2800 Optimasi Peramalan Jumlah Kasus Penyakit Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation Dengan Algoritma Genetika

  Vol. 2, No. 8, Agustus 2018, hlm. 2800-2809 http://j-ptiik.ub.ac.id

Optimasi Peramalan Jumlah Kasus Penyakit Menggunakan Metode

Jaringan Syaraf Tiruan Backpropagation Dengan Algoritma Genetika

_{1 2 3 1,2,3}

Gilang Ramadhan , Budi Darma Setiawan , Marji

  Program Studi Teknik Informatika Fakultas Ilmu Komputer Universitas Brawijaya _{1 2 3} Email: azureknight02@gmail.com, s.budidarma@ub.ac.id , marji@ub.ac.id

  

Abstrak

  Jumlah kasus penyakit mengalami kenaikan dan penurunan setiap bulannya. Hal ini berdampak pada tidak seimbangnya ketersediaan obat seperti, kurang persediaan obat, pemborosan, obat yang tidak tepat sasaran, obat rusak dan lain sebagainya. Oleh karna itu diperlukan peramalan jumlah kasus penyakit untuk mengetahui jumlah kasus penyakit dalam waktu tertentu. Salah satu metode peramalan yang dapat digunakan adalah metode jaringan syaraf tiruan backpropagation. Metode ini dapat dioptimasi menggunakan algoritma genetika sehingga dapat menghasilkan hasil yang lebih optimal. Parameter yang dioptimasi adalah bobot serta bias yang akan digunakan pada algoritma

  

backproapgation . Penelitian ini bertujuan untuk melakukan peramalan jumlah kasus penyakit di

  Puskesmas Rogotrunan, Lumajang dengan menggunakan metode backpropagation yang dioptimasi dengan algoritma genetika. Dalam penelitian ini parameter optimal algoritma genetika adalah populasi=180, kombinasi cr dan mr berturut-turut 0,4 dan 0,6, generasi=100. Parameter algoritma

backpropagation yang potimal adalah jumlah data=16, neuron input=6, iterasi=1000, dan nilai alfa=0,1.

Didapatkan tingkat akurasi dengan MSE= 87,2 dengan data uji jumlah kasus penyakit pada bulan januari sampai desember pada tahun 2016. Dari nilai MSE yang diperoleh menggunakan metode

  

backpropagation yang dioptimasi dengan algoritma genetika ini dapat digunakan untuk meramalkan

jumlah kasus penyakit.

  Kata Kunci : Peramalan, jumlah kasus penyakit, backpropagation, algoritma genetika.

  

Abstract

The number of disease cases has increased and decreased every month. This has an impact on

the unbalanced of medicine availability such as, lack of supply of medicine, waste of medicine, medicine

that are not on target, damaged medicine and so on. Therefore forecasting on number of disease cases

is needed to determine the number of disease cases within a certain time. One of forecasting method

that can be used is backpropagation neural network method. This method can be optimized using genetic

algorithm to produce optimal results. The optimized parameters are weight and bias which will be used

in backpropagation algorithm. The purpose of this study is to forecast the number of disease cases at

Puskesmas Rogotrunan, Lumajang using backpropagation method optimized by genetic algorithm.

  

From this study the optimal parameters of genetic algorithm are population=180, combination of cr

and mr respectively 0,4 and 0,6, generation=100. The optimal parameters of backpropagation

algorithm are total data=16, input neuron=6, iteration=1000, alfa=0,1. Accuray obtained with

MSE=87,2 with data test of the number of disease cases in january to desember 2016. From the value

of MSE obtained using backpropagation method optimized by genetic algorithm can be used to forecast

the number of disease cases.

  Keyword : Forecasting, number of disease cases, backpropagation, genetic algorithm.

  dari segala penyakit. Menurut Riset Kesehatan 1.

   PENDAHULUAN

  Dasar (riskesdas) yang dilaksanakan pada tahun 2007 di Indonesia, diketahui bahwa rasio kasus Kesehatan merupakan sumber kebutuhan penyakit dikelompokkan menjadi penyakit yang penting yang diperlukan untuk dapat menular (28,1%), penyakit yang tidak menular melaksanakan kegiatan sehari-hari dengan baik.

  (59,5%), gangguan perinatal atau maternal (6%), Kesehatan perlu dijaga agar kita bisa terbebas

  Fakultas Ilmu Komputer disabilitas dan cidera (6,5%) (Kemenkes, 2012). Dari rasio ini diketahui terjadi penurunan pada penyakit menular, sedangkan pada penyakit tidak menular mengalami peningkatan, hal ini dilihat dari perbandingan SKRT tahun 2001 (Kemenkes, 2012). Kenaikian dan penurunan ini diketahui dengan melakukan perbandingan dari hasil riset Departemen Kesehatan pada tahun 2001 dan 2007. Berdasarkan data tersebut dibutuhkan waktu yang cukup lama untuk dapat mengukur atau menghitung jumlah kasus penyakit dalam kurun waktu tertentu. Hal ini dapat berdampak pada tidak seimbangnya ketersediaan obat seperti, kurang atau tidaknya persediaan obat, pemborosan, sasaran obat yang tidak tepat, dan rusaknya obat (Soerjono, 2001). Oleh karna itu, diperlukan solusi berupa peramalan sehingga dapat meningkatkan efisiensi serta efektifitas dalam menghitung jumlah kasus penyakit yang akurat, tepat, dan cepat.

  Backpropagation adalah salah satu

  Berdasarkan peramalan jumlah kasus penyakit serta penjelasan singkat tentang metode backpropagation dan algoritma genetika yang sudah diuraikan, maka dirancang penelitian “Optimasi Jumlah Kasus Penyakit menggunakan metode Jaringan Syaraf Tiruan Backpropagation dengan Algoritma Genetika”. Implementasi yang dilakukan adalah menggabungkan metode jaringan syaraf tiruan backpropagation untuk meramalkan jumlah kasus penyakit, sedangkan algoritma genetika digunakan sebagai proses optimasi parameter yang akan digunakan dalam metode backpropagation sehingga diharapkan dapat menghasilkan peramalan dengan akurasi yang baik. Dari hasil penelitian ini diharapkan dapat membantu masyarakat khususnya yang bekerja pada bidang kesehatan untuk dapat menghitung jumlah kasus penyakit.

  3. PERAMALAN

  Data tersebut tersusun dari data jumlah kasus penyakit demam typoid-partypoid setiap bulan dari tahun 2012 sampai 2016. Jumlah data yang digunakan adalah 1 penyakit yang terdiri dari 12 bulan dan 5 tahun dengan total data sebanyak 60. Data ini memiliki satu atribut berupa jumlah kasus penyakit. Jumlah kasus penyakit ini dapat digunakan untuk proses peramalan berdasarkan data time series.

  (Laporan Bulanan 1) Puskesmas Rogotrunan Kota Lumajang. Data yang digunakan dibagi menjadi dua yaitu data training dan data testing.

  typoid-paratypoid yang diambil dari LB1

  Data yang digunakan pada penelitian ini adalah data jumlah kasus penyakit demam

  2. DATASET

  sering terjebak pada lokal minimum dimana hasil yang didapatkan lebih kecil dari titik terdekat, akan tetapi lebih besar di titik yang jauh dikarnakan konvergensi dini (Nawi et al., 2013). Kelemahan ini bisa diatasi dengan menggunaka proses optimasi. Algoritma genetika merupakan salah satu algoritma yang dapat digunakan untuk proses optimasi. Pada penelitian yang dilakukan oleh (Haviluddin & Alfred, 2015) dalam meramalkan data time series menggunakan metode backpropagation yang dioptimasi menggunakan algoritma genetika yang menghasilkan nilai MSE lebih kecil dibandingkan hanya dengan menggunakan metode backpropagation.

  metode jaringan syaraf tiruan yang sering digunakan untuk studi kasus peramalan (Halim & Wibisono, 2000). Backpropagaton adalah perkembangan dari algoritma least mean square yang digunakan untuk melatih jaringan dengan beberapa layer. Algoritma ini memiliki

  backpropagation adalah jaringan syaraf tiruan

  Kelemahan metode jaringan syaraf tiruan

  sederhana yaitu, jika hasil yang dikeluarkan salah maka penimbang (weight) dikoreksi agar galatnya dapat diperkecil serta selanjutnya diharapkan mendekati hasil yang benar (Kosasi, 2014).

  backpropagation didasarkan dari hubungan

  yang menggunakan pendekatan steepest index (Hagan et al., 1996). Penggunaan serta penerapan metode backpropagation ini tergolong dalam algoritma pelatihan yang bersifat supervised. Proses pelatihan metode

  performance-index mean square error (MSE)

  Peramalan (forecasting) merupakan perkiraan atau dugaan akan suatu kejadian yang akan terjadi di masa mendatang (Supranto, 2000). Menurut Nachrowi (2004) peramalan merupakan suatu teknik yang digunakan untuk memprediksi atau memperkirakan nilai yang akan terjadi di masa depan melalui data yang relevan pada masa lalu dan masa sekarang. Peramalan dibutuhkan untuk memprediksi kuantitas, waktu, lokasi yang dibutuhkan pada masa depan. Menurut Sinaga (2007) peramalan dibutuhkan oleh perusahaan atau instansi untuk dapat mengetahui dan menentukan kapan suatu peristiwa akan terjadi atau suatu kebutuhan akan diperlukan di masa yang akan datang, sehingga persiapan akan suatu tindakan atau kebijakan dapat dilakukan.. Salah satu cara untuk menentukan ukuran kesalahan secara statistik yaitu dengan Mean Squared Error (MSE) yang ditunjukkan pada Persamaan 1.

  ′ (1)

  = ∑ ( − )

  =

  dimana

  ′

  = data hasil prediksi periode t

  Gambar 1. Arsitektur Jaringan Backpropagation

  = data aktual periode t 4.1.2.

   Fungsi Aktivasi

  = jumlah data Pada penelitian ini fungsi aktivasi yang 4.

   Backpropagation

  digunakan adalah binary sigmoid. Fungsi sigmoid biner memiliki nilai dari 0 sampai 1

  Backpropagation merupakan salah satu

  yang ditunjukkan pada Persamaan 2 metode yang ada dalam jaringan syaraf tiruan. Penggunaan serta penerapan metode

  (2) = ( ) =

  backpropagation ini tergolong dalam algoritma −

• pelatihan yang bersifat supervised. Proses dimana: pelatihan metode backpropagation didasarkan

  y=f(x) = hasil sinyal output dari x

  dari hubungan sederhana yaitu, jika hasil yang

  −x

  = eksponensial dari nilai -x dikeluarkan salah maka penimbang (weight) dikoreksi agar galatnya dapat diperkecil serta 4.1.3.

   Tahapan Algoritma Backpropagation

  selanjutnya diharapkan mendekati hasil yang Tahapan algoritma backpropagation benar (Kosasi, 2014). menurut Fauset (1994) adalah sebagai berikut: 4.1.1.

   Arsitektur Jaringan Backpropagation

  Terdapat beberapa layer, yaitu layer input,

  1. Inisialisasi bobot awal dan bias Bobot serta bias akan di inisialiasisasi

  hidden layer, dan layer output dalam arsitektur jaringan syaraf tiruan backpropagation. Proses secara random dengan interval 0 -1 atau 1.

  dari metode backpropagation adalah setelah

  2. Proses feedfoward

  menerima input atau masukan pada layer input,

  input ini akan diproses propagasi melewati Setiap unit input (X i

  ,i=1,…,n) menampung sinyal input x i serta menyebarkan setiap layer diatasnya hingga menghasilkan sinyal ini keseluruh unit yang berada di hidden keluaran atau output dari jaringan. Nilai error didapatkan dari perbandingan output jaringan layer. Input yang digunakan merupakan data

  training .

  dengan target output. Kemudian dengan menggunakan bobot awal, jaringan akan Setiap hidden unit (Z j

  ,j=1,…,p) melewatkan turunan dari nilai error tersebut melakukan penjumlahan pada sinyal-sinyal menuju hidden layer. Setelah itu akan dilakukan

  input yang dikalikan dengan bobot ,

  perhitungan jumlah bobot dari error hasil menggunakan Persamaan 3: propagasi sebelumnya oleh setiap neuron yang ada pada hidden layer. Sesudah menemukan

  (3) besarnya nilai error, maka dilakukan perubahan = + ∑

  =

  nilai bobot untuk mengurangi nilai error oleh

  neuron-neuron tersebut. Proses ini akan terus

  dimana dilakukan hingga nilai error yang didapatkan = sinyal masuk pada hidden z oleh jaringan mendekati nilai nol (Giantara,

  layer

  2013). Arsitektur jaringan backpropagation = sinyal input dapat dilihat pada Gambar 1.

  = bias pada hidden layer = bobot pada hidden layer Menghitung fungsi aktivasi menggunakan dengan Menghitung delta perubahan bias W 0k

  binary sigmoid

  Persamaan 4, kemudian mengirim sinyal output yang akan merubah bias W 0k dengan Persamaan 9: keseluruh unit pada unit output.

  (4) (9)

  ∆ = = ( _ )

  Setiap unit output ( dimana , = 1, … , ) melakukan penjumlahan sinyal-sinyal input = delta perubahan bias output

  ∆ yang sudah berbobot, termasuk biasnya layer menggunakan Persamaan 5: = learning rate

  = faktor koreksi output layer (5)

  = + ∑

  =

  Menghitung faktor koreksi_in unit tersembunyi. dimana

  = sinyal masuk pada output y (10)

  = ∑ = bobot serta bias ke output

  =

  layer dimana

  = fungsi aktivasi lapisan = faktor koreksi_in hidden unit

  δ tersembunyi k = faktor koreksi output layer

  = bobot hidden layer = bobot hidden layer ke lapisan keluaran

  Menghitung fungsi aktivasi menggunakan

  binary sigmoid untuk menghitung sinyal output Menghitung faktor koreksi hidden unit.

  dari hidden unit dengan Persamaan 6: (11)

  = ( − ) = ( _ ) (6) dimana

  3. Menghitung backpropagation error _k = faktor koreksi hidden unit Setiap unit output (Y

  ,k=1,…,m) = faktor koreksi_in hidden unit menampung suatu pola target yang sesuai

  = fungsi aktifasi hidden layer dengan pola input data training untuk menghitung kesalahan yang dihasilkan jaringan Menghitung koreksi bobot hidden layer. menggunakan Persamaan:

  (12) ∆ =

  (7) = ( − ) ( − ) dimana dimana

  = koreksi bobot hidden layer ∆

  = faktor koreksi output layer = learning rate

  = data training = faktor koreksi hidden unit

  = output pelatihan = sinyak input

  Menghitung faktor perubahan bobot W jk _jk Menghitung koreksi bias hidden layer. yang akan merubah bobot W dengan Persamaan 8:

  (13) ∆ =

  (8) ∆ = dimana dimana

  ∆ = koreksi bias hidden layer = delta perubahan bobot output

  = learning rate ∆

  layer

  = faktor koreksi hidden unit = learning rate

  = faktor koreksi output layer

  4. Menghitung perubahan bobot dan bias = fungsi aktivasi pada hidden

  Menghitung bobot baru input layer ke

  layer hidden layer .

  (14) 5.

ALGORITMA GENETIKA

  ( ) = ( )+∆ Algoritma genetika merupakan pencarian dimana heuristic yang meniru proses dari seleksi alam

  ( ) = bobot baru input layer yang pertama kali ditemukan oleh John Holland ke hidden layer

  (1992). Algoritma genetika dibuat berdasarkan ( ) = bobot lama input proses evolusi manusia yang memastikan

  layer ke hidden layer kelangsungan hidup dari suatu generasi.

  = koreksi bobot hidden ∆

  Algoritma genetika dirancang dan tergabung

  layer

  dalam model yang dibuat untuk memilih fitur terbaik dalam meningkatkan kinerja model Menghitung bias baru input layer ke peramalan (Haidar & Verma, 2016).

  hidden layer .

  5.1.1. Tahapan Algoritma Genetika

  (15) ( ) = ( )+∆

  Secara sederhana tahapan dalam algoritma genetika adalah inisialisasi populasi dimana awal kemudian anggota dari populasi tersebut

  ( ) = bias baru input layer akan melanjutkan proses evolusi. Proses evolusi ke hidden layer ini terdiri dari reproduksi, evaluasi, dan seleksi.

  ( ) = bias lama input layer Setiap algoritma genetika mempunyai kriteria ke hidden layer berhenti yang berbeda-beda yaitu, setelah

  = koreksi bias hidden ∆ generasi ke-n, tidak ada peningkatan hasil

  layer

  setelah beberapa waktu, dan hasil yang diinginkan telah tercapai (Haidar & Verma, Menghitung bobot baru hidden layer ke 2016).

  output layer .

  1. Inisialisasi Proses inisialisasi merupakan proses

  (16) ( ) = ( )+∆ pembangkitan individu yang dilakukan secara acak sesuai dengan jumlah populasi yang dimana ditentukan(popSize). Masing-masing individu

  ( ) = bobot baru hidden layer memiliki chromosome yang berbeda-beda sesuai ke output layer dengan solusi permasalahan yang akan

  ( ) = bobot lama hidden layer dilakukan(Mahmudy, 2015). ke output layer

  = koreksi bobot output layer ∆

  2. Reproduksi Proses reproduksi merupakan proses yang

  Menghitung bias baru hidden layer ke bertujuan untuk menghasilkan keturunan atau

  output layer .

  individu baru(offspring) dari sebuah populasi. (17)

  Dalam proses reproduksi terdapat dua macam ( ) = ( )+∆ cara yaitu crossover dan mutasi. Pada penelitian dimana ini digunakan metode one-cut point crossover

  ( ) = bias baru hidden layer ke dengan cara menukar gen sesuai dengan titik

  output layer

  potong yang ditentukan dan random mutation ( ) = bias lama hidden layer menggunakan Persamaan 18. ke output layer

  ′ = + ( − ) = koreksi bias output

  ∆ (18)

  layer

  dimana

  5. Menghitung nilai MSE = gen yang terpilih untuk mutasi Setelah melakukan semua tahapan diatas = nilai random -0,1sampai 0,1 dan mendapatkan hasil peramalan, maka akan

  = nilai maksimum dari individu dilakukan proses perhitungan kesalahan dari yang terpilih untuk mutasi algoritma backpropagation dengan

  = nilai minimum dari individu menggunakan perhitungan MSE pada yang terpilih untuk mutasi

  Persamaan 1

  3. Evaluasi

  Mulai

  Proses evaluasi bertujuan untuk memperoleh nilai kebugaran(fitness) dari setiap individu termasuk keturunan dari hasil

  Data Jumlah Kasus

  reproduksi. Menghitung nilai fitnessdengan

  Penyakit Persamaan 19.

   (19)

  =

  Normalisasi Data

  4. Seleksi Proses seleksi dilakukan untuk menyaring

  Optimasi Algen

  individu dari populasi hasil evaluasi yang bertahan ke generasi selanjutnya. Salah satu metode seleksi yang digunakan adalah elitism

  Kriteria Terpenuhi selection . Tidak Ya

5. Backpropagation-Algoritma genetika

  Hentikan Optimasi

  Kelemahan metode jaringan syaraf tiruan

  backpropagation adalah jaringan syaraf tiruan

  sering terjebak pada lokal minimun dikarnakan

  Pelatihan

  konvergensi dini (Nawi et al., 2013).Menurut

  Backpropagation

  beberapa penelitian yang telah diuraikan pada kajian pustaka, algoritma genetika dapat digunakan untuk proses optimasi metode

  Pengujian Backpropagation backpropagation untuk mendapatkan parameter

  yang optimal. Langkah-langkah penggabungan algoritma ini dijelaskan pada Gambar 2. x

  x Hasil Peramalan Selesai Gambar 3. Diagram Alir Perancangan Algoritma

  Backpropagation -Algoritma Genetika Gambar 2. Diagram Alir Algoritma

  Langkah-langkah yang dilakukan dalam

• Algoritma genetika

  Backpropagation

  implementasi antara lain: 1.

  Implementasi optimasi peramalan jumlah Proses perancangan optimasi peramalan kasus penyakit menggunakan metode jumlah kasus penyakit menggunakan metode jaringan syaraf tiruan backpropagation jaringan syaraf tiruan backpropagation dengan dengan Algoritma Genetika dengan algoritma genetika ditunjukkan pada Gambar 3. menggunakan bahasa pemrograman Java.

  2. Output yang diperoleh berupa hasil peramalan dan MSE.

  Sebelum melakukan proses peramalan data akan dipersiapkan dengan mengambil data latih jumlah kasus penyakit demam typoid-

  paratypoid dari bulan September 2015 sampai

  Desember 2015 yang dibagi menjadi 4 data lalu

  Cr Mr

  Gambar 5. Grafik Pengujian Kombinasi cr dan mr

   PENGUJIAN DAN ANALISIS 6.1. Pengujian Populasi

  Pengujian populasi ini bertujuan untuk mengetahui pengaruh ukuran populasi terhadap nilai fitness yang dihasilkan pada algoritma genetika. Data yang digunakan pada pengujian ini adalah data jumlah kasus penyakit demam

  typoid-paratypoid pada bulan september sampai

  desember tahun 2015. Untuk melakukan pengujian ini dibutuhkan beberapa parameter yang ditentukan sebelumnya. Jumlah populasi yang diuji adalah kelipatan 20 dari 20 sampai dengan 200. Pengujian dilakukan dengan melakukan percobaan sebanyak adalah 5 kali dan dicari rata-rata fitness yang diperoleh. Parameter populasi yang diuji, cr dan mr yang digunakan dalam pengujian populasi didapatkan dari penelitian yang dilakukan oleh Samaher dan Mahmudy (2015):  Jumlah Generasi : 10000  Cr : 0.5  Mr : 0.5 Hasil pengujian populasi ditunjukkan pada Gambar 4.

  Gambar 4. Grafik Pengujian Populasi

  Berdasarkan Gambar 4, diketahui bahwa

  fitness terkecil didapatkan pada saat populasi

  sebanyak 20 dikarnakan jumlah populasi yang digunakan masih sedikit, sehingga daerah yang diekplorasi terbatas yang menyebabkan solusi yang diberikan belum optimal, sementara nilai

  fitness

  tersbesar didapat pada saat populasi sebanyak 180 karena selanjutnya pada saat populasi sebanyak 200 nilai fitness yang dihasilkan menurun, sehingga ukuran populasi yang besar tidak menentukan nilai fitness yang dihasilkan akan semakin bagus.

  6.2. Pengujian Kombinasi cr dan mr

  Pengujian kombinasi cr dan mr bertujuan untuk mendapatkan kombinasi optimal dari cr dan mr untuk mencari nilai fitness terbaik. Data yang digunakan untuk pengujian ini adalah data jumlah kasus penyakit demam typoid-

  paratypoid pada bulan september sampai

  desember tahun 2015. Ukuran populasi yang digunakan pada pengujian ini adalah 180 yang merupakan hasil terbaik dari pengujian populasi. Jumlah generasi yang digunakan adalah 10000. Hasil pengujian kombinasi cr dan mr ditunjukkan pada Gambar 5.

  Berdasarkan Gambar 5, nilai fitness terbaik didapatkan pada saat kombinasi cr dan

  33

  mr berturut-turut 0,4 dan 0,6 dan nilai fitness

  terkecil didapatkan pada saat kombinasi cr dan

  mr berturut-turut 0 dan 1. Hal ini menandakan

  bahwa dengan kombinasi cr dan mr bertuturut- turut 0,4 dan 6 dapat menghasilkan nilai fitness yang optimal.

  6.3. Pengujian Generasi

  Pengujian generasi bertujuan untuk melihat pengaruh generasi terhadap nilai fitness yang dihasilkan pada algoritma genetika. Data yang digunakan pada pengujian ini adalah data

  0,0112 0,0113 0,0114 0,0115 0,0116 0,0117 0,0118 0,0119

  20 40 60 80 100120140160180200 Rat a

  fi tn es s

  Nilai Parameter Pengujian Populasi

  0,0114 0,0115 0,0116 0,0117 0,0118 0,0119

  1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Rat a

  fi tn es s

  Kombinasi Cr dan Mr Grafik Pengujian Cr dan Mr

  20 6.

  15

  menyusunnya sedemikian rupa seperti pada Tabel 1:

  7

  Tabel 1. Representasi partikel IPSO

  Data x1 x2 x3 x4 x5 x6 t

  1

  37

  24

  16

  11

  7

  7

  8

  2

  24

  16

  11

  7

  8

  8

  15

  3

  16

  11

  7

  7

  8

  15

  33

  4

  11

  7

  7

• r at a
• r at a
• r at a

• r at a

  4

  40

  50

  60

  70

  80

  90 100 Rat a

  fi tn es s

  Jumlah Generasi Grafik Pengujian Generasi

  50 100 150 200 250 300 350 400 450

  8

  20

  12

  16

  20 Rat a

  fi tn es s

  Jumlah Data Pengujian Pengaruh Jumlah Data dan Neuron Input

  6

  12

  18

  24

  30

  10

  jumlah kasus penyakit demam

  6, 12, 18, 24. Hasil pengujian ditunjukkan pada Gambar 7.

  typoid- paratypoid pada bulan september sampai

  desember tahun 2015. Ukuran populasi yang digunakan adalah 180 yang berasal dari pengujian populasi. Nilai cr dan mr yang digunakan adalah 0,4 dan 0,6. Jumlah generasi yang diuji adalah kelipatan 10 dari 10 sampai 100. Hasil pengujian generasi ditunjukkan pada Gambar .6.

  Gambar 6. Grafik Pengujian Generasi

  Berdasarkan Gambar 6, diketahui bahwa jumlah generasi mempengaruhi nilai fitness yang dihasilkan. Nilai fitness terkecil didapat pada generasi ke 10, hal ini disebabkan karena jumlah generasi yang masih sedikit sehingga belum bisa mendapat hasil yang optimal karena daerah eksplorasi masih terbatas. Pada umumnya semakin banyak generasi maka nilai fitness yang dihasilkan akan semakin baik. Nilai fitness tertinggi didapat pada generasi ke 100.

  Neuron Input

  Pengujian ini bertujuan untuk mengetahui pengaruh jumlah data dan neuron input(panjang data) terhadap nilai rata-rata MSE yang dihasilkan pada algoritma backpropagation. Data yang digunakan adalah data jumlah kasus penyakit demam typoid-paratypoid bulan januari sampai desember tahun 2016. Parameter

  training algoritma backpropagation yang

  digunakan adalah nilai alfa sebesar 0,1 dan jumlah iterasi sebanyak 10000. Parameter yang diuji adalah jumlah data dari 4, 8, 12, 16, 20 dan

  neuron input

  Gambar 7. Grafik Pengujian Pengaruh Jumlah Data dan Neuron Input

  0,01115 0,0112 0,01125 0,0113 0,01135 0,0114 0,01145 0,0115 0,01155 0,0116 0,01165

  Berdasarkan Gambar 7, ditunjukkan bahwa jumlah data dan neuron input mempengaruhi nilai MSE yang dihasilkan. Penggunaan data yang terlalu banyak serta

  neuron input yang banyak dapat meningkatkan

  nilai MSE yang dihasilkan. Hal ini dapat terjadi karena jarak antara data tidak membentuk pola yang baik.

  6.5. Pengujian Pengaruh Iterasi dan Nilai Alfa

  Pengujian ini bertujuan untuk mengetahui pengaruh iterasi dan nilai alfa terhadap nilai rata- rata MSE yang dihasilkan pada algoritma

6.4. Pengujian Pengaruh Jumlah Data dan

  backpropagation . Data yang digunakan pada

  pengujian ini adalah data jumlah kasus penyakit demam typoid-paratypoid bulan januari sampai deseber tahun 2016. Parameter training algoritma backpropagation yang digunakan adalah jumlah data sebanyak 16 dan neuron

  input sebanyak 6 dari hasil pengujian pengaruh sampai bulan desember di tahun 2016

  jumlah data dan neuron input. Parameter yang diuji adalah iterasi dengan kelipatan 500 dari 500 sampai 300 dan alfa dengan kelipatan 0,1 dari 0,1 sampai 0,9. Hasil pengujian ditunjukkan pada Gambar 8.

  Grafik Hasil Pengujian

  menggunakan parameter optimal. Kemudian dilakukan juga pengujian yang hanya

  Pengaruh Iterasi dan Nilai menggunakan algoritma . backpropagation

  Alfa

  Didapatkan Nilai MSE sebesar 87,20 untuk

  150

  algoritma backpropagation yang dioptimasi

  SE

  dengan algoritma genetika sedangkan 105,07

  130 M

  untuk algoritma backpropagation saja. Hasil

  a 110 at

  peramalan ditunjukkan pada Gambar 9.

  90

• r a

70 Rat

  Hasil Peramalan Jumlah Kasus Penyakit Tahun 2016 Nilai Alfa

  50 it

  Iterasi 500 Iterasi 1000 k a

  40 ny

  Iterasi 1500 Iterasi 2000 e P

  30 Iterasi 2500 Iterasi 300 sus

  20 Ka h a

  10 Gambar 8. Grafik Pengujian Pengaruh Iterasi dan Juml

  Nilai Alfa

  1

  2

  3

  4

  5

  6

  7 8 9 10 11 12

  Berdasarkan Gambar 8, ditunjukkan

  Bulan

  bahwa nilai alfa dan iterasi mempengaruhi nilai rata-rata MSE yang dihasilkan. Rata-rata MSE

  Data Aktual Algen-BP BP

  terbaik dihasilkan pada saat alfa=0,1 dan iterasi sebanyak 1000. Pada umumnya jika nilai alfa semakin kecil maka hasil peramalan akan

  Gambar 9. Grafik Hasil Peramalan Jumlah mendekati hasil yang baik.

  Kasus Penyakit Tahun 2016 6.6.

   Analisis Hasil Pengujian 7. KESIMPULAN

  Berdasarkan hasil pengujian yang sudah Berdasarkan hasil penelitian optimasi dialukan, diketahui parameter optimal yang peramalan jumlah kasus penyakit menggunakan sudah diuji. Pada pengujian populasi, didapatkan metode jaringan syaraf tiruan backpropagation parameter optimal yaitu 180 populasi dengan dengan algoritma genetika dapat diperoleh nilai fitness 0.011802422. Pada pengujian kesimpulan sebagai berikut: kombinasi cr dan mr, nilai fitness terbaik

  1. Berdasarkan hasil pengujian yang didapatkan dengan kombinasi cr dan mr dilakukan, parameter optimal algoritma berturut-turut 0,4 dan 0,6 dengan nilai fitness genetika adalah populasi=180, kombinasi

  0.0118092. Pada pengujian generasi, didapatkan

  cr dan mr berturut-turut 0,4 dan 0,6,

  parameter optimal yaitu 100 generasi dengan generasi=100. Parameter training nilai fitness 0.011619955. algoritma backpropagation yang potimal

  Pada pengujian pengaruh jumlah data dan adalah jumlah data=16, neuron input=6,

  neuron input didapatkan parameter optimal iterasi=1000, dan nilai alfa=0,1.

  jumlah data sebanyak 16 dan 6 neuron input Didapatkan tingkat akurasi dengan MSE= dengan nilai MSE 119.82243. Pada pengujian 87,2. pengaruh iterasi dan nilai alfa, didapat parameter optimal iterasi sebanyak 1000 dan nilai afla 0,1.

  2. Berdasarkan hasil pengujian yang Agar bisa mengetahui tingkat keakuratan dari dilakukan, parameter algortima genetika hasil peramalan jumlah kasus penyakit yang digunakan berpengaruh terhadap menggunakan metode jaringan syaraf tiruan nilai fitness yang dihasilkan, dimana

  backpropagation yang dioptimasi dengan

  semakin banyak populasi yang ditentukan algoritma genetika dilakukan percobaan dengan maka nilai fitness yang dihasilkan menggunakan data jumlah kasus penyakit cenderung naik karena jika populasi yang demam typoid-paratypoid dari bulan januari ditentukan sedikit maka daerah ekplorasinya terbatas, kombinasi cr dan

  mr berturut-turut 0,4 dan 0,6

  Informasi dan Ilmu Komputer (PTIIK) Universitas Brawijaya. Nawi, N.M., Khan, A., Rehman, M, Z., 2013. A

  Cambridge, MA, USA: MIT Press. Kemenkes RI, 2012. ISSN 2088-270X: Buletin

  Jendela Data dan Informasi Kesehatan edisi Penyakit Tidak Menular . Jakarta:

  Kementrian Kesehatan Republik Indonesia. Kosasi, Sandy, 2014. Penerapan Metode

  Jaringan Syaraf Tiruan Backpropagation Untuk Memprediksi Nilai Ujian Sekolah.

  Jurnal Teknologi , pp. 20-28.

  Mahmudy, W. F. 2015. Dasar-dasar Algoritma

  Evolusi . Malang: Program Teknologi

  New Backpropagation Neural Network Optimized with Cuckoo Search Algorithm. Computational Science and Its Applications-ICCSA, volume 7971, pp.

  158-163. Holland, J. H., 1992. Adaptation in Natural and

  413-426. Samaher & Mahmudy, W.Y., 2015. Penerapan

  Algoritma Genetika Untuk Memaksimalkan Laba Produksi Jilbab.

  Journal of Environmental Engineering & Sustainable Technology, volume 02, pp.6-

  11. Sinaga, S.Anti, 2007. Analisa Kecenderungan

  Penyakit Infeksi Saluran Pernafasan Akut (ISPA) Pada Bayi dan Balita Tahun 2002- 2006 Untuk Peramalan Pada Tahun 2007-2011 Di Kota Medan . S1.

  Universitas Sumatra Utara. Soerjono, S., 2001. Manajemen Apoteker.

  Airlangga University Press. Surabaya.

  Artificial Systems: An Introductory Analysis With Applications to Biology, Control, and Artificial Intellegence .

  International Conference on Science in Information Technology (ICSITech) , pp.

  menghasilkan nilai fitness terbaik, semakin besar generasi yang ditentukan maka nilai fitness yang dihasilkan semakin baik. Parameter algoritma

  Optimization (PSO) maupun metode optimasi lainnya.

  backpropagation

  yang digunakan juga berpengaruh terhadap nilai MSE yang dihasilkan, dimana jumlah data dan

  neuron input yang banyak menghasilkan

  nilai MSE yang buruk, hal ini dapat terjadi karena jarak antar data tidak membentuk pola yang baik. Semakin kecil nilai alfa yang digunakan dan iterasi yang tidak terlalu besar dapat memperoleh nilai MSE yang baik.

  Dalam penelitian optimasi peramalan jumlah kasus penyakit menggunakan metode jaringan syaraf tiruan backpropagation dengan agoritma genetika ini masih memiliki kekurangan, diharapkan kekurangan ini dapat menjadi pertimbangan untuk penelitian selanjutnya. Saran yang dapat dilakukan untuk penelitian selanjutnya adalah sebagai berikut :

  1. Mencari data untuk peramalan dengan pola yang baik sehingga dapat meningkatkan hasil peramalan secara optimal.

  2. Menggunakan metode optimasi lain selain algoritma genetika seperti Particle Swarm

  Haviluddin & Alfred R., 2015. A Genetic-Based Backpropagation Neural Network for Forecasting in Time-Series Data. 2015

8. DAFTAR PUSTAKA

  Neural Networks: Architectures, Algorithms, and Applications . Prentice-

  Hall. Giantara, Rangga. 2013. Pengenalan Pola Kelas

  Benang Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation . S1.

  Universitas Diponegoro. Hagan, Martin T., et al, 1996. Neural Network

  Design. Boston: PWS Publishing Company.

  Haidar, A. & Verma, B., 2016. A Genetic Algorithm based Feature Selection Approach for Rainfall Forecasting in Sugarcane Areas. 2016 IEEE Symposium

  Series on Computational Intellegence (SSCI) , pp. 1-8.

  Fausett, Laurene V., 1994. Fundamentals of