Sistem Informasi Penyebaran Penyakit Demam Berdarah Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation

Transkripsi

1 Sistem Informasi Penyebaran Penyakit Demam Berdarah Menggunakan Metode Jaringan Syaraf Tiruan Backroagation Didi Suriyadi Program Studi Teknik Informatika Sekolah Tinggi Teknologi Telematika Telkom Purwokerto Banyumas Jawa Tengah Abstrak Penyakit Demam Berdarah salah satu masalah kesehatan utama dan endemik di beberaa Negara. Indonesia termasuk dalam kategori A dalam stratifikasi DBD oleh WHO tahun 2001 yang mengindikasikan tingginya angka erawatan ada rumah sakit dan kematian akibat DBD. Tujuan enelitian ini untuk menginvestigasi kemamuan metode Jaringan syaraf tiruan Backroagation untuk rediksi enyebaran enyakit demam berdarah ada suatu wilayah. Penelitian ini menggunakan enam variabel inut yang meruakan faktor lingkungan yang memengaruhi enyebaran enyakit demam berdarah, yaitu suhu rata rata, curah hujan, jumlah hari hujan, keadatan enduduk, ketinggian ermukaan air laut, dan ersentase angka bebas jentik. Arsitektur jaringan yang diterakan jaringan dengan multilayer yang menggunakan sebuah inut dengan 6 neuron, satu hidden layer dan sebuah outut dengan jumlah neuron outut adalah satu. Dari hasil elatihan dieroleh arsitektur jaringan terbaik adalah dengan jumlah satu hidden layer dengan jumlah neuron sebanyak 110 neuron dan dieroleh sistem daat mengenali seluruh data elatihan. Algoritma elatihan terbaik dengan menggunakan variabel esat belajar sebesar 0,9 dan momentum sebesar 0,6 dengan MSE ada roses engujian menggunakan 17 data engujian dieroleh tingkat akurasi jaringan sekitar 88,23% dan tingkat kesalahannya sekitar 11,77%. Kata kunci Jaringan Syaraf Tiruan; Backroagation; Demam Berdarah I. PENDAHULUAN Demam berdarah dengue (DBD) salah satu ermasalahan utama yang berkembang dan endemik di benua Amerika, Eroa, Afrika, Asia, Australia, beberaa ulau di India, dan Caribbia [4]. World Health Organization (WHO) mencatat sekitar juta kasus dengue yang direkam dari semua laisan dunia, dan 2/5 oulasi dunia memiliki resiko tinggi terhada dengue dan lebih dari seratus negara telah terinfeksi virus dengue [4]. Indonesia termasuk dalam kategori A dalam stratifikasi DBD oleh WHO tahun 2001 yang mengindikasikan tingginya angka erawatan ada rumah sakit dan kematian akibat DBD, khususnya ada anak [3]. Tujuan dari enelitian ini adalah untuk menginvestigasi kemungkinan eneraan Jaringan Syaraf Tiruan (JST) sebagai teknik untuk rediksi enyebaran enyakit demam berdarah secara dini berdasarkan arameter : suhu rata rata, keadatan enduduk (oulasi), curah hujan, jumlah hari hujan, %ABJ dan ketinggian dari ermukaan air laut dan laoran kasus dengue sebagai koresonden keluaran dari arameter tersebut. II. KERANGKA TEORI A. Demam Berdarah Dengue (DBD) DBD salah satu enyakit menular berbahaya yang daat menimbulkan kematian dalam waktu singkat dan wabah yang disebabkan virus dengue. Penyakit ini ditularkan melalui gigitan nyamuk Aedes aegyti dan mungkin juga Alboictus. Kedua jenis nyamuk ini terdaat hamir di seluruh Indonesia kecuali ketinggian lebih dari 1000 meter diatas ermukaan laut [11]. Simtom dengue terjadi secara mendadak dan ditandai dengan demam tinggi, sakit keala, using, tulang dan sendi terasa nyeri, lidah terasa tidak enak, dan wajah ucat [2]. Pada kulit enderita terdaat bercak merah yang diakibatkan oleh gigitan nyamuk [1]. Tahun 2002 jumlah kasus sebanyak (incidence rate (IR) : 19,24/ enduduk dengan 533 kematian (case fatality rate (CFR) : 1,3%), tahun 2003 jumlah kasus sebanyak (IR : 24,34/ ) dengan 814 kematian (IR : 1,20%). Samai dengan tahun 2007, jumlah kasus mauun jumlah kematian terus meningkat yaitu mencaai (IR : 57,52/ enduduk) dengan angka kematian (CFR : 1,02%)[5]. B. Jaringan Syaraf Tiruan (JST) JST adalah model komutasi dari otak manusia [1]. JST meruakan suatu sistem emrosesan informasi yang memunyai karakteristik baik struktur dan cara kerja menyeruai jaringan syaraf manusia. Hal ini dikarenakan manusia memiliki banyak keunggulan dibandingkan makhluk lain, otak manusia memiliki struktur yang sangat komlek dan mamu berikir yang daat memecahkan ersoalan yang dihadainya dan mamu belajar dari engalaman masa lalu. Jarigan syaraf biologis ada otak manusia terdiri dari sel-sel syaraf yang disebut neuron yang saling berhubungan satu dengan yang lain, ada suatu enghubung yang disebut sinasis. Yogyakarta, 15 Juni 2013 I-6 ISSN:

2 Tiga komonen enting ada sel syaraf biologis (Gambar 1) yang digunakan untuk memahami JST, [9]: (1) Dendrit, meruakan elemen emrosesan yang menerima dan melewatkan sinyal masukan dari neuron lain. Sebuah neuron mamu menerima samai sinyal masukan. Sinyal tersebut dimodifikasi dengan bobot (dierkuat/dierlemah) ada sinasis enerima, (2) Soma/badan sel, berfungsi mengakumulasi sinyal masukan terbobot yang dilewatkan melalui dendrit. Jika sinyal sinyal tersebut lebih besar dari batas ambang tertentu (threshold), maka sel akan diicu sehingga akan mentransmisikan ke neuron lain, (3) Akson, berfungsi sebagai saluran keluaran dari suatu neuron yang akan menyalurkan sinyal ke neuron yang lain. C. JST Backroagation Pelatihan JST Backroagation biasanya dilakukan dengan cara diawasi [7]. Dalam roses embelajaran, arsitektur JST emetaan inut outut, menyesuaikan bobot dan bias ada setia iterasi didasarkan ada minimalisasi atau otimasi dari beberaa kesalahan yang diukur antara outut yang dihasilkan dan outut yang diinginkan. Proses ini diulang samai kriteria konvergensi diterima dan tercaai [1]. Arsitektur JST Backroagation memiliki beberaa unit yang ada dalam satu atau lebih lais tersembunyi. Gambar 2 adalah arsitektur backroagation dengan n buah masukan dimana 1 < i < n ditambah sebuah bias, sebuah hidden layer yang terdiri dari unit dimana 1 < j < ditambah sebuah bias, serta m buah unit keluaran dimana 1 < k < m. v ji meruakan bobot garis dari unit masukan x i ke unit lais tersembunyi z j (v jb meruakan bobot garis yang menghubungkan bias di unit tersembunyi z j ). w kj meruakan bobot dari unit lais tersembunyi z j ke unit keluaran y k (w kb meruakan bobot dari bias di lais tersembunyi ke unit keluaran z k ). Celah Sinasis Akson Neuron Lain Soma Dendrit Akson Dendrit Neuron Lain Gambar 1. Neuron Tunggal Y Yk Z1 Zj Z 1 w1b vib wkb wmb vjb vb w11 v11 wk1 wm1 w1j vj1 v1 v1i wyj wmj vji vi w1 v1n wy vjn Celah Sinasis Ym wm vn X1 Xi Xn Gambar 2. Arsitektur JST Backroagation Algoritma elatihan untuk jaringan dengan satu lais tersembunyi (dengan fungsi aktivasi sigmoid biner) adalah sebagai berikut [7]: L0 : Inisialisasi bobot dengan bilangan acak kecil. L1 : Jika kondisi enghentian belum terenuhi, lakukan langkah 2 8. L2 : Untuk setia asang data elatihan, lakukan langkah 3-8. FI : Feed Forward L3 : Tia unit inut menerima sinyal dan meneruskannya ke unit tersembunyi diatasnya. L4 : Hitung semua outut di unit tersembunyi zj (j=1, 2,., ) z_net j = v jo + x v i ji n i 1 z j = f(z_net j ) = 1 (2) z net 1 e _ j L5 : Hitung semua outut jaringan di unit y k (k = 1, 2,., m) y_net k = w ko + z w (3) j kj j 1 y k = f(y_net k ) = 1 (4) FII : y net 1 e _ k Backroagation L6 : Hitung faktor δ unit keluaran berdasarkan kesalahan di setia unit keluaran y k (k = 1, 2,, m) δ k = (t k - y k )f (y_net k ) = (t k y k )y k (1- y k ) (5) δk meruakan unit kesalahan yang akan diakai dalam erubahan bobot lais dibawahnya (langkah 7). Hitung suku erubahan bobot w kj (yang akan diakai untuk merubah bobot w kj ) dengan laju erceatan α Δw kj = α.δ k.z j (k = 1, 2,., m; j = 0, 1,., ) (6) L7 : Hitung faktor δ unit tersembunyi berdasarkan kesalahan di setia unit tersembunyi z j (j = 1, 2,, ) m δ_net j = kw kj (7) k 1 faktor δ unit tersembunyi: δ j = δ_net j.f (z_net j ) = δ_net j.z j (1-z j ) (8) Hitung suku erubahan bobot v ji (yang akan diakai nanti untuk merubah bobot v ji ) Δv ji = α.δ j.x i (j = 1, 2,., ; i = 0, 1,., n) (9) FIII : Perubahan Bobot L8 : Hitung semua erubahan bobot Perubahan bobot garis yang menuju ke unit keluaran: w kj (baru) = w kj (lama) + Δw kj (k = 1, 2,., m; j = 0,1,., ) (10) Perubahan bobot garis menuju ke unit tersembunyi: v ji (baru) = v ji (lama) + Δv ji ( j=1, 2,..., ; i = 0,1,.., n) (11) L9 : Selesai Berdasarkan algoritma di atas daat diketahui bahwa elatihan backroagation meliuti 3 fase yang akan diulangulang terus hingga kondisi enghentian dienuhi [9]. a. Fase Feed Forward/Uman Maju Selama roagasi maju, sinyal masukan (= x i ) diroagasikan ke lais tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari setia unit lais (1) Yogyakarta, 15 Juni 2013 I-7 ISSN:

3 tersembunyi (= z j ) tersebut selanjutnya diroagasikan maju lagi ke lais tersembunyi di atasnya menggunakan fungsi aktivasi yang ditentukan. Demikian seterusnya hingga menghasilkan keluaran jaringan (= y k ). Keluaran jaringan (= y k ) dibandingkan dengan target yang harus dicaai (= t k ). Selisih t k -y k adalah kesalahan yang terjadi. Jika kesalahan ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan. Tetai jika kesalahan masih lebih besar dari batas toleransinya, maka bobot setia garis dalam jaringan akan dimodifikasikan untuk mengurangi kesalahan. b. Proagasi Balik Berdasarkan kesalahan t k -y k, dihitung faktor δ k (k=1, 2,, m) yang diakai untuk mendistribusikan kesalahan di unit y k ke semua unit tersembunyi yang terhubung langsung dengan y k. δ k juga diakai untuk mengubah bobot garis yang menghubungkan langsung dengan unit keluaran. Dengan cara yang sama, dihitung δ j di setia unit di lais tersembunyi sebagai dasar erubahan bobot semua garis yang berasal dari unit tersembunyi di lais di bawahnya. Demikian seterusnya hingga faktor δ di unit tersembunyi yang berhubungan langsung dengan unit masukan dihitung. c. Perubahan Bobot Setelah semua faktor δ dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan bobot suatu garis didasarkan atas faktor δ neuron di lais atasnya. Sebagai contoh, erubahan bobot garis yang menuju ke lais keluaran didasarkan atas dasar δk yang ada di unit keluaran. D. Sum Square Error dan Root Mean Square Error Kesalahan ada keluaran jaringan meruakan selisih antara keluaran sebenarnya dengan keluaran yang diinginkan. Selisih yang dihasilkan antara keduanya biasanya ditentukan dengan cara dihitung menggunakan suatu ersamaan [7]. Sum Square Error (SSE) dihitung sebagai berikut: a. Hitung keluaran jaringan syaraf untuk masukan ertama. b. Hitung selisih antara nilai keluaran jaringan syaraf dan nilai target / yang diinginkan untuk setia keluaran. c. Kuadratkan setia keluaran kemudian hitung seluruhnya. Adaun rumusnya adalah: 2 SSE ( T X ) (12) j dengan: = nilai keluaran jaringan syaraf T X = nilai target/yang diinginkan untuk setia keluaran Root Mean Square Error (RMS Error): a. Hitung SSE b. Hasilnya dibagi dengan erkalian antara banyaknya data ada elatihan dan banyaknya keluaran, kemudian diakarkan. 2 T X RMS Error = ( ) (13) j n n o dengan: = nilai keluaran jaringan syaraf T X = nilai target/yang diinginkan untuk setia keluaran n = jumlah seluruh ola n = jumlah keluaran o Keberhasilan roses belajar JST ditunjukkan dengan besarnya error yang minimum. Pada kondisi inilah JST tersebut daat digunakan. Ketika ada hal baru yang harus diketahui oleh JST, maka roses belajar harus diulang kembali dengan menggunakan informasi yang lama ditambah dengan informasi yang baru. III. METODOLOGI A. Metode Pengumulan data Metode engumulan data meliuti metode studi literatur dan wawancara. Langkah langkah engumulan data yang dilakukan ada enelitian ini meliuti: a. Membuat rancangan data inut dan data outut sebagai data elatihan mauun data engujian Berdasarkan keterangan yang dieroleh dari ahli eidemiologi kabuaten Brebes (Awaludin, SKM., M.Kes), data yang digunakan dalam enelitian ini meliuti: suhu rata rata ( o C) dari BMKG Kabuaten Brebes yang menginduk di BMKG kota Tegal, data curah hujan (mm), data jumlah hari hujan (hh), data Keadatan enduduk (km 2 ), data ketinggian daratan dari ermukaan air laut (m) dieroleh dari BPS Kabuaten Brebes, serta data ersentase ABJ (%) dari Dinas Kesehatan Kabuaten Brebes. Dalam enelitian ini juga mengambil data kasus DBD yang digunakan sebagai target dari sistem yang dieroleh dari Dinas Kesehatan Kabuaten Brebes. Data yang diambil secara time series, sehingga ada 102 asangan data yang telah dieroleh meruakan data nilai tahunan dari 6 arameter tersebut yang meliuti 17 kecamatan di Kabuaten Brebes tahun b. Membagi data ke dalam data set elatihan dan data set engujian Dari 102 data dibagi menjadi dua kelomok, yaitu data yang berfungsi sebagai masukan dan keluaran untuk roses elatihan dan engujian. Sebanyak 85 set data variabel faktor lingkungan yang memengaruhi enyebaran enyakit DBD dijadikan sebagai matriks dengan ukuran 7 x 85 untuk data elatihan (data tahun ) dan 17 set data digunakan sebagai data engujian (data tahun 2010) dengan ukuran matriks 7 x 17. B. Metode engembangan sistem Teknik engembangan sistem yang dikembangkan oleh Whitten (Gambar 4) yang dijabarkan sebagai berikut [10]: Gambar 4 Metode Sekuensial Waterfall Sumber : (Whitten, 2004) Yogyakarta, 15 Juni 2013 I-8 ISSN:

4 a. Rekayasa dan Pemodelan Sistem Untuk menggambarkan sistem informasi enyebaran enyakit DBD dengan metode JST Backroagation yang akan dikembangkan, maka erlu dibuat diagram alir sistem. b. Analisis Untuk daat memrediksi enyebaran enyakit DBD ada suatu wilayah saat ini masih terkendala akar yang sangat terbatas. Sehingga masalah ini tidak jarang menyebabkan kejadian luar biasa (KLB). Adaun ertimbangan dalam enelitian ini menggunakan metode JST Backroagation antara lain dikarenakan aturan engetahuan untuk memrediksi enyebaran enyakit DBD yang sulit untuk dirumuskan. Akan tetai dengan data historis/data kasus yang jumlahnya cuku besar maka JST layak untuk diuji coba untuk mngetahui kemamuan JST dalam menyelesaikan ermasalahan enyebaran enyakit DBD. c. Desain Desain sistem dengan JST meliuti beberaa tingkatan yaitu: tingkat neuron (node), tingkat jaringan (banyaknya laisan), dan tingkat elatihan. Rancangan jumlah neuron ada JST Backroagation untuk sistem rediksi enyebaran enyakit DBD: (1) Jumlah neuron laisan inut sebanyak 6 neuron, (2) Jumlah laisan hidden layer dan neuron enyusunnya ditentukan secara konstruktif, (3) Jumlah laisan outut terdiri atas satu neuron. Penentuan 6 neuron ada laisan inut didasarkan ada data faktor lingkungan yang memengaruhi enyebaran enyakit DBD yang dieroleh di lokasi enelitian. Jumlah neuron untuk laisan outut adalah satu buah neuron dengan ertimbangan bahwa ada alikasi rediksi enyebaran enyakit DBD digunakan untuk menentukan nilai kondisi suatu wilayah terkait ada dan tidaknya kasus DBD. Pada engolahan data outut, kondisi suatu wilayah terhada kasus DBD direresentasikan dengan bilangan biner 0 dan 1. Taha desain dimulai dari erancangan arsitektur jaringan seerti ada Gambar 5. d. Imlementasi Nilai data inut adalah bebas artinya nilai daat diisi dengan sembarangan bilangan berdasarkan data yang dieroleh di lokasi enelitian. Data tersebut kemudian disusun dalam bentuk matriks dengan ukuran matriks 7 x 85 untuk data yang akan digunakan sebagai data elatihan. Data tersebut diolah dalam suatu range tertentu yang disebut normalisasi data. Runtun data masukan dan target dinormalisasi dengan membawa data ke bentuk normal yang memiliki mean = 0 dan deviasi standard = 1. Pada simulasi ini metode normalisasi yang digunakan berdasarkan rumus [8]: A ' i Ai A max (14) A meruakan bilangan ke-i dan A adalah bilangan i max maksimum dalam suatu N (data) bilangan masukan serta adalah bilangan baru ke-i setelah roses normalisasi. ' A i Setelah dinormalisasi maka roses selanjutnya adalah roses komutasi backroagation dengan menerakan semua rumus dan algoritma dari backroagation. Untuk mencaai tujuan ini erlu diahami roses roses yang terjadi di dalam JST Backroagation. Proses tersebut meliuti: (1) Inisialisasi Bobot dan bias, (2) Penentuan kondisi berhenti, (3) Set elatihan sebanyak 85 data (asangan vektor inut dan vektor target) akan menjalani taha taha yang telah dijelaskan. Langkah nomor 3 akan diulangi samai kondisi berhenti terenuhi sehingga akan memerlukan banyak iterasi sebelum roses elatihan berhenti. Setelah membangun JST Backroagation dan menentukan arameter jaringan langkah komutasi selanjutnya adalah elatihan JST. Pelatihan dilakukan dengan variasi arameter jaringan sebagai berikut: Pelatihan 1, Mencari Jumlah Neuron untuk Hidden Layer Tujuan dari langkah ini adalah menentukan jumlah neuron untuk hidden layer yang menghasilkan kinerja terbaik selama roses elatihan, ditunjukkan dengan MSE terkecil dan waktu komutasi yang ceat. Pengamatan dilakukan terhada jaringan dengan satu hidden layer, dengan variasi jumlah neuron hidden layer adalah 5, 10, 15, 20, 25, 30, 35, 40, 45, 50, 55, 60, 65, 70, 75, 80, 85, 90, 95, 100, 105 dan 110 neuron. Pelatihan 2, Mencari Momentum dan Laju Pembelajaran Terbaik Pada langkah ini diamati variasi momentum dan esat belajar terhada unjuk kerja jaringan. Tujuan dari langkah ini adalah untuk memeroleh nilai momentum dan esat belajar yang otimum. Dengan memakai arsitektur jaringan terbaik ada elatihan 1. Kinerja tujuan (target error) yang diberikan adalah 0,001, maksimum iterasinya eoch dan algoritma elatihannya gradient descent dengan momentum dan esat belajar (traingdx). Pengujian Pengujian daat dilakukan dengan menggunakan data set yang sudah dilatihkan untuk melihat unjuk kerja sistem alikasi yang telah dibuat dengan melihat nilai error minimumnya. Selain itu juga engujian daat dilakukan menggunakan data set yang belum ernah dilatihkan sebelumnya untuk melihat tingkat akurasi sistem yang telah dibuat, yaitu menggunakan data uji sebanyak 17 asangan data. Gambar 5 Arsitektur JST untuk Sistem Informasi Penyebaran Penyakit DBD Yogyakarta, 15 Juni 2013 I-9 ISSN:

5 A. Pelatihan IV. HASIL DAN PEMBAHASAN TABLE I. HASIL PELATIHAN DENGAN SATU HIDDEN LAYER UNTUK JUMLAH NEURON HIDDEN LAYER YANG DIVARIASI Jumlah Neuron (nl1) MSE Waktu : : : : : : : : : : : : : : : : : : : : : :28.96 Pada Tabel 1 terlihat bahwa arsitektur jaringan dengan satu hidden layer memiliki kinerja cuku baik hal ini ditunjukkan dengan nilai error (MSE) terbaik sebesar yaitu dengan jumlah neuron sebanyak 110 neuron. Secara umum jaringan dengan jumlah neuron yang semakin besar akan menghasilkan MSE yang semakin kecil. Hasil engamatan elatihan kedua yang ditunjukkan oleh tabel 2 bahwa nilai esat belajar yang cuku kecil menjamin enurunan gradient terlaksana dengan baik, namun ini berakibat bertambahnya jumlah iterasi sehingga untuk mencaai konvergensi lebih lama. Hal ini bisa dilihat untuk esat belajar 0,6 dan momentum 0,6 dengan esat belajar 0,9 dan momentum 0,6. Penggunaan momentum disarankan jika encaaian nilai mínimum dari suatu sistem berlangsung terlalu lama dan juga untuk mencegah terjadinya sistem terjebak dalam lokal mínimum/otimum. Dalam enelitian ini hasil terbaik terjadi ada esat belajar 0,9 dan momentum 0,6. B. Pengujian TABLE III. HASIL PENGUJIAN DENGAN DATA PENGUJIAN Data Target Outut Sistem Error Outut Sistem (Pembulatan) P1 1 0,1456 0, P2 0 0, P3 0 0, P4 0 0, P5 0 0, P6 0 0,0001-0, P7 1 1, P8 1 1, P9 1 0,9885 0, P10 1 1, P11 1 1, P12 1 1, P13 1 1, P14 1 1, P15 1 0,1337 0, P16 1 1, P17 1 1, Akurasi ((17 2)/17)x100% = 88,23 % Pengujian dilakukan dengan menggunakan arsitektur satu unit hidden layer dengan jumlah neuron 110 dengan konstanta momentum 0,6 dan esat belajar 0,9. Pada Tabel 3 terlihat bahwa jaringan mamu mengenali ola data engujian dengan akurasi 15 data dari 17 data engujian. MSE hasil engujian sebesar 0, seerti yang ditunjukkan ada Gambar 6. Hasil ini menunjukkan bahwa terdaat keteatan yang baik antara outut jaringan dengan target yang diharakan. Sedangkan untuk hasil engujian dengan data engujian menunjukkan bahwa 2 data dari 17 data tidak sesuai dengan target. Sehingga daat dihitung tingkat validasi dari sistem hasil enelitian ini adalah sebagai berikut [6]: Jumlah _ data _ uji _ sesuai _ t arg et Validasi (%) 100% Jumlah data uji 15 validasi(%) x100% 17 Validasi = 88,23% Keluaran jaringan akan dibandingkan dengan target data engujian. Dari hasil erbandingan ini diketahui unjuk kerja dari sistem ini sebesar 88,23%. Sehingga aabila dilakukan engujian berikutnya dari sekelomok data engujian maka sebanyak 11,77% dari seluruh data engujian tersebut akan mengalami error atauun tidak sesuai dengan target. TABLE IV. PENGARUH MOMENTUM DAN PESAT BELAJAR DENGAN ARSITEKTUR JARINGAN SATU HIDDEN LAYER DENGAN JUMLAH NEURON 110 Mc Lr MSE Waktu MSE Waktu MSE Waktu MSE Waktu : : : : : : : : : : : : : : : : : : : : : : : : : : : :59.64 Yogyakarta, 15 Juni 2013 I-10 ISSN:

6 : : : : : : : :03.80 mingguan sehingga diharakan daat mengenali ola enyebaran enyakit demam berdarah ada wilayah tertentu. ACKNOWLEDGMENT Peneliti mengucakan terima kasih keada Dinas Kesehatan, Badan Pusat Statistik kabuaten Brebes dan Badan Meteorologi Klimatologi dan Geofisika Kota Tegal yang telah mendukung dan membantu dalam memberikan data mauun informasi untuk tujuan enelitian ini.. Gambar 6 Hasil Pengujian dengan Data Pengujian V. KESIMPULAN Hasil dari enelitian ini menunjukkan bahwa dengan menggunakan arameter inutan seerti : suhu rata rata ( o C), jumlah hari hujan (hh), curah hujan (mm), keadatan enduduk (/km 2 ), ketinggian wilayah dari ermukaan air laut (m), ersentase ABJ (%) menunjukkan tingkat akurasi yang cuku baik yaitu sebesar 88,23% data baru yang dikenalkan atauun diujikan sesuai dengan target sedangkan error sekitar 11,77% tidak daat dikenali oleh sistem. Error yang terdaat dalam enelitian ini daat disebabkan oleh beberaa faktor, antara lain: Jumlah ola elatihan yang digunakan sebanyak 85 ola data elatihan sedangkan data yang digunakan untuk engujian sebanyak 17 data engujian. Kinerja jaringan mungkin akan lebih baik lagi jika jumlah data set elatihan lebih banyak lagi. Hal ini karena semakin banyak jenis atau jumlah ola yang dilatihkan, jaringan akan semakin baik mengenali ola ola tertentu; Jumlah unit hidden layer yang digunakan ada enelitian ini hanya menerakan satu hidden layer dengan jumlah neuron sebanyak 110 neuron. Untuk enelitian selanjutnya, eneliti menyarankan untuk menggunakan rentang data enelitian diambil secara REFERENSI [1] Agarkar, A.M., Ghatol, A.A., 2010, FFANN Based Cost Effective Major Infant Disease Management. International Journal of Comuter Alications ( )Vol. 7. [2] Cetiner, B.G., Sari, M., Aburas, H.M., Recognition of Dengue Disease Patterns using Artificial Neural Networks. International Advanced Technologies Symosium 5 th. Turkey. [3] Chen, K., Pohan, H.T., Sinto, R., Diagnosis dan Terai Cairan ada Demam Berdarah Dengue. Medicinus. Vol. 22 No.1. [4] Ibrahim, F., Faisal, T., Salim M., M.I., Taib, M.N., Non-Invasive Diagnosis of Risk in Dengue Patients using Bioelectrical Imedance Analysis and Artificial Neural Network. International Federation of Medical and Biological Engineering 48: [5] Dirjen PP & PL., Pemberantasan Sarang Nyamuk Demam Berdarah Dengue (PSN - DBD) oleh Juru Pemantau Jentik (Jumantik). Dekes RI, Jakarta. [6] Sandra, Alikasi Jaringan Syaraf Tiruan untuk Pendugaan Mutu Mangga Segar Secara Non-Destruktif. Jurnal Teknologi Pertanian. Vol. 6 No.1 (66-72). [7] Hermawan, A., Jaringan Saraf Tiruan Teori dan Alikasi. Andi, Yogyakarta. [8] Purnomo, M.H., Kurniawan, A., Suervised Neural Networks dan Alikasinya. Graha Ilmu, Yogyakarta. [9] Siang, J.J., Jaringan Syaraf Tiruan dan Pemrogramannya menggunakan Matlab. Andi, Yogyakarta. [10] Whitten, J.L., dan Bentley, L.D., Metode Desain & Analisis Sistem edisi 6. Andi, Yogyakarta. [11] Sukamto, Studi Karakteristik Wilayah dengan Kejadian DBD di Kecamatan Cilaca Selatan Kabuaten Cilaca. Magister Kesehatan Lingkungan, Universitas Dionegoro, Semarang. Yogyakarta, 15 Juni 2013 I-11 ISSN: