Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009
118 Ketepatan Diagnosa menurut Klasifikasi Asma, menu JST Ketepatan Penilaian
Beratnya Serangan Asma, JST Ketepatan Waktu dalam Meminta Pertolongan Dokter, dimana pada masing-masing menu tersebut akan mendapat 3 buah
submenu yaitu submenu Input data tabel belajar, submenu pembelajaran dan submenu prediksi. Menu terakhir adalah menu Bantuan Program.
Dalam tahap implementasi dan pengujian ini akan ditampilkan jendela antarmuka pengguna berserta fasilitas-fasilitas yang ada pada antarmuka tersebut.
Selain itu juga akan ditampilkan beberapa cuplikan kode program yang meliputi kode program pada proses-proses penambahan data pembelajaran, pelatihan dan
pengujian.
4.2.1 Tampilan Awal
Tampilan antarmuka pada From MDIUtama terdiri dari 4 menu utama, yaitu menu System, Menu JST Ketepatan Diagnosis menurut Klasifikasi Asma, menu
JST Ketepatan Penilaian Beratnya Serangan Asma, JST Ketepatan Waktu dalam Meminta Pertolongan Dokter. Dari Form MDIUtama ini pengguna dapat
mengakses menu-menu utama tersebut. Tampilan MDIUtama dapat dilihat pada gambar 4.4.
4.3 Analisis Hasil Pengujian JST
Tahap yang dilakukan setelah implementasi perangkat lunak pada model Waterfall adalah tahap testing pengujian program. Untuk pengujian perangkat
lunak pada skripsi ini telah disediakan 15 buah data untuk JST Ketepatan Diagnosis menurut Klasifikasi Asma, 15 buah data untuk JST Ketepatan Penilaian
Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009
119 Beratnya Serangan Asma dan 9 buah data untuk JST Ketepatan Waktu dalam
Meminta Pertolongan Dokter.
Data-data ini didapatkan dari tenaga ahli, dimana tenaga ahli yang bersangkutan adalah dokter spesialis penyakit dalam yang sudah cukup lama
menangani masalah asma.
4.3.1 Analisis Hasil Pembelajaran dan Prediksi JST Ketepatan Diagnosis
menurut Klasifikasi Asma
Pada JST Ketepatan Dianosis menurut Klasifikasi Asma akan dilakukan
beberapa pengujian. Macam-macam pengujian yang akan dilakukan pada JST ini adalah sebagai berikut :
1. Apakah JST dapat memprediksi keputusan dokter tentang diagnosis klasifikasi asma dengan tingkat ketepatan prediksi 100 ?
2. Apakah penurunan learing rate berpegaruh terhadap tingkat ketepatan prediksi ?
3. Apakah penurunan target error berpegaruh terhadap tingkat ketepatan prediksi ?
4. Apakah penambahan jumlah data pembelajaran berpegaruh terhadap tingkat ketepatan prediksi ?
Data-data yang digunakan untuk percobaan tersebut terdiri dari :
Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009
120 a. 3 buah data pola untuk JST 1, data tersebut dapat dilihat lanjut pada tabel
4.14.
b. 12 buah data pola untuk JST 1, data tersebut dapat dilihat lanjut pada tabel 4.15.
Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009
121
Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009
122
a. Apakah JST dapat memprediksi keputusan dokter tentang diagnosis klasifikasi asma dengan tingkat ketepatan prediksi 100 ?
Ferdinand Sinuhaji : Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma, 2009. USU Repository © 2009
123 Pada percobaan ini akan digunakan learning rate = 0,1, jumlah epoch
maximal = 10.000 dan target error = 0,1.
Tabel 4.16 berikut menyajikan hasil dari percobaan ini.
Tabel 4.16 Data Percobaan untuk prediksi keputusan dengan tingkat ketepatan 100
No Data
Pembelajaran Epoch
MSE1 MSE2
Prediksi BENAR
Prediksi SALAH
kebenaran
1. 1 8-1-2
7 0,0977
0,0889 4,7,10,13
2,3,5,6,8, 9,11,12,
14,15 28, 57
2. 1,2 8-2-2
110 0,0024
0,0984 4,5,7,8,
11,14 3,6,9,10,
12,13,15 46, 15
3. 1,2,3 8-3-2
707 0,0114
0,0999 4,5,6,7,8,
9,10,11, 12,14,15
13 91, 67
4. 1,2,3,13
8-4-2 1114
0,0159 0,0995
4,5,6,7,8, 9,10,11,
12,14,15 -
100
b. Apakah penurunan learning rate berpengaruh terhadap tingkat ketepatan
