Perbandingan Metode Naïve Bayes dan Backpropagation Neural Network Dalam Mendiagnosa Penyakit Sinusitis

  

PERBANDINGAN METODE NAÏVE BAYES DAN

BACKPROPAGATION NEURAL NETWORK DALAM

MENDIAGNOSA PENYAKIT SINUSITIS

SKRIPSI

  

Diajukan untuk Menempuh Ujian Akhir Sarjana

DWIKEU NOVI ASRIKA

10110376

  

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK DAN ILMU KOMPUTER

UNIVERSITAS KOMPUTER INDONESIA

2014

  

BIODATA

Data Pribadi

  Nama : Dwikeu Novi Asrika Tempat/Tanggal Lahir : Bandung,1 November 1990 Jenis Kelamin : Perempuan Alamat : Jl. Arwana 3 Blok Q9 No.23 Margaasih, Bandung No. Telp : 085722578579 Email : dwikeu.naa@gmail.com

  Riwayat Pendidikan

  1997 – 2003 Lulus SD YWKA 2 Bandung 2003 – 2006 Lulus SMPN 25 Bandung 2006 – 2010 Lulus SMKN 1 Cimahi (Program 4 tahun) 2010 – 2014 Universitas Komputer Indonesia Demikian riwayat hidup ini saya buat dengan sebenar-benarnya.

  

DAFTAR ISI

  1.5 Metodologi Penelitian ................................................................................... 3

  2.4 Analisis Algoritma ........................................................................................ 8

  2.3 Algoritma ...................................................................................................... 8

  2.2 Pengertian Umum Sinusitis........................................................................... 5

  2.1 Pengertian Umum Diagnosa ......................................................................... 5

  BAB 2 LANDASAN TEORI .................................................................................... 5

  1.6 Sistematika Penelitian ................................................................................... 4

  1.4 Batasan Masalah............................................................................................ 2

  ABSTRAK .................................................................................................................... i

  1.3 Maksud dan Tujuan....................................................................................... 2

  1.2 Rumusan Masalah ......................................................................................... 2

  1.1 Latar Belakang Masalah................................................................................ 1

  BAB 1 PENDAHULUAN ........................................................................................ 1

  KATA PENGANTAR ................................................................................................iii DAFTAR ISI................................................................................................................. v DAFTAR GAMBAR .................................................................................................. ix DAFTAR TABEL ........................................................................................................ x DAFTAR SIMBOL ..................................................................................................... xi DAFTAR LAMPIRAN...............................................................................................xii

  

ABSTRACT ...................................................................................................................ii

  2.5 Kecerdasan Buatan........................................................................................ 9

  2.5.1.1 Alur Metode Naïve Bayes.............................................................. 11

  2.10 Adobe Dreamweaver CS 5 .......................................................................... 26

  3.2.2.1 Analisis Data Keluaran Metode Naïve Bayes ................................ 33

  3.2.2 Analisis Data Keluaran ......................................................................... 33

  3.2.1.2 Analisis Data Masukkan Metode Backpropagation ..................... 31

  3.2.1.1 Analisis Data Masukkan Metode Naïve Bayes .............................. 30

  3.2.1 Analisis Data Masukkan ....................................................................... 30

  3.2 Analisis Data ............................................................................................... 29

  3.1 Analisis Masalah ......................................................................................... 29

  BAB 3 ANALISIS METODE................................................................................. 29

  2.11 Adobe Photoshop CS 3................................................................................ 28

  2.9 MySQL ........................................................................................................ 25

  2.5.1.2 Kelebihan dan Kekurangan Metode Naïve Bayes ......................... 12

  2.8 PHP (Hypertext Preprocessor) ................................................................... 24

  2.7 WAMPServer 2.2......................................................................................... 24

  2.6.2 Pengujian Black-Box ............................................................................. 24

  2.6.1 Pengujian White-Box............................................................................. 23

  2.6 Metode Pengujian........................................................................................ 23

  2.5.2.3 Parameter Backpropagation Neural Network................................ 22

  2.5.2.2 Alur Metode Backpropagation Neural Network ........................... 16

  2.5.2.1 Backpropagation Neural Network ................................................. 13

  2.5.2 Jaringan Syaraf Tiruan .......................................................................... 12

  3.2.2.2 Analisis Data Keluaran Metode Backpropagation ....................... 34

  3.3 Alur Sistem Diagnosa ................................................................................. 34

  3.4 Analisis Metode .......................................................................................... 36

  3.4.1 Analisis metode Naïve Bayes ................................................................ 37

  3.4.2 Analisis metode Backpropagation Neural Network ............................. 41

  BAB 4 IMPLEMENTASI DAN PENGUJIAN ...................................................... 51

  4.1 Implementasi Sistem ................................................................................... 51

  4.1.1 Implementasi Perangkat Keras.............................................................. 51

  4.1.2 Implementasi Perangkat Lunak............................................................. 51

  4.1.3 Implementasi Antarmuka ...................................................................... 52

  4.2 Pengujian Sistem......................................................................................... 52

  4.2.1 Pengujian White-box ............................................................................. 52

  4.2.1.1 Pengujian Metode Naïve Bayes ..................................................... 52

  4.2.1.1.1 Pseudocode Metode Naïve Bayes.............................................. 52

  4.2.1.1.2 Flowchart Metode Naïve Bayes ................................................ 54

  4.2.1.1.3 Flowgraph Metode Naïve Bayes ............................................... 55

  Cyclomatic Complexity Metode Naïve Bayes ........................... 56

  4.2.1.1.4

  4.2.1.2 Pengujian Metode Backpropagation Neural Network................... 56

  4.2.1.2.1 Pseudocode Metode Backpropagation Neural Network ........... 56

  4.2.1.2.2 Flowchart Metode Backpropagation Neural Network.............. 60

  4.2.1.2.3 Flowgraph Metode Backpropagation Neural Network............. 62

  4.2.1.2.4 Cyclomatic Complexity Metode Backpropagation ................... 63

  4.2.2 Pengujian Black-box.............................................................................. 63

  4.2.2.1 Pengujian Black-Box metode Naïve Bayes .................................... 64

  4.2.2.2 Pengujian Black-Box metode Backpropagation Neural Network.. 64

  4.2.3 Pengujian Akurasi ................................................................................. 65

  4.2.3.1 Pengujian Akurasi Metode Naïve Bayes........................................ 65

  4.2.3.2 Pengujian Akurasi Metode Backpropagation Neural Network ..... 67

  BAB 5 KESIMPULAN DAN SARAN................................................................... 69

  5.1 Kesimpulan ................................................................................................. 69

  5.2 Saran............................................................................................................ 69 DAFTAR PUSTAKA ................................................................................................ 71

DAFTAR PUSTAKA

  [1] A. Syawli, G. Yudoyo, M. A. Fahmi, S. A. Santhy dan Z. , “Diagnosa Penyakit Diabetes Mellitus Dengan Metode Naive Bayes Berbasis Desktop Appication,” pp.

  1-8, 2011. [2] N. I. Pradasari, F. T. P. W dan D. Triyanto, “Aplikasi Jaringan Syaraf Tiruan Untuk Memprediksi Penyakit Saluran Pernafasan Dengan Metode Backpropagation,” pp.

  1-9, 2010. [3] [Online].

  Available: http://gregstanleyandassociates.com/whitepapers/FaultDiagnosis/faultdiagnosis.htm. [4] “Diagnosis (artificial intelligence),” [Online]. Available: http://en.wikipedia.org/wiki/Diagnosis_%28artificial_intelligence%29. [5] “Sinusitis,” [Online]. Available: http://www.blogdokter.net/2008/01/30/sinusitis/. [6] A. Desiani dan M. Arhami, Konsep Kecerdasan Buatan, Yogyakarta: Andi Yogya, 2006. [7] E. Y. Jamres, September 2012. [Online]. Available: http://eltomjamres.blogspot.com/2012/09/jaringan-syaraf-tiruan-back- propagation.html.

KATA PENGANTAR

  Puji dan syukur kehadirat Allah SWT, atas berkat rahmat dan hidayah-Nya

sehingga penulis dapat menuangkan ide dan gagasan dalam karya ilmiah Tugas

Akhir ini. Penulis mengangkat judul : “PERBANDINGAN METODE NAÏVE

BAYES DAN BACKPROPAGATION NEURAL NETWORK DALAM

MENDIAGNOSA PENYAKIT SINUSITIS ”.

  Tugas Akhir ini diajukan untuk memenuhi syarat mata kuliah Tugas Akhir

program STRATA I Program Studi Teknik Informatika, Fakultas Teknik dan Ilmu

Komputer, Universitas Komputer Indonesia (UNIKOM), Bandung. Dengan

terselesaikannya Tugas Akhir ini, Penulis ungkapkan rasa syukur yang tiada

terhingga kepada Allah SWT. dan Penulis mengucapkan terimakasih kepada :

  1. Kedua Orang Tua yang saya hormati dan saya cintai yang telah memberikan kepada Penulis dukungan dan motivasi untuk menyelesaikan laporan Tugas Akhir ini.

  2. Ibu Utami Dewi W, S.Kom, M.Kom. selaku dosen pembimbing dan Penguji 2 yang telah menyediakan waktunya dan memberikan banyak masukan kepada penulis.

  3. Ibu Nelly Indriani Widiastuti, S.Si., M.T selaku reviewer, dan penguji 1 yang telah memberikan banyak masukan kepada penulis.

  4. Bapak Iskandar Ikbal S.T., M.Kom selaku penguji 3 yang telah menyediakan waktunya dan memberikan banyak masukan kepada penulis.

  5. Bapak Irawan Afrianto, S.T., M.T. selaku Ketua Program Studi Teknik Informatika Fakultas Teknik dan Ilmu Komputer Universitas Komputer Indonesia.

  6. Ibu Sufaatin S.Kom selaku dosen wali yang telah memberikan banyak masukan kepada penulis.

  .

  7. Bapak Prof. Dr. H. Denny Kurniadie, Ir., M.Sc selaku Dekan Fakultas Teknik dan Ilmu Komputer Universitas Komputer Indonesia.

  8. Kakak saya, Aji Maulana Akbar dan Adik saya Rizma Pretty Alsela yang saya sayangi yang telah memberikan saya motivasi untuk menyelesaikan tugas akhir ini.

  9. Rekan-rekan seperjuangan IF-9 angkatan 2010 yang selalu memberikan semangat dan motivasi kepada penulis.

  

10. Rekan-rekan satu bimbingan Ibu Utami, rekan-rekan reviewer ibu Nelly.

  11. Sahabat – sahabatku Tita Tjahyati, Mukti Alamsyah, Eka Anisya, Dien Amalia, Leni Mariani, dan Wulan Fitriani yang selalu memberikan semangat saat penulis butuh motivasi.

  12. Pihak – pihak yang telah membantu yang tidak dapat disebutkan satu persatu. Akhir kata, Penulis berharap semoga laporan ini dapat bermanfaat bagi para pembaca.

  Bandung, 19 Agustus 2014 Penulis

BAB 1 PENDAHULUAN

1.1 Latar Belakang Masalah

  Diagnosa digunakan dalam banyak disiplin ilmu yang berbeda dengan variasi dalam penggunaan logika dan analisis. Diagnosa identik dengan pemeriksaan terhadap suatu penyakit. Dalam mendiagnosa penyakit kita harus mengetahui gejala- gejalanya terlebih dahulu. Begitu juga dengan diagnosa penyakit sinusitis dimana penyakit tersebut merupakan suatu peradangan atau pembengkakan dari jaringan yang melapisi sinus yang biasanya berisi udara tetapi ketika sinus tersumbat dan berisi cairan dan kuman dapat berkembang dan menyebabkan infeksi.

  Keakurasian data yang baik sangat penting untuk mendiagnosa suatu penyakit. Pada penelitian sebelumnya yang dilakukan oleh Almira Syawli yang berjudul Diagnosa Penyakit Diabetes Mellitus dengan Metode Naïve Bayes Berbasis

  

Desktop[1] dijelaskan bahwa metode Naïve Bayes ini dapat memprediksi bahwa

  seseorang terkena atau tidak terkena Diabetes Mellitus dan pencapaian akurasi datanya hingga 94,4% dengan 22 gejala sebagai masukkan. Sedangkan pada penelitian yang dilakukan oleh Novi Indah Pradasari dkk. yang berjudul Aplikasi Jaringan Syaraf Tiruan untuk Memprediksi Prediksi Saluran Pernafasan dengan Metode Backpropagation Neural Network[2] dijelaskan bahwa metode

  

Backpropagation Neural Network ini dapat memprediksi suatu penyakit saluran

  pernafasan yang keakurasian datanya mencapai 91,66% dengan 12 gejala sebagai masukkan.

  Dalam kedua penelitian tersebut keakurasian data dengan metode Naïve Bayes lebih unggul daripada metode Backpropagation Neural Network, namun dengan jumlah masukkan gejala yang berbeda. Tetapi tidak diketahui apakah hasilnya akan sama jika gejala yang dijadikan masukkan berjumlah sama, apakah metode Naïve

  

Bayes masih lebih unggul atau metode Backpropagation Neural Network yang

  Berdasarkan masalah yang telah diuraikan diatas maka akan dilakukan analisis perbandingan metode Naïve Bayes dan Backpropagation Neural Network terhadap tingkat akurasi data dengan jumlah gejala masukkan yang sama dan menentukan metode manakah yang memiliki tingkat akurasi data paling baik dalam mendiagnosa penyakit sinusitis.

  1.2 Rumusan Masalah

  Berdasarkan latar belakang yang telah diuraikan sebelumnya, maka rumusan masalah yang didapat adalah bagaimana membandingkan metode yang lebih baik antara metode Naïve Bayes dan metode Backpropagation Neural Network dengan jumlah masukkan gejala yang sama pada pendiagnosa penyakit sinusitis.

  1.3 Maksud dan Tujuan

  Maksud dari penelitian ini adalah untuk menganalisis perbandingan metode

  

Naïve Bayes dan metode Backpropagation Neural Network dalam sistem

pendiagnosa penyakit sinusitis.

  Adapun tujuan dari penelitian ini adalah untuk menentukan satu metode diantara metode Naïve Bayes dan metode Backpropagation Neural Network yang memiliki tingkat akurasi data paling baik dalam mendiagnosa penyakit sinusitis dengan jumlah masukkan gejala yang sama pada kasus diagnosa penyakit sinusitis.

  1.4 Batasan Masalah

  Adapun batasan masalah dalam penulisan ini sebagai berikut :

  1. Metode yang dipakai adalah metode Naïve Bayes dan metode Backpropagation Neural Network.

  2. Komponen yang akan diukur dalam membandingkan metode Naïve Bayes dan metode Backpropagation Neural Network adalah akurasi data.

  Dengan rumus akurasi = (jumlah data benar / jumlah data keseluruhan) x

  3. Dalam metode Backpropagation Neural Network parameter learning

  rate(a) minimum adalah 0.001, dan maksimum 0.1. Menggunakan 1

  lapisan hidden layer (lapisan tersembunyi) dengan minimum 1 neuron dan maksimal 10 neuron.

  4. Data yang digunakan pada simulator ini adalah 17 data gejala penyakit sinusitis.

  5. Keluaran pada aplikasi ini berupa kesimpulan terkena sinusitis jenis akut, sub-akut, atau kronis.

  6. Pengujian yang dilakukan menggunakan pengujian white-box dan pengujian black-box.

1.5 Metodologi Penelitian

  Metode yang digunakan pada penilitian ini adalah sebagai berikut:

  1. Tahap Pengumpulan Data Metode pengumpulan data yang digunakan dalam penelitian ini adalah sebagai berikut : a. Studi Literatur

  Pengumpulan data dengan cara mengumpulkan literatur, jurnal, paper dan e-book yang ada kaitannya dengan judul penelitian.

  b. Observasi Teknik pengumpulan data dengan mengadakan penelitian dan peninjauan langsung terhadap permasalahan yang diambil.

  c. Wawancara Teknik pengumpulan data dengan melakukan wawancara terhadap pihak-pihak yang terkait terhadap penelitian yang dilakukan. Pihak yang diwawancarai adalah Dr. Sinta Sari, Sp.THT yang merupakan dokter spesialis THT di Klinik Serumpun Bambu.

  2. Eksperimen Eksperimen digunakan untuk mencari pengaruh perlakuan tertentu terhadap yang lain dalam kondisi yang terkendalikan. Eksperimen yang dilakukan akan mengambil uji coba dengan beberapa sample yang akan diambil dari penelitian yang dilakukan.

1.6 Sistematika Penelitian

  Sistematika penulisan ini adalah untuk memberikan gambaran umum tentang penelitian yang dijalankan. Sistematika penulisan ini dibagi menjadi beberapa bab, yaitu :

  BAB I PENDAHULUAN Bab ini menguraikan beberapa sub-bab antara lain menguraikan latar belakang, rumusan masalah, menentukan maksud dan tujuan, batasan masalah, metodologi penelitian, serta sistematika penulisan yang dimaksudkan agar dapat memberikan gambaran tentang urutan pemahaman dalam menyajikan laporan ini.

  BAB 2 LANDASAN TEORI Bab ini menguraikan tentang teori-teori pendekatan yang digunakan untuk menganalisis masalah dan teori yang dipakai dalam mengolah data penelitian yaitu teori mengenai diagnosa, teori mengenai penyakit sinusitis, teori mengenai metode

  

Naïve Bayes, teori mengenai metode Backpropagation Neural Network, dan teori

mengenai software pembangun simulator.

  BAB 3 ANALISIS METODE Bab ini berisi tentang tahapan untuk menganalisis perbandingan perhitungan metode Naïve Bayes dan Backpropagation pada pendiagnosa penyakit sinusitis. BAB 4 IMPLEMENTASI DAN PENGUJIAN Bab ini berisi tentang pengujian simulator menggunakan black-box dan white-box, serta pengujian akurasi untuk kedua metode tersebut sehingga dapat terlihat hasilnya. BAB 5 PENUTUP

BAB 2 LANDASAN TEORI

  2.1 Pengertian Umum Diagnosa

  Diagnosa berasal dari konteks medis yang berarti proses identifikasi penyakit dengan suatu gejala. Namun diagnosa ini digunakan dalam banyak disiplin ilmu yang berbeda dengan variasi dalam penggunaan logika, analisis, dan pengalaman untuk menentukan sebab dan akibat. Dalam sistem rekayasa dan ilmu komputer, biasanya digunakan untuk menentukan penyebab dari gejala dan solusi[4].

  Dalam bidang ilmu komputer khususnya kecerdasan buatan, diagnosa berkaitan dengan pengembangan algoritma dan teknik yang mampu menentukan apakah behavior dari suatu sistem tersebut benar. Jika sistem tidak berfungsi dengan benar, algoritma harus dapat menentukan seakurat mungkin bagian manakah yang mengalami kesalahan. Dalam sistem jawaban di proses dan hasil dari jawaban tersebut merupakan ekspresi diagnosa[5].

  2.2 Pengertian Umum Sinusitis

  Sinusitis berasal dari bahasa latin, yang dalam ilmu kedokteran berarti peradangan, sehingga dapat disimpulkan sinusitis adalah suatu peradangan, atau pembengkakan, dari jaringan yang melapisi sinus. Biasanya sinus berisi udara, tetapi ketika sinus tersumbat dan berisi cairan, kuman (bakteri, virus, dan jamur) dapat berkembang dan menyebabkan infeksi.

  Sinusitis sebagian besar sudah dapat didiagnosa hanya berdasarkan pada riwayat keluhan pasien serta pemeriksaan fisik yang dilakukan dokter. Hal ini juga disebabkan karena pemeriksaan menggunakan CT Scan dan MRI yang walaupun memberikan hasil lebih akurat namun biaya yang dikeluarkan cukup mahal. Pada pemeriksaan fisik akan ditemukan adanya kemerahan dan pembengkakan pada rongga hidung, ingus yang mirip nanah, serta pembengkakan disekitar mata dan dahi. disembuhkan dengan pengobatan awal. Rhinoscopy, sebuah cara untuk melihat langsung ke rongga hidung, diperlukan guna melihat lokasi sumbatan ostia. Terkadang diperlikan penyedotan cairan sinus dengan menggunakan jarum suntik untuk dilakukan pemeriksaan kuman. Pemeriksaan ini berguna untuk menentukan jenis infeksi yang terjadi.

  Sinusitis banyak ditemukan pada penderita hay fever yang mana pada penderita ini mengalami pilek menahun akibat dari alergi terhadap debu dan sari bunga. Sinusitis juga dapat disebabkan oleh bahan-bahan iritan seperti bahan kimia yang terdapat pada semprotan hidung serta bahan-bahan kimia lainnya yang masuk melalui hidung. Sinusitis juga bisa disebabkan oleh infeksi atau bakteri.

  Sinus atau sering pula disebut dengan sinus paranasalis adalah rongga udara yang terdapat pada bagian padat dari tulang tengkorak di sekitar wajah, yang berfungsi untuk memperingan tulang tengkorak. Rongga ini berjumlah empat pasang kiri dan kanan. Sinus frontalis terletak dibagian dahi, sedangkan sinus maksilaris terletak di belakang pipi. Sementara itu, sinus sphenoid dan sinusi ethmoid terletak agak lebih dalam dibelakang rongga mata dan di belakang sinus maksilaris. Dinding sinus terutama dibentuk oleh sel-sel penghasil cairan mukus. Udara masuk ke dalam sinus melalui sebuah lubang kecil yang menghubungkan antara rongga sinus dengn rongga hidung yang disebut ostia. Jika karena suatu sebab lubang ini buntu maka udara tidak akan bisa keluar masuk dan cairan mukus yang diproduksi di dalam sinus tidak akan bisa dikeluarkan.

  Disekitar rongga hidung terdapat empat sinus yaitu sinus maksilaris (terletak di pipi), sinus etmoidalis (terletak di kedua mata), sinus frontalis (terletak di dahi) dan sinus sfenoidalis (terletak di belakang dahi).

  Secara klinis sinusitis dibagi atas berbagai jenis, yaitu:

  1. Sinusitis Akut Sebuah kondisi mendadak seperti gejala seperti pilek, hidung tersumbat dan nyeri wajah yang tidak hilang setelah 10 hari sampai 14 hari. Sinusitis

  2. Sinusitis Sub-Akut Sebuah peradangan yang berlangsung 4 sampai 8 minggu.

  3. Sinusitis Kronis Suatu kondisi yang ditandai dengan gejala radang sinusi yang berlangsung 8 minggu atau lebih.

  Sinusitis dapat terjadi bila terdapat gangguan pengaliran udara dari hidung ke rongga sinus serta adanya gangguan pengeluaran cairan mukus. Adanya demam, flu, alergi dan bahan-bahan iritan dapat menyebabkan terjadinya pembengkakan pada

  

ostia sehingga lubah drainase ini menjadi buntu dan mengganggu aliran udara sinus

  serta pengeluaran cairan mukus. Penyebab lain dari buntunya ostia adalah tumor dan trauma. Drainase cairan mukus keluar dari rongga sinus juga bisa terhambat oleh pengentalan cairan mukus itu sendiri. Pengentalan ini terjadi akibat pemberian obat

  

antihistamin, penyakit fibrokistik dan lain lain. Sel penghasil mukus memiliki rambut

  halus (silia) yang selalu bergerak untuk mendorong cairan mukus keluar dari rongga sinus. Asap rokok merupakan biang kerok dari rusaknya rambut halus ini sehingga pengeluaran cairan mukus menjadi terganggu. Cairan mukus yang terakumulasi di rongga sinus dalam jangka waktu yang lama merupakan tempat yang nyaman bagi hidupnya bakteri, virus dan jamur.

  Selain itu penyebab sinus bisa terjadi karena Rhinogenik (penyebab kelainan atau masalah di hidung), segala sesuatu yang menyebabkan sumbatan pada hidung dapat menyebabkan sinusitis. Termasuk flu biasa, rhinitis alergi (pembengkakan pada lapisan hidung), polip hidung (pertumbuhan kecil di lapisan hidung), atau septum menyimpang (pergeseran di rongga hidung). Dentogenik / Odotogenik (penyebabnya kelainan gigi), yang sering menyebabkan sinusitis infeksi pada gigi geraham atas (pre

  molar dan molar).

  Beberapa gejala sinusitis yang paling umum adalah nyeri di wajah, serta demam. Hampir 25 persen pasien sinusitis akan mengalami demam terkait sinusitis yang diderita. Gejala lainnya berupa perubahan warna pada lendir di hidung, hidung berwarna hijau atau kuning. Beberapa pasien akan merasakan sakit bertambah hebat apabila kepala ditundukkan ke depan. Pada sinusitis karena alergi maka penderita juga akan mengalami gejala lain yang berhubungan dengan alerginya seperti gatal pada mata, dan bersin-bersin[6].

  Berikut adalah gejala umum penyakit sinusitis menurut jenisnya :

Tabel 2.1 Gejala Sinusitis Menurut Jenisnya Gejala

  Jenis Sinusitis Hidung tersumbat, nyeri pada wajah, bersin-bersin disertai batuk, Sinusitis Akut gatal disekitar mata, demam, hidung meler Sakit pada gigi, nyeri pada leher, nyeri pipi dibawah mata, cepat

  

Sinusitis Sub-Akut merasa letih dan lesu, hidung meler, hidung tersumbat, batuk,

demam, pusing yang berlebihan

Peradangan sinus lebih dari 8 minggu, nyeri dipinggir hidung, nyeri antara mata, dahi terasa sakit, selaput lendir merah dan bengkak,

  Sinusitis Kronis cepat merasa letih dan lesu, hidung meler, batuk, nyeri saat bicara dan menelan, demam, pusing yang berlebihan, nyeri pada wajah

  2.3 Algoritma

  Algoritma merupakan salah satu cabang ilmu komputer yang membahas prosedur penyelesaian suatu permasalahan. Algoritma adalah serangkaian urutan langkah-langkah atau prosedur untuk menyelesaikan suatu masalah dengan memproses nilai masukkan menjadi nilai keluaran.

  Suatu algoritma tidak saja harus benar, tetapi juga harus efisien dengan menghitung nilai dari performansinya. Setiap algoritma memiliki nilai performansi yang berbeda-beda. Performansi suatu algoritma dapat diukur dengan menghitung nilai kompleksitas waktunya dimana setiap langkahnya akan dihitung.

  2.4 Analisis Algoritma Analisis algoritma sangat membantu dalam meningkatkan efisiensi program.

  Kecanggihan suatu program bukan dilihat dari tampilan program, tetapi berdasarkan efisiensi metode atau algoritma yang terdapat didalam program tersebut. Dalam algoritma. Untuk memeriksa kebenaran metode dapat dilakukan dengan cara perurutan, memeriksa bentuk logika, implementasi metode algoritma, pengujian dengan data dan menggunakan cara matematika untuk membuktikan kebenaran. Penyederhanaan algoritma membagi algoritma menjadi bentuk yang sederhana.

2.5 Kecerdasan Buatan

  Kecerdasan buatan atau Artificial Intelegence merupakan salah satu bagian ilmu komputer yang membuat mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan manusia[7]. Dengan adanya kecerdasan buatan, diharapkan tidak menutup kemungkinan hanya dengan data pengetahuan yang terbatas, sebuah komputer dapat berfikir seperti manusia dalam menghadapi masalah.

2.5.1 Naïve Bayes

  Teorema Bayes dikemukakan oleh seorang pendeta presbyterian Inggris pada tahun 1763 yang bernama Thomas Bayes. Teorema Bayes digunakan untuk menghitung probabilitas terjadinya suatu peristiwa berdasarkan pengaruh yang didapat dari hasil observasi.

  Probabilitas Bayesian adalah suatu interpretasi dari kalkulus yang memuat konsep probabilitas sebagai derajat dimana suatu pernyataan dipercaya benar. Teori Bayesian juga dapat digunakan sebagai alat pengambilan keputusan untuk memperbaharui tingkat kepercayaan dari suatu informasi.

  Metode Naïve Bayes merupakan pendekatan statistik untuk melakukan inferensi induksi pada persoalan klasifikasi. Metode ini menggunakan probabilitas bersyarat sebagai dasarnya. Pendekatan ini adalah salah satu cara untuk mengatasi ketidakpastian dengan menggunakan Formula Bayes.

  Pendekatan Bayes pada saat klasifikasi adalah mencari probabilitas tertinggi (VMAP) dengan masukkan atribut (a1, a2, a3, … , an) seperti berikut :

  = arg max , , ,…, ) Teorema Bayes sendiri berawal dari rumus berikut :

  ( ∩ ) | = ( )

  Persamaan 2-2 Dimana P(H|E) artinya peluang H jika diketahui keadaan E.

  Rumus Formula Bayes

  ( ) | | = ( )

  Persamaan 2-3

  Dimana : P(H|E) : Probabilitas hipotesis H jika terdapat evidence E. P(E|H) : Probabilitas munculnya evidence E jika diketahui hipotesa H. P(H) : Probabilitas hipotesis H tanpa memandang evidence apapun. P(E) : Probabilitas evidence E.

  Jika setelah dilakukan pengujian terhadap hipotesis, muncul satu atau lebih evidence atau observasi baru, maka :

  ( | , )

= |

| , ( | )

  Persamaan 2-4

  Dimana : e : Evidence lama E : Evidence atau observasi baru P(H|E,e) : Probabilitas adanya hipotesis H jika muncul evidence baru E dari evidence lama. P(H|E) : Probabilitas hipotesis H jika terdapat evidence E P(e|E,H) : Probabilitas kaitan antara e dan E jika hipotesis H benar. P(e|E) : Probabilitas kaitan antara r dan E tanpa memandang hipotesis apapun.

2.5.1.1 Alur Metode Naïve Bayes

  Alur dari metode Naïve Bayes adalah : 1. Masukkan gejala sebagai inputan.

  2. Baca data training yang telah tersedia.

  3. Hitunglah jumlah dari masing-masing label.

  4. Hitung jumlah kasus yang sama dengan label / class yang sama.

  5. Kalikan semua hasil variabel sesuai dengan kolom hasil.

  6. Bandingkan hasil probabilitas tiap label / class.

  7. Ambil hasil yang paling maksimal probabilitasnya.

  8. Menghasilkan hasil dari perhitungan metode.

  Berikut adalah alur proses dari metode Naïve Bayes.

2.5.1.2 Kelebihan dan Kekurangan Metode Naïve Bayes

  Teori Naïve Bayes menurut Grainner (1998), mempunyai beberapa kelebihan, yaitu:

  1. Mudah untuk dipahami

  2. Hanya memerlukan pengkodean yang sederhana

  3. Lebih cepat dalam perhitungan

  4. Menangani kuantitatif dan data diskrit

  5. Cepat dan efisiensi ruang Kekurangan dari metode Naïve Bayes adalah :

  1. Tidak berlaku jika probabilitas kondisionalnya adalah nol, apabila nol maka probabilitas prediksi akan bernilai nol juga.

  2. Mengasumsikan variabel bebas.

2.5.2 Jaringan Syaraf Tiruan

  Jaringan syaraf tiruan (Neural Network) adalah salah satu kajian pada kecerdasan buatan. Jaringan syaraf tiruan adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk menstimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan maksudnya adalah jaringan syaraf yang diimplementasikan menggunakan program komputer untuk menyelesaikan sejumlah proses perhitungan selama proses pembelajaran.

  Komponen jaringan syaraf tiruan (JST) terdiri dari neuron-neuron yang saling berhubungan. Neuron – neuron ini akan mentransformasikan informasi yang diterima melalui sambungan keluarannya menuju neuron-neuron yang lain. Pada JST hubungan neuron-neuron tersebut dikenal dengan nama bobot. Komponen JST yang terdiri dari input (informasi) dan bobot (nilai-nilai tertentu). Fungsi aktivasi berfungsi apabila input yang dimasukkan sesuai dengan nilai ambang (threshold) yang ditentukan jika tidak sesuai maka fungsi aktivasi tidak di aktifkan, dan apabila neuron-neuron tersebut diaktifkan maka neuron akan

  Jaringan syaraf tiruan mempunyai dua macam proses pembelajaran yaitu pembelajaran terawasi dan pembelajaran tidak terawasi. Pembelajaran terawasi adalah jika output yang diharapkan telah diketahui sebelumnya, sedangkan pembelajaran tidak terawasi adalah proses pembelajaran yang tidak memerlukan target output.

  1. Pembelajaran Terawasi (Supervised Learning) Metode pembelajaran pada jaringan syaraf tiruan disebut terawasi jika

  output yang diharapkan telah diketahui sebelumnya. Pada proses

  pembelajaran, satu pola input akan diberikan ke satu neuron pada lapisan

  input. Pola ini akan dirambatkan disepanjang jaringan syaraf hingga sampai

  ke neuron pada lapisan output. Lapisan output ini akan membangkitkan pola

  output yang nantinya akan dicocokkan dengan pola output targetnya. Apabila

  terjadi perbedaan antara pola output hasil pembelajaran dengan pola target, maka disini akan muncul error. Apabila nilai error ini masih cukup besar, mengindikasikan bahwa masih perlu dilakukan lebih banyak pembelajaran lagi. Metode pembelajaran terawasi diantaranya Hebb Rule, Perceptron,

  Delta Rule, Backpropagation, Learning Vector Quantization, Heteroassociative Memory.

  2. Pembelajaran Tak Terawasi (Unsupervised Learning) Pada metode pembeajaran yang tak terawasi ini tidak memerlukan target

  output. Pada metode ini, tidak dapat ditentukan hasil yang seperti apakah

  yang diharapkan selama proses pembelajaran. Metode pembelajaran tidak terawasi salah satunya adalah jaringan kohonen.

2.5.2.1 Backpropagation Neural Network

  Backpropagation Neural Network

  merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan

  

Backpropagation Neural Network menggunakan error output untuk

  mengubah nilai bobot-bobotnya dalam arah mudur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward) harus dikerjakan terlebih dahulu. Pada saat perambatan maju, neuron-neuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid biner (F(X)), seperti terlihat pada persamaan dibawah ini:

  1 = 1 +

  

Persamaan 2-5

Gambar

  Arsitektur Backpropagation Neural Network terlihat seperti

2.2 Jaringan terdiri atas 3 unit (neuron) pada lapisan input yaitu x1, x2, dan

  

x3; 1 lapisan tersembunyi dengan 2 neuron, yaitu z1 dan z2; serta 3 unit pada

  lapisan output, yaitu y. Bobot yang menghubungkan x1, x2, dan x3 dengan

  

neuron pertama pada lapisan tersembunyi adalah v11, v21, v31 (vij : Bobot

  yang menghubungkan neuron input ke-I ke neuron ke-j pada lapisan tersembunyi). Bobot yang menghubungkan z1 dan z2 dengan neuron pada lapisan output adalah w1 dan w2. Fungsi aktivasi yang digunakan antara lapisan input dan lapisan tersembunyi, dan lapisan tersembunyi dengan lapisan output adalah fungsi aktivasi sigmoid biner.

  Pada metode Backpropagation Neural Network ini terdapat dua tahapan proses, yaitu :

  1. Tahapan belajar atau pelatihan, dimana pada tahap ini metode

  Backpropagation Neural Network diberikan sejumlah data

  pelatihan dan target

  2. Tahap pengujian atau penggunaan, pengujian dilakukan setelah melakukan tahap belajar atau tahap pelatihan. Untuk menentukan stopping condition terdapat dua cara yang biasa dipakai, yaitu:

  1. Membatasi iterasi yang ingin dilakukan.

  Misalnya jaringan akan dilatih sampai iterasi yang ke-500. Yang dimaksud dengan satu iterasi adalah perulangan step 3 sampai step 8 untuk semua training data yang ada.

  2. Membatasi error Misalnya menentukan besar Mean Square Error antara output yang dikehendaki dan output yang dihasilkan oleh jaringan.

  Jika terdapat sebanyak m training data, maka untuk menghitung Mean Square Error digunakan persamaan berikut.

  = 0.5 ∗{ + − − + …+ − }

Persamaan 2-6

  Dimana : MSE : Mean Square Error

  t k : target output y k : output yang dihasilkan

  Setelah pelatihan selesai, Backpropagation Neural Network dianggap telah pintar sehingga apabila diberi input tertentu jaringan akan menghasilkan output seperti yang diharapkan. Cara mendapatkan output tersebut adalah dengan mengimplementasikan metode Backpropagation

  

Neural Network yang sama seperti proses belajar, tetapi hanya pada bagian

umpan majunya saja.

2.5.2.2 Alur Metode Backpropagation Neural Network

  Alur pada metode Backpropagation Neural Network dapat terlihat seperti gambar.

Gambar 2.3 Alur Proses Metode

  Backpropagation Neural Network

  Berikut adalah deskripsi alur proses metode Backpropagation Neural

  Network : Inisialisasi bobot (ambil bobot awal [V ij , W jk ] dengan nilai random).

  Kerjakan langkah-langkah berikut selama kondisi berhenti bernilai FALSE :

  1. Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran, kerjakan:

  Feedforward:

  a. Tiap-tiap unit input (Xi, i = 1, 2, 3, … , n) menerima sinyal x i dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi).

  b. Tiap-tiap unit tersembunyi (Zi, j = 1, 2, 3, … , p) menjumlahkan sinyal-sinyal input terbobot:

• + =

  Persamaan 2-7

  Dimana : z_in j : Bobot sinyal unit tersembunyi.

  v0 : Bobot bias menuju ke hidden layer. j x i : Unit (neuron) dari sinyal input. v ij : Bobot yang menghubungkan neuron input ke-i ke neuron ke-j pada lapisan tersembunyi.

  Setelah menjumlahkan sinyal-sinyal input maka lakukan perhitungan fungsi aktivasi. Fungsi aktivasi ini ditentukan untuk menghitung sinyal output dari hidden unit yang bersangkutan, lalu mengirim sinyal output ke seluruh unit pada unit output.

  = ( _ ) Persamaan 2-8

  Dimana : z j : Keluaran unit tersembunyi.

  z_in : Bobot unit tersembunyi. j

  c. Langkah selanjutnya adalah setiap unit output (Y k , k=1, … m) akan menjumlahkan sinyal – sinyal input yang sudah berbobot, termasuk biasnya.

• + =

  Persamaan 2-9

  Dimana : y_in k : Bobot sinyal lapisan output.

  w0 j : Bobot bias menuju output. z j : Keluaran unit tersembunyi. w jk : Bobot awal menuju output.

  Sinyal input yang sudah terbobot sudah diketahui maka hitung fungsi aktivasi sinyal output dari unit output yang bersangkutan.

  = ( _ ) Persamaan 2-10

  Dimana :

  y k : Keluaran unit output. y_in : Bobot sinyal lapisan output. k

  Backpropagation

  d. Tiap-tiap unit output (y , k=1, 2, 3, … ,m) menerima target pola yang

  k

  berhubungan dengan pola input pembelajaran, hitung informasi errornya.

  = − ( _ ) Persamaan 2-11

  Dimana : : Informasi error.

  : Target keluaran. : Keluaran unit output. _ : Bobot sinyal lapisan output. Faktor ini digunakan untuk menghitung koreksi error ( ∆ ) yang nantinya akan dipakai untuk memperbaharui w jk , dimana :

  

∆ =

Persamaan 2-12

  Dimana : ∆ : Koreksi error.

  : Rasio pembelajaran (learning rate). : Informasi error.

  z j : Keluaran unit tersembunyi.

  Selain itu juga dihitung koreksi bias (

  ∆

  ) yang nantinya akan dipakai untuk memperbaharui w0

  

k

,dimana :

  

∆ =

Persamaan 2-13

  Dimana : ∆ : Koreksi bias.

  : Rasio pembelajaran (learning rate). : Informasi error. Faktor ini kemudian dikirimkan ke layer didepannya.

  e. Setiap hidden unit (zj, j = 1, … , p) menjumlah input delta (yang dikirim dari layer pada step 6) yang sudah berbobot.

  _ = Persamaan 2-14

  Dimana : _ : Input delta.

  : Informasi error. : Koreksi error. Kemudian hasilnya dikalikan dengan turunan dari fungsi aktivasi yang digunakan jaringan untuk menghasilkan faktor koreksi error , dimana :

  = _ ′( _ ) Persamaan 2-15

  Dimana : : Faktor koreksi error

  _ : Input delta.

  z_in j : Bobot unit tersembunyi.

  ∆

  Faktor ini digunakan untuk menghitung koreksi error ( ) yang nantinya akan dipakai untuk memperbaharui v ij , dimana:

  

∆ =

Persamaan 2-16

  Dimana : ∆ : Koreksi error untuk memperbaharui v ij .

  : Rasio pembelajaran (learning rate).

  x i : Masukkan (input).

  ∆

  Selain itu juga dihitung koreksi bias ( ) yang nantinya akan dipakai untuk memperbaharui v , dimana :

  

0j

∆ =

  Persamaan 2-17

  Dimana : ∆ : Koreksi bias.

  : Rasio pembelajaran (learning rate). : Faktor koreksi error.

  f. Tiap-tiap unit output (y k , k = 1, 2, 3, … , m) memperbaiki bias dan

  = + ∆ Persamaan 2-18