifikasi asma. Dimana sistem ini nantinya menghasilkan 3 buah output klasifikasi asma : 1. Asma Episodik Jarang 2. Asma Episodik Sering 3. Asma Episodik Beratpersisten. Input yang mempegaruhi output ada 8, yaitu : 1. Frekwensi Serangan : 1 kalibulan; 1kalibulan; sering 2. Lama Serangan : 1 minggu; = 1 minggu; hampir sepanjang tahun; tidak ada remisi 3. Intensitas Serangan : Ringan; Lebih Berat; Berat Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009 49 4. Diantara Serangan : Tanpa Gejala; Sering ada Gejala; Gejala Siang dan Malam 5. Tidur dan Aktivitas : Tidak Terganggu; Sering Terganggu; Sering Terganggu 6. Pemeriksaan Fisik di luar Serangan : Normal; Mungkin Terganggu; Tidak Pernah Normal 7. Obat Pengendali Antiinflamasi : Tidak Perlu; Perlu; nonsteroid; perlu, Steroid 8. Fungsi Paru diluar Serangan : PEFFEVI 80; PEFFEV1 60-80; PEFFEV160 b. Diperlukan sebuah sistem yang dapat dijadikan sebagai pendukung keputusan dokter dalam pendiagnosaan beratnya serangan asma. Dimana sistem nantinya menghasilkan 3 buah output derajat beratnya asma : 1. Serangan Ringan 2. Serangan Sedang 3. Serangan Berat Input yang mempegaruhi output ada 7, yaitu : 1. Sesak Napas : Berjalan sudah sesak, masih dapat berbaring; Berbicara sudah sesak, lebih enak duduk, berbaring sesak; Istirahat sudah sesak, duduk harus membungkuk ke depan karena sesak 2. Berbicara : Dapat menyelesaikan kalimat; Berbicara terputus-putus; Sukar berbicara karena sesak 3. Kegelisahan : Kadang-kadang Gelisah; Selalu Gelisah; Selalu Gelisah 4. Frekuensi Pernapasan : Meningkat; Meningkat; Sering30 kalimenit 5. Otot-otot bantu Napas : Biasanya tidak digunakan; Biasanya digunakan 6. Bising Mengi : Sedang; sering hanya akhir ekspirasi; Keras 7. NadiMenit : 100; 100-120; 120 Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009 50 c. Diperlukan sebuah sistem yang dapat dijadikan sebagai pendukung keputusan penderita dalam menetukan waktu yang tepat untuk meminta pertolongan dokter. Dimana sistem ini nantinya menghasilkan 3 buah output saran untuk menentukan waktu yang tepat dalam meminta pertolongan dokter : 1. Hubungi dokter untuk instruksi lebih lanjut 2. Hubungi dokter segera hari ini untuk instruksi lebih lanjut 3. Rujuk ke ruang Gawat Daurat Input yang mempegaruhi output ada 3, yaitu : 1. Nilai Arus Puncak Ekspirasi APE sebelum pengobatan awal : 50; 50,50 2. Nilai Arus Puncak Ekspirasi APE sesudah pengobatan awal : 80; 50- 80; 50 3. Gejala : Tidak ada mengi atau sesak; Mengi dan sesak napas menetap; Mengi dan sesak napas sangat menonjol Identifikasi Kebutuhan Kebutuhan dari dokter : Dokter memerlukan saranpendapat dari dokter lain sebagai pertimbangan keputusan medis terhadap diagnosis klasifikasi penyakit asma dan diagnosis beratnya serangan asma. Dengan semakin canggihnya teknologi komputer, dapat dibuat suatu sistem yang mampu memberikan masukkan bagi dokter dalam pengambilan keputusan medis dalam diagnosis klasifikasi asma dan diagnosis derajat beratnya serangan asma. Kebutuhan dari penderitakeluarga penderita : Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009 51 Penderitakeluarga penderita memerlukan saranpendapat untuk membantu keputusanya dalam menentukan waktu yang tepat untuk meminta pertolongan dokter pada saat serangan asma. Dengan semakin canggihnya teknologi komputer, dapat dibuat suatu sistem yang mampu memberikan masukkan bagi penderitakeluarga penderita dalam pengambilan keputusannya dalam menentukan waktu yang tepat untuk meminta pertolongan dokter pada saat serangan asma. Spesifikasi Sistem Sistem yang dibuat nantinya memiliki fasilitas dan kemampuan- kemampuan sebagai berikut : a. Proses Login dan Password : Tenaga Ahli; Pengguna Dokter; Pengguna Pasien b. Proses Input Data Pembelajaran untuk JST Ketepatan Diagnosis menurut klasifikasi Asma, JST Ketepatan Penilaian Beratnya Serangan Asma, JST Ketepatan Waktu dalam Meminta Pertolongan Dokter. c. Proses Pelatihan untuk JST Ketepatan Diagnois menurut klasifikasi Asma, JST Ketepatan Beratnya Serangan Asma, JST Ketepatan Waktu dalam Meminta Pertolongan Dokter. d. Proses Pengujian dan Prediksi untuk JST Ketepatan Diagnosis menurut klasifikasi Asma, JST Ketepatan Penilaian Beratnya Serangan Asma, JST Ketepatan Waktu dalam Meminta Pertolongan Dokter. Perancangan Sistem Diagram Konteks Pada Jaringan Syaraf Tiruan untuk Prediksi Keputusan pada Penyakit Asma terdiri dari tiga entitas eksternal yang mempuyai hak dan kewajiban yang berbeda. Tenaga ahli memiliki hak akses penuh pada sistem, dan tugas tenaga ahli Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009 52 pada sistem ini adalah memasukkan data pembelajaran, melakukan pengujian terhadap hasil pembelajaran serta melakukan pembelajaran di mana proses pembelajaran membutuhkan data variable pembelajaran jumlah epoch maxsimal, laju pembelajaran target error. Tenaga ahli akan mendapatkan hasil pengujian sistem dan grafik MSE dan nilai bobot-bobot pada tiap-tiap neuron. Entitas luar yang kedua adalah dokter, pengguna dengan level kuasa dokter hanya dapat menggunakan dua buah JST, yaitu JST Ketepatan Diagonis menurut klasifikasi Asma dan JST Ketepatan Penilaian Beratnya Serangan Asma. Dokter tidak dapat memasukkan data pembelajaran, pengguna dengan level Dokter hanya dapat melakukan proses prediksi kemudian menerima hasil prediksi dari sistem. Pengguna ketiga dari sistem adalah Penderita Asma, Penderita Asma hanya dapat menggunakan JST Ketepatan Waktu dalam Meminta Pertolongan Dokter. Seperti halnya Dokter, Penderita Asma tidak dapat memasukkan data pembelajaran, Penderita Asma hanya dapat melakukan proses prediksi kemudian menerima hasil prediksi dari sistem. Diagram kontenks pada gambar 3.1 menggambarkan karakteristik Jaringan Syaraf Tiruan untuk Prediksi Keputusan pada Penyakit Asma dengan kesatuan luar atau pemakai yang terlibat dalam penggunaan informasi.  Data pembelajaran, Pengujian JST 1 Ketepatan Diagonis menurut Klasifikasi Asma  Data Pembelajaran, Pengujian JST 2 Ketepatan Beratnya Serangan Asma  Data Pembelajaran, Pengujian JST 3 Ketepatan Waktu dalam Meminta Pertolongan Dokter  Data Variabel Pembelajaran  Hasil Pengujian JST 1 Ketepatan Diagonis menurut Klafikasi Asma  Hasil Pengujian JST 2 Ketepatan Beratnya Serangan Asma  Hasil Pengujian JST 3 Ketepatan Waktu dalam Meminta Pertolongan Dokter  Grafik MSE dan Nilai Bobot  Input JST 1 Ketepatan Diagonis Menurut klasifikasi Asma  Input JST 2 Ketepatan Penilaian Beratnya Serangan Asma  Output JST 1 Ketepatan Diagnosis Input JST 3 menurut klasifikasi Asma Ketepatan  Output JST 2 Ketepatan Penilaian Waktu dalam Beratnya Serangan Asma Meminta pertolongan dokter Tenaga Ahli Jaringan Syaraf Tiruan untuk Prediksi Keputusan pada Penyakit Asma Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009 53 Output JST 3 Ketepatan Waktu dalam Menerima Pertolongan Dokter Gambar 3.1 Diagram Konteks 3.2.2 Perancangan Model Proses dengan DAD

3.2.2.1 DAD Level 0 Jaringan Syaraf Tiruan untuk Prediksi Keputusan pada Penyakit Asma

Input JST 1 Output JST 1 Data Epoh Data MSE 1 Data MSE 2 Grafik Data Epoh Data MSE 1 Data Pembelajaran, Pengujian JST 1 Data MSE 2 Data Variabel Pembelajaran JST 1 Hasil Pengujian JST 1 Grafik MSE dan Nilai Bobot Data Pembelajaran JST 1 Tbl Belajar 1 Data Pembelajaran JST 1 Data Hasil Pembelajaran JST 1 Tbl Hasil Belajar 1 Data Hasil Pembelajaran JST 1 Data Pembelajaran, Pengujian JST 2 Data Variabel Pembelajran JST 2 Hasil Pengujian JST 2 GrafikMSE dan Nilai Bobot Data Pembelajaran JST 2 Input JST 2 Data Pembelajaran JST 2 Tbl Belajar 2 Output JST 2 Data Hasil Pembelajran JST 2 Data Epoh Tbl Hasil Belajar 2 Data MSE 1 Data Epoh Data Hasil Pembelajaran JST 2 Data MSE 2 Data MSE 1 Data MSE 2 Data Epoh Data MSE 1 Data MSE 2 Grafik 3 Input JST 3 Data Epoh Data MSE 1 Dokter Penderita Asma 1. 0 JST Ketepatan Diagnosis menurut klasifikasi Asma Tenaga Ahli Dokter 2. 0 JST Ketepatan Penilaian Beratnya Serangan Asma Penderita Asma Grafik 2 Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009 54 Data MSE 2 Output JST 3 Data Pembelajaran JST 3 Tbl Belajar 3 Data Pembelajaran JST 3 Data Hasil Pembelajran JST 3 Tbl Hasil Belajar 3 Data Hasil Pembelajaran JST 3 Gambar 3.2 DAD Level 0 Jaringan Syaraf Tiruan untuk Prediksi Keputusan pada Penyakit Asma Pada Sistem Jaringan Syaraf Tiruan untuk Prediksi Keputusan pada Penyakit Asma ini terdapat 3 buah Jaringan Syaraf Tiruan, yaitu : 1. JST Ketepatan Diagnosa menurut Klasifikasi Asma 2. JST Ketepatan Penilaian Beratnya Serangan Asma 3. JST Ketepatan Waktu dalam Meminta Pertolongan Dokter Pada Gambar 3.2 terlihat bahwa ada 6 buah Data Store, antara lain : 1. Tbl Belajar 1 2. Tbl Hasil Belajar 1 3. Tbl Belajar 2 4. Tbl Hasil Belajar 2 5. Tbl Belajar 3 6. Tbl Hasil Belajar 3 7. Tbl Grafik 8. Tbl Grafik 2

9. Tbl Grafik 3

3.2.2.2 DAD Level 1 JST Ketepatan Diagnosa menurut Klasifikasi Asma

JST Ketepatan Diagnosa menurut Klasifikasi Asma memiliki 3 proses didalamnya antara lain adalah : 3. 0 JST Ketepatan Waktu dalam Meminta Pertolongan Dokter Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009 55 1. Peng-input-an data Tbl Belajar 1, Tenaga ahli akan meng-input-kan data pembelajaran JST 1, dimana data tersebut disimpan pada data store Tbl Belajar 1. 2. Pembelajaran JST 1, proses ini mendapat 4 buah data, yaitu data variable pembelajaran dari tenaga ahli yang akan digunakan untuk proses pembelajaran, data pembelajaran JST 1 dari Tbl Belajar yang akan digunakan untuk proses pembelajaran, data hasil pembelajaran JST 1 dari Tbl Hasil Belajar 1, kemudian data epoh, data MSE1 dan data MSE 2 akan diolah menjadi table grafik. Proses ini menghasilkan 3 buah data, yaitu nilai bobot dan grafik MSE untuk tenaga ahli, Data Hasil Pembelajaran JST 1 yang akan disimpan pada Tbl Hasil Belajar 1 dan data epoh, data MSE 1 dan data MSE 2 yang akan disimpan pada tabel grafik. 3. Pengujian JST 1, dimana proses ini mendapatkan input dari Tenaga Ahli berupa data pengujian, input dari Dokter berupa data input JST 1 dengan data ini akan didapatkan prediksi keputusan serta input dari data store Tbl Hasil Belajar 1 berupa data hasil pembelajaran JST 1. Output yang dihasilkan oleh proses ini adalah Hasil Pengujian JST 1 yang ditujukan pada Tenaga Ahli, Output JST 1 Prediksi Keputusan Klasifikasi Asma. Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009 56 Untuk lebih jelasnya DAD Level 1 JST Ketepatan Diagnosa menurut Klasifikasi Asma dapat dilihat pada gambar 3.3. Data Pembelajaran JST 1 Data Variabel Pembelajaran Data Pembelajaran JST 1 Grafik MSE Tbl Belajar 1 Nilai Bobot Data Pengujian JST 1 Data Pembelajaran JST 1 Hasil Pengujian JST 1 Data Epoh, MSE1, MSE2 Grafik Data Epoh, MSE1, MSE2 Data hasil Pembelajaran JST 1 Data hasil Pembelajaran JST 1 Data Hasil Pembelajaran JST 1 Tbl Hasil Belajar 1 Input JST 1 1.2 Pembelajaran JST 1 1.1 Peng-inputan data Tbl Belajar 1 1.3 Pengujian JST 1 Tenaga Ahli Dokter Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009 57 Output JST 1 Gambar 3.3 DAD Level 1 JST Ketepatan Diagnosa menurut Klasifikasi Asma

3.2.2.3 DAD Level 1 JST Ketepatan Penilaian Beratnya Serangan Asma

JST Ketepatan Penilaian Beratnya Serangan Asma memiliki 3 proses didalamnya antara lain adalah : 1. Peng-input-an data Tbl Belajar 2, Tenaga Ahli akan meng-input-kan data pembelajaran JST 2, dimana data tersebut disimpan pada data store Tbl Belajar 2. 2. Pembelajaran JST 2, proses ini mendapat 4 buah data, yaitu data variable pembelajaran dari tenaga ahli yang akan digunakan untuk proses pembelajaran, data pembelajaran JST 2 dari Tbl Belajar 2 yang akan digunakan untuk proses pembelajaran, data hasil pembelajaran JST 2 dari Tbl Hasil Belajar 2, kemudian data epoh, data MSE1 dan data MSE 2 akan diolah menjadi table grafik 2. Proses ini menghasilkan 3 buah data, yaitu nilai bobot dari garafik MSE untuk tenaga ahli, data Hasil Pembelajaran JST 2 yang akan disimpan pada Tbl Hasil Belajar 2 dan data epoh, data MSE1 dan data MSE 2 yang akan disimpan pada table grafik 2. 3. Pengujian JST 2, dimana proses ini mendapatkan input dari Tenaga Ahli berupa data pengujian, input dari Dokter berupa data input JST 2 dengan data ini akan didapatkan prediksi keputusan serta input dari data store Tbl Hasil Belajar 2 berupa data hasil pembelajaran JST 2. Output yang dihasilkan oleh Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009 58 proses ini adalah Hasil Pengujian JST 2 yang ditujukan pada Tenaga Ahli, Output JST 2 Prediksi Keputusan Beratnya Serangan Asma ditujukan pada Dokter. Untuk lebih Jelasnya DAD Level 2 JST Ketepatan Penilaian Beratnya Serangan Asma dapat dilihat pada gambar 3.4. Data Pembelajaran JST 2 Data Variabel Pembelajaran Data Pembelajaran JST 2 Grafik MSE Tbl Belajar 2 Nilai Bobot Data Pengujian JST 2 Data Pembelajaran JST 2 Hasil Pengujian JST 2 Data Epoh, MSE1, MSE2 Grafik 2 Data Epoh, MSE1, MSE2 Data hasil Pembelajaran JST 2 Data hasil Pembelajaran JST 2 Data Hasil Pembelajaran JST 2 Tbl Hasil Belajar 2 Input JST 2 2.2 Pembelajaran JST 2 2.1 Peng-inputan data Tbl Belajar 2 2.3 Pengujian JST 2 Tenaga Ahli Dokter Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009 59 Output JST 2 Gambar 3.4 DAD Level 1 JST Ketepatan Penilaian Beratnya Serangan Asma

3.2.2.4 DAD Level 1 JST Ketepatan Waktu dalam Meminta Pertolongan Dokter

JST Ketepatan Waktu dalam Meminta Pertolongan Dokter memiliki 3 proses didalamnya antara lain adalah : 1. Peng-input-an data Tbl Belajar 3, Tenaga Ahli akan meng-input-kan data pembelajaran JST 3, dimana data tersebut disimpan pada data store Tbl Belajar 3. 2. Pembelajaran JST 3, proses ini mendapat 4 buah data, yaitu data variable pembelajaran dari tenaga ahli yang akan digunakan untuk proses pembelajaran, data pembelajaran JST 3 dari Tbl Belajar 3 yang akan digunakan untuk proses pembelajaran, data hasil pembelajaran JST 3 dari Tbl Hasil Belajar 3, kemudian data epoh, data MSE1 dan data MSE 2 akan diolah menjadi table grafik 3. Proses ini menghasilkan 3 buah data, yaitu nilai bobot dari garafik MSE untuk tenaga ahli, data Hasil Pembelajaran JST 3 yang akan disimpan pada Tbl Hasil Belajar 3 dan data epoh, data MSE1 dan data MSE 2 yang akan disimpan pada table grafik 3. 3. Pengujian JST 3, dimana proses ini mendapatkan input dari Tenaga Ahli berupa data pengujian, input dari Penderita Asma berupa data input JST 3 Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009 60 dengan data ini akan didapatkan prediksi keputusan serta input dari data store Tbl Hasil Belajar 3 berupa data hasil pembelajaran JST 3. Output yang dihasilkan oleh proses ini adalah Hasil Pengujian JST 3 yang ditujukan pada Tenaga Ahli, Output JST 3 Prediksi Keputusan Ketepatan Waktu dalam Meminta Pertolongan Dokter ditujukan pada Penderita Asma. Untuk lebih Jelasnya DAD Level 2 JST Ketepatan Waktu dalam Meminta Pertolongan Dokter dapat dilihat pada gambar 3.5. Data Pembelajaran JST 3 Data Variabel Pembelajaran Data Pembelajaran JST 3 Grafik MSE Tbl Belajar 3 Nilai Bobot Data Pengujian JST 3 Data Pembelajaran JST 3 Hasil Pengujian JST 3 Data Epoh, MSE1, MSE2 Grafik 3 Data Epoh, MSE1, MSE2 Data hasil Pembelajaran JST 3 Data hasil Pembelajaran JST 3 Data Hasil Pembelajaran JST 3 Tbl Hasil Belajar 3 3.2 Pembelajaran JST 3 3.1 Peng-inputan data Tbl Belajar 3 3.3 Pengujian JST 3 Tenaga Ahli Dokter Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009 61 Input JST 3 Output JST 3 Gambar 3.5 DAD Level 1 JST Ketepatan Waktu dalam Meminta Pertolongan Dokter

3.2.3 Perancangan Model JST

Pada perancangan model untuk JST terdiri dari 3 rancangan pokok, yaitu : 1. Penepatan masukkan 2. Penepatan keluaran 3. Arsitektur jaringan

3.2.3.1 Penetapan Masukkan

1. Jaringan Syaraf Tiruan Ketepatan Diagnosis menurut Klasifikasi Asma Penetapan masukkan dilakukan dengan memasukkan parameter klinis, kebutuhan obat, fungsi paru yang berjumlah 8 masukkan X yang terdiri dari : 1. X1 Frekuensi Serangan 2. X2 Lama Serangan 3. X3 Intensitas Serangan 4. X4 Diantara Serangan 5. X5 Tidur dan Aktivitas 6. X6 Pemeriksaan Fisik diluar Serangan 7. X7 Obat Pengendali Antiinflamasi 8. X8 Fungsi Paru diluar Serangan Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009 62 2. Jaringan Syaraf Tiruan Ketepatan Penilaian Beratnya Serangan Asma Penetapan masukkan dilakukan dengan memasukkan gejala klinis berjumlah 7 masukkan yang terdiri dari : 1. X1 Sesak Napas 2. X2 Berbicara 3. X3 Kegelisahan 4. X4 Frekuensi Pernapasan 5. X5 Otot-otot Bantu Pernapasan 6. X6 Bising Mengi 7. X7 Nadi per Menit 3. Jaringan Syaraf Tiruan Ketepatan Waktu dalam Meminta Pertolongan Dokter Penerapan masukkan dilakukan dengan memasukkan gejala klinis berjumlah 3 masukkan X yang terdiri dari : 1. X1 Nilai APE sebelum Pengobatan Awal 2. X2 Nilai APE sesudah Pengobatan Awal 3. X3 Gejala

3.2.3.2 Penetapan Keluaran

1. Jaringan Syaraf Tiruan Ketepatan Diagnosa menurut Klasifiksi Asma

Output yang akan dihasilkan pada sistem ini adalah 3 klasifikasi episodik asma : 1. Asma Episodik Jarang 2. Asma Episodik Sering 3. Asma Episodik BeratPersisten

2. Jaringan Syaraf Tiruan Ketepatan Penilaian Beratnya Serangan Asma

Output yang dihasilkan pada sistem ini adalah 3 klasifikasi serangan asma : Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009 63 1. Serangan Ringan 2. Serangan Sedang 3. Serangan Berat

3. Jaringan Syaraf tiruan Ketepatan Waktu dalam Meminta Pertolongan Dokter

Output yang dihasilkan pada sistem ini adalah 3 keputusan waktu yang tepat untuk menerima pertolongan dokter : 1. Hubungi dokter untuk intruksi lebih lanjut 2. Hubungi dokter segerahari ini untuk intruksi lebih lanjut 3. Rujuk ke Ruang Gawat Daurat

3.2.3.3 Arsitektur Jaringan

1. Jaringan Syaraf Tiruan Ketepatan Diagnosa menurut Klasifikasi Asma

JST ini dibuat dengan arsitektur 8-n-2, yaitu : a. 8 neuron pada lapisan masukan b. n neuron pada lapisan tersembunyi c. 2 neuron pada lapisan keluaran Struktur JST ini adalah sebagai berikut : Frekuensi Z1 Serangan V11 Z_in 1 V1n W11 W12 Y1 y_in 1 X1 Z_in1= V01+ ∑ = 8 1 i V11 X1 ~ Z_in1= V01 + ∑ = n j 1 Wj 1 Zj ~ Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009 64 V81 Y2 y_in 2 Wn1 V8n V01 zn V0n z_inn W02 W01 Gambar 3.6 Arsitektur Jaringan Syaraf Tiruan Ketepatan Diagnosa menurut Klasifikasi Asma

2. Jaringan Syaraf Tiruan Ketepatan Penilaian Beratnya Serangan Asma

JST ini dibuat dengan arsitektur 7-n-2, yaitu : a. 7 neuron pada lapisan masukan b. n neuron pada lapisan tersembunyi c. 2 neuron pada lapisan keluaran Struktur JST ini adalah sebagai berikut : Sesak Z1 Napas V11 V11 Z_in 1 V1n W11 W12 Y1 y_in 1 V71 Y2 y_in 2 ~ ~ Z_in1= V01 + ∑ = 8 1 i V11 X1 1 X8 1 Z in1= V01 + ∑ = n j 1 Wj 2 Zj X1 Z_in1= V01 + ∑ = 8 1 i V11 X1 ~ Z_in1= V01 + ∑ = n j 1 Wj 1 Zj ~ ~ Z_in1= V01 + ∑ = n j 1 Wj 2 Zj Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009 65 Wn1 V7n V01 zn V0n z_inn W02 W01 Gambar 3.7 Arsitektur Jaringan Syaraf Tiruan Ketepatan Penilaian Beratnya Serangan Asma

3. Jaringan Syaraf Tiruan Ketepatan Waktu dalam Meminta Pertolongan Dokter

JST ini dibuat dengan arsitektur 3-n-2, yaitu : a. 3 neuron pada lapisan masukan b. n neuron pada lapisan tersembunyi c. 2 neuron pada lapisan keluaran Struktur JST ini adalah sebagai berikut : APE sebelum Z1 pengobatan awal v11 Z_in 1 V1n W11 W12 Y1 y_in 1 V31 Y2 y_in 2 ~ Z_in1= V01 + ∑ = 8 1 i V11 X1 1 X7 1 X1 Z_in1= V01+ ∑ = 3 1 i V11 X1 ~ Z_in1= V01 + ∑ = N J 1 Wj 1 Zj ~ ~ Z_in1= V02 + ∑ = N J 1 Wj 2 Zj Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009 66 Wn1 V3n V01 zn V0n z_inn W02 W01 Gambar 3.8 Arsitektur Jaringan Syaraf Tiruan Ketepatan Waktu dalam Meminta Pertolongan Dokter

3.2.4 Perancangan Basis Data

3.2.4.1 Tabel dan Keterangan

1. Tabel dan Keterangan a. JST Ketepatan Diagnosa menurut Klasifikasi Asma

a.1 Tabel Belajar 1