PENERAPAN METODE JARINGAN SYARAF TIRUAN

PENERAPAN METODE JARINGAN SYARAF TIRUAN UNTUK
MENDETEKSI PENYAKIT TUBERKULOSIS PARU PADA
MANUSIA STUDI KASUS RUMAH SAKIT UMUM TANGERANG
SELATAN
Akbar Wira Pradana
Rumah Sakit Umum Daerah Tangerang Selatan, Jl.Pajajaran No.101 Pamulang Barat,
Tangerang Selatan, 15417
Program Studi Informatika, Fakultas Teknik, Universitas Pamulang,
Jl. Surya Kencana No.1, Pamulang Barat, Tangerang Selatan, 15417

ABSTRAK
PENERAPAN
METODE
JARINGAN
SYARAF
TIRUAN
UNTUK
MENDETEKSI PENYAKIT TUBERKULOSIS PARU PADA MANUSIA STUDI
KASUS RUMAH SAKIT UMUM TANGERANG SELATAN. Tuberkulosis (TB)
merupakan suatu penyakit infeksi kronis atau menahun dan menular langsung yang
disebabkan oleh bakteri TBC (Mycobacterium Tuberculosys), yang dapat menyerang

siapa saja tanpa memandang usia dan jenis kelamin. Indonesia sekarang berada pada
ranking kelima negara dengan beban Tuberkulosis tertinggi didunia, dengan estimasi
prevelensi semua kasus sebesar 660.000 per tahun. Berdasarkan Peraturan Pemerintah
Nomor 40 Tahun 1991 tentang Penanggulangan Wabah Penyakit Menular. Oleh karena
itu dalam penelitian ini penulis menerapkan metode Jaringan Syaraf Tiruan untuk
membantu petugas medis dalam menegakan Diagnosa dini secara akurat, karena hasil
diagnosa yang akurat sangat membantu dalam menekan penularan penyakit Tuberkulosis
Paru pada masyarakat.

Dari hasil penelitian yang telah dilakukan, diperoleh tingkat akurasi sistem paling
maksimal sebesar 97% dari 100 data yang digunakan ( 80 data latih dan 20 data uji ),
dengan menggunakan Learning rate sebesar 0.01, dan 50 neuron hidden layer. Dengan
adanya aplikasi ini diharapkan dapat membantu petugas medis dalam menegakan
diagnosa dini secara akurat.
Kata kunci : Jaringan Syaraf tiruan, Tuberkulosis Paru, Backpropagation.
ABSTRACT

Tuberculosis (TB) is a chronic infectious disease or chronic and infectious directly
caused by TB bacteria (Mycobacterium Tuberculosys), which can affect anyone regardless
of age and gender. Indonesia now ranked fifth among countries with the highest TB burden

in the world, with an estimated prevalence of 660,000 cases per year. Based on
Government Regulation No. 40 of 1991 on Combating Infectious Disease Outbreaks.
Therefore, in this study the authors apply the artificial neural network method to assist
medical personnel in establishing an early diagnosis is accurate, because accurate
diagnosis is helpful in suppressing Tuberculosis disease transmission in the community.

Akbar Wira Pradana, Dokumen untuk Keperluan Internal Teknik Informatika UNPAM

1

From the research that has been done, obtained the degree of accuracy of the system
is a maximum of 97% of the 100 data used (80 training data and test data 20), by using the
learning rate of 0.01, and 50 hidden layer neurons. With this application is expected to
assist medical personnel in establishing an early diagnosis accurately.
Keywords: Artificial Neural Network, Tuberculosis, Backpropagation.

Akbar Wira Pradana, Dokumen untuk Keperluan Internal Teknik Informatika UNPAM

2

1.

PENDAHULUAN

Tuberkulosis (TB) merupakan suatu
penyakit infeksi kronis atau menahun dan
menular langsung yang disebabkan oleh bakteri
TBC (Mycobacterium Tuberculosys) [1], yang
dapat menyerang siapa saja tanpa memandang
usia dan jenis kelamin. Penyakit ini dapat juga
menyebar dan menginfeksi kebagian tubuh
lainnya [2], seperti meningen, ginjal, tulang,
nodus limfe. Gejala yang ditimbulkan antara lain
gangguan pernafasan seperti sesak nafas, batuk
sampai berdarah, badan tampak kurus kering dan
lemah [3], Penularan penyakit ini sangat cepat
karena ditularkan melalui saluran pernafasan.
Indonesia sekarang berada pada ranking kelima
negara dengan beban Tuberkulosis tertinggi
didunia, [4] dengan estimasi prevelensi (seberapa

sering suatu penyakit atau kondisi terjadi pada
sekelompok orang) semua kasus sebesar 660.000
per tahun. Karena penularan penyakit ini sangat
cepat, maka perlu dilakukan penegakan diagnosa
dini secara akurat, [5] karena hasil diagnosa yang
akurat sangat membatu dalam menekan penularan
Tuberkulosis Paru pada masyarakat.
Penelitian sistem aplikasi untuk deteksi
penyakit telah dilakukan oleh banyak peneliti
antara lain : metode Fuzzy Inference Sistem
Tsukamoto [6], metode Certainty Factor [7],
metode Jaringan Syaraf Tiruan [1]. Beberapa
sistem aplikasi yang telah dibuat oleh para
peneliti memiliki beberapa kelemahan.
Kelemahan pada penerapan metode
Fuzzy Logic yaitu tidak memiliki kemampuan
learning atau proses pembelajaran [8]. Sedangkan
kelemahan pada penerapan metode Certainy
Factor [9], hanya dapat mengolah dua data
ketidakpastian atau kepastian-nya. Akan tetapi

penerapan metode Jaringan Syaraf Tiruan [10]
memiliki beberapa kelebihan, kelebihan yang
dimiliki diantaranya : mampu
memecahkan
masalah non linier dan kemampuan memberikan
jawaban terhadap pola yang belum pernah
terpelajari. Selain itu Jaringan Syaraf Tiruan
memiliki kelebihan yaitu dapat menciptakan suatu
pola pengetahuan melalui pengaturan diri atau
kemampuan melakukan proses pembelajaran &
memiliki kemampuan prediksi yang kuat [11].
Dengan berbagai kelebihan diatas, maka metode
ini bisa digunakan untuk medeteksi penyakit
Tuberkulosis Paru .
1.1

Rumusan Masalah
Berdasarkan identifikasi masalah, maka
pertanyaan yang diajukan dalam penelitian ini
adalah:

a. Bagaimana cara mencegah cepatnya
penyebaran penyakit Tuberkulosis Paru ?

b.

Seberapa akurat metode Jaringan Syaraf
Tiruan
dapat
mendeteksi
penyakit
Tuberkulosis Paru ?

1.2

Batasan Masalah
Agar dalam penyusunan skripsi ini tidak
meluar, maka batasan masalah yang dibahas
dalam penelitian ini antara lain :
1. Dalam penelitian ini metode yang digunakan
adalah Jaringan Syaraf Tiruan tidak

menggunakan
metode
lain
dalam
implementasinya.
2. Penyakit Tuberkulosis yang dimaksud
dalam penelitian ini adalah Tuberkulosis
Paru .
3. Adapun variabel input yang digunakan
sebanyak 8 buah variabel yang terdiri dari
Batuk, Sesak nafas, Nyeri dada, demam
disore dan malam hari, penurunan nafsu
makan, lemah (malaise), hasil Lab. BTA,
dan Riwayat terkena TB. Dan hanya
menghasilkan 1 buah variabel output berupa
pernyataan suspek TB paru atau Negatif TB
Paru.
4. Membuat suatu sistem untuk mendeteksi
penyakit Tuberkulosis Paru berdasarkan
gejala-gejala yang ada dengan bantuan

software Matlab R2011a.
5. Data rekam medis yang digunakan hanya
sebanyak 100(seratus) buah data. Diambil
secara acak dari divisi arsip rekam medis
Rumah Sakit Umum Daerah Tangerang
Selatan.
1.3

Tujuan Penelitian
Adapun tujuan penyusunan skripsi ini

adalah :
1. Untuk Menerapkan metode Jaringan Syaraf
Tiruan agar dapat mendeteksi secara akurat
penyakit Tuberkulosis Paru pada manusia.
2. Untuk membantu ahli medis dalam
menegakan Diagnosa dini secara akurat.
2.

LANDASAN TEORI

2.1

Jaringan Syaraf Tiruan

Jaringan syaraf tiruan merupakan salah
satu repsentasi buatan dari otak manusia yang
selalu mencoba untuk mensimulasikan proses
pembelajaran pada otak manusia tersebut [12].
Istilah buatan digunakan karena jaringan syaraf
ini diimplementasikan dengan menggunakan
program komputer yang mampu menyelesaikan
sejumlah proses perhitungan selama proses
pembelajaran.
2.1.1

Komponen Jaringan Syaraf Tiruan

Akbar Wira Pradana, Dokumen untuk Keperluan Internal Teknik Informatika UNPAM

3

Seperti halnya otak manusia [12]
jaringan syaraf tiruan juga terdiri dari neuron dan
hubungan antara neuron-neuron tersebut (bobot).
Pada jaringan syaraf, neuron-neuron akan
dikumpulkan dalam lapisan-lapisan (layer) yang
disebut dengan lapisan neuron (neuron layer).
Biasanya neuron-neuron pada satu lapisan akan
dihubungkan dengan lapisan-lapisan sebelum dan
sesudahnya (kecuali lapisan input dan lapisan
output). Informasi yang diberikan pada jaringan
syaraf akan dirambatkan lapisan ke lapisan, mulai
dari lapisan input sampai ke lapisan output
melalui lapisan yang lainnya, yang sering disebut
dengan nama lapisan tersembunyi (hidden layer).
2.1.2

X1

Y1

V11
W11

V12

Z1
X2

Tiap-tiap unit input

b.

menerima sinyal xi dan meneruskan sinyal
tersebut ke semua unit pada lapisan yang ada
di atasnya (lapisan tersembunyi).
Tiap-tiap
unit
tersembunyi

Z , j  1,2,3,..., p 

V21

W13

Y2

V22

W21

V31

W22

z _ in j  v0 j   xi vij

sinyal-sinyal input dengan bobot :
n

z j  f z _ in j





untuk



dan kirimkan sinyal tersebut ke semua unit
di lapisan atasnya (unit-unit output).

c.

Y , k  1,2,3,..., m
Tiap-tiap unit output k
menjumlahkan sinyal sinyal input dengan
bobot :
y _ in k  w0 k   zi w jk
p

i 1

yk  f  y _ in k 

gunakan fungsi aktivasi
menghitung sinyal outputnya :

untuk

dan kirimkan sinyal tersebut ke semua unit
di lapisan atasnya (unit-unit output).





Yk , k  1,2,3,..., m
d. Tiap-tiap unit output
menerima target pola yang berhubungan
dengan pola input dari pembelajaran, hitung
informasi errornya :

 k  t k  yk  f '  y _ in k 
w jk   k z j

Y3

hitung juga koreksi bias (yang nantinya akan
digunakan untuk memperbaiki nilai w0k) :

Gambar 2. 1 Arsitektur Backpropagation



Algoritma Backpropagation :
a.



i 1

gunakan fungsi aktivasi
menghitung sinyal outputnya :

kemudian hitung koreksi bobot (yang nantinya
akan digunakan untuk memperbaiki nilai wjk) :

W23

V32

menjumlahkan

j

Backpropagation :

W12

Z2
X3

a.

Algoritma Backpropagation

Backpropagation
[11],
merupakan
algoritmapembelajaran yang terawasi dan
biasanya digunakan oleh perceptron dengan
banyak lapisan untuk mengubah bobot-bobot
yang terhubung dengan neuron-neuron yang ada
pada
bagian
tersembunyi.
Algoritma
backpropagation menggunakan error output untuk
mengubah nilai bobot-bobotnya dalam arah
mundur (backward). Untuk mendapatkan error ini,
tahap perambatan maju (forward propagation)
harus dikerjakan terlebih dahulu. Pada saat
perambatan maju, neuron-neuron diaktifkan
dengan menggunakan fungsi aktivasi sigmoid.

Xi , i  1,2,3,..., n

Feedforward :

Inisialisasi bobot (ambil bobot awal dengan
nilai random yang cukup kecil).
b. Kerjakan langkah-langkah berikut selama
kondisi berhenti bernilai FALSE. Langkahlangkahnya sebagai berikut :
1. Untuk tiap-tiap elemen yang akan dilaukukan
pembelajaran, kerjakan:

w0k   k

kirimkan k ini ke unit-unit yang ada di
lapisan bawahnya
e. Tiap-tiap
unit
tersembuyi

Z , j  1,2,3,..., p 
j

menjumlahkan delta
inputnya (dari unit-unit yang berada pada
lapisan atasnya):

Akbar Wira Pradana, Dokumen untuk Keperluan Internal Teknik Informatika UNPAM

4

 _ in j    k w jk
m

k 1

kalikan nilai ini dengan turunan dari fungsi
aktivasinya untuk menghitung informasi
error :

 j   _ in j f '  _ in j 

kemudian hitung koreksi bobot (yang nantinya
akan digunakan untuk memperbaiki nilai

vij ) :

vij   j xi

hitung juga koreksi bias (yang nantinya akan
digunakan untuk memperbaiki nilai v0 j ) :

v0 j   j

f.





Y , k  1,2,3,..., m
Tiap-tiap unit output k
memperbaiki
bias
dan
bobotnya
 j  0,1,2,..., p  :
w jk baru   w jk lama   w jk

Tiap-tiap unit tersembuyi

Adapun gejala-gejalan klinis penderita TBC,
yaitu:
1. Batuk berdahak
Keluhan batuk timbul paling awal dan
merupakan gangguan yang paling sering
dikeluhkan. Jika penyakit TBC sudah cukup
paranh, maka batuk akan disertai dengan
darah.
2. Sesak nafas
Keluhan ini ditemukan bila kerusakan
parenkim paru sudah lua atau karena ada hal
lain yang menyertai, seperti efusi pleura
(adanya cairan di dada), pneumothoraks
(rongga pleura terisi udara), anemia dan
lain-lain.
3.

4.

Z , j  1,2,3,..., p 
j

Nyeri dada
Nyeri dada pada TBC termasuk nyeri
pleuritik ringan (dada terinfeksi bakteri).
Gejala ini timbul apabila sistem pernafasan
di pleura terkena TBC.
Demam pada sore atau malam hari
Keluhan yang sering dijumpai dan biasanya
timbul pada sore atau malam hari mirip
demam influensza, hilang timbul, dan
semakin lama semakin panjang serangannya,
sedangkan masa bebeas serangan semakin
pendek.
Keluhan lain yang biasa timbul ialah
keringat malam, anoreksia, penurunan berat
badan dan badan lemah (malaise).

memperbaiki bias dan bobotnya
i  0,1,2,..., n  :

5.

2.

Tes kondisi berhenti.

Timbulnya keluhan biasanya bersifat gradual,
muncul dalam dalam beberapa minggu – bulan.

2.2

Tuberkulosis

vij baru   vij lama   vij

Tuberkulosis adalah penyakit menular
langsung yang disebabkan oleh Mycrobaterium
tuberculosis [13], yang sebagian besar (80%)
menyerang
paru-paru.
Mycrobaterium
tuberculosis termasuk basil garam positif,
berbentuk batang, dinding selnya mengandung
komplek lipida-glikolipida serta lilin (wax) yang
sulit ditembus zat kimia.

2.3 Deteksi
Deteksi adalah usaha untuk menemukan
keberadaan, anggapan, atau kenyataa [14].
Deteksi umumnya berkaitan dengan segmentasi
dan proses thresholding, misalnya dalam
mendeteksi daun pada gambar, maka benda yang
berwarna hijau akan terdeteksi sebagai daun.
3.

METODOLOGI PENELITIAN

Dalam penelitian ini metode yang digunakan
untuk menerapkan Jaringan Syaraf Tiruan pada
aplikasi diagnosa penyakit Tuberkulosis adalah
metode Eksperimen.

Gambar 2. 2 Bakteri (Mycrobaterium
Tuberculosis) TBC

Akbar Wira Pradana, Dokumen untuk Keperluan Internal Teknik Informatika UNPAM

5

8.

Riwayat Terkena Penyakit TB
a. Tidak Memiliki Riwayat = 0
b. Tuntas pengobatan
= 0.5
c. Belum Tuntas
=1

Variabel output
a. Suspect TB Paru
b. Negatif TB Paru
3.2

Gambar 3. 1 Tahapan Penelitian
3.1

Pengumpulan Data

Data yang digunakan dalam penelitian
ini adalah data sekunder yang diambil dari Data
Rekam Medis pasien suspek TB maupun nonsuspek TB di Rumah Sakit Umum Daerah
Tangerang Selatan. Berikut sajian data masingmasing variabel yang digunakan beserta nilai
inputnya :
Variabel Input
1. Batuk dengan kategori:
a. Tidak batuk
b. Batuk biasa
c. Batuk berdahak
d. Batuk lama
e. Batuk berdarah
2.

3.

4.

5.

6.

7.

=0
= 0,25
= 0,5
= 0,75
=1

Sesak Nafas
a. Tidak sesak
b. Sesak sedang
c. Berat dan berulang

=0
= 0,5
=1

Nyeri dada
a. Tidak nyeri
b. Jarang
c. Sering

=0
= 0,5
=1

Demam pada sore atau malam hari
a. Tidak demam
=0
b. Terkadang demam
= 0,5
c. Demam agak panas
= 0,75
d. Panas sekali
=1
Penurunan nafsu makan
a. Tidak turun
b. Turun

=0
=1

Badan lemah (malaise)
a. Tidak lemah
b. Lemah

=0
=1

Hasil Lab (BTA)
a. BTA Negatif
b. BTA Positif

=0
=1

=0
=1

Pengolahan Awal Data

Yang dimaksud dengan pengolahan data
dalam
penelitian
ini
adalah
proses
pengelompokan
data-data
yang
telah
dikumpulkan sebelumnya dangan tujuan untuk
menentukan
variabel-variabel
yang
akan
digunakan. Untuk data pelatihan digunakan 80
data pasien dan untuk data uji menggunakan 20
data pasien, yang suspect terkenan TB ( positif )
dan non suspect TB ( negatif ).
3.3

Experimen Metode Dan Pengujian
Metode

Eksperimen dan pengujian metode dalam
penelitian ini dilakukan dengan langkah-langkah
sebagai berikut :
a. Menentukan jumlah lapisan input, lapisan
tersembunyi (hiden layer) dan lapisan output.
b. Inisialisasi bobot awal dan bias, yang
menghubungkan neuron-neuron pada laipsan
input, lapisan tersembunyi dan bobot bias,
dipilih secara acak. Demikian pula yang
menghubungkan neuron-neuron pada lapisan
tersembunyi, lapisan output dan bobot bias
pun dipilih secara acak.
c. Menentukan Learning rate, Maksimum Epoh
dan Target Error
d. Melakukan perhitungan untuk menentukan
bobot akhir yang sesuai.
e. Melakukan uji validasi menggunakan data
uji yang telah disediakan sebelumnya.
3.1

Evaluasi dan Validasi hasil

Validasi dilakukan sebagai proses
pengujian kinerja atau ketepatan prediksi sistem
Jaringan Syaraf Tiruan terhadap contoh yang
diberikan selama proses pelatihan. Pada proses
validasi, setelah model diberikan pelatihan, maka
model tersebut akan diuji dengan data yang lain,
ini dimaksudkan agar dapat diketahui sejauh
mana medel tersebut dapat memprediksi nilainilai keluaran (output) dari nilai-nilai masukan
(input) yang diberikan. Validasi model
dirumuskan dengan persamaamn sebagai berikut :

Akbar Wira Pradana, Dokumen untuk Keperluan Internal Teknik Informatika UNPAM

6

A = Jumlah data hasil prediksi yang sama dengan
target
B = Jumlah Target
Semakin tinggi nilai akurasi maka
tingkat kebenaran pengklasifikasian data semakin
besar. Tingkat akurasi yang baik adalah tingkat
akurasi yang mendekati nilai 100%.
4.

HASIL DAN PEMBAHASAN

Pada algoritma backpropagation terdapat
2 tahap pemrosesan, yaitu tahap pemrosesan
pelatihan dan tahap pemrosesan pengujian. Pada
tahap
pelatihan proses
pertama
adalah
menginisialisai bobot, menetapkan konfigurasi
dari Jaringan Syaraf Tiruan yaitu maksimum
epoch, target error, learning rate. Proses
selanjutnya masuk ke alur maju atau feedforward,
kemudian
dilanjutkan
pada
tahap
backpropagation , dan menghitung MSE yang
didapat, apabila nilai error yang didapat lebih
besar dari terget error yang telah ditentukan, maka
proses pelatihan tersebut akan kembali pada tahap
inisialisasi bobot, dan seterusnya sampai didapat
nilai error yang lebih kecil dari target error yang
telah ditentukan sebelumnya atau sampai batas
maksimum iterasi yang telah ditentukan
sebelumnya. Pada tahap pengujian bobot yang
didapat dari tahap pelatihan akan digunakan untuk
pengujian.
4.1

Arsitektur Jaringan Syaraf Tiruan

Parameter yang digunakan untuk
perancangan Jaringan Syaraf Tiruan pada
penelitian ini antara lain adalah:
A.

B.

Inisialisasi Bobot dan bias
Pemilihan
bobot
awal
sangan
mempengaruhi jaringan syaraf tiruan dalam
mencapai nilai minimum error, serta cepat
tidaknya proses pelatihan data menuju
kekonvergenan. Dalam hal ini, pemberian
nilai bobot dan bias awal menggunakan
bilangan acak kecil yang dilakukan oleh
software Matlab.
Jumlah Neuron pada Lapisan tersembunyi
Perancangan arsitektur backpropagation
pertama adalah menentukan jumlah hiden
layer dan menentukan banyaknya neuron
dalam setiap hiden layer. Arsitektur jaringan
yang digunakan dalam penelitian ini adalah
arsitektur dengan hiden layer. Banyaknya

neuron hidden layer ditentukan dengan cara
trial and error.
C. Error Goal (Kinerja Tujuan)
Kinerja tujuan (Target error) adalah target
nilai fungsi kinerja. Iterasi akan dihentikan
apabila nilai fungsi kinerja kurang dari atau
sama dengan kinerja tujuan [15]. Error goal
atau galat ditentukan untuk membandingkan
dengan galat pada jaringan saat pelatihan.
Jaringan akan konvergen ketika error
jaringan lebih kecil dari error goal. Dalam
penelitian ini ditentukan error goal atau
toleransi sebesar 0,001.
D. Learning Rate (Laju Pembelajaran)
Semakin besar nilai learning rate ( α ) akan
berimplikasi pada semakin besarnya langkah
pembelajaran. Jika learning rate diset terlalu
besar, maka algoritma akan menjadi tidak
stabil. Sebaliknya, jika learning rate diset
terlalu kecil, maka algoritma akan
konvergen dalam jangka waktu yang sangat
lama (Kusumadewi, 2004: 134).
Nilai α terletak antara 0 dan 1 (0 ≤ α ≤ 1).
Nilai learning rate tidak dapat ditentukan
secara pasti sehingga perlu dilakukan trial
and error untuk mendapatkan nilai learning
rate yang dapat menghasilkan iterasi tercepat
dalam mencapai konvergen [16]
E. Fungsi Aktivasi
Dalam jarigan syaraf tiruan, fungsi aktivasi
digunakan untuk menentukan keluaran
neuron. Fungsi aktivasi yang digunakan
dalam penelitian ini yaitu fungsi aktivasi
logsig (sigmoid biner). Fungsi ini dipilih
karena pada unit output hanya dirancang
menampilkan 2 keputusan, yaitu apakah
suspek TB dengan nilai 1, atau Negatif TB
dengan nilai 0.
F.

Maksimum Epoh
Jumlah epoh maksimum yang boleh
dilakukan selama proses pelatihan. Iterasi
akan dihentikan apabila epoh melebihi
maksimum epoh.

Akbar Wira Pradana, Dokumen untuk Keperluan Internal Teknik Informatika UNPAM

7

Gambar 4. 1 Arsitektur Jaringan Syaraf
Tiruan dengan Hidden Layer
X1, X2, X3,..., X
: nilai input variabel.
Z1, Z2, Z3, ... Zn
: neuron hidden layer.
Y1
: nilai target, bernilai 0
jika
suspek DBD dan bernilai 1 jika negatif DBD

Gambar 4. 4 Implementasi Form Aplikasi
Deteksi
4.3

4.2

Implementasi GUI

Pengukuran Evaluasi Unjuk Kinerja
Sistem

Setelah
sistem
diimplementasikan,
selanjutnya sistem akan diuji tingkat akurasinya
dalam mendeteksi suspek atau tidaknya pasien
mengidap TB Paru. Hal ini dilakukan untuk
mengetahui sejauh mana sistem dapat bekerja
dalam mendeteksi suspek atau tidaknya seorang
pasien mengidap TB Paru. Pembahasan lebih
berarah pada hasil kinerja arsitektur Jaringan
Syaraf Tiruan dalam proses pelatihan data dan
pendeteksian.
4.4

Gambar 4. 2 Tampilan Form Halaman Depan

Pembahasan Hasil Arsitektur
Jaringan Syaraf Tiruan

Akan dilihat pengeruh perubahan
learning rate (laju pebelajaran sistem) dan jumlah
neuron hiden layer terhadap MSE (Mean Squared
Error), lama waktu pelatihan, kemudian jumlah
data yang dikenali oleh sistem dengan benar.
Dari 80 data latih dan 20 data yang
diujikan, diperoleh analisa sebagai berikut. Untuk
setiap variasi pengujian, akan menggunakan
jumlah iterasi maksimum dan target error yang
sama. yaitu :
Jumlah Iterasi (epoch) : 10.000
Target error
: 0,001
Berikut disajikan dalam bentuk tabel
hasil dari variasi pengujian Jaringan Syaraf
Tiruan yang dilakukan.

Gambar 4. 3 Implementasi Form Pelatihan

Akbar Wira Pradana, Dokumen untuk Keperluan Internal Teknik Informatika UNPAM

8

N
o

Neu
ron
Hid
den
Lay
er

Lea
rni
ng
Rat
e
(α)

1

100

0.05

0.001

0:01:02

Ting
kat
akur
asi
(%)
94

2

10

0.05

0.0796

0:00:14

95

3

50

0.05

0.001

0:01:25

90

4

100

0.01

0.00931

0:01:43

93

5

50

0.01

0.0184

0:01:22

97

6

10

0.01

0.0681

0:01:08

95

7

100

0.1

0.001

0:00:20

96

8

50

0.1

0.00621

0:00:27

96

9

10

0.1

0.0238

0:00:23

94

HASIL
MSE

Waktu
(detik)

5.

KESIMPULAN

5.1

Kesimpulan

Dari hasil percobaan yang dilakukan,
ada
beberapa
kesimpulan
yang
dapat
dikemukakan, sebagai berikut :

a.

Table 4. 1 Variasi Pengujian
Pada percobaan variasi 5 menggunakan parameter
Jaringan Syaraf Tiruan sebagai berikut:
a.
b.
c.
d.

Learning rate
Neuron hidden layer
Jumlah iterasi (epoch)
Targer error

: 0,01
: 50
: 10.000
: 0,001

Membutuhkan waktu pealtihan selama 0:01:22
menit dan menghasilkan MSE sebesar 0,0184
pada epoch ke-8427.

Gambar 4. 5 Hasil MSE Variasi 5

b.

5.2

Berdasarkan hasil penelitian, metode
Jaringan Syaraf Tiruan dapat digunakan
untuk membantu ahli medis dalam
melakukan penegakan diagnosa dini
penyakit Tuberkulosis Paru pada manusia
secara akurat, agar dapat menekan angka
penularan
Tuberkulosis
Paru
pada
masyarakat. Diperoleh tingkat akurasis
sistem paling tinggi sebesar 97% dalam
mendeteksi penyakit Tuberkulosis Paru, dari
100 buah data rekam medis yang ada, yang
diambil dari Rumah Sakit Umum Tangerang
Selatan. Tingkat akurasi sistem paling tinggi
terdapat pada percobaan variasi ke-5, dengan
kemampuan sistem dapat mengenali 78
kesesuaian data latih dari 80 data yang ada,
dan mampu mengenali 19 kesesuaian data
uji dari 20 data yang ada.
Dengan diterapkannya metode Jaringan
Syaraf Tiruan dapat membatu dalam
mencegah cepatnya penularan penyakit
Tuberkulosis Paru pada masyarakat.
Saran

Adapun Saran yang dapat penulis
sampaikan untuk penelitian berikutnya guna
mendapatkan hasil yang lebih baik diantaranya:
a. Dalam
penelitian
selanjutnya
dapat
ditambahkan variabel input baru seperti foto
Rontgen Paru , dan variabel output seperti
level suspek TB. Hal ini dilakukan agar
sistem menjadi lebih akurat dalam
mendeteksi penyakit Tuberkulosis Paru .
b. Dalam penelitian selanjutnya, sistem deteksi
penyakit
dapat
diimplementasikan
menggunakan software lain dan bahasa
pemrograman lain. Hal ini dilakukan untuk
mengurngi biaya lisensi software dalam
pembuatan sistem. Aplikasi lain yang dapat
digunakan untuk membuat sistem deteksi
diantaranya : sistem pakar berbasis web
dengan bahasa pemrograman PHP , atau
mobile programing berbasis Android .
c. Dalam penelitian selanjutnya diharapkan
menggunakan data lebih dari 100 buah data
guna memperkaya pola pengenalan Jaringan
Syaraf Tiruan, dan diharapkan pula
mengambil data secara primer dan sekunder
dari Rumah Sakit maupun dari Balai
Pengobatan terkait.

Akbar Wira Pradana, Dokumen untuk Keperluan Internal Teknik Informatika UNPAM

9

d.

Dalam penelitian selanjutnya diharapkan
menggunakan atau menambahkan metode
lain untuk mendeteksi penyakit Tuberkulosis
Paru , seperti metode optimasi data 10 fold
Cross
Validation,
Partical
Swarm
Optimation (PSO), atau Support Vector
Macine (SVM). Hal ini dilakukan guna
didapatkan hasil deteksi yang lebih akurat.

DAFTAR PUSTAKA

[1] Ratnaningtiyas Widyani Purnamasari,
"Implementasi jaringan Syaraf Tiruan
Backpropagation Sebagai Sistem Deteksi
Penyakit TBC," Unnes Jurnal of
Mathematics, vol. 2, p. 91, November 2013.
[2] Irman Somantri, Asuhan Keperawatan pada
Pasien dengan Gangguan Sistem
Pernapasan . Jakarta, Indonesia: Salemba
Medika, 2007.
[3] Masniari Poeloengan, Iyep Komala, and
Susan M. Noor, "Bahaya dan Penanganan
Tuberkulosis," in Lokakarya Nasional
Penyakit Zoonosis, Bogor, 2005, p. 207.
[4] Kemenkes R.I, Strategi Nasional
Pengendalian TB di Indonesia 2010-2014 .
Jakarta: Kemenkes R.I, 2011.
[5] Leli Septawati, Mardiastuti, Anis
Karuniawati, and Cleopas Martin Rumender,
"Evaluasi Metode Fast Plaque TB Untuk
Mendeteksi Mycrobacterium Tuberkulosis
Pada Sputum Dibeberapa Unit Pelayanan
Kesehatan Di Jakarta," Jurnal Tubekulosis
Indonesia , vol. 8, p. 1, Maret 2012.

Dalam," p. 17, 2010.
[10] Anto Satriyo Nugroho, Pengantar
Softcomputing . Jakarata:
IlmuKomputer.com, 2003.
[11] Qeethara Kadhim Al-Shayea, "Artificial
Neural Networks in Medical Diagnosis,"
IJCSI International Journal of Computer
Science, no. 2, pp. 150-154, 2011.
[12] Sri Kusumadewi, Artificial Intelegen ( Tejnik
& Aplikasinya ). Yogyakarta: Graha Ilmu,
2003.
[13] Depkes R.I, Pharmaceutical Care Untuk
Penyakit Tuberkulosis. Jakarta: Ditjen Bina
Kefarmasian dan Alat Kesehatan, 2005.
[14] W.J.S. Poerwadarminta, Kamus Umum
Bahasa Indonesia Ketiga . Jakarta: Balai
Pustaka, 2007.
[15] Sri Kusumadewi, Membangun Jaringan
Syaraf Tiruan Menggunakan MATLAB &
EXCEL, 1st ed. Yogyakarta: Graha Ilmu,
2004.
[16] Saiful Amin, "Sistem Deteksi Dini Hama
Wereng Batang Coklat Menggunakan
Jaringan Syaraf Tiruan Backpropagation,"
UNNES Journal of Mathematics, p. 121,
2012.

[6] Ardi Pujiyanta, "Sistem Pakar Penentuan
Jenis Penyakit Hati Dengan Metode Inferensi
Fuzzy Tsukamoto," JURNAL
INFORMATIKA, vol. 6, pp. 617-629, Januari
2012.
[7] Budi Cahyo Saputro, "Sistem Diagnosa
Penyakit Diabetes Mellitus Menggunakan
Metode Certainty Factor," Jurnal Teknologi
Komputer Dan Informatika , 2011.
[8] Suyanto, Soft Computing : Membangun
Mesin Ber-IQ Tinggi. Bandung: Informatika,
2008.
[9] Adhi Sadewo Broto, "Perancangan &
Implementasi Sistem Pakar Untuk Penyakit

Akbar Wira Pradana, Dokumen untuk Keperluan Internal Teknik Informatika UNPAM

10