IDENTIFIKASI DAN PERINGATAN DINI DAERAH
IDENTIFIKASI DAN PERINGATAN DINI
DAERAH RAWAN ISPA PADA BALITA
Sri Redjeki1, Ariesta Damayanti2
1,2
3
Teknik Informatika, STMIK AKAKOM Yogyakarta
STMIK AKAKOM, Jl. Raya Janti 143 Karangjambe, Yogyakarta
1
dzeky@akakom.ac.id, 2 iest_ayanthi@akakom.ac.id
Abstrak
Kasus kesakitan dan kematian akibat ISPA, khususnya ISPA bawah pada balita di negara berkembang
mencapai 25%-50%. Setiap tahun terdapat 4 juta anak balita meninggal karena ISPA (terutama pneumonia dan
bronkiolitis) di negara berkembang, sehingga memicu tinginya Angka Kematian Bayi. ISPA juga merupakan
salah satu penyebab utama kunjungan pasien pada sarana kesehatan.
Untuk mengantisipasi peningkatan jumlah penderita ISPA diperlukan sistem yang dapat memberikan
identifikasi serta peringatan dini terhadap wilayah mana yang jumlah penderita ISPA terbanyak. Identifikasi
serta peringatan dini wilayah ini didasarkan pada hasil nilai prediksi penderita ISPA pada wilayah tertentu.
Untuk memperoleh nilai prediksi yang akurat diperlukan beberapa parameter agar dapat menghasilkan nilai
prediksi baik. Jaringan syaraf tiruan merupakan salah satu metode softcomputing yang mampu melakukan
prediksi dengan baik. Algoritma jaringan syaraf tiruan yang digunakan pada penelitian ini menggunakan
backpropagation.
Input sistem untuk prediksi menggunakan data sebanyak 102 data dengan variabel jumlah penduduk
miskin, jumlah bayi lahir dibawah berat normal, jumlah imunisasi wajib, jumlah balita dengan gizi buruk
sedangkan output sistem jumlah penderita ISPA Balita. Nilai prediksi yang dihasilkan oleh JST mempunyai
akurasi sekitar 72%. Angka akurasi ini masih jauh dari sempurna, hal ini dapat dipengaruhi oleh beberapa faktor
antara lain jumlah data yang untuk penelitian dan pemilihan parameter JST.
Kata kunci : Backpropagation, Balita, ISPA, JST, Prediksi, Bantul.
1.
Pendahuluan
Infeksi Saluran Pernapasan Akut (ISPA) adalah
penyakit infeksi yang menyerang salah satu bagian
atau lebih dari saluran napas, mulai dari hidung
(saluran atas) hingga alveoli (saluran bawah)
termasuk jaringan adneksanya, seperti sinus, rongga
telinga tengah, dan pleura Penyakit ini
dikelompokkan menjadi ISPA atas seperti, batuk,
pilek, faringitis, tonsillitis dan ISPA bawah
misalnya, bronkitis, bronkiolitis, pneumonia. Resiko
kematian pada ISPA bawah lebih besar
dibandingkan kasus ISPA atas.
Penyakit ISPA di Indonesia merupakan
masalah kesehatan utama, terutama karena masih
tingginya angka penderita ISPA. Berdasarkan
laporan World Health Organization (WHO) Tahun
2005 menyatakan kematian balita akibat pneumonia
di seluruh dunia sekitar 19% atau berkisar 1,6–2,2
juta, di mana sekitar 70% terjadi di negara-negara
berkembang terutama di Afrika dan Asia Tenggara.
Dari data SEAMIC Health Statistic 2001 pneumonia
merupakan penyebab kematian nomor 6 di
Indonesia, nomor 9 di Brunei, nomor 7 di Malaysia,
nomor 3 di Singapura, nomor 6 di Thailand dan
nomor 3 di Vietnam. Setiap tahun di perkirakan 4
juta anak balita meninggal karena ISPA (terutama
pneumonia dan bronkiolitis) di negara berkembang ,
sehingga hal ini memicu tinginya Angka Kematian
Bayi (AKB).
Untuk mengantisipasi peningkatan jumlah
penderita ISPA diperlukan sebuah sistem yang dapat
memberikan identifikasi serta peringatan dini
terhadap wilayah-wilayah mana saja yang memiliki
jumlah penderita ISPA terbanyak. Identifikasi serta
peringatan dini wilayah ini didasarkan pada hasil
nilai prediksi jumlah penderita ISPA pada wilayah
tertentu. Untuk memperoleh nilai prediksi yang
akurat diperlukan metode yang tepat agar dapat
menghasilkan nilai prediksi dengan tingkat akurasi
tinggi.. Pendekatan softcomputing banyak digunakan
untuk problem solving termasuk salah satunya untuk
prediksi dikarenakan adanya kemampuan untuk
beradaptasi (self organizing). Salah satu metode
pada softcomputing yang sangat baik untuk
melakukan prediksi yaitu jaringan saraf tiruan
(artificial neural network). Jaringan saraf
merupakan model komputasi yang bekerja seperti
sistem saraf biologis saat berhubungan dengan dunia
luar.
Berdasarkan latar belakang tersebut di atas,
dapat dirumuskan suatu masalah bagaimana
memanfaatkan metode Jaringan Saraf Tiruan untuk
melakukan prediksi jumlah penderita ISPA sehingga
dapat mengidentifikasi dan peringatan dini daerah
rawan ISPA pada balita, dengan mengambil studi
kasus di Kabupaten Bantul sehingga diharapkan
dapat menjadi acuan bagi pihak-pihak yang terkait
untuk melakukan tindakan pencegahan dan
penanggulangan penyebaran ISPA.
Penelitian ini bertujuan untuk menerapkan
metode backpropagation untuk melakukan prediksi
dan hasil prediksi akan menjadi dasar untuk
identifikasi serta peringatan dini daerah rawan ISPA
pada balita di kabupaten Bantul.
Penelitian dari Identifikasi Daerah Rawan
ISPA pada Balita ini diharapkan dapat memberikan
manfaat secara langsung kepada pemerintah daerah
Kabupaten Bantul pada umumnya dan tenaga medis
pada khususnya untuk mengetahui sebaran daerah
rawan ISPA pada balita beserta faktor resiko yang
paling besar di setiap sebaran wilayah tersebut.
Sehingga diharapkan dari data tersebut, pemerintah
daerah dan tenaga medis dapat melakukan tindakan
pencegahan dan penanggulangan untuk menekan
angka penderita ISPA pada balita di Kabupaten
Bantul
2.
Tinjauan Pustaka
Penggunaan Jaringan Syaraf Tiruan dalam
penyelesaian bidang medis telah banyak dilakukan,
diantaranya untuk diagnosa gangguan saluran
pernapasan [6], yang memberikan hasil ketepatan
pengujian diagnosa mencapai 90%. JST secara luas
juga telah digunakan dalam masalah identifikasi,
salah satunya adalah dalam identifikasi scan iris
mata untuk aplikasi sistem pengamanan brankas [5].
Pada
aplikasi
ini
digunakan
metode
backpropagation untuk identifikasi pola iris mata
seseorang yang nantinya digunakan untuk
pengamanan brankas. Sistem ini dapat bekerja
optimal pada range : learning rate (laju belajar)
sebesar 15, jangkauan epoch (looping) sebanyak
100000 kali dengan toleransi error 0,001 dan
momentum 0,1. Tingkat keberhasilan sistem dalam
mengenali user adalah 80,1%.
Penelitian lain untuk identifikasi terutama
yang menyangkut proses identifikasi wilayah atau
daerah adalah identifikasi peta secara otomatis
menggunakan konsep JST backpropagation [1].
Penelitian ini menggunakan JST backpropagation
dengan citra peta wilayah sebagai masukan dan
menghasilkan identifikasi otomatis pada peta,
sehingga dapat digunakan untuk mengenali kondisi
suatu daerah secara otomatis. Hasil dari percobaan
pada penelitian ini untuk tingkat ketelitian mencapai
lebih dari 82%. Penelitian ini masih berupa
pemodelan
sehingga
belum
dikembangkan
implementasi dari pemodelan tersebut.
Dari hasil penelitian yang telah dilakukan
sebelumnya, dapat dinyatakan bahwa JST memiliki
kemampuan yang cukup baik dalam proses diagnosa
dan prediksi, karena dapat menghasilkan tingkat
keakuratan lebih dari 80%. Oleh karena itu, pada
penelitian kali ini digunakan metode JST untuk
menghasilkan informasi yang akurat untuk
digunakan pada identifikasi wilayah rawan ISPA
pada balita. Hasil identifikasi wilayah tersebut
nantinya akan digunakan sebagai acuan untuk
memberikan peringatan dini daerah rawan ISPA
pada balita di kabupaten Bantul sehingga diharapkan
dapat membantu pemerintah daerah untuk
memetakan solusi yang terbaik dalam rangka
pencegahan dan penanggulangan penyebaran ISPA
khususnya bagi balita yang nantinya juga dapat
menekan angka kematian pada bayi dan balita.
2.1 Infeksi Saluran Pernapasan Akut
ISPA (Infeksi Saluran Pernapasan Akut)
merupakan penyakit yang umum dijumpai pada
balita dan anak-anak serta masih menduduki
peringkat teratas sebagai penyebab kematian bayi di
Indonesia. Dari Survei Konsumsi Rumah Tangga
(SKRT) tahun 2001, diketahui bahwa 27,6%
kematian bayi kurang dari satu tahun disebabkan
oleh ISPA.
Faktor-faktor yang mempengaruhi tingginya
kejadian ISPA pada anak dan balita yakni faktor
intrinsik yaitu,
1. Umur
2. Status gizi
3. Status imunisasi
4. Jenis kelamin
Faktor ekstrinsik berupa perumahan, sosial ekonomi
dan pendidikan juga mempengaruhi kejadian ISPA
[4].
2.2 Jaringan Syaraf Tiruan
Jaringan Saraf Tiruan (JST) merupakan salah
satu representasi buatan dari otak manusia yang
selalu mencoba untuk mensimulasikan proses
pembelajaran pada otak manusia tersebut. Istilah
buatan digunakan karena jaringan saraf tiruan ini
diimplementasikan dengan menggunakan program
komputer yang mampu menyelesaikan sejumlah
proses perhitungan selama proses pembelajaran [3].
2.3 Algoritma Pembelajaran Backpropagation
JST memiliki keunggulan utama, yaitu
kemampuan ”belajar” dari contoh yang diberikan.
Backpropagation merupakan algoritma pembelajaran
terawasi yang menggunakan pola penyesuaian bobot
untuk mencapai nilai kesalahan yang minimum
untuk keluaran hasil prediksi yang nyata [2].
Gambar 1 menunjukkan arsitektur JST dengan
algoritma backpropagation.
b. Kriteria yang digunakan dalam penelitian ini
terbagi menjadi beberapa bagian,yaitu kriteria
kelahiran bayi dengan berat badan dibawah
normal, balita yang tidak mendapat imunisasi
wajib lengkap, status gizi balita buruk dan
jumlah masyarakat miskin.
c. Penentuan arsitektur Jaringan saraf tiruan (JST)
Untuk mendapatkan hasil prediksi yang
maksimal pada saat latihan diperlukan arsitektur
JST yang baik . Input terdiri dari 4 unit input, 3
unit hidden layer dan 1 unit output. Gambar
rancangan arsitektur yang akan dibuat untuk
sistem ini terlihat pada gambar 2.
Bias
X1
Z1
X2
Y
Gambar 1. Arsitektur Jaringan Multilayer
Backpropagation Dengan Satu Hidden Layer
Z2
X3
Z3
2.4 Mean Square Error (MSE)
Mean Square Error adalah fungsi kinerja yang
sering digunakan untuk backpropagation yang
dimana fungsi ini akan menngambil rata-rata kuadrat
error yang terjadi antar output jaringan dan target.
MSE dihitung sebagai berikut :
1. Hitung keluaran jaringan syaraf untuk masukan
pertama aktivitas prediksi.
2. Hitung selisih antara nilai target dengan nilai
keluaran prediksi.
3. Kuadratkan setiap selisih tersebut.
4. Jumlahkan semua kuadrat selisih dari tiap-tiap
data pembelajaran dalam suatu epoh.
5. Bagi hasil penjumlahan tersebut dengan jumlah
data pembelajaran.
Rumus Mean Square Error (MSE):
3.
X4
Gambar 2. Rancangan arsitektur JST untuk
melakukan prediksi jumlah penderita ISPA
Balita di Kabupaten Bantul.
Keterangan gambar :
X1 = jumlah bayi lahir dengan berat dibawah
normal
X2 = jumlah bayi yang tidak mendapat
imunisasi wajib lengkap
X3 = jumlah balita dengan status gizi buruk
X4 = jumlah masyarakat miskin
Flowchart sistem untuk training dan testing data
pada algoritma Backpropagation yang digunakan
untuk identifikasi dan deteksi ISPA Balita terlihat
pada gambar 3 dan gambar 4 dibawah ini :
Metode Penelitian
Penelitian dilakukan pada Dinas Kesehatan
Kabupaten Bantul. Sampel data yang diambil adalah
medical record (data medis) bagian Kesehatan Ibu
dan Anak Dinas Kesehatan pada tahun 2001 hingga
tahun 2011. Sampel terdiri dari data balita 0 – 5
tahun di 27 puskesmas se-Kabupaten Bantul.
Selain pasangan data masukan keluaran akan
terdapat proses pelatihan, beberapa hal yang
diperlukan dalam proses pelatihan ANN antara lain :
a. Pembagian data untuk pembelajaran dan
pengujian
Dari 150 data (Januari-Desember 2009) dibagi
menjadi dua bagian:
- 100 data digunakan untuk pelatihan
- 50 data digunakan untuk pengujian
Gambar 3. Flowchart untuk Training JST
Hasil bobot yang dihasilkan dari fase training akan
digunakan untuk melakukan testing dan prediksi
data penderita ISPA Balita.
Gambar 5. Tampilan utama sistem
Gambar 4. Flowchart Testing dan Prediksi JST
Gambar 6 Menu Upload Data
4.
Hasil dan Pembahasan
Sistem yang dibangun untuk melakukan
identifikasi dan deteksi dini penderita ISPA Balita di
Kabupaten Bantul dibangun menggunakan algoritma
yang ada di jaringan saraf tiruan yaitu
Backpropagation. Hasil dari sebuah sistem yang di
bangun menggunakan jaringan saraf tiruan sangat di
pengaruhi oleh beberapa faktor antara lain : jumlah
data yang digunakan pada hasil proses training dan
pengambilan parameter JST. Beberapa parameter
JST yang digunakan pada penelitian ini yaitu
inisialisasi bobot awal, jumlah epoch, nilai MSE,
jumlah unit pada hidden, fungsi aktivasi dan range
bobot yang akan digunakan pada penelitian.
Tampilan sistem secara umum dapat dilihat
pada gambar 5, sedangkan menu sistem untuk
menampilkan data (upload data) yang akan
digunakan pada pelatihan dapat dlihat pada gambar
5.2.
Data yang digunakan pada penelitian sebanyak
102 data dibagi menjadi 2 bagian yaitu 80% untuk
data training (pelatihan) dan 20% data digunakan
untuk testing (pengujian). Pada fase training
digunakan nilai parameter yang berbeda-beda untuk
mendapatkan hasil yang maksimal. Menu sistem
untuk training dan testing terlihat pada gambar 7 dan
gambar 8. Proses training pada JST ditunjukkan
dengan adanya grafik perubahan nilai MSE (means
square error) terhadap jumlah iterasi.
Gambar 7. Menu Training
Hasil testing untuk melakukan prediksi dengan
menggunakan nilai terbaik dari training dapat dilihat
pada tabel 1.
Tabel 1. Hasil Akurasi Testing
nilai
learning
rate
0,001
0,01
0,1
jumlah
hidden
6
6
6
akurasi
73%
69%
63%
Dari hasil yang terlihat pada tabel 1
memberikan gambaran bahwa hasil akurasi terbaik
dipengaruhi oleh parameter nilai learning rate,
dimana semakin nilai learning rate-nya maka nilai
akurasinya menjadi lebih baik. Dari hasil identifikasi
17 Kecamatan yang ada di Kabupaten Bantul daerah
yang paling banyak balita terserang ISPA terlihat
pada tabel 2.
Tabel 2. Hasil Prediksi ISPA tiap Kecamatan
Kecamatan
Dlingo
BBL
Pajangan
Pundong
Kretek
Srandakan
Sanden
Sedayu
Piyungan
Imogiri
Pleret
Jetis
Bantul
Pandak
Kasihan
Sewon
Banguntapan
5.
ISPA
128
148
151
154
158
158
159
179
184
196
207
212
217
237
244
280
358
e.
Kecamatan yang angka penderita ISPA Balita
terbesar ada dikecamatan Banguntapan.
Untuk dapat memberikan hasil penelitian
berikutnya lebih maksimal beberapa hal perlu
dilakukan antara lain:
a. Perlu dilakukan pengujian variabel input
sebelum digunakan pada JST
b. Menambah jumlah data historis
c. Memberikan analisa parameter performance
JST selain nilai learning rate
d. Perlu menggabungkan metode Fuzzy dan
Neural Nework untuk menghasilkan nilai
prediksi yang lebih baik.
Daftar Pustaka:
[1] Erwin,A.H.,2004,Model Identifikasi Peta
Secara Otomatis Menggunakan Konsep Jaringan
Syaraf
Tiruan
Backpropagation,
Media
Informatika, Vol. 2, No. 1, Juni 2004, ISSN:
0854-4743,39-46 ,Yogyakarta.
Hasil JST
96,31725664
103,7782172
123,827878
112,2602357
115,050619
115,3725248
116,185195
130,7887026
134,0785205
142,8111658
151,1207988
154,448583
158,5471126
173,1187905
177,9837979
204,0585029
261,0438584
Kesimpulan dan Saran
Dari uraian diatas dapat disimpulkan beberapa
hal mengenai hasil penelitian ini, antara lain :
a. Nilai learning rate yang semakin kecil akan
memberikan hasil akurasi yang cukup baik
untuk prediksi data
b. Data historis yang digunakan pada prediksi
akan memberikan pengaruh hasil yang cukup
signifikan
c. Pemilihan variabel input JST yang tepat akan
memberikan performance JST yang baik
d. Jumlah presentasi testing dan training yang
digunakan pada JST juga mempengaruhi nilai
prediksi.
[2] F. Suhandi, Krisna. 2009, Prediksi Harga
Saham Dengan Pendekatan Artificial Neural
Network
Menggunakan
Algoritma
Backpropagation, viewed 26 Agustus 2009.
[3]
Kusumadewi,Sri.,
2003,Artificial
Intelligence (Teknik dan Aplikasinya), Graha
Ilmu,Yogyakarta.
[4] Muluki,M., Analisis Faktor Risiko yang
Berhubungan dengan Terjadinya Penyakit ISPA
di Puskesmas Palanro Kecamatan Mallusetasi
Kabupaten Barru Tahun 2002-200, 2003,
Makasar.
[5] Syamsiar Fibri, Trendy., Puspita,Eru., Nur
Iman,Budi., Gil,P.G. and Ambrosio,J.E.,2009,
Sistem Identifikasi Scan Iris Mata Menggunakan
JST Propagasi Balik untuk Aplikasi Sistem
Pengamanan Brankas,Surabaya.
[6] Yuwono, Bambang., Rustamaji, C.Heru,
Dani,Usamah.,2001,
Diagnosa
Gangguan
Pernapasan Menggunakan Jaringan Syaraf
Tiruan Backpropagation,Seminar Nasional
Informatika 2011,1979-2328,Yogyakarta.
Biodata Penulis
Sri Redjeki, memperoleh gelar Sarjana Sains
(S.Si), pada Program Studi Statistika FMIPA
UGM, lulus tahun 1997. Tahun 2005
memperoleh gelar Magister Komputer (M.Kom)
dari Program Ilmu Komputer UGM. Saat ini
sebagai Staf Pengajar program studi Teknik
Informatika STMIK AKAKOM Yogyakarta.
Ariesta Damayanti, memperoleh gelar Sarjana
Komputer (S.Kom), pada Program Studi Teknik
Informatika lulus tahun 2002. Saat ini sebagai
Staf Pengajar program studi Teknik Informatika
STMIK AKAKOM Yogyakarta.
DAERAH RAWAN ISPA PADA BALITA
Sri Redjeki1, Ariesta Damayanti2
1,2
3
Teknik Informatika, STMIK AKAKOM Yogyakarta
STMIK AKAKOM, Jl. Raya Janti 143 Karangjambe, Yogyakarta
1
dzeky@akakom.ac.id, 2 iest_ayanthi@akakom.ac.id
Abstrak
Kasus kesakitan dan kematian akibat ISPA, khususnya ISPA bawah pada balita di negara berkembang
mencapai 25%-50%. Setiap tahun terdapat 4 juta anak balita meninggal karena ISPA (terutama pneumonia dan
bronkiolitis) di negara berkembang, sehingga memicu tinginya Angka Kematian Bayi. ISPA juga merupakan
salah satu penyebab utama kunjungan pasien pada sarana kesehatan.
Untuk mengantisipasi peningkatan jumlah penderita ISPA diperlukan sistem yang dapat memberikan
identifikasi serta peringatan dini terhadap wilayah mana yang jumlah penderita ISPA terbanyak. Identifikasi
serta peringatan dini wilayah ini didasarkan pada hasil nilai prediksi penderita ISPA pada wilayah tertentu.
Untuk memperoleh nilai prediksi yang akurat diperlukan beberapa parameter agar dapat menghasilkan nilai
prediksi baik. Jaringan syaraf tiruan merupakan salah satu metode softcomputing yang mampu melakukan
prediksi dengan baik. Algoritma jaringan syaraf tiruan yang digunakan pada penelitian ini menggunakan
backpropagation.
Input sistem untuk prediksi menggunakan data sebanyak 102 data dengan variabel jumlah penduduk
miskin, jumlah bayi lahir dibawah berat normal, jumlah imunisasi wajib, jumlah balita dengan gizi buruk
sedangkan output sistem jumlah penderita ISPA Balita. Nilai prediksi yang dihasilkan oleh JST mempunyai
akurasi sekitar 72%. Angka akurasi ini masih jauh dari sempurna, hal ini dapat dipengaruhi oleh beberapa faktor
antara lain jumlah data yang untuk penelitian dan pemilihan parameter JST.
Kata kunci : Backpropagation, Balita, ISPA, JST, Prediksi, Bantul.
1.
Pendahuluan
Infeksi Saluran Pernapasan Akut (ISPA) adalah
penyakit infeksi yang menyerang salah satu bagian
atau lebih dari saluran napas, mulai dari hidung
(saluran atas) hingga alveoli (saluran bawah)
termasuk jaringan adneksanya, seperti sinus, rongga
telinga tengah, dan pleura Penyakit ini
dikelompokkan menjadi ISPA atas seperti, batuk,
pilek, faringitis, tonsillitis dan ISPA bawah
misalnya, bronkitis, bronkiolitis, pneumonia. Resiko
kematian pada ISPA bawah lebih besar
dibandingkan kasus ISPA atas.
Penyakit ISPA di Indonesia merupakan
masalah kesehatan utama, terutama karena masih
tingginya angka penderita ISPA. Berdasarkan
laporan World Health Organization (WHO) Tahun
2005 menyatakan kematian balita akibat pneumonia
di seluruh dunia sekitar 19% atau berkisar 1,6–2,2
juta, di mana sekitar 70% terjadi di negara-negara
berkembang terutama di Afrika dan Asia Tenggara.
Dari data SEAMIC Health Statistic 2001 pneumonia
merupakan penyebab kematian nomor 6 di
Indonesia, nomor 9 di Brunei, nomor 7 di Malaysia,
nomor 3 di Singapura, nomor 6 di Thailand dan
nomor 3 di Vietnam. Setiap tahun di perkirakan 4
juta anak balita meninggal karena ISPA (terutama
pneumonia dan bronkiolitis) di negara berkembang ,
sehingga hal ini memicu tinginya Angka Kematian
Bayi (AKB).
Untuk mengantisipasi peningkatan jumlah
penderita ISPA diperlukan sebuah sistem yang dapat
memberikan identifikasi serta peringatan dini
terhadap wilayah-wilayah mana saja yang memiliki
jumlah penderita ISPA terbanyak. Identifikasi serta
peringatan dini wilayah ini didasarkan pada hasil
nilai prediksi jumlah penderita ISPA pada wilayah
tertentu. Untuk memperoleh nilai prediksi yang
akurat diperlukan metode yang tepat agar dapat
menghasilkan nilai prediksi dengan tingkat akurasi
tinggi.. Pendekatan softcomputing banyak digunakan
untuk problem solving termasuk salah satunya untuk
prediksi dikarenakan adanya kemampuan untuk
beradaptasi (self organizing). Salah satu metode
pada softcomputing yang sangat baik untuk
melakukan prediksi yaitu jaringan saraf tiruan
(artificial neural network). Jaringan saraf
merupakan model komputasi yang bekerja seperti
sistem saraf biologis saat berhubungan dengan dunia
luar.
Berdasarkan latar belakang tersebut di atas,
dapat dirumuskan suatu masalah bagaimana
memanfaatkan metode Jaringan Saraf Tiruan untuk
melakukan prediksi jumlah penderita ISPA sehingga
dapat mengidentifikasi dan peringatan dini daerah
rawan ISPA pada balita, dengan mengambil studi
kasus di Kabupaten Bantul sehingga diharapkan
dapat menjadi acuan bagi pihak-pihak yang terkait
untuk melakukan tindakan pencegahan dan
penanggulangan penyebaran ISPA.
Penelitian ini bertujuan untuk menerapkan
metode backpropagation untuk melakukan prediksi
dan hasil prediksi akan menjadi dasar untuk
identifikasi serta peringatan dini daerah rawan ISPA
pada balita di kabupaten Bantul.
Penelitian dari Identifikasi Daerah Rawan
ISPA pada Balita ini diharapkan dapat memberikan
manfaat secara langsung kepada pemerintah daerah
Kabupaten Bantul pada umumnya dan tenaga medis
pada khususnya untuk mengetahui sebaran daerah
rawan ISPA pada balita beserta faktor resiko yang
paling besar di setiap sebaran wilayah tersebut.
Sehingga diharapkan dari data tersebut, pemerintah
daerah dan tenaga medis dapat melakukan tindakan
pencegahan dan penanggulangan untuk menekan
angka penderita ISPA pada balita di Kabupaten
Bantul
2.
Tinjauan Pustaka
Penggunaan Jaringan Syaraf Tiruan dalam
penyelesaian bidang medis telah banyak dilakukan,
diantaranya untuk diagnosa gangguan saluran
pernapasan [6], yang memberikan hasil ketepatan
pengujian diagnosa mencapai 90%. JST secara luas
juga telah digunakan dalam masalah identifikasi,
salah satunya adalah dalam identifikasi scan iris
mata untuk aplikasi sistem pengamanan brankas [5].
Pada
aplikasi
ini
digunakan
metode
backpropagation untuk identifikasi pola iris mata
seseorang yang nantinya digunakan untuk
pengamanan brankas. Sistem ini dapat bekerja
optimal pada range : learning rate (laju belajar)
sebesar 15, jangkauan epoch (looping) sebanyak
100000 kali dengan toleransi error 0,001 dan
momentum 0,1. Tingkat keberhasilan sistem dalam
mengenali user adalah 80,1%.
Penelitian lain untuk identifikasi terutama
yang menyangkut proses identifikasi wilayah atau
daerah adalah identifikasi peta secara otomatis
menggunakan konsep JST backpropagation [1].
Penelitian ini menggunakan JST backpropagation
dengan citra peta wilayah sebagai masukan dan
menghasilkan identifikasi otomatis pada peta,
sehingga dapat digunakan untuk mengenali kondisi
suatu daerah secara otomatis. Hasil dari percobaan
pada penelitian ini untuk tingkat ketelitian mencapai
lebih dari 82%. Penelitian ini masih berupa
pemodelan
sehingga
belum
dikembangkan
implementasi dari pemodelan tersebut.
Dari hasil penelitian yang telah dilakukan
sebelumnya, dapat dinyatakan bahwa JST memiliki
kemampuan yang cukup baik dalam proses diagnosa
dan prediksi, karena dapat menghasilkan tingkat
keakuratan lebih dari 80%. Oleh karena itu, pada
penelitian kali ini digunakan metode JST untuk
menghasilkan informasi yang akurat untuk
digunakan pada identifikasi wilayah rawan ISPA
pada balita. Hasil identifikasi wilayah tersebut
nantinya akan digunakan sebagai acuan untuk
memberikan peringatan dini daerah rawan ISPA
pada balita di kabupaten Bantul sehingga diharapkan
dapat membantu pemerintah daerah untuk
memetakan solusi yang terbaik dalam rangka
pencegahan dan penanggulangan penyebaran ISPA
khususnya bagi balita yang nantinya juga dapat
menekan angka kematian pada bayi dan balita.
2.1 Infeksi Saluran Pernapasan Akut
ISPA (Infeksi Saluran Pernapasan Akut)
merupakan penyakit yang umum dijumpai pada
balita dan anak-anak serta masih menduduki
peringkat teratas sebagai penyebab kematian bayi di
Indonesia. Dari Survei Konsumsi Rumah Tangga
(SKRT) tahun 2001, diketahui bahwa 27,6%
kematian bayi kurang dari satu tahun disebabkan
oleh ISPA.
Faktor-faktor yang mempengaruhi tingginya
kejadian ISPA pada anak dan balita yakni faktor
intrinsik yaitu,
1. Umur
2. Status gizi
3. Status imunisasi
4. Jenis kelamin
Faktor ekstrinsik berupa perumahan, sosial ekonomi
dan pendidikan juga mempengaruhi kejadian ISPA
[4].
2.2 Jaringan Syaraf Tiruan
Jaringan Saraf Tiruan (JST) merupakan salah
satu representasi buatan dari otak manusia yang
selalu mencoba untuk mensimulasikan proses
pembelajaran pada otak manusia tersebut. Istilah
buatan digunakan karena jaringan saraf tiruan ini
diimplementasikan dengan menggunakan program
komputer yang mampu menyelesaikan sejumlah
proses perhitungan selama proses pembelajaran [3].
2.3 Algoritma Pembelajaran Backpropagation
JST memiliki keunggulan utama, yaitu
kemampuan ”belajar” dari contoh yang diberikan.
Backpropagation merupakan algoritma pembelajaran
terawasi yang menggunakan pola penyesuaian bobot
untuk mencapai nilai kesalahan yang minimum
untuk keluaran hasil prediksi yang nyata [2].
Gambar 1 menunjukkan arsitektur JST dengan
algoritma backpropagation.
b. Kriteria yang digunakan dalam penelitian ini
terbagi menjadi beberapa bagian,yaitu kriteria
kelahiran bayi dengan berat badan dibawah
normal, balita yang tidak mendapat imunisasi
wajib lengkap, status gizi balita buruk dan
jumlah masyarakat miskin.
c. Penentuan arsitektur Jaringan saraf tiruan (JST)
Untuk mendapatkan hasil prediksi yang
maksimal pada saat latihan diperlukan arsitektur
JST yang baik . Input terdiri dari 4 unit input, 3
unit hidden layer dan 1 unit output. Gambar
rancangan arsitektur yang akan dibuat untuk
sistem ini terlihat pada gambar 2.
Bias
X1
Z1
X2
Y
Gambar 1. Arsitektur Jaringan Multilayer
Backpropagation Dengan Satu Hidden Layer
Z2
X3
Z3
2.4 Mean Square Error (MSE)
Mean Square Error adalah fungsi kinerja yang
sering digunakan untuk backpropagation yang
dimana fungsi ini akan menngambil rata-rata kuadrat
error yang terjadi antar output jaringan dan target.
MSE dihitung sebagai berikut :
1. Hitung keluaran jaringan syaraf untuk masukan
pertama aktivitas prediksi.
2. Hitung selisih antara nilai target dengan nilai
keluaran prediksi.
3. Kuadratkan setiap selisih tersebut.
4. Jumlahkan semua kuadrat selisih dari tiap-tiap
data pembelajaran dalam suatu epoh.
5. Bagi hasil penjumlahan tersebut dengan jumlah
data pembelajaran.
Rumus Mean Square Error (MSE):
3.
X4
Gambar 2. Rancangan arsitektur JST untuk
melakukan prediksi jumlah penderita ISPA
Balita di Kabupaten Bantul.
Keterangan gambar :
X1 = jumlah bayi lahir dengan berat dibawah
normal
X2 = jumlah bayi yang tidak mendapat
imunisasi wajib lengkap
X3 = jumlah balita dengan status gizi buruk
X4 = jumlah masyarakat miskin
Flowchart sistem untuk training dan testing data
pada algoritma Backpropagation yang digunakan
untuk identifikasi dan deteksi ISPA Balita terlihat
pada gambar 3 dan gambar 4 dibawah ini :
Metode Penelitian
Penelitian dilakukan pada Dinas Kesehatan
Kabupaten Bantul. Sampel data yang diambil adalah
medical record (data medis) bagian Kesehatan Ibu
dan Anak Dinas Kesehatan pada tahun 2001 hingga
tahun 2011. Sampel terdiri dari data balita 0 – 5
tahun di 27 puskesmas se-Kabupaten Bantul.
Selain pasangan data masukan keluaran akan
terdapat proses pelatihan, beberapa hal yang
diperlukan dalam proses pelatihan ANN antara lain :
a. Pembagian data untuk pembelajaran dan
pengujian
Dari 150 data (Januari-Desember 2009) dibagi
menjadi dua bagian:
- 100 data digunakan untuk pelatihan
- 50 data digunakan untuk pengujian
Gambar 3. Flowchart untuk Training JST
Hasil bobot yang dihasilkan dari fase training akan
digunakan untuk melakukan testing dan prediksi
data penderita ISPA Balita.
Gambar 5. Tampilan utama sistem
Gambar 4. Flowchart Testing dan Prediksi JST
Gambar 6 Menu Upload Data
4.
Hasil dan Pembahasan
Sistem yang dibangun untuk melakukan
identifikasi dan deteksi dini penderita ISPA Balita di
Kabupaten Bantul dibangun menggunakan algoritma
yang ada di jaringan saraf tiruan yaitu
Backpropagation. Hasil dari sebuah sistem yang di
bangun menggunakan jaringan saraf tiruan sangat di
pengaruhi oleh beberapa faktor antara lain : jumlah
data yang digunakan pada hasil proses training dan
pengambilan parameter JST. Beberapa parameter
JST yang digunakan pada penelitian ini yaitu
inisialisasi bobot awal, jumlah epoch, nilai MSE,
jumlah unit pada hidden, fungsi aktivasi dan range
bobot yang akan digunakan pada penelitian.
Tampilan sistem secara umum dapat dilihat
pada gambar 5, sedangkan menu sistem untuk
menampilkan data (upload data) yang akan
digunakan pada pelatihan dapat dlihat pada gambar
5.2.
Data yang digunakan pada penelitian sebanyak
102 data dibagi menjadi 2 bagian yaitu 80% untuk
data training (pelatihan) dan 20% data digunakan
untuk testing (pengujian). Pada fase training
digunakan nilai parameter yang berbeda-beda untuk
mendapatkan hasil yang maksimal. Menu sistem
untuk training dan testing terlihat pada gambar 7 dan
gambar 8. Proses training pada JST ditunjukkan
dengan adanya grafik perubahan nilai MSE (means
square error) terhadap jumlah iterasi.
Gambar 7. Menu Training
Hasil testing untuk melakukan prediksi dengan
menggunakan nilai terbaik dari training dapat dilihat
pada tabel 1.
Tabel 1. Hasil Akurasi Testing
nilai
learning
rate
0,001
0,01
0,1
jumlah
hidden
6
6
6
akurasi
73%
69%
63%
Dari hasil yang terlihat pada tabel 1
memberikan gambaran bahwa hasil akurasi terbaik
dipengaruhi oleh parameter nilai learning rate,
dimana semakin nilai learning rate-nya maka nilai
akurasinya menjadi lebih baik. Dari hasil identifikasi
17 Kecamatan yang ada di Kabupaten Bantul daerah
yang paling banyak balita terserang ISPA terlihat
pada tabel 2.
Tabel 2. Hasil Prediksi ISPA tiap Kecamatan
Kecamatan
Dlingo
BBL
Pajangan
Pundong
Kretek
Srandakan
Sanden
Sedayu
Piyungan
Imogiri
Pleret
Jetis
Bantul
Pandak
Kasihan
Sewon
Banguntapan
5.
ISPA
128
148
151
154
158
158
159
179
184
196
207
212
217
237
244
280
358
e.
Kecamatan yang angka penderita ISPA Balita
terbesar ada dikecamatan Banguntapan.
Untuk dapat memberikan hasil penelitian
berikutnya lebih maksimal beberapa hal perlu
dilakukan antara lain:
a. Perlu dilakukan pengujian variabel input
sebelum digunakan pada JST
b. Menambah jumlah data historis
c. Memberikan analisa parameter performance
JST selain nilai learning rate
d. Perlu menggabungkan metode Fuzzy dan
Neural Nework untuk menghasilkan nilai
prediksi yang lebih baik.
Daftar Pustaka:
[1] Erwin,A.H.,2004,Model Identifikasi Peta
Secara Otomatis Menggunakan Konsep Jaringan
Syaraf
Tiruan
Backpropagation,
Media
Informatika, Vol. 2, No. 1, Juni 2004, ISSN:
0854-4743,39-46 ,Yogyakarta.
Hasil JST
96,31725664
103,7782172
123,827878
112,2602357
115,050619
115,3725248
116,185195
130,7887026
134,0785205
142,8111658
151,1207988
154,448583
158,5471126
173,1187905
177,9837979
204,0585029
261,0438584
Kesimpulan dan Saran
Dari uraian diatas dapat disimpulkan beberapa
hal mengenai hasil penelitian ini, antara lain :
a. Nilai learning rate yang semakin kecil akan
memberikan hasil akurasi yang cukup baik
untuk prediksi data
b. Data historis yang digunakan pada prediksi
akan memberikan pengaruh hasil yang cukup
signifikan
c. Pemilihan variabel input JST yang tepat akan
memberikan performance JST yang baik
d. Jumlah presentasi testing dan training yang
digunakan pada JST juga mempengaruhi nilai
prediksi.
[2] F. Suhandi, Krisna. 2009, Prediksi Harga
Saham Dengan Pendekatan Artificial Neural
Network
Menggunakan
Algoritma
Backpropagation, viewed 26 Agustus 2009.
[3]
Kusumadewi,Sri.,
2003,Artificial
Intelligence (Teknik dan Aplikasinya), Graha
Ilmu,Yogyakarta.
[4] Muluki,M., Analisis Faktor Risiko yang
Berhubungan dengan Terjadinya Penyakit ISPA
di Puskesmas Palanro Kecamatan Mallusetasi
Kabupaten Barru Tahun 2002-200, 2003,
Makasar.
[5] Syamsiar Fibri, Trendy., Puspita,Eru., Nur
Iman,Budi., Gil,P.G. and Ambrosio,J.E.,2009,
Sistem Identifikasi Scan Iris Mata Menggunakan
JST Propagasi Balik untuk Aplikasi Sistem
Pengamanan Brankas,Surabaya.
[6] Yuwono, Bambang., Rustamaji, C.Heru,
Dani,Usamah.,2001,
Diagnosa
Gangguan
Pernapasan Menggunakan Jaringan Syaraf
Tiruan Backpropagation,Seminar Nasional
Informatika 2011,1979-2328,Yogyakarta.
Biodata Penulis
Sri Redjeki, memperoleh gelar Sarjana Sains
(S.Si), pada Program Studi Statistika FMIPA
UGM, lulus tahun 1997. Tahun 2005
memperoleh gelar Magister Komputer (M.Kom)
dari Program Ilmu Komputer UGM. Saat ini
sebagai Staf Pengajar program studi Teknik
Informatika STMIK AKAKOM Yogyakarta.
Ariesta Damayanti, memperoleh gelar Sarjana
Komputer (S.Kom), pada Program Studi Teknik
Informatika lulus tahun 2002. Saat ini sebagai
Staf Pengajar program studi Teknik Informatika
STMIK AKAKOM Yogyakarta.