2781 Peramalan Jumlah Kasus Penyakit Menggunakan Jaringan Saraf Tiruan Backpropagation (Studi Kasus Puskesmas Rogotrunan Lumajang)
Vol. 2, No. 8, Agustus 2018, hlm. 2781-2790 http://j-ptiik.ub.ac.id
Peramalan Jumlah Kasus Penyakit Menggunakan
Jaringan Saraf Tiruan Backpropagation
(Studi Kasus Puskesmas Rogotrunan Lumajang)
1 2 3 1,2,3Andika Harlan , Budi Darma Setiawan , Marji
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya 1 2 3 Email: andikaharlan@outlook.co.id, s.budidarma@ub.ac.id, marji@ub.ac.id
Abstrak
Perubahan jumlah kasus penyakit yang tidak menentu sangat berpengaruh pada usaha perbaikan kesehatan baik dalam hal ketersediaan obat, tepat sasarannya obat, obat rusak dan lain sebagainya. Mengetahui pola jumlah kasus penyakit sangat penting bagi beberapa aktivitas dan pekerjaan yang ada. Maka dari itu diperlukan peramalan jumlah kasus penyakit untuk mengetahui pola jumlah kasus penyakit yang akan mendatang. Salah satu metode peramalan berbasis jaringan saraf tiruan yang sering digunakan adalah Backpropagation. Penelitian ini bertujuan untuk melakukan peramalan jumlah kasus penyakit dengan menggunakan studi kasus puskesmas Rogotrunan, Lumajang dengan menggunakan metode Ba ckpropagation.. Parameter Backpropagation yang diuji adalah jumlah data (n), alfa (α), dan jumlah iterasi (epoch). Peramalan jumlah kasus penyakit dengan data uji bulan Januari hingga Desember tahun 2016 yang dilakukan dengan menggunakan Backpropagation menghasilkan nilai MSE sebesar 115 serta tingkat keakuratan sebesar 0.0088.
Kata kunci: Peramalan, Jumlah kasus penyakit, Jaringan saraf tiruan, Backpropagation
Abstract
Changes in the number of cases of disease is very influential on health improvement efforts bothin terms of medicines availability, targeted medicines, damaged medicines and so forth. Knowing the
pattern of the number of cases of disease is very important for some activities and jobs that exist.
Therefore it is necessary to forecast the number of cases of disease to determine the pattern of the
number of cases of disease in the future. One of the most common method of artificial neural network
forecasting is Backpropagation. This study aims to forecast the number of cases of disease by using the
case study of puskesmas Rogotrunan, Lumajang using Backpropagation method. Backpropagation
parameters tested are the amount of data (n), alpha (α), and the number of iterations (epoch).
Forecasting the number of disease on cases with test data from January to December of 2016 conducted
using Backpropagation resulted in the value of MSE 115 and the accuracy of 0.0088.
Keywords: Forecasting, The Number of Cases of Disease, Artificial Neural-Network, Backpropagation
bila dibandingkan dengan SKRT tahun 2001 1.
PENDAHULUAN (Depkes, 2012). Kenaikan dan penurunan
jumlah kasus penyakit tersebut diketahui dengan Kesehatan merupakan salah satu kebutuhan membandingkan hasil riset oleh Departemen penting bagi setiap orang. Salah satu cara untuk
Kesehatan pada tahun 2001 dan 2007, waktu menjaga kesehatan adalah dengan menjaga diri yang cukup lama untuk mengetahui jumlah dari berbagai penyakit. Di Indonesia, kasus penyakit dalam kurun waktu tertentu. Hal berdasarkan Riset Kesehatan Dasar (riskesdas) ini mempengaruhi ketersediaan obat/vaksin tahun 2007 tercatat bahwa proporsi penyakit di yang tidak seimbang antara lain pemborosan,
Indonesia dibagi menjadi penyakit menular kurang atau tidak tersedianya obat, tidak tepat (28,1%), penyakit tidak menular (59,5%), sasarannya obat, obat rusak dan lain sebagainya gangguan maternal/perinatal (6%) dan cidera
(Seorjono, 2001). Untuk meningkatkan (6,5%) dari seluruh data penyakit (Depkes, efektifitas dan efisiensi dari perhitungan jumlah 2012). Proporsi penyakit tersebut menunjukkan kasus penyakit, maka dibutuhkan sebuah inovasi bahwa penyakit menular mengalami penurunan, dan penyakit tidak menular mengalami kenaikan
Fakultas Ilmu Komputer teknologi peramalan yang dapat memberikan hasil secara cepat dan akurat.
Peramalan dengan menerapkan jaringan saraf tiruan telah banyak dilakukan di berbagai bidang seperti (Bambang, et. al., 1999) pada penelitiannya yang memprediksi harga saham pada pasar modal di Indonesia dengan mengimplementasikan jaringan saraf tiruan feedforward, serta (Resmana, D.W., 1997) yang menggunakan jaringan saraf tiruan pada studi kasus peramalan nilai tukar valuta asing. Perkembangan jaringan saraf tiruan yang telah banyak diimplementasikan dalam berbagai kasus, melahirkan algoritma Backpropagation yang diperkenalkan oleh David Rumelhart dan James Mc Clelland (1986). Saat ini Backpropagation merupakan struktur jaringan saraf yang umum digunakan tidak terkecuali dalam studi kasus peramalan (Halim & Wibisono, 2000).
Algoritma Backpropagation menggunakan pendekatan algoritma steepest decent dan merupakan pengembangan dari algoritma least mean square yang dapat digunakan untuk melatih jaringan-jaringan yang memiliki beberapa layer (Hagan, M.T., 1996). Dalam kasus peramalan, Backpropagation telah banyak digunakan di berbagai bidang seperti pada bidang kesehatan, penelitian model Backpropagation neural network untuk peramalan kasus demam berdarah di D.I Yogyakarta oleh (Paramita Jati, S.P., 2013) merupakan salah satu contoh dari banyaknya implementasi jaringan saraf tiruan Backpropagation.
Didalam peramalan dalam berbagai bidang, data yang digunakan memiliki berbagai kriteria yang salah satunya adalah data runtun waktu (time series). Data runtun waktu (time series) merupakan suatu rangkaian pengamatan dalam penelitian berdasarkan urutan waktu kuantitatif dari satu ataupun kumpulan kejadian yang diambil dalam periode waktu tertentu (Hassun, S., 2012). Penggunaan jaringan saraf tiruan dalam mengolah data runtun waktu (time series) adalah implementasi yang baik, hal ini didukung oleh penelitian yang dilakukan oleh (Shabri, 2001) yang membandingkan neural network dengan box Jenkins model dalam melakukan time series forecasting. Dalam penelitian tersebut, Shabri membuktikan bahwa jaringan saraf tiruan/ neural network adalah salah satu metode alternatif yang menjanjikan. Berdasarkan ciri khas data runtun waktu (time series), peramalan berbasis time series dapat diimplementasikan pada bebagai studi kasus yang memiliki data berbasis time series.
Pada penelitian ini akan dilakukan implementasi metode jaringan saraf tiruan Backpropagation pada studi kasus bidang kesehatan yaitu peramalan jumlah kasus penyakit yang merupakan data runtut waktu (time series) pada tahun 2012-2016. Hasil dari penelitian ini diharapkan dapat membantu dalam mendapatkan hasil peramalan jumlah kasus penyakit dengan cepat dan akurat.
2. DASAR TEORI
2.1 Penjelasan Dataset
Data yang digunakan pada penelitian ini adalah data jumlah kasus penyakit Demam Tifoid-Paratifoid dan Nasofaringitis akut yang didapatkan dari dataset dari LB1 (Laporan Bulanan 1) Puskesmas Rogotrunan kota Lumajang. Data yang digunakan dibagi menjadi dua bagian yaitu data training dan data testing. Data tersebut tersusun dari jumlah kasus penyakit per bulan dari tahun 2012 sampai 2016 dengan satuan jumlah kasus.
2.2 Peramalan
Peramalan (forecasting) merupakan suatu perhitungan ilmiah yang bertujuan untuk memprediksikan keadaan di masa yang akan datang dengan menggunakan data dan informasi pada masa lalu (Adam & Ebert, 1982). Peramalan telah banyak digunakan dalam berbagai bidang atau kasus, dikarenakan pentingnya mengetahui informasi dan data yang akan datang supaya dapat mempersiapkan sebelum terjadi. Luthfianto (2011) pada penelitiannya menyatakan bahwa peramalan merupakan salah satu faktor penting dalam mengambil keputusan pada organisasi bisnis serta dapat digunakan untuk melakukan perancanaan jangka panjang pada perusahaan atau instansi tertentu. Dalam melakukan peramalan, hasil yang didapatkan tidak selalu tepat sesuai dengan kenyataan. Salah satu cara untuk menentukan ukuran kesalahan secara statistik yaitu dengan Mean Squared Error (MSE) yang ditunjukkan pada Persamaan 1.
=
∑
2 =1
(1) Dimana:
= nilai error pada periode t = jumlah data uji
2.3 Backpropagation
Backpropagation adalah salah satu algoritma pembelajaran yang umumnya diterapkan pada peramalan dan merupakan bagian dari jaringan saraf tiruan. Algoritma backpropagation biasa digunakan untuk peramalan (forecasting) dengan menggunakan perceptron yang memiliki banyak lapisan (multi- layer). Perceptron tersebut nantinya digunakan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang terdapat pada lapisan tersembunyi (hidden layer) (Handayani, 2013). Backpropagation terdiri dari dua tahap yaitu umpan maju (feedforward) dan umpan mundur. Disaat tahapan umpan maju (feedforward) berjalan, setiap unit input akan menerima sinyal input yang selanjutnya akan meneruskan sinyal tersebut pada tiap-tiap hidden unit pada hidden layer.
Fungsi Aktivasi merupakan nilai keluaran (output) dari sebuah neuron yang ada pada level aktivasi tertentu berdasarkan nilai keluaran (output) dari pengombinasi linier. Fungsi ini nantinya digunakan untuk menentukan keluaran (output) suatu neuron. Pada penelitian ini, fungsi aktivasi yang digunakan adalah Binary Sigmoid.
Gambar 1 Arsitektur Jaringan Backpropagation
2.3.2 Fungsi Aktivasi
2.3.1 Arsitektur Jaringan Backpropagation
Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Fungsi ini sering digunakan untuk jaringan syaraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Definisi fungsi sigmoid biner ditunjukkan pada Persamaan 2.
2. Melakukan Proses Feed-forward Setiap input unit
Selanjutnya jaringan akan melewatkan turunan dari error tersebut ke hidden layer dengan menggunakan bobot yang nilainya belum diubah. Kemudian setiap neuron pada hidden layer akan menghitung jumlah bobot dari error yang telah dipropagasikan sebelumnya. Setelah masing-masing neuron dari hidden layer dan output layer mendapatkan besar error, maka neuron tersebut akan mengubah nilai bobotnya untuk mengurangi nilai error. Proses ini akan berlangsung berulang-kali hingga error yang dihasilkan oleh jaringan tersebut mendekati nol (Giantara, 2013). Arsitektur jaringan backpropagation (Fausett, 1994) dapat dilihat pada Gambar 1
= sinyal masuk lapisan tersembunyi
(3) Dimana: z
=1
Setiap hidden unit (Zj, j=1, …, p) akan menjumlahkan sinyal-sinyal input yang sudah berbobot, termasuk biasnya dengan menggunakan Persamaan 3. z = + ∑
(Xi, i=1, …, n) menerima sinyal input Xi dan meneruskan sinyal tersebut pada seluruh unit pada hidden layer. Input yang digunakan adalan input pada data training.
Inisialisasi Bobot dan Bias Baik bobot maupun bias di inisialisasi awal secara acak dalam interval antara 0-1 atau -1
= ( ) =
Menurut Fausett (1994), tahapan-tahapan proses pada Backpropagation adalah sebagai berikut: 1.
2.3.3 Tahapan Algoritma Backpropagation
Arsitektur jaringan algoritma backpropagation pada dasarnya tersusun dari beberapa layer, yaitu layer masukan (input layer), layer tersembunyi (hidden layer) serta layer keluaran (output layer). Cara kerja jaringan backpropagation adalah apabila masukan datang melalui input layer, maka masukan akan dipropagasikan melewati setiap layer yang ada di atasnya hingga menghasilkan keluaran (output) dari jaringan tersebut. Keluaran (output) tersebut kemudian dibandingkan dengan target keluaran (target output), sehingga akan menghasilkan jarak ketidakcocokan/ miss range antara keluaran (output) dan target keluaran (target output). Ketidakcocokan tersebut biasa disebut nilai error.
y=f(x) = sinyal output dari x −x
(2) Dimana:
1 1+ −x
= eksponensial dari nilai -x Menghitung delta perubahan bias W_0k = input yang terdiri dari neuron yang akan merubah bias W_0k dengan
= bias pada lapisan tersembunyi Persamaan 9. = bobot pada lapisan tersembunyi
(9) ∆ =
Menggunakan fungsi aktivasi yang telah Dimana: ditentukan yaitu menggunakan sigmoid biner
= delta perubahan bias lapisan ∆ untuk menghitung sinyal output dari hidden unit keluaran dengan Persamaan 4, kemudian mengirim sinyal
= learning rate output keseluruh unit pada unit output. = faktor koreksi error lapisan
(4) = ( _ ) keluaran Setiap unit output (
, = 1, … , ) akan Menghitung faktor koreksi_in unit menjumlahkan sinyal-sinyal input yang sudah tersembunyi berbobot, termasuk biasnya menggunakan
Persamaan 5.
δ = ∑
=1
(5) y = + ∑ (10)
=1
Dimana: Dimana:
= faktor koreksi_in unit tersembunyi δ
= sinyal masuk keluaran y = faktor koreksi error lapisan
= bobot bias ke output layer keluaran = hasil fungsi aktivasi hidden layer
= bobot hidden layer ke output layer = bobot hidden layer
Menghitung faktor koreksi bobot unit Menggunakan fungsi aktivasi yang telah tersembunyi ditentukan yaitu menggunakan sigmoid biner
= (1 − ) untuk menghitung sinyal output dari hidden unit (11) dengan Persamaan 6, kemudian mengirim sinyal
Dimana: output keseluruh unit pada unit output.
= faktor koreksi error lapisan (6)
= ( _ ) tersembunyi
3. Melakukan Propagasi Error
= faktor koreksi_in unit tersembunyi (Backpropagation of error)
= hasil fungsi aktivasi hidden layer Setiap unit output (Yk, k=1, …, m)
Menghitung koreksi bobot lapisan menerima suatu target pattern (desired output) tersembunyi yang sesuai dengan input training pattern untuk
(12) ∆ = dihitung kesalahan (error) antara target dengan Dimana:
output yang dihasilkan jaringan menggunakan
= delta perubahan bobot lapisan Persamaan 7. ∆ tersembunyi
(7) = ( − ) (1 − )
= learning rate Dimana:
= faktor koreksi error lapisan = faktor koreksi error unit keluaran tersembunyi
= data target = nilai input
= hasil keluaran pelatihan Menghitung koreksi bias lapisan tersembunyi
Menghitung delta perubahan bobot W_jk ∆ = yang akan merubah bobot W_jk dengan
(13) Dimana: Persamaan 8. ∆ = delta perubahan bias lapisan
(8) ∆ = tersembunyi Dimana:
= learning rate =delta perubahan bobot lapisan
∆ = faktor koreksi error unit keluaran tersembunyi
= learning rate 4.
Menghitung Bobot dan Bias Baru = faktor koreksi error lapisan
Menghitung bobot baru input layer ke keluaran lapisan tersembunyi
= hasil fungsi aktivasi hidden layer (14)
( ) = ( )+∆ Dimana: = hasil keluaran pelatihan
N = jumlah data ( ) = bobot baru input layer ke lapisan tersembunyi
Pelatihan Backpropagation digunakan ( ) = bobot lama input layer ke untuk mendapatkan tingkat keakuratan dari lapisan tersembunyi peramalan. Jika nilai asli MSE digunakan
= koreksi bobot lapisan ∆ sebagai tingkat keakuratan maka keakuratan tersembunyi terbaik adalah nilai yang terkecil. Supaya nilai
Menghitung bias baru input layer ke lapisan keakuratan terbaik dari Backpropagation tersembunyi tertinggi, maka digunakan perhitungan dengan
(15) ( ) = ( )+∆ Persamaan 19.
Dimana:
1
(19) =
( ) = bias baru input layer ke
1+
lapisan tersembunyi ( )= bias lama input layer ke 3.
PERANCANGAN DAN
lapisan tersembunyi
IMPLEMENTASI
= koreksi bias lapisan ∆ tersembunyi Proses peramalan jumlah kasus penyakit Menghitung bobot baru lapisan menggunakan jaringan saraf tiruan Backpropagation ditunjukkan pada Gambar 2. tersembunyi ke lapisan keluaran
(16) ( ) = ( )+∆
Dimana: ( ) = bobot baru lapisan tersembunyi ke lapisan keluaran ( ) = bobot lama lapisan tersembunyi ke lapisan keluaran
= koreksi bobot lapisan ∆ keluaran Menghitung bias baru lapisan tersembunyi ke lapisan keluaran
(17) ( ) = ( )+∆
Dimana: = bias baru lapisan
( ) tersembunyi ke lapisan keluaran = bias lama lapisan
( ) tersembunyi ke lapisan keluaran = koreksi bias lapisan keluaran
∆ 5. Menghitung MSE (Mean Squared Error)
Tahap perhitungan feedforward ,
Gambar 2. Diagram Alir Proses Peramalan dengan backpropagation dan bobot serta bias baru akan
Backpropagation diulang terus hingga kondisi berhenti terpenuhi.
Kondisi penghentian yang dipakai adalah jumlah Berdasarkan pola data yang akan digunakan iterasi maksimum atau error. Proses perhitungan sebagai peramalan maka dapat dirancang kesalahan dan akurasi pada backpropagation arsitektur jaringan Backpropagation yang dapat dapat dilakukan dengan menggunakan dilihat pada Gambar 3. perhitungan MSE (Bowerman et al., 1987 dalam Sungkawa, 2011) pada Persamaan 18.
1
2
(18) = ∑ ( − )
=1
Dimana, MSE = perhitungan kesalahan mean
squared error
= data target
Berdasarkan Tabel 1 didapatkan hasil tingkat keakuratan dari peramalan jumlah kasus penyakit dengan menggunakan
. Hasil tingkat keakuratan
Backpropagation
tertinggi yang didapatkan adalah dengan panjang data sebanyak 6 dan jumlah data sebanyak 6 dengan rata-rata 0.003772. Hasil pengujian jumlah data dengan bentuk grafik garis dapat dilihat pada Gambar 4.
Pengujian Jumlah Data 0,004 0,0035
Gambar 3. Perancangan Arsitektur Jaringan an
0,003 rat u
Langkah-langkah yang dilakukan dalam
0,0025 k
implementasi antara lain:
0,002 Kea 1. a
Implementasi jaringan saraf tiruan
0,0015 at
Backpropagation untuk peramalan jumlah
- r a
0,001
kasus penyakit ke dalam bahasa
Rat 0,0005 pemrograman Java.
2. Output yang diperoleh berupa hasil peramalan, MSE dan tingkat keakuratan.
6
12
24
36 Panjang Data 6 4.
Jumlah Data
HASIL DAN PEMBAHASAN
Panjang Data 12
4.1 Hasil dan Analisis Pengujian Jumlah
Gambar 4. Grafik Pengujian Jumlah Data Data
Pengujian jumlah data ini bertujuan untuk Berdasarkan Gambar 4, didapatkan bahwa mendapatkan jumlah data latih yang optimal. jumlah data latih yang semakin banyak
Dengan menggunakan data latih yang berubah- menunjukkan nilai tingkat keakuratan yang ubah sesuai masukan user, serta data uji yang semakin buruk. Selain itu didapatkan juga bahwa tetap yaitu bulan Januari hingga Desember pada panjang data sebanyak 6 lebih baik tingkat tahun 2016. Untuk melakukan pengujian jumlah keakuratannya daripada panjang data 12. Hal data, diperlukan beberapa parameter yang telah tersebut disebabkan oleh data yang polanya tidak ditentukan sebelumnya. Parameter alfa dan teratur. Semakin banyak data yang digunakan jumlah iterasi didapatkan dari pengujian awal untuk data latih maka pola data yang tidak teratur yang dilakukan oleh penulis. Parameter yang semakin banyak pula. Hal tersebut digunakan untuk pengujian jumlah data adalah mempengaruhi akurasi peramalan. sebagai berikut:
: 0.05
- Alfa • Jumlah iterasi : 100000
4.2 Hasil dan Analisis Pengujian Alfa
Pengujian parameter alfa ini bertujuan Hasil pengujian jumlah data dapat dilihat untuk mendapatkan nilai alfa (learning rate) pada Tabel 1. yang optimal. Data latih yang digunakan sebanyak 6 data dengan panjang data 6, serta
Tabel 1. Hasil Pengujian Jumlah Data Panjang Jumlah Tingkat Keakuratan pada Percobaan ke-i Rata-rata Data Data 1 2 3 4 5 Keakuratan data uji yang tetap yaitu bulan Januari hingga 6 0.00421 0.00438 0.00468 0.00339 0.00220 0.003772 Desember pada tahun 2016. Untuk melakukan 6 12 0.00148 0.00157 0.00165 0.00459 0.00245 0.002346 pengujian alfa, diperlukan parameter lain yang 36 24 0.00228 0.00456 0.00254 0.00278 0.00193 0.002819 0.00381 0.00217 0.00452 0.00118 0.00168 0.002673 telah ditentukan sebelumnya. Parameter jumlah 6 0.00262 0.00167 0.00307 0.00216 0.00241 0.002386 data didapatkan dari pengujian diatas, dan 12 12 0.00146 0.00282 0.00217 0.00178 0.00147 0.001942 parameter jumlah iterasi didapatkan dari 36 0.00095 0.00106 0.00191 0.00138 0.00231 0.001522 24 0.00122 0.00162 0.00143 0.00085 0.00166 0.001357 pengujian awal yang dilakukan oleh penulis.
Parameter yang digunakan untuk pengujian alfa adalah sebagai berikut:
- Jumlah Data : 6
- Panjang Data : 6
- Jumlah iterasi : 100000 Hasil pengujian alfa dapat dilihat pada Tabel 2.
- Jumlah Data : 6
- Panjang Data : 6
- Alfa : 0.05
tertinggi yang didapatkan adalah dengan jumlah iterasi sebanyak 100000 dengan rata-rata 0.003986. Hasil pengujian jumlah iterasi dengan bentuk grafik garis dapat dilihat pada Gambar 6.
Rat a
0,001 0,002 0,003 0,004 0,005
Alfa Pengujian Alfa Jumlah Iterasi Tingkat Keakuratan pada Percobaan ke-i Rata-rata Keakuratan 1 2 3 4 0.00203 0.00214 0.00204 0.00194 0.00188 0.002006 5 1000 5000 0.00239 0.00307 0.00231 0.00345 0.00263 0.002772 10000 0.00218 0.00300 0.00539 0.00177 0.00277 0.003020 50000 0.00427 0.00219 0.00429 0.00398 0.00308 0.003562 100000 0.00233 0.00567 0.00316 0.00614 0.00263 0.003986 500000 0.00195 0.00243 0.00135 0.00257 0.00182 0.002024 1000000 0.00472 0.00228 0.00482 0.00218 0.00120 0.003040 5000000 0.00266 0.00558 0.00188 0.00342 0.00414 0.003536 10000000 0.00402 0.00394 0.00784 0.00265 0.00142 0.003975 50000000 0.00574 0.00395 0.00373 0.00224 0.00284 0.003701
Rat a
0.5 0.00582 0.00405 0.00182 0.00221 0.00694 0.004168 0,001 0,002 0,003 0,004 0,005 0,006
0.05 0.00500 0.00602 0.00179 0.00933 0.00254 0.004936 0.1 0.00158 0.00580 0.00240 0.00160 0.00305 0.002884 0.2 0.00755 0.00348 0.00418 0.00284 0.00344 0.004298 0.3 0.00291 0.00770 0.00406 0.00239 0.00212 0.003836 0.4 0.00331 0.00250 0.00887 0.00395 0.00179 0.004082
5 0.0005 0.00203 0.00192 0.00198 0.00188 0.00196 0.001955 0.001 0.00193 0.00221 0.00243 0.00212 0.00181 0.002100 0.005 0.00728 0.00177 0.00698 0.00258 0.00404 0.004529 0.01 0.00149 0.00250 0.00439 0.00349 0.00470 0.003315
4
3
2
1
Gambar 6. Grafik Pengujian Jumlah Iterasi Nilai Alfa Tingkat Keakuratan pada Percobaan ke-i Rata-rata Keakuratan
Backpropagation . Hasil tingkat keakuratan
Berdasarkan Tabel 3, didapatkan hasil tingkat keakuratan dari peramalan jumlah kasus penyakit dengan menggunakan
Tabel 3 Hasil Pengujian Jumlah Iterasi
Hasil pengujian jumlah iterasi dapat dilihat pada Tabel 3.
Pengujian jumlah iterasi ini bertujuan untuk mendapatkan jumlah iterasi yang optimal. Data latih yang digunakan sebanyak 6 data dengan panjang data 6, serta data uji yang tetap yaitu bulan Januari hingga Desember pada tahun 2016. Untuk melakukan pengujian jumlah iterasi, diperlukan parameter lain yang telah ditentukan sebelumnya. Parameter jumlah data dan alfa didapatkan dari pengujian diatas. Parameter yang digunakan untuk pengujian jumlah iterasi adalah sebagai berikut:
4.3 Hasil dan Analisis Pengujian Jumlah Iterasi
- r at a Kea k u rat an
- r at a Kea k u rat an
pengujian menunjukkan bahwa nilai alfa terbaik atau yang paling optimal adalah 0.05.
Backpropagation akan semakin cepat pula. Hasil
Gambar 5. Grafik Pengujian Alfa Berdasarkan Gambar 5, didapatkan bahwa parameter alfa yang semakin besar nilainya menunjukkan tingkat keakuratan yang cenderung naik. Hal ini disebabkan oleh semakin besar nilai alfa, maka learning rate dari
tertinggi yang didapatkan adalah parameter alfa 0.05 dengan rata-rata 0.004936. Hasil pengujian parameter alfa dengan bentuk grafik garis dapat dilihat pada Gambar 5.
Backpropagation . Hasil tingkat keakuratan
Berdasarkan Tabel 2, didapatkan hasil tingkat keakuratan dari peramalan jumlah kasus penyakit dengan menggunakan
Tabel 2. Hasil Pengujian Alfa
Jumlah Iterasi Pengujian Jumlah Iterasi Berdasarkan Gambar 6, didapatkan bahwa jumlah iterasi yang semakin banyak maka nilai tingkat keakuratan cenderung meningkat. Hasil pengujian menunjukkan bahwa jumlah iterasi paling optimal adalah sebanyak 100000 iterasi.
4.4 Analisis Hasil Pengujian
30
Backpropagation Data Aktual Hasil Peramalan
8 9 10 11 12 Peramalan Jumlah Kasus Penyakit dengan
7
6
5
4
3
2
1
50
45
40
35
Berdasarkan hasil pengujian yang telah dilakukan sebelumnya, didapatkan parameter- parameter dengan nilai tingkat keakuratan terbaik. Pada pengujian jumlah data didapatkan jumlah data terbaik yaitu 6 dengan panjang data
6. Pada pengujian selanjutnya yaitu pengujian alfa didapatkan nilai parameter alfa terbaik yaitu
20
15
10
5
Abdellah, D. & Djamel, L., 2013. Forecasting the Algerian Load Peak Profile Using Time Series Model Based On Backpropagation Neural Networks. 4th International Conference on Power
6. DAFTAR PUSTAKA
Selain itu pada penelitian selanjutnya diharapkan digunakan data jumlah kasus penyakit yang memiliki pola tertentu dalam bentuk datanya. Dikarenakan data yang digunakan dalam penelitian ini memiliki pola yang tidak beraturan. Dan yang terakhir diharapkan pada penelitian selanjutnya parameter data latih serta data uji dapat lebih dinamis sesuai masukan pengguna, sehingga memiliki user experience yang lebih baik.
Penelitian ini masih memiliki banyak kekurangan. Kekurangan tersebut dapat diperbaiki sehingga dapat dilakukan penelitian yang lebih baik kedepannya. Saran yang dapat diberikan untuk penelitian selanjutnya yaitu diharapkan pada penelitian selanjutnya peramalan jumlah kasus penyakit menggunakan jaringan saraf tiruan Backpropagation dapat dioptimasi menggunakan algoritma optimasi yang ada. Hal ini karena hasil akurasi peramalan masih tergolong belum akurat, serta membutuhkan banyak iterasi.
Berdasarkan hasil pengujian yang dilakukan, parameter jumlah data, alfa dan jumlah iterasi berpengaruh pada tingkat akurasi. Pada parameter jumlah data, semakin banyak dan panjang jumlah data latih maka tingkat akurasi semakin buruk. Hal ini disebabkan oleh pola data data latih yang tidak beraturan. Selanjutnya pada parameter alfa, nilai alfa semakin besar menunjukkan tingkat akurasi cenderung naik. Namun nilai alfa yang optimal tidak terdapat pada nilai alfa yang paling besar. Dan yang terakhir adalah parameter jumlah iterasi, hasil pengujian menunjukkan bahwa jumlah iterasi yang semakin banyak maka tingkat akurasi cenderung meningkat.
Berdasarkan dari hasil penelitian mengenai peramalan jumlah kasus penyakit menggunakan jaringan saraf tiruan Backpropagation, maka dapat diambil kesimpulan bahwa berdasarkan pengujian yang dilakukan menggunakan data jumlah kasus penyakit demam Tifoid-Paratifoid, didapatkan parameter paling optimal adalah jumlah data = 6 dengan panjang data = 6, alfa = 0.05, serta jumlah iterasi = 100000. Sehingga didapatkan nilai tingkat keakuratan dari peramalan tersebut yaitu 0.0088 dengan MSE = 115.
KESIMPULAN
Gambar 7. Grafik Peramalan dengan Backpropagation 5.
Untuk mengetahui tingkat keakuratan dari peramalan jumlah kasus penyakit menggunakan jaringan saraf tiruan Backpropagation, dilakukan percobaan dengan menggunakan parameter hasil pengujian yang paling optimal. Data uji yang digunakan adalah data pada tahun 2016 mulai Januari hingga Desember. Hasil terbaik yang didapatkan yaitu MSE sebesar 115 dengan tingkat keakuratan sebesar 0.0088. Hasil peramalan yang dilakukan dapat dilihat pada Gambar 7.
0.05. Pada pengujian terakhir yaitu pengujian jumlah iterasi didapatkan jumlah iterasi terbaik yaitu 100000 iterasi.
25
Engineering, Energy and Electrical Drives, University of Constantine. Adam, E.E. & Ebert, R.J., 1982. Production and
2011. Peramalan Jumlah Penumpang Kereta Api dengan Jaringan Saraf Tiruan Metode Perambatan Balik (Back Propagation). S1. Universitas Diponegoro.
Matematika, Jilid.17, No.1, hal.25-32. Universitas Teknologi Malaysia. Siahaan, S., 2013. Analisis Ketersediaan dan
Shabri, A., 2001. Comparison of Time Series Forecasting Methods Using Neural Networks and Box-Jenkinds Model.
Surabaya: Lembaga Penelitian dan Pengabdian Kepada Masyarakat Universitas Kristen Petra.
Valuta Asing: Sebuah Studi Kasus Penggunaan Jaringan Syaraf Tiruan Untuk Peramalan, Edisi Pertama.
[Diakses 08 Maret 2017]. Resmana, D.W., 1997. Prediksi Nilai Tukar
Rabkin, M., 2017. Chapter 17: Upper Respiratory Infection. [Online] Tersedia di: <http://www.medicineclinic.org/Ambulat orySyllabus4/NEW%20URI.htm>.
Neural Network untuk Peramalan Kasus Demam Berdarah di D.I Yogyakarta
[Online] Tersedia di: <https://wwwnc.cdc.gov/travel/yellowbo ok/2016/infectious-diseases-related-to- travel/typhoid-paratyphoid-fever>. [Diakses 08 Maret 2017]. OECD: Glossary of Statistical Terms, http://stats.oecd.org/glossary/about.asp, diakses 04 Maret 2017. Paramita J., S.P., 2013. Model Backpropagation
Newton, A.E., Routh, J.A., & Mahon, B.E., 2015. Typhoid & Paratyphoid Fever.
Muqtadiroh, F.A.,Syofiani, A.R. & Ramadhani, T.S., 2015. Analisis Peramalan Penjualan Semen non-Curah (ZAK) Pt Semen Indonesia (PERSERO) TBK Pada Area Jawa Timur. Seminar Nasional Teknologi.
Montgomery, D.C., Jennings, C.L. & Kulahci, M., 2008. Introduction to Time Series Analysis and Forecasting. Canada: John Wiley & Sons, Inc.
Department of Construction Technology, Leader University, Tainan 709, Taiwan. Luthfianto, R., Santoso, I., & Christiyono, Y.,
Operation Management : Concepts, Models and Behaviors 2nd edition. Mishawaka : Prentice Hall Inc. Baboo, S.S. & Shereef, I.K., 2010. An Efficient
Lee, Tsong Lin, 2003. Back-propagation neural network for long-term tidal predictions.
Kemenkes RI, 2012. ISSN 2088-270X: Buletin Jendela Data dan Informasi Kesehatan edisi Penyakit Tidak Menular. Jakarta: Kementrian Kesehatan Republik Indonesia.
Haviluddin & Alfred, R., 2015. A Genetic-Based Backpropagation Neural Network for Forecasting in Time-Series Data. 2015 International Conference on Science in Information Technology (ICSITech).
Menggunakan Fuzzy Time Series. IJCCS, Vol.6, No.2, pp. 79-88, Universitas Multimedia Nusantara.
Jaringan Syaraf Tiruan Backpropagation Untuk Pengenalan Sel Kanker Otak. Universitas Komputer Indonesia. Hassun, S., 2012. Peramalan Data IHSG
Jurnal Teknik Industri, Vol. II. No.2, hal. 106-114, Universitas Kristen Petra. Handayani, Novita. 2013. Analisis Metode
Design. Boston: PWS Publishing Company. Halim, S. & Wibisono, A.M., 2000. Penerapan Jaringan Saraf Tiruan Untuk Peramalan.
Universitas Diponegoro Hagan, Martin T., et al, 1996. Neural Network
Giantara, Rangga. 2013. Pengenalan Pola Kelas Benang Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation.
Fausett, Laurene V., 1994. Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. Prentice- Hall.
Bambang D.P., Budi, et.al., 1999. Teknik Jaringan Syaraf Tiruan Feedforward Untuk Prediksi Harga Saham pada Pasar Modal Indonesia. Jurnal Informatika, Vol.1 No.1 Mei 1999, hal. 33-37. Program Pascasarjana Peran Teknik Kendali, Institut Teknologi Bandung.
Weather Forecasting System using Artificial Neural Network. International Journal of Environmental Science and Development, Vol. 1, No. 4, ISSN: 2010- 0264.
Pola Peresepan Obat di Rumah Sakit Pemerintah di Indonesia (Analysis of Prescribing Pattern and the Availability of Medicines at General Hospitals in Indonesia). Jakarta: Pusat Humaniora, Kebijakan Kesehatan dan Pemberdayaan Masyarakat, Badan Litbang Kes, Kemenkes RI. Soerjono, S., 2001. Manajemen Apoteker.
Airlangga University Press. Surabaya. Sungkawa, I. & Megasari, R.T., 2011. Penerapan
Ukuran Ketepatan Nilai Ramalan Data Deret Waktu dalam Seleksi Model Peramalan Volume Penjualan PT.
Satriamandiri Citramulia. ComTech, 2(2), pp.636-645. Supranto J., 2000. Statistika Teori dan Aplikasi.
Jakarta: Erlangga. WHO, 2016. International Statistical
Classification of Diseases and Related Health Problems 10th Revision. [Online] Tersedia di: <http://apps.who.int/classifications/icd10 /browse/2016/en>. [Diakses 08 Maret 2017].
WHO, 2017. International Classification of Diseases, Tenth Revision, Clinical Modification (ICD-10-CM). [Online] Tersedia di: <https://www.cdc.gov/nchs/icd/icd10cm. htm>. [Diakses 08 Maret 2017]. Yizhen, Li & Wenhua, Z., 2011. The forecasting of Shanghai Index trend Based on Genetic
Algorithm and Back Propagation Artificial Neural Network Algorithm. The 6th International Conference on Computer Science & Education (ICCSE 2011), Xiamen University. China.