BAB 2 LANDASAN TEORI. Adapun beberapa aplikasi Jaringan Syaraf Tiruan ( ANN ) adalah sebagai berikut :

Transkripsi

1 BAB 2 LANDASAN TEORI 2.1 Jaringan Syaraf Tiruan Jaringan saraf tiruan merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelaaran pada otak manusia dengan menggunakan program komputer yang mampu menyelesaikan seumlah proses perhitungan selama proses pembelaaran. Adapun beberapa aplikasi Jaringan Syaraf Tiruan ( ANN ) adalah sebagai berikut : 1. Pengenalan pola Jaringan syaraf tiruan sangat cocok digunakan untuk mengenali pola, misalnya mengenali pola huruf, angka, sidik ari atau bahkan penyakit. Hal ini mirip dengan cara kera otak manusia ketika membedakan dan mengenali perubahan waah setiap orang yang pernah dilihatnya. 2. Signal Processing Mengenali pola suatu signal atau noise dalam suatu perubahan nada suara misalnya. Secara sederhana Jaringan syaraf tiruan terdiri dari module yang saling keterkaitan secara sederhana yang disebut uga dengan Neuron dimana analogi dari syaraf biologi pada otak. Gambar 2.1 Node sederhana

2 Gambar 2.1 memperlihatkan bahwa Neural Network terdiri dari satuan-satuan pemroses berupa neuron. Y sebagai output menerima input dari x 1, x 2, x 3,.x n dengan bobot W 1, W 2, W 3,..W n. Hasil penumlahan seluruh impuls neuron dibandingkan dengan nilai ambang tertentu melalui fungsi aktivasi f setiap neuron Fungsi Aktivasi Fungsi aktivasi adalah salah satu parameter yang terpenting dalam aringan syaraf tiruan. fungsi ini tidak hanya menentukan keputusan garis, disamping nilai fungsi aktivasi uga menunukkan total signal dari node. Oleh karena pemilihan fungsi aktivasi tidak dapat secara sembarangan dipilih sebab sangat besar berdampak pada performan aringan syaraf tiruan. Ada beberapa fungsi aktivasi yang sering digunakan dalam syaraf tiruan, antara lain : a. Fungsi Linear Fungsi linear (ditunukkan oleh gambar 2.2) menyiapkan output tang seimbang untuk total bobot output. y = f(x) = x (2.1) Y X 1-1 b. Fungsi Threshold Gambar 2.2 Fungsi Linear Fungsi threshold memetakan bobot input dengan nilai biner [0,1] seperti yang ditunukkan dengan gambar 2.3 dimana :

3 y=f(x)= < 0 (2.2) Y 1 0 X Gambar 2.3 Fungsi Theshold c. Fungsi Piecewise Linear Fungsi piecewise linear dapat uga ruang lingkup biner atau bipolar untuk batas saturasi output. fungsi output dapat ditulis sebagai berikut : = ( ) = 0.5 < > 0.5 (2.3) Gambar 2.4 Fungsi Piecewise Linear d. Fungsi Sigmoid Ini type fungsi aktivasi yang mempunyai Garis S-shaped dan bentuk distribusi perubahan sigmois input dimana mempunyai nilai interval [-, ] = ( ) = (2.4)

4 Gambar 2.5 Fungsi sigmoid Multi Layer Perceptron MLP uga dikenal setara Multilayer Feedforward Neural Network (MLFNN) adalah salah satu yang paling terkenal dan banyak digunakan sebagai type model ANN oleh karena arsitektur dan perbandingan algoritma yang sederhana (Popescu et al., 2009). Dapat uga digunakan sebagai fungsi pembangkit secara menyeluruh, bahkan cocok digunakan untuk enis aplikasi yang besar. Gambar 2.6 Multi layer Perceptron (Popescu et al., 2009) Multi layer perceptron tersusun oleh seperangkat sensor moder yang dikelompokkan dalam tiga tingkatan lapisan yang terdiri dari lapisan modul masukan, satu atau lebih perantara atau lapisan tersembunyi dari modul perhitungan dan lapisan keluaran modul yang mengkalkulasikan keluaran dari aringan. semua

5 lapisan berurutan terhubung secara lengkap. hubungan antara modul berbatasan lapisan relay sinyal keluaran dari satu lapisan ke berikutnya. Sebagai contoh, gambar diatas mempunyai 4 vektor dimensi, diikuti oleh 3 lapisan tersembunyi dan yang terakhir lapisan keluaran dimana terdiri dari 1 modul. aringan ANN disebut dengan sebagai aringan Jaringan saraf tiruan uga memiliki seumlah besar kelebihan dibandingkan dengan metoda perhitungan lainnya (sistem pakar, statistik, dll), yaitu : 1. kemampuan mengakuisisi pengetahuan walaupun dalam kondisi adanya gangguan dan ketidakpastian. Hal ini dikarenakan JST mampu melakukan generalisasi, abstraksi, dan ekstrasi terhadap properti statistik dari data. 2. Kemampuan merepresentasikan pengetahuan secara fleksibel. JST dapat menciptakan sendiri representasi melalui pengaturan diri sendiri atau kemampuan belaar (self organizing). 3. Kemampuan mentolerir suatu distorsi (error/fault ). Dimana gangguan kecil pada data dapat dianggap hanya noise (guncangan) belaka. 4. Kemampuan memproses pengetahuan secara efisien karena memakai sistem paralel, maka waktu yang diperlukan untuk mengoperasikannya menadi lebih singkat. 5. Kemampuan untuk memperoleh pengetahuan melalui pembelaaran dari pengalaman. Walaupun dengan segudang kelebihan yang dimiliki, aringan saraf tiruan tetap mempunyai seumlah keterbatasan. Misal : Kekurangmampuannya dalam melakukan operasi-operasi numerik dengan presisi tinggi, operasi algoritma aritmatik, operasi logika, dan operasi simbolis serta lamanya proses pelatihan yang kadang-kadang membutuhkan waktu berhari-hari untuk umlah data yang besar. Hal itu teradi karena sulitnya mengukur performansi sebenarnya dari aringan saraf tiruan itu sendiri. Saat ini implementasi aringan saraf tiruan sudah cukup luas digunakan mulai dari teknologi militer, satelit ruang angkasa, bisnis dan kesehatan.

6 2.2 Algoritma Backpropagation Algoritma pelatihan Backpropagation Neural Network (BPNN) pertama kali dirumuskan oleh Werbos dan dipopulerkan oleh Rumelhart & Mc.Clelland. Pada supervised learning terdapat pasangan data input dan output yang dipakai untuk melatih JST hingga diperoleh bobot penimbang (weight) yang diinginkan. Pelatihan Backpropagation meliputi 3 fase: i) fase propagsi mau (feedforward) pola pelatihan masukan. Pola masukan dihitung mau mulai dari layer masukan hingga layer keluaran dengan fungsi aktivasi yang ditentukan; ii) fase propasi mundur (backpropagation) dari error yang terkait. Selisih antara keluaran dan target merupakan kesalahn yang teradi. Kesalahan tersebut dipropagasi mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit dilayar keluaran; iii) fase modifikasi bobot. Ketiga tahapan tersebut diulangi terus-menerus sampai mendapatkan nilai error yang diinginkan. Setelah training selesai dilakukan, hanya tahap pertama yang diperlukan untuk memanfaatkan aringan syaraf tiruan tersebut. Kemudian, dilakukan penguian terhadap aringan yang telah dilatih. Pembelaaran algoritma aringan syaraf membutuhkan perambatan mau dan diikuti dengan perambatan mundur Fase Propagasi Mau Selama propagasi mau, sinyal masukan (x 1 ) dipropagasikan ke layer tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari unit tersembuyi (Z 1 ) tersebut selanutnya dipropagasi mau lagi ke layer tersembunyi berikutnya dengan fungsi aktivasi yang telah ditentukan. Dan seterusnya hingga menghasilkan keluaran aringan (y k ). Berikutnya, keluaran aringan (y k ) dibandingkan dengan target yang harus dicapai (t k ). Selisih (t k -y k )adalah kesalahan yang teradi. Jika kesalahan ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan. Jika kesalahan masih lebih

7 besar dari batas toleransi, maka bobot setiap garis dari aringan akan dimodifikasi untuk mengurangi kesalahan Fase Propagasi Mundur Berdasarkan kesalahan t y dihitung faktor δ (k= 1,..., m) yang dipakai untuk k k k mendistribusikan kesalahan di unit Y ke semua unit tersembunyi yang terhubung k langsung dengan Y. δ uga dipakai untuk mengubah bobot garis yang berhubungan k k langsung dengan unit keluaran. Dengan cara yang sama, dihitung faktor δ di setiap layer tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di layer di bawahnya. Dan seterusnya hingga semua faktor δ di unit tersembunyi yang terhubung langsung dengan unit masukan dihitung Fase Modifikasi Bobot Setelah semua faktor δ dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan bobot suatu garis didasarkan atas faktor δ neuron di layer atasnya. Sebagai contoh, perubahan bobot garis yang menuu ke layer keluaran didasarkan atas yang ada di unit keluaran Ketiga fase tersebut diulang-ulang hingga kondisi penghentian dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah umlah interasi atau kesalahan. Iterasi akan dihentikan ika umlah iterasi yang dilakukan sudah melebihi umlah maksimum iterasi yang ditetapkan, atau ika kesalahan yang teradi sudah lebih kecil dari batas toleransi yang ditetapkan Prosedur Pelatihan Seperti halnya aringan syaraf yang lain, pada aringan feedfoward (umpan mau) pelatihan dilakukan dalam rangka perhitungan bobot sehingga pada akhir pelatihan akan diperoleh bobot-bobot yang baik. Selama proses pelatihan, bobot-bobot diatur secara iteratif untuk meminimumkan error (kesalahan) yang teradi. Error (kesalahan) dihitung berdasarkan rata-rata kuadrat kesalahan (MSE). Rata-rata kuadrat kesalahan uga diadikan dasar perhitungan unuk kera fungsi aktivasi.

8 Sebagian besar pelatihan untuk aringan feedfoward (umpan mau) menggunakan gradien dari fungsi aktivasi untuk menentukan bagaimana mengatur bobot-bobot dalam rangka meminimumkan kinera. Gradien ini ditentukan dengan menggunakan suatu teknik yang disebut backpropagation. Pada dasarnya, algoritma pelatihan standar backpropagation akan menggerakkan bobot dengan arah gradien negatif. Prinsip dasar dari algoritma backpropagation adalah memperbaiki bobot-bobot aringan dengan arah yang membuat fungsi aktivasi menadi turun dengan cepat. Langkah-langkah yang dilakukan pada prosedur pelatihan adalah: Langkah 0 : Inisialisasi bobot keterhubungan antara neuron dengan menggunakan bilangan acak kecil (-0.5 sampai +0.5). Langkah 1 : Kerakan langkah 2 sampai langkah 9 selama kondisi berhenti yang ditentukan tidak dipenuhi. Langkah 2 : Kerakan langkah 3 sampai langkah 8 untuk setiap pasangan pelatihan. Propagasi mau Langkah 3 : Setiap unit masukan (x i, i = 1,., n) menerima sinyal masukan x i, dan menyebarkannya ke seluruh unit pada lapisan tersembunyi Langkah 4 : Setiap unit tersembunyi (xi, I = 1,.,p) umlahkan bobot sinyal masukannya : z _ in vo n i 1 x v i i (2.5) v o = bias pada unit tersembunyi aplikasikan fungsi aktivasinya untuk menghilangkan sinyal keluarannya, z = f (z_in ), dan kirimkan sinyal ini keseluruh unit pada lapisan diatasnya (unit keluaran) Langkah 5 : tiap unit keluaran (yk, k = 1,.m) umlahkan bobot sinyal masukannya : y _ in k wo k p 1 z w k (2.6)

9 Propagasi balik w ok = bias pada unit keluaran k dan aplikasikan fungsi aktivasinya untuk menghitung sinyal keluarannya, y k = f(y_in k ) Langkah 6 : tiap unit keluaran (yk, k = 1,..,m) menerima pola target yang saling berhubungan pada masukan pola pelatihan, hitung kesalahan informasinya, t y ) f '( y _ in ) k ( k k k hitung koreksi bobotnya nantinya), w k (2.7) (digunakan untuk mempengaruhi w k hitung koreksi biasnya (digunakan untuk mempengaruhi nantinya) wo k k k z dan kirimkan δ k ke unit-unit pada lapisan dibawahnya, Langkah 7 : Setiap unit lapisan tersembunyi (z, = 1,..p) umlah hasil perubahan masukannya (dari unit-unit lapisan diatasnya), m kalikan dengan turunan fungsi aktivasinya untuk menghitung informasi kesalahannya, _ in w k 1 _ in k k f '( z _ in ) (2.8) (2.9) (2.10) (2.11) w ok v i x i (2.12) hitung koreksi bias vo Langkah 8 : Update bobot dan bias pada hubungan antar lapisan w i k k ( baru ) w ( lama ) w v ( baru) v ( lama) v i i k (2.13) (2.14) (2.15) Langkah 9 : Tes kondisi terhenti

10 Backpropagation secara garis besar terdiri dari dua fase, fase mau dan fase mundur. Selama fase mau algoritma ini memetakan nilai masukan untuk mendapatkan keluaran yang diharapkan. untuk menghasilkan keluaran pola maka didapatkan dari rekapitulasi bobot masukan dan dipetakan untuk fungsi aktivasi aringan. keluaran dapat dihitung sebagai berikut : = (2.16) di mana,. = ( ) + (2.17) dimana, o w i a net, θ : input dari unit : bobot yang dihubungkan dari unit i ke unit : aringan keluaran untuk unit : bias untuk unit Di dalam fase mundur, pola keluaran (aktual output) kemudian dibandingkan dengan keluaran yang dikehendaki dan sinyal error dihitung untuk masing masing output. Sinyal-sinyal kemudian merambat mundur dari lapisan output ke masing-masing unit dalam lapisan lapisan transisi memberikan kontribusi langsung ke output, dan bobot disesuaikan iterasi selama proses pembelaaran, kemudian error diperkecil selama descent direction. fungsi error pada output neuron digambarkan sebagai berikut : = ( ) (2.18) dimana, n : angka pada modul keluaran didalam lapisan output t k o k : keluaran yang dikendaki dari keluaran unit k : keluaran aringan dari keluaran unit k Parameter α merupakan lau pemahaman yang menentukan kecepatan iterasi. Nilai α terletak antara 0 dan 1 (0 a 1). Semakin besar harga α, semakin sedikit iterasi yang dipakai. Akan tetapi ika harga α terlalu besar, maka akan merusak pola yang sudah benar sehingga pemahaman menadi lambat. Satu siklus pelatihan yang melibatkan semua pola disebut epoch. Pemilihan bobot awal sangat mempengaruhi aringan syaraf tiruan dalam

11 mencapai minimum global (atau mungkin lokal saa) terhadap nilai error (kesalahan) dan cepat tidaknya proses pelatihan menuu kekonvergenan. Apabila bobot awal terlalu besar maka input (masukan) ke setiap lapisan tersembunyi atau lapisan output (keluaran) akan atuh pada daerah dimana turunan fungsi sigmoidnya akan sangat kecil. Apabila bobot awal terlalu kecil, maka input (masukan) ke setiap lapisan tersembunyi atau lapisan output (keluaran) akan sangat kecil. Hal ini akan menyebabkan proses pelatihan beralan sangat lambat. Biasanya bobot awal diinisialisasi secara random dengan nilai antara -0.5 sampai 0.5. Setelah pelatihan selesai dilakukan, aringan dapat dipakai untuk pengenalan pola. Keuntungan dari metode backpropagation yaitu : 1. Back-Propagation sangat luas digunakan dalam paradigma aringan saraf, dan berhasil diaplikasikan dalam berbagai bidang. Misalnya : pengenalan pola militer, diagnosa kedokteran, klasifikasi gambar, meneremahkan kode, dan dalam deteksi enis penyakit paru. 2. Back-Propagation dapat digunakan untuk dua atau lebih lapisan dengan bobot dan menggunakan aturan pengalaman belaar. 3. Pembelaaran dan penyesuaian prosedur didasari konsep yang relatif sederhana. 4. Dapat memisahkan pola yang terpisah secara linear maupun pola yang terpisah tidak linear. Terpisah linear adalah dipisahkan 1 garis linear 2 pola tersebut. Adapun kelemahannya yaitu : Waktunya Konvergen, karena pelatihan memerlukan ratusan atau ribuan contoh dalam kumpulan pelatihan, dan mungkin membutuhkan waktu komputasi sepanang hari (atau lebih) untuk menyelesaikan pelatihan. 2.3 Algoritma Kohonen Kohonen Map atau dapat disebut Self Organizing Maps (SOM) diperkenalkan pertama kali oleh Prof. Teuvo Kohonen dari Finlandia pada tahun 1982 (Kohonen, 1982). Jaringan Kohonen telah banyak dimanfaatkan untuk pengenalan pola baik berupa pola/citra, suara, dan lain-lain. Jaringan SOM sering pula digunakan untuk ekstraksi ciri (feature) pada proses awal pengenalan pola. Ia mampu mereduksi dimensi input pola ke umlah yang lebih sedikit sehingga pemrosesan komputer menadi lebih hemat.

12 Prinsip kera dari algoritma SOM adalah pengurangan node-node tetangganya (neighbor), sehingga pada akhirnya hanya ada satu node output yang terpilih (winner node). Pertama kali yang dilakukan adalah melakukan inisialisasi bobot untuk tiap-tiap node dengan nilai random. Setelah diberikan bobot random, maka aringan diberi input seumlah dimensi node/neuron input. Setelah input diterima aringan, maka aringan mulai melakukan perhitungan arak vektor yang didapatkan dengan menumlah selisih/arak antara vektor input dengan vektor bobot. Secara matematis dirumuskan : n 1 d = i 0 (x I (t) -w i (t)) 2 (2.19) Langkah-langkah Algoritma Kohonen Berikut merupakan langkah-langkah algoritma Kohonen : Langkah 0 : Inisialisasi bobot : W i Set parameter-parameter tetangga Set parameter learning rate Langkah 1 : Kerakan ika kondisi berhenti bernilai FALSE a. Untuk setiap vektor input x, kerakan : Untuk setiap, hitung : bobot i = i (W i Xi) 2 (2.20) Bandingkan bobot i untuk mencari bobot terkecil Untuk bobot i terkecil, ambil W i (lama) untuk mendapatkan : W i (baru) = W i (lama) + α (x i W i (lama)) (2.21) b. Perbaiki learning rate (baru) = 0,5 * α (2.22) c. Kurangi radius ketetanggaan pada waktu-waktu tertentu, dengan cara meng-update nilai boboti d. Tes kondisi berhenti (min error atau maxepoch terpenuhi)

13 2.4 Normalisasi Data Dalam proses pembelaaran (training), aringan membutuhkan data training yaitu data yang di-input-kan. Pada proses yang menggunakan deraat keanggotaan yang berada pada interval yang lebih kecil yaitu [0.1, 0.9], untuk itu perlu dilakukan normalisasi data agar terbentuk data yang berada diantara 0 dan 1. Salah satu rumus yang dapat digunakan dalam proses normalisasi data tersebut adalah persamaan berikut : (x max -x min )(x-a) X baru = + x min (2.23) (b-a) Dimana : x baru x max x min a b : data actual yang telah dinormalisasi : nilai maksimum data actual : nilai minimum data actual : data terkecil : data terbesar 2.5. Teori Penunang Tentang Penyakit Paru (Sumber : Jenis-enis penyakit paru-paru sangatlah beragam. Namun, hampir semuanya berbahaya, sebab penyakit ini menyerang organ terpenting dalam tubuh manusia. Anda sebaiknya menaga kesehatan paru-paru karena sebanyak 12 enis penyakit siap menderanya. Gambar 2.7 Paru Manusia

14 Paru-paru adalah salah satu organ pada sistem pernapasan yang berfungsi sebagai tempat bertukarnya oksigen dari udara yang menggantikan karbondioksida di dalam darah. Proses ini dinamakan sebagai respirasi dengan menggunakan batuan haemoglobin sebagai pengikat oksigen. Setelah O2 di dalam darah diikat oleh hemoglobin, selanutnya dialirkan ke seluruh tubuh. Berikut ini enis-enis penyakit paru-paru yang perlu diketahui berdasarkan pada buku karangan Steve Parker yang berudul Ensiklopedia Tubuh Manusia. 1. Pneumonia (radang paru-paru) Salah satu enis-enis penyakit paru-paru yang berbahaya adalah pneumonia atau disebut uga dengan radang paru-paru. Pneumonia dapat timbul di berbagai daerah di paru-paru. Pneumonia lobar menyerang sebuah lobus atau potongan besar paru-paru. Pneumonia lobar adalah bentuk pneumonia yang mempengaruhi area yang luas dan terus-menerus dari lobus paru-paru. Selain itu, ada uga yang disebut bronkopneumonia yang menyerang seberkas aringan di salah satu paru-paru atau keduanya. 2. Penyakit Legionnaries Jenis-enis penyakit paru-paru lainnya adalah legionnaries. Penyakit paru-paru yang satu ini disebabkan bakteri legionella pneumophilia. Bentuk infeksinya mirip dengan pneumonia. Penyebab penyakit legionnaries adalah bakteri legionella, sebuah bakteri berbentuk batang yang ditemukan di sebagian besar sumber air. Mereka dapat berlipat ganda sangat cepat. Mereka terdapat di sistem pipa ledeng atau di mana pun yang air bisa menggenang. Penyakit Legionnaire pertama kali dielaskan pada 1976 setelah teradi wabah penyakit yang mirip penumonia berat pada veteran perang di sebuah konvensi American legion. Penyakit ini lebih banyak menyerang laki-laki.

15 3. Efusi pleura Cairan berlebih di dalam membran berlapis ganda yang mengelilingi paru-paru disebut efusi pleura. Dua lapis membran yang melapisi paru-paru atau pleura dilumasi oleh sedikit cairan yang memungkinkan paru-paru mengembang dan berkontraksi dengan halus dalam dinding dada. Infeksi seperti pneumonia dan tuberkulosis, gagal antung, dan beberapa kanker dapat menimbulkan pengumpulan cairan di antara pleura. Jumlahnya bisa mencapai tiga liter yang menekan paru-paru. 4. Tuberkulosis (TB) Jenis-enis penyakit paru-paru lainnya adalah Tuberkulosis atau disingkat TB merupakan penyakit yang disebabkan oleh infeksi yang menyerang aringan paruparu. Penyebab seseorang mengidap TB adalah bakteri mycobacterium tuberculosis. Sebagian besar orang memiliki mikroba TB di dalam tubuhnya, tapi mikroba ini hanya menyebabkan penyakit di beberapa orang saa, biasanya ika imunitas atau kekebalan tubuh orang itu menurun. 5. Pneumotoraks Pneumotoraks adalah penyakit yang terdapat di selaput paru atau yang disebut pleura. Pneumotoraks teradi ika satu atau kedua membran pleura tertembus dan udara masuk ke dalam rongga pleura menyebabkan paru-paru mengempis. Membran pleura dipisahkan oleh lapisan cairan pleura sangat tipis yang melumasi gerakan mereka. Keseimbangan tekanan antara dinding dada, lapisan pleura, dan aringan paru-paru memungkinkan paru-paru terisap ke dalam dinding dada. Pada pneumotoraks, udara masuk ke dalam rongga pleura. Keseimbangan tekanan pun berubah dan paru-paru mengempis. Jika lebih banyak udara yang masuk ke dalam rongga tapi tidak dapat keluar, tekanan di sekitar paru-paru semakin tinggi yang dapat mengancam iwa. Pneumotoraks spontan dapat teradi akibat pecahnya alveolus yang membesar secara abnormal di permukaan paru-paru atau akibat kondisi paru-paru, seperti asma. Penyebab lain adalah patah tulang rusuk dan luka dada.

16 6. Asma Jenis-enis penyakit paru-paru lainnya adalah Asma. Asma merupakan penyakit radang paru-paru yang menimbulkan serangan sesak napas dan mengi yang berulang. Asma merupakan salah satu kelainan paru-paru paling banyak dan bervariasi, menyerang satu dari empat anak di beberapa daerah. Otot dinding saluran udara berkontraksi seperti keang, menyebabkan saluran udara menyempit, sehingga teradi serangan sesak napas. Penyempitan diperburuk oleh sekresi lendir yang berlebihan. Sebagian besar kasus teradi di masa kanak-kanak dan biasanya berkaitan dengan penyakit yang didasari oleh alergi seperti eksema dan keduanya mempunyai faktor penyakit turunan. 7. Penyakit Paru-Paru Obstruktif Kronis Penyakit paru obstruktif kronik (PPOK) mempunyai karakteristik keterbatasan alan napas yang tidak sepenuhnya reversibel. PPOK adalah kelainan angka panang di mana teradi kerusakan aringan paru-paru secara progresif dengan sesak napas yang semakin berat. PPOK terutama meliputi bronkitis kronis dan emfisema, dua kelainan yang biasanya teradi bersamaan. 8. Bronkitis Kronis Peradangan kronis saluran udara paru-paru biasanya disebabkan oleh rokok. Jarang sekali, infeksi akut yang berulang menimbulkan bronkitis kronis. Pada bronkitis kronis, bronkus, saluran udara utama menuu paru-paru, meradang, membengkak, dan menyempit akibat iritasi oleh asap tembakau, infeksi berulang, atau paparan lama terhadap zat polutan. Saluran udara yang meradang mulai menghasilkan dahak berlebihan, awalnya menyebabkan batuk mengganggu di waktu lembap dan dingin, lalu berlanut sepanang tahun. 9. Emfisema Emfisema adalah enis penyakit paru obstruktif kronik yang melibatkan kerusakan pada kantung udara (alveoli) di paru-paru. Akibatnya, tubuh tidak mendapatkan oksigen yang diperlukan. Emfisema membuat penderita sulit bernafas. Penderita mengalami batuk kronis dan sesak napas. Penyebab paling umum adalah merokok.

17 10. Penyakit Paru Akibat Kera Asbestosis, silikosis, dan pneumokoniosis disebabkan oleh menghirup partikel yang mengiritasi dan membuat peradangan aringan paru-paru, mengarah ke timbulnya fibrosis. Orang yang berisiko tinggi menderita penyakit paru-paru akibat pekeraan, adalah para pekera yang terpapar partikel beracun selama bertahun-tahun, misalnya para pekera tambang. Pada penyakit paru-paru akibat kera, terdapat penebalan perlahan (fibrosis) aringan paru-paru, yang akhirnya menimbulkan pembentukan aringan parut ireversibel. 11. Silikosis Silikosis adalah salah satu penyakit paru akibat lingkungan kera. Penyakit ini merupakan suatu pneumokoniosis yang disebabkan oleh inhalasi partikel-partikel kristal silika bebas. Silika adalah seenis bahan yang banyak digunakan dalam bangunan dan perusahaan konstruksi. Silika dalam bentuk padat tidak berbahaya, tetapi bentuk butiran debu sangat tidak baik untuk paru-paru. Yang termasuk silika bebas adalah kuarsa, tridimit, dan kristobalit. 12. Asbestosis Asbestosis adalah penyakit paru yang disebabkan banyaknya zat asbes yang terhirup paru-paru, sehingga menyebabkan kerusakan berat. Pada beberapa kasus asbestosis, bisa menadi penyebab timbulnya penyakit kanker paru-paru. Kanker paru-paru sendiri adalah keberadaan tumor ganas di paru-paru. Kanker paru-paru adalah kanker paling umum di dunia dan lebih dari satu uta kasus baru ditemukan setiap tahun. Namun pada penelitian ini hanya menggunakan 3 enis penyakit paru saa, yaitu: Tuberkulosis (TB) paru atau TBC Paru-paru, danpneumonia (radang paru-paru). 2.6 Smoothing Grafik Proses smoothing grafik dilakukan untuk mendapatkan hasil grafik yang lebih baik. Proses ini dilakukan dengan mengambil titik puncak dari grafik hasil training yang

18 telah terbentuk dari titik puncak grafik tersebut, kemudian akan ditarik garis linear dari titik awal dan titik akhir sehingga dapat menghasilkan grafik yang lebih baik. 2.7 Riset Terkait Dalam melakukan penelitian, penulis menggunakan beberapa riset terkait yang diadikan acuan yang membuat penelitian beralan lancer. Adapun riset-riset terkait tersebut adalah: No Judul Riset 1 Pengenalan huruf berbasis aringan syaraf tiruan menggunakan algoritma perceptron 2 Penerapan Algoritma Quickprop pada Jaringan Syaraf Tiruan untuk Mendeteksi Waah Manusia 3 Pengenalan Citra Obek Sederhana Dengan Menggunaka n Metode Jaringan Saraf Tiruan Som 4 Analisis Jaringan Saraf Tabel 2.1 Riset terkait Nama Peneliti Dan Tahun Wahyono, 2009 Setyo Nugroho, 2005 Ang Wie Siong 1, Resmana 2,1999 Sri Kusumadewi,20 Algoritma/ Metode Yang Digunakan Algoritma Perceptron/meto de Binerisasi Algoritma Quickprop/metod e active learning Metode Jaringan Saraf Tiruan SOM Metode Backpropagation Hasil Penelitian Dalam pelatihan dan penguian data pola didapatkan bahwa ternyata algoritma perceptron pun bisa digunakan dalam pengenalan huruf yang masuk dalam ruang lingkup pengklasifikas ian pola. Algoritma Quickprop dan metode active learning dapat meningkatkan kecepatan training. Jaringan saraf tiruan ini mampu mengenali citra ber-noise, namun kurang dapat menangani pergeseran citra. Pada input citra dengan pengecilan sekaligus pergeseran, ustru aringan dapat lebih mengenali. Metode Backpropagation dapat digunakan untuk

19 Sambungan Tabel 2.1 Riset terkait Tiruan dengan Metode Backpropagat ion Untuk Mendeteksi Gangguan Psikologi 5 Penerapan Jaringan Syaraf Tiruan untuk Mendeteksi Posisi Waah Manusia pada Citra Digital 08 melakukan pendeteksian suatu enis penyakit, gangguan, maupun kasus yang memiliki data masa lalu, dan dengan menggunakan metode Backpropagation, target output yang diinginkan lebih mendekati ketepatan dalam malakukan penguian, karena teradi penyesuaian nilai bobot dan bias yang semakin baik pada proses pelatihan(traning). Setyo Nugroho 1, Agus Haroko 2, 2009 Algoritma Quickprop Dan Metode Active Learning Jaringan syaraf tiruan dengan enis multi layer perceptron dapat digunakan untuk melakukan deteksi waah pada citra digital. Untuk training dengan umlah data yang besar, algoritma Quickprop memberikan peningkatan kecepatan training yang signifikan. 2.8 Perbedaan Dengan Riset Yang Lain Dalam Penelitian ini, untuk mempercepat proses pembelaaran (training) yang signifikan dan klasifikasi yang akurat dalam mengenali pola suatu penyakit paru menggunakan Algoritma Kohonen pada Jaringan syaraf Tiruan dimana bobot yang digunakan dihitung menggunakan algoritma Kohonen dan hasilnya dimasukkan ke JST backpropagation. 9 Kontribusi Riset Dalam penelitian ini, algoritma yang akan digunakan dalam mempercepat proses pembelaaran dan klasifikasi yang akurat adalah algoritma Kohonen, diharapkan dari penelitian ini akan didapatkan metode yang lebih efektif dalam meningkatkan kecepatan training di dalam pengenalan pola penyakit secara otomatis pada aringan syaraf tiruan backpropagation.